⚡ ingeniería eléctrica

Intelligent Vision-Based Pose Estimation with the Turn-of-Nut Method for Bolt Monitoring

Este estudio presenta un marco de visión de doble cámara que utiliza YOLOv11-pose y rectificación basada en homografía para estimar sin contacto la precarga de un perno mediante el método de giro de la tuerca, logrando una alta precisión en las mediciones de ángulo relativo y precarga, al tiempo que destaca la influencia de las condiciones de iluminación en el rendimiento.

Autores originales: Mahtab Ali, Wasiq Ali, Muhammad Ishtiaq, Zohaib Aziz, Muhammad Humble Khalid Tareen

Publicado 2026-10-05

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Mahtab Ali, Wasiq Ali, Muhammad Ishtiaq, Zohaib Aziz, Muhammad Humble Khalid Tareen

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En la arquitectura oculta del mundo moderno, desde las vigas de acero de los rascacielos hasta las intrincadas estructuras de las aeronaves, innumerables sujetadores metálicos mantienen todo unido. Estos son los pernos, simples cilindros roscados que dependen de una fuerza oculta llamada precarga para mantenerse seguros. Cuando se aprieta un perno, este se estira ligeramente, creando una poderosa fuerza de sujeción que bloquea las piezas unidas en su lugar. Sin embargo, la vibración implacable de los motores, el cambio de peso de un puente o el golpeteo rítmico de la maquinaria pueden erosionar lentamente esta tensión. A medida que el perno se relaja, la unión se afloja, lo que puede conducir a una falla catastrófica. Durante décadas, asegurar que estas conexiones permanezcan apretadas ha sido una tarea laboriosa, que a menudo requería que inspectores humanos golpearan los pernos con martillos para escuchar un cambio en el sonido o usaran llaves pesadas para comprobar si se habían girado. Aunque se pueden integrar sensores en los pernos para monitorearlos, estos dispositivos son costosos, requieren un cableado complejo y a menudo fallan en entornos hostiles. El desafío ha sido, durante mucho tiempo, encontrar una manera de "ver" la tensión invisible dentro de un perno sin tocarlo ni alterar la estructura.

Investigadores de la Universidad de Ingeniería de Harbin y la Universidad Bahauddin Zakariya han desarrollado un nuevo enfoque que trata al perno y su tuerca como un rompecabezas visual para ser resuelto por una cámara. En lugar de depender de sensores físicos o del oído humano, construyeron un sistema que utiliza dos cámaras para observar un perno y su tuerca simultáneamente. La idea central es simple pero precisa: si un perno se está aflojando, la tuerca y la cabeza del perno rotarán entre sí. Al medir esta diminuta rotación con extrema exactitud, el sistema puede calcular exactamente cuánta tensión se ha perdido. Para que esto funcione, el equipo entrenó un modelo de visión computarizada sofisticado, un tipo de inteligencia artificial conocido como YOLOv11-pose, para reconocer puntos específicos en las superficies metálicas. Enseñaron al software a identificar cinco puntos distintivos en la cabeza del perno y en la tuerca: cuatro puntos fijos que definen la orientación de la pieza metálica, y un marcador móvil que actúa como referencia para la rotación.

El proceso comienza con las cámaras capturando imágenes del ensamblaje. Debido a que las cámaras no siempre están perfectamente alineadas con el perno, las imágenes pueden verse distorsionadas por la perspectiva, de la misma manera que un poste recto parece doblado cuando se ve desde un ángulo. Para corregir esto, el sistema aplica una transformación matemática que aplana la imagen, creando una vista frontal perfecta de las caras del perno y la tuerca. Esto permite que la computadora mida el ángulo del marcador con alta precisión. Al comparar el ángulo del marcador en el perno con el ángulo del marcador en la tuerca, el sistema calcula la rotación relativa entre ambos. Esta medición se introduce luego en un modelo mecánico basado en el método "Turn-of-Nut" (giro de la tuerca), un principio de ingeniería estándar que relaciona cuánto se gira una tuerca con cuánto se estira el perno. Al conocer la rigidez de las partes metálicas y la tensión inicial, el sistema puede traducir ese diminuto ángulo de rotación en un valor de fuerza específico, indicando a los ingenieros exactamente cuánta precarga queda.

Para probar este método, los investigadores configuraron un experimento controlado utilizando un solo perno grande, específicamente de tamaño M20, fabricado en acero inoxidable. Apretaron el ensamblaje y luego utilizaron una celda de carga digital, una escala altamente sensible para medir la fuerza, para registrar la tensión real. Luego compararon las lecturas de la celda de carga con las estimaciones generadas por su sistema de cámaras. Los resultados fueron prometedores. Al medir el ángulo de rotación, el sistema fue notablemente preciso, con un error promedio de menos de un grado y un error máximo de solo 2.4 grados. Al traducir este ángulo en una medición de fuerza, el sistema estimó la precarga con un error promedio de 0.63 kilonewtons. En el contexto de la seguridad industrial, donde los pernos a menudo soportan fuerzas de cientos de kilonewtons, este nivel de precisión sugiere que el método es viable para detectar aflojamientos significativos.

Sin embargo, el estudio también reveló las limitaciones de confiar únicamente en la vista. Los investigadores encontraron que el sistema es sensible a las condiciones de iluminación. Cuando redujeron la luminosidad del entorno, la precisión de las mediciones disminuyó. En condiciones de luz tenue, el sistema tuvo dificultades para localizar con exactitud los marcadores, lo que provocó mayores errores en el cálculo de la fuerza. Con una reducción del 75% en el brillo, el error promedio en la estimación de la fuerza aumentó a casi 3 kilonewtons. Esto indica que, si bien la tecnología funciona bien en entornos controlados, requiere visibilidad clara e iluminación constante para funcionar de manera confiable. Los investigadores también señalaron que las condiciones de la superficie, como el óxido, el aceite o la pintura, podrían interferir con la capacidad de la cámara para ver los marcadores, lo que sugiere que las versiones futuras del sistema tendrían que ser lo suficientemente robustas como para manejar entornos industriales sucios o degradados.

La importancia de este trabajo radica en su potencial para reemplazar los métodos de monitoreo invasivos y costosos con una solución de bajo costo y sin contacto. Al combinar la detección visual de la rotación con un modelo mecánico probado, los investigadores han demostrado una forma de monitorear la salud de estructuras críticas sin perforarlas ni conectar cables. Si bien el estudio actual se limitó a un solo tipo de perno en un entorno de laboratorio, el marco proporciona un camino claro a seguir. El sistema demostró con éxito que una configuración de doble cámara podía rastrear el movimiento relativo de un perno y una tuerca con la precisión suficiente para estimar las fuerzas internas que mantienen unida una estructura. A medida que la tecnología madure y sea probada en una variedad más amplia de pernos y bajo condiciones del mundo real más desafiantes, podría convertirse en una herramienta estándar para garantizar la seguridad de puentes, turbinas eólicas y aeronaves, manteniendo las fuerzas invisibles del mundo construido bajo una observación constante y vigilante.

Resumen Técnico: Estimación de Pose Inteligente Basada en Visión mediante el Método del Giro de la Tuerca para el Monitoreo de Pernos

Planteamiento del Problema
Mantener la integridad de las uniones atornilladas es crítico en aplicaciones estructurales y aeroespaciales, donde el aflojamiento bajo cargas dinámicas puede comprometer la seguridad. Las comprobaciones de torque manuales tradicionales requieren la intervención del operador, mientras que el monitoreo basado en sensores (por ejemplo, galgas extensométricas, sensores ultrasónicos) a menudo requiere instalación, calibración y mantenimiento adicionales. Los métodos de visión computarizada existentes se centran frecuentemente en la detección de estados de aflojamiento o en la medición de ángulos de aflojamiento desde una superficie o región marcada, pero rara vez abordan la estimación cuantitativa de la precarga interna. Además, muchos enfoques de visión computarizada presentan dificultades ante la distorsión de perspectiva y las variables ambientales como la iluminación. Este estudio aborda la necesidad de un método no contactivo y automatizado que pueda monitorear simultáneamente las cabezas de los pernos y las tuercas para estimar el desplazamiento angular relativo y, consecuentemente, la variación de la precarga.

Metodología
El sistema propuesto utiliza un marco de visión de doble cámara integrado con un modelo mecánico de precarga. El flujo de trabajo consta de dos etapas primarias:

Estimación de Pose Basada en Visión:
- Hardware: Se posicionan dos cámaras para observar la cabeza del perno y la tuerca por separado.
- Detección: Se emplea un modelo YOLOv11-pose para detectar cinco puntos clave semánticos en cada componente: cuatro puntos de referencia fijos que definen un sistema de coordenadas centrado y un marcador físico dinámico para el seguimiento de la rotación.
- Rectificación: Para mitigar los errores inducidos por la perspectiva, se aplica una rectificación planar basada en homografía. Esto mapea los puntos clave detectados desde las vistas de la cámara hacia un marco de referencia fronto-paralelo canónico.
- Cálculo de Ángulo: El desplazamiento angular relativo entre el perno y la tuerca se calcula comparando las orientaciones rectificadas de los marcadores dinámicos en ambas vistas.
Estimación de Precarga mediante el Modelo del Giro de la Tuerca:
- Inicialización: El sistema establece un estado de referencia de "ajuste inicial" (snug-tight) utilizando una llave dinamométrica (35 N·m en el experimento), proporcionando una estimación inicial de la precarga ( $F_{p0}$ ) mediante la ecuación de torque estándar.
- Modelo Mecánico: Se aplica el método del Giro de la Tuerca, asumiendo una relación elástica lineal entre la rotación relativa y el desplazamiento axial. El desplazamiento axial ( $\Delta L$ ) se deriva del paso de la rosca ( $P$ ) y el incremento de rotación relativa medido ( $\Delta \theta$ ).
- Integración de Rigidez: El incremento de precarga estimado se calcula utilizando la rigidez equivalente de la unión ( $k$ ), la cual se modela como una combinación en serie de la rigidez del perno, la rigidez del elemento de sujeción y la rigidez de la celda de carga. La precarga total es la suma de la precarga inicial y el incremento calculado.

Contribuciones Clave
Los autores resumen cuatro contribuciones principales:

Desarrollo de un marco de visión de doble cámara que monitorea simultáneamente las cabezas de los pernos y las tuercas para medir el desplazamiento angular relativo.
Implementación de un método de detección de puntos clave semánticos basado en YOLOv11-pose combinado con una rectificación planar basada en homografía para reducir los errores de perspectiva.
Integración del ángulo de rotación relativa medido con el método del Giro de la Tuerca para estimar la variación de la precarga dentro de un marco de laboratorio calibrado.
Evaluación del desempeño del sistema bajo condiciones de iluminación y distancias de cámara variables.

Resultados Experimentales
El sistema fue validado en un único ensamblaje de perno-tuerca M20 instrumentado con una celda de carga para comparación con la verdad de terreno.

Medición de Ángulo: La medición del ángulo relativo logró un error medio de 0.9° y un error máximo de 2.4°.
Estimación de Precarga: Bajo condiciones base, la estimación de la precarga produjo un error absoluto medio (MAE) de 0.63 kN y un error máximo de 1.8 kN respecto a las lecturas de la celda de carga.
Sensibilidad Ambiental: La reducción de la iluminación impactó significativamente el desempeño. Con reducciones de brillo del 50% y 75%, los errores promedio de precarga aumentaron a aproximadamente 1.4 kN y 2.9 kN, respectivamente. Esto indica que, si bien el objetivo sigue siendo detectable, la visibilidad reducida degrada la precisión cuantitativa de la estimación de la precarga.

Significancia y Limitaciones
El artículo sostiene que el estudio demuestra el potencial de combinar la estimación de pose basada en visión con modelos mecánicos de precarga para el monitoreo no contactivo de pernos. Los resultados sugieren un camino viable hacia la inspección automatizada y de bajo costo que evita las complejidades de instalación de los sensores embebidos.

Sin embargo, los autores mantienen una postura modesta respecto al alcance actual:

Alcance de Validación: La validación se realizó en un único ensamblaje M20 en un entorno de laboratorio controlado. Los autores declaran explícitamente que la incertidumbre de la medición y la validación en ensamblajes y condiciones operativas adicionales siguen siendo críticas antes de su despliegue en campo.
Restricciones de Precisión: La precisión reportada es relativa a la celda de carga, la cual tiene una precisión declarada de ±1 kN. Por lo tanto, los resultados demuestran concordancia con el sensor, pero no establecen necesariamente una precisión absoluta de sub-kilonewton respecto a la verdadera precarga desconocida.
Trabajo Futuro: Los autores señalan que extender el método a uniones de múltiples pernos, diferentes texturas superficiales (óxido, pintura) y estados de lubricación variables requiere mayor investigación. Enfatizan que es necesario distinguir el comportamiento de apriete del comportamiento de descarga (histéresis) antes de aplicar el método a escenarios de aflojamiento operativo.

Más como este