摘要：

 

針對鋼箱梁內表面典型涂層病害及螺栓缺陷難以被快速感知、識別的問題，研發了具有一定普適性的大剛度多級折疊機械臂軌道機器人。基于涂層的典型病害分類、病害影響權重和涂層劣化等級評定，搭建了典型病害識別專家決策系統，并訓練了多尺度感受野網絡。基于計算機視覺與深度學習技術提出了一種螺栓丟失與松動缺陷魯棒性檢測方法。結果表明：鋼箱梁內表面涂層病害識別準確率為97%，分類準確率為90.3%；螺栓丟失缺陷識別準確率為99.0%，螺栓松動缺陷識別準確率為99.7%，螺栓缺陷檢測時，透視拍攝角度不大于40 °可減少對螺栓松緊度的誤判。無人搭載平臺的軌道機器人實現了對鋼箱梁內表面涂層病害及螺栓缺陷的快速、高精度智能巡檢。

 

關鍵詞：

 

生物基；無人搭載平臺；鋼箱梁內表面；涂層病害；螺栓缺陷；自動檢測

 

本文作為參考文獻標準著錄格式：

 

麥權想，陳春雷. 基于無人搭載平臺的鋼箱梁內表面涂層病害及螺栓缺陷自動檢測技術研究[J]. 涂料工業，2025，55（2）：57-64.

 

MAI Q X，CHEN C L. Research on automatic detection technology for coating defects and bolts defects on interior surface of steel box girder based on unmanned platform[J]. Paint & Coatings Industry，2025，55（2）：57-64.

 

DOI:10.12020/j.issn.0253-4312.2024-274

 

鋼結構橋梁憑借跨越能力強、質量小、橋型美觀、施工周期短、整體性好、施工對環境影響小等優點，在跨海工程中得到了廣泛的應用。但鋼箱梁在海洋大氣的高溫高濕、鹽霧等環境因素下，容易產生涂層劣化、鋼板銹蝕、焊縫開裂等病害。跨海橋梁工程中，為了提高施工效率和質量，鋼箱梁構件大多采用螺栓連接。在橋梁運營期間，螺栓受振動、動態載荷、循環熱負荷、結構沉降與材料退化等因素的影響，容易產生螺栓丟失與松動缺陷。

 

涂層病害常用的檢測方法包括目檢、磁粉測試法、電渦流測試法、放射測試法和激光測試法等。磁粉檢測法常用于檢測表面裂紋、凹槽及凸起等，但該方法要求被測試件表面光滑且檢測速度慢；電渦流測試法可用于檢測銹蝕和裂紋等病害，但不適用于形狀復雜的零件；放射測試法和激光測試法因設備復雜、費用高昂，不適用于橋梁的現場測試；目前，人工目檢應用廣泛，但存在效率低、病害發現不及時、檢修不全面和成本高等問題。

 

螺栓缺陷檢測常采用目視法、錘擊法和扭矩扳手法等人工方法。對于螺栓數量眾多的鋼結構，如跨海橋梁，人工巡檢的效率和頻率較低，難以及時發現缺陷，且結果容易受檢測人員技能水平影響，錯誤率較高。對于高聳或隱匿位置的螺栓，檢測人員難以近距離檢測。盡管有研究者提出使用接觸式傳感器進行實時監測，但設備成本高、部署難度大，限制了其普及應用。

 

近年來，為了克服人工巡檢和傳感器檢測方法的缺點，基于數字圖像數據分析的自動化檢測研究備受關注。研究主要包括智能檢測技術和智能識別與算法2個方面。劉理等提出了橋梁檢測機器人作業規劃與位姿的優化方法，通過仿真模擬和現場測試驗證了該方法的有效性。Mashayekhi等使用人工神經網絡識別出了鋼橋構件的焊縫裂紋。劉燕妮等提出一種基于沙漏網絡和數字圖像處理的高強度螺栓松動檢測算法，表現出良好的識別效果和計算效率。

 

但目前無人搭載平臺檢測技術處于研究階段，尚未成熟。本研究依托港珠澳大橋智能化運維課題，開展了軌道式機器人自動化檢測鋼箱梁內表面涂層病害及螺栓病害的研究，解決了港珠澳大橋箱梁內部結構復雜、巡檢機器人難以運行的典型問題，建立了鋼結構表面涂層病害等級劃分標準，基于典型病害識別專家決策系統實現了圖像的自動展示、識別和記錄，基于高魯棒性螺栓節點缺陷檢測模型實現了真偽螺栓判別及螺栓丟失與松動判別。

 

1. 自動化檢測無人搭載平臺框架建設

 

本研究重點關注軌道機器人的軌道和系統設計，涂層病害智能識別與評級，螺栓缺陷智能檢測。涂層病害檢測裝置、螺栓缺陷檢測裝置通過模塊化組裝的方式搭載于軌道機器人上。激光相機和螺栓拍攝相機通過無線傳輸的方式將數字圖像傳輸至終端，然后分別采用箱梁內表面病害智能識別與決策模型和螺栓連接節點服役狀態智能評估模型進行智能化處理。鋼箱梁內表面涂層病害及螺栓缺陷自動化檢測的總體設計框架如圖1所示。

 

圖1　鋼箱梁內表面涂層病害與螺栓缺陷自動化檢測框架圖

 

Fig.1　The framework of automated detection for coating defects and bolts defects on interior surface of steel box girders

 

2. 自動化檢測無人搭載平臺設計

 

2.1 鋼箱梁內軌道設計

 

為實現鋼箱梁內部的自動巡檢和維養工作，港珠澳大橋開展了軌道布置和軌道梁力學性能研究。根據港珠澳大橋鋼箱梁內部結構和檢修的要求，確定了軌道系統設計方案。主軌道采用13#槽鋼，尺寸為126 mm×53 mm×5.5 mm，材質為Q345qD，設置在鋼箱梁人孔底部，并采用空間桿系有限元方法驗算了軌道梁在溫度和外部荷載作用下的整體強度和剛度。

 

2. 2 軌道機器人系統設計

 

為實現對鋼箱梁大挑臂內部U 肋復雜結構的檢測可達性，解決鋼箱梁檢測工作量大、巡檢機器人運行不平穩等問題，研發了軌道機器人進行鋼箱梁內表面涂層病害及螺栓缺陷的自動化檢測。軌道機器人采用輪式驅動，行駛速度≥1.5 km/h。為更精確控制軌道機器人的行駛距離，采用位置模式控制電機自動驅使軌道機器人至目標位置。采用驅動輪和被動輪編碼器數據融合定位軌道車位置，并通過被動輪的編碼器數據糾正驅動輪導致的行駛誤差。軌道機器人每行駛100 m，車體定位誤差≤2 cm。

 

軌道機器人的2只機械臂布置于車頂，2只機械臂位于車底。左下臂自由度為3，左上臂自由度為5，右下臂、右上臂自由度為6，多自由度的機械臂可實現箱梁內巡檢視角全覆蓋。為提高機械臂末端穩定性，保證檢測相機平穩工作，在機械臂的第一段添加支撐裝置，在機械臂的最后一段末端添加彈性抵近裝置。箱梁內部空間結構較為復雜，為避免機械臂在逐級展開的過程中可能會與箱梁內部的構件發生碰撞，通過運動學仿真分析，對上方機械臂進行運動軌跡規劃。并通過避障雷達、超聲波傳感器矩陣、安全觸邊防撞條等實現軌道車及機械臂各工況下的障礙物檢測與處理。

 

3. 鋼箱梁內表面涂層病害智能檢測技術及評價

 

3. 1 涂層病害檢測設備

 

涂層病害檢測模塊由激光相機、千兆交換機等關鍵部件組成。激光相機不受光照條件的影響，可在完全黑暗的環境中正常工作，能夠很好地解決鋼箱梁內光線差的問題。激光相機包括動態及靜態相機組，其中動態相機組負責檢測箱梁內頂板，靜態相機組負責檢測箱梁內側面。激光相機模組的數據可用于識別裂紋、起泡、銹蝕等病害類型以及病害的尺寸和位置等信息，裂縫識別精度為（0.15±0.05） mm。

 

3. 2 涂層病害分類與劣化評級

 

通過現場調研、實驗室加速試驗、歷史數據搜集等方式，獲取鋼箱梁內表面涂層典型病害圖像數據，并參照GB/T 1766—2008將涂層病害劃分為變色、起泡、開裂、剝落和生銹5類典型病害并進行評級。將方案層中5 類病害因素之間兩兩比較，通過調查訪問、專家咨詢打分的方式，構建了鋼箱梁內表面涂層典型病害判斷矩陣，進行歸一化處理后得到5種病害因素的權重值，得出涂層病害綜合等級[式（1）]。

 

式中：T—涂層病害綜合評分；C1—變色病害等級；C2—起泡病害等級；C3—開裂病害等級；C4—剝落病害等級；C5—生銹病害等級。

 

計算出涂層病害綜合評分后，根據表1的維養建議進行維養。

 

表1　對苯二甲酸與呋喃二甲酸的優勢對比

Table 1　Comparison of the advantages of terephthalic acid and furan dicarboxylic acid

 

 

3. 3 涂層典型病害識別專家決策系統

 

為了對圖像數據進行自動展示、識別和記錄，實現對鋼箱梁內表面智能化巡檢數據的快速分析，研制了鋼箱梁內表面涂層典型病害識別專家決策系統。本系統界面由顯性及隱性病害數據展示區、顯性及隱性病害具體信息展示區、病害等級判定及預警區3個展示區域組成。系統功能涵蓋了病害識別顯示與評級模塊、數據庫分類-調用及查詢模塊、系統自學習模塊、預警系統模塊。在本系統的數據層面，建立了Oracle數據庫，主要用于存儲及管理鋼箱梁內表面病害圖像識別及專家決策系統運行的狀態、生成的信息數據。同時建立了MongoDB數據庫，用于儲存檢測算法檢出所需調用的實時樣本數據。在本系統的計算層面，基于采集數據和人工標注訓練了深度學習推理模型，搭建了專家推演系統的規則庫和知識圖譜，實現了鋼箱梁內表面涂層典型病害等級評判專家決策的功能。

 

4. 螺栓缺陷智能檢測技術

 

4. 1 螺栓缺陷檢測設備

 

螺栓缺陷檢測設備的圖像拍攝模組為雙側結構，單側由雙相機構成，單相機像素800萬。拍攝范圍應涵蓋節點板的所有輪廓邊緣，圖像中節點板的長邊像素應大于1200。為最大程度地減少圖像的透視畸變，確保拍攝到的圖像能準確代表實際結構，攝像頭與節點板法線的夾角應控制在40°以內，最多不能超過50°。為了保證圖像中的所有細節都能清晰可見，補光范圍需覆蓋節點板的所有區域。

 

4. 2 螺栓連接節點服役狀態智能評估模型

 

為實現對跨海大橋鋼箱梁等關鍵部位螺栓節點服役狀態的自動化評估，基于計算機視覺與深度學習技術提出了一種螺栓丟失與松動缺陷魯棒性檢測方法。本方法涵蓋了5 個模塊，分別為螺栓節點校正、螺栓目標檢測、螺栓邊緣直線檢測、真偽螺栓判別與螺栓缺陷判定，檢測流程如圖2所示。

 

圖2　螺栓丟失與松動檢測方法的總體流程

Fig.2　General procedure of detection method for the bolt loss and looseness

 

5. 方法驗證

 

5. 1 鋼箱梁內表面涂層病害檢測結果

 

為測試基于多尺度感受野的病害識別模型對鋼箱梁內表面涂層病害的識別能力，從中試場采集100張病害標件圖像，隨機選取20%的樣本圖像作為測試集，剩余80%的樣本圖像作為訓練集。測試結果表明，對鋼箱梁內表面涂層病害的剝落、裂紋、起泡及銹蝕等的識別準確率為83.2%，分類準確率為81.6%。后期優化后，經第三方檢測，配置病害識別模型的無人檢測平臺對4種涂層典型病害識別準確率為97%，分類準確率為90.3%，對于箱梁內表面巡檢覆蓋范圍達到92%，每張圖像識別耗時1 s。

 

軌道機器人的涂層病害圖像識別能力是通過實驗室光學顯微鏡得出預制病害試驗件的缺陷尺寸數據，對軌道機器人圖像識別該試驗件的結果進行驗證。涂層剝落[圖3（a）]尺寸為4.37 cm×2.83 cm；涂層裂紋[圖3（b）]的長度為17.4~20.9 cm，寬度為0.15~0.19 mm；涂層起泡[圖3（c）]尺寸為2.14 cm×1.94 cm；涂層銹蝕[ 圖3（d）] 尺寸為1.79 mm×1.54 mm。測試表明，本模型能夠準確檢出面積>2 mm×2 mm 的斑狀銹蝕缺陷，以及0.2 mm 線狀缺陷。

 

圖3　涂層病害檢出效果

Fig.3　Effectiveness of coating defects detection

 

根據圖像識別結果，涂層病害識別模型的識別誤差和分類誤差，主要是由鋼箱梁內表面涂層病害圖像與模型提取出來的病害特征圖不一致、底層特征圖維數過大、以及鋼箱梁內表面涂層病害圖像不清晰等因素造成的，影響圖像識別準確率的主要因素詳見表2。

 

表2　圖像識別準確率主要影響因素

Table 2　Main factors affecting accuracy of image recognition

 

5. 2 螺栓缺陷檢測結果

 

5.2.1  螺栓丟失缺陷檢測結果

 

基于螺栓丟失與松動缺陷魯棒性檢測方法，通過參考圖像[圖4（a）]的螺栓參考框與檢測圖像[圖4（b）和圖4（c）]的螺栓檢測框的配對情況判斷螺栓丟失。拍攝視角50°時，從圖4（b）可以看出，檢測螺栓邊框與參考螺栓邊框存在一定程度的位置偏移，但不會與非對應的參考螺栓邊框相交，所有未丟失的檢測螺栓可以與對應的參考螺栓成功配對，參考螺栓邊框沒有與任何檢測螺栓邊框相交的為螺栓丟失位置[圖4（b）中綠色虛線圓]。當拍攝視角增加為60°時，如圖4（c）所示，檢測螺栓邊框與參考螺栓邊框的偏移量繼續增加，兩者的相交區域非常小，甚至會出現錯誤配對的情況（黃色虛線框）。因此，在參考圖像與檢測圖像之間的拍攝視角差值小于50°時，該方法是可行的。經過第三方機構檢測，本方法對于螺栓丟失缺陷的識別準確率為99.0%。

 

圖4　不同拍攝視角透視校正的檢測圖像中螺栓檢測框與螺栓參考框配對情況

Fig.4　Matching situation between bolt detection frames and bolt reference frames in perspective-corrected inspection images from different shooting angles

 

5.2.2  螺栓松動缺陷檢測結果

 

在螺栓丟失檢測過程中，同時通過比較對應螺栓的角度差值給出螺栓松動情況（見圖5）。根據螺栓角度估計誤差，判斷螺栓松動的角度閾值為2.5°，螺栓5和螺栓8的旋轉角度超過了閾值，因此可被正確識別為松動，如圖5（d）所示。

 

圖5　螺栓松動檢測

Fig.5　Bolt looseness detection

 

在視角為40°和50°時，一些螺栓的分割結果受視角失真和螺釘阻擋的不利影響，無法準確表達實際輪廓[圖5（c）中紅圈突出顯示]。盡管如此，這些螺栓的部分直線輪廓仍被準確重建，從而可以進行正確的邊緣線檢測。

 

在視角為50°時，由于螺栓6的輪廓受到嚴重透視變形的影響[圖5（d）]，導致角度估計不準確，被錯誤地認定為松動，對于其他沒有松動的螺栓，所有旋轉角度未達到閾值。當透視角度較大時，還原實際螺栓輪廓的準確性會減低，這可能導致錯誤估計螺栓的松緊度。因此，我們建議將透視拍攝角度保持在≤40°，以減少此類誤差。經過第三方機構檢測，本方法對于螺栓松動的識別準確率為99.7%

 

6. 結　語

 

本研究依托于國家重點研發計劃項目“港珠澳大橋智能化運維技術集成應用”，開展了無人搭載平臺的鋼箱梁內表面涂層病害及螺栓缺陷的自動檢測技術研究，具體研究成果如下：

 

（1）研制了檢測可達性高、覆蓋率廣的大剛度多級折疊機械臂軌道機器人裝備，突破了機械臂末端穩定性設計和鋼箱梁內密閉復雜環境下高精度行走定位、避障等技術，實現了跨海大橋鋼箱梁內表面涂層病害快速、高精度智能巡檢。

 

（2）基于涂層的典型病害分類、病害影響權重和涂層劣化等級評定，搭建了涂層典型病害識別專家決策系統，實現了橋梁鋼箱梁內表面涂層病害的智能識別、分析和維養決策。

 

（3）無人搭載平臺自動檢測裝置對于鋼箱梁內表面涂層病害識別準確率為97%，分類準確率為90.3%，具有高準確率、高分辨率、速度快的優點。

 

（4）建立了高強度螺栓連接節點服役狀態智能評估視覺模型，研發了高強度螺栓丟失與微小松動缺陷的自動化檢測技術和服役狀態智能檢測系統，實現了對橋梁高強度螺栓連接節點集群高效評估。

 

（5）螺栓丟失缺陷識別準確率為99.0%，螺栓松動角度大于2.5°時螺栓松動識別準確率為99.7%，透視拍攝角度不大于40°可減少對螺栓松緊度的誤判。