CN109858551A - 基于图像识别检测结构应力的方法、装置、设备及介质 - Google Patents
基于图像识别检测结构应力的方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN109858551A CN109858551A CN201910099745.0A CN201910099745A CN109858551A CN 109858551 A CN109858551 A CN 109858551A CN 201910099745 A CN201910099745 A CN 201910099745A CN 109858551 A CN109858551 A CN 109858551A
- Authority
- CN
- China
- Prior art keywords
- stress
- image
- structural
- model
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 59
- 239000000463 material Substances 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000010200 validation analysis Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013526 transfer learning Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 2
- 230000005291 magnetic effect Effects 0.000 abstract description 12
- 238000002441 X-ray diffraction Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005330 Barkhausen effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000012669 compression test Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000000696 magnetic material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种基于图像识别检测结构应力的方法、装置、设备及计算机可读存储介质。其中，方法包括将待测结构的图像输入至预先构建的结构应力检测模型，得到待测结构的应力值；结构应力检测模型为利用训练样本集训练神经网络模型所得，训练样本集包括多张处于不同应力状态、且与待测结构材料相同的试验构件的样本图像，每个样本图像预先标注相应应力状态下的应力值。本申请适用于检测各种材料结构的应力状态，操作简单且不会对结构造成任何损伤，检测成本低，检测精度高，解决了电学检测法难以获取结构真实应力状态的、磁学检测法仅适用于铁磁性材料应力检测、X射线衍射法代价高问题。
Description
技术领域
本发明实施例涉及工程结构应力检测技术领域，特别是涉及一种基于图像识别检测结构应力的方法、装置、设备及计算机可读存储介质。
背景技术
应力应变是反映结构力学性能和安全状态最直接的指标，准确地获取结构的应力状态有利于对结构的极限状态和承载能力极限状态进行准确地评估，从而可正确使用结构，消除结构的安全隐患，减少经济损失。
传统检测结构应力方法为局部有损检测法或无损检测法。其中，有损检测法即应力释放法，包括盲孔法、环孔法、钻孔法和削磨面积法；无损检测法包括电学检测法(电阻式应变检测法和振弦式应变检测法)、磁学检测法(磁弹性法、巴克豪森噪讯法、磁声发射法、金属磁记忆检测法)、超声波法、X射线衍射法。
然而，有损检测方法不仅精度低、操作复杂、而且还会对结构造成损伤；电学检测法只能检测结构的应力增量而无法检测结构的实际应力状态，磁学检测法只能用于检测铁磁性材料，超声波法测量精度不高，X射线衍射法设备昂贵，对检测环境要求相对较高。
发明内容
本公开实施例提供了一种基于图像识别检测结构应力的方法、装置、设备及计算机可读存储介质，不仅解决了电学检测法难以获取结构真实应力状态的、磁学检测法仅适用于铁磁性材料应力检测、X射线衍射法代价高等不足的问题，而且检测精度高、检测效率高、操作简单、且不会对结构造成任何损伤。
为解决上述技术问题，本发明实施例提供以下技术方案：
本发明实施例一方面提供了一种基于图像识别检测结构应力的方法，包括：
获取待测结构图像；
将所述待测结构图像输入至预先构建的结构应力检测模型，得到所述待测结构的应力值；
其中，所述结构应力检测模型为利用训练样本集训练神经网络模型所得，所述训练样本集包括多张处于不同应力状态、且与所述待测结构材料相同的试验构件的样本图像，每个样本图像预先标注相应应力状态下的应力值。
可选的，在所述将所述待测结构图像输入至预先构建的结构应力检测模型之前，还包括：
获取模型验证数据集，所述模型验证数据集包括多张验证样本图像，各验证样本图像为已知实际应力值、且与所述待测结构材料相同的试验构件的图像；
将各验证样本图像输入至所述结构应力检测模型中，得到各验证样本图像的预测应力值；
基于各验证样本图像的预测应力值和实际应力值、验证样本图像总数量，计算所述结构应力检测模型的准确率；
判断所述结构应力检测模型的准确率是否不小于预设阈值；
若是，则将所述结构应力检测模型用于后续计算所述待测结构的应力值；若否，则增加所述训练样本集中的样本图像，并重新训练所述结构应力检测模型直至准确率不小于所述阈值。
可选的，所述基于各验证样本图像的预测应力值和实际应力值、验证样本图像总数量，计算所述结构应力检测模型的准确率包括：
统计预测应力值和实际应力值的差值大于预设偏离值的验证样本图像的不合格个数；
计算所述不合格个数与所述总数量的比率，以作为所述结构应力检测模型的准确率。
可选的，所述结构应力检测模型为基于迁移学习方法，利用所述训练样本集训练Faster-RCNN模型所得。
可选的，所述训练样本集中的各样本图像转换为voc2007格式数据集，以作为各样本图像的应力状态图像特征。
本发明实施例另一方面提供了一种基于图像识别检测结构应力的装置，包括：
模型预构建模块，用于利用训练样本集训练神经网络模型得到结构应力检测模型，所述训练样本集包括多张处于不同应力状态、且与所述待测结构材料相同的试验构件的样本图像，每个样本图像预先标注相应应力状态下的应力值；
图像获取模块，用于获取待测结构图像；
应力值计算模块，用于将所述待测结构图像输入至所述结构应力检测模型，得到所述待测结构的应力值。
可选的，还包括模型验证模块，所述模型验证模块包括：
模型验证数据集获取子模块，用于获取模型验证数据集，所述模型验证数据集包括多张验证样本图像，各验证样本图像为已知实际应力值、且与所述待测结构材料相同的试验构件的图像；
预测应力值计算子模块，用于将各验证样本图像输入至所述结构应力检测模型中，得到各验证样本图像的预测应力值；
准确率计算子模块，用于基于各验证样本图像的预测应力值和实际应力值、验证样本图像总数量，计算所述结构应力检测模型的准确率；
模型重新训练子模块，用于在所述结构应力检测模型的准确率小于预设阈值，则增加所述训练样本集中的样本图像，并重新训练所述结构应力检测模型直至准确率不小于所述阈值。
可选的，所述准确率计算子模块为统计预测应力值和实际应力值的差值大于预设偏离值的验证样本图像的不合格个数；计算所述不合格个数与所述总数量的比率，以作为所述结构应力检测模型的准确率的模块。
本发明实施例还提供了一种基于图像识别检测结构应力的设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述基于图像识别检测结构应力的方法的步骤。
本发明实施例最后还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有基于图像识别检测结构应力的程序，所述基于图像识别检测结构应力的程序被处理器执行时实现如前任一项所述基于图像识别检测结构应力的方法的步骤。
本申请提供的技术方案的优点在于，通过预先采集与待测结构材料相同的试验构件在不同拉压状态下的图片并标记相应应力值，对标记好的图片进行深度学习训练，得到该材料制造的构件的应力状态和图像特征之间对应关系的模型。仅需通过现场拍摄待测结构图像，通过训练好的模型对结构图像进行分析即可得到待测结构的应力状态，操作简单且不会对结构造成任何损伤，检测成本低；只要模型训练的样本图像足够多，模型检测精度和准确度就很高，从而可大幅提升检测精度高和检测效率；适用于各种材料结构的应力状态的检测，普适性较强，解决了电学检测法难以获取结构真实应力状态的、磁学检测法仅适用于铁磁性材料应力检测、X射线衍射法代价高等不足的问题。
此外，本发明实施例还针对基于图像识别检测结构应力的方法提供了相应的实现装置、设备及计算机可读存储介质，进一步使得所述方法更具有实用性，所述装置、设备及计算机可读存储介质具有相应的优点。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于图像识别检测结构应力的方法的流程示意图；
图2为本发明实施例提供的另一种基于图像识别检测结构应力的方法的流程示意图；
图3为本发明实施例提供的基于图像识别检测结构应力的装置的一种具体实施方式结构图；
图4为本发明实施例提供的基于图像识别检测结构应力的装置的另一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后，下面详细的说明本申请的各种非限制性实施方式。
首先参见图1，图1为本发明实施例提供的一种基于图像识别检测结构应力的方法的流程示意图，本发明实施例可包括以下内容：
S101：预先利用训练样本集训练神经网络模型得到结构应力检测模型。
训练样本集包括多张处于不同应力状态、且与待测结构材料相同的试验构件的样本图像，每个样本图像预先标注相应应力状态下的应力值。
针对同一种材料来说，可预先制作大量结构材料相同的试验构件，利用图像采集设备采集试验构件在拉压试验中(在不同载荷下)处于不同应力状态下的图像，作为样本图像。应力状态的类型越丰富、样本图像越多，则训练得到的结构应力检测模型的检测准确度和精度越高。
图像采集设备例如可为DSLR(Digital Single Lens Reflex Camera，数码单镜反光相机)，DSLR能准确地表现出结构的亮度和色彩范围，输出高质量的图片；当然，也可采用其他图像采集设备，本申请对此不做任何限定。
采集样本图像和待测结构图像可通过在系统中设置图像采集设备和图像采集卡。图像采集卡用于将图像信号经过采样量化为图像的数字信号，然后把数字式视频信号送到帧存储器或计算机存储器中进行处理。采用图像采集卡的方式可以实现很高的采样和传输速度，从而达到很高的分辨率和实时性。
在结构应力检测模型训练过程中，可采用任何一种特征提取方法提取图像中的特征，本申请对此不做任何限定。应力状态图像特征为表征试验构件(或者待测结构)当前应力状态的图像特征。但是，需要说明的是，应力状态图像特征数据为适用于神经网络模型训练的数据，可将图像转化为便于深度学习格式的数据集(如voc 2007格式)。
每张样本图像预先设置应力值标签，样本图像在不同应力状态下的应力值可通过任何一种相关技术进行获取，或者是预先设定好应力值，然后弹压试验构件直至其应力值达到预设设定的应力值。
可采用任何一种神经网络模型作为深度学习模型，利用训练样板集基于深度学习训练神经网络模型，得到结构应力检测模型。举例来说，可预先设计神经网络模型(例如Faster-RCNN模型)框架，神经网络模型可包括输入层、卷积层、池化层、激活层及输出层；可将采用迁移学习的方法，将预先训练好的Faster-RCNN模型的权重通过调整与验证迁移到神经网络，然后将标记应力值的样本图像输入模型进行训练，从而建立结构应力状态和图片特征之间的对应关系。
S102：获取待测结构图像。
可采用任何一种图像采集设备采集待测结构的图像，然后将采集得到的图像发送至系统。
S103：将待测结构图像输入至结构应力检测模型，得到待测结构的应力值。
将实时采集的待测结构图像通过有线或无限连接传输到训练好结构应力检测模型中，结构应力检测模型输出的结果即为待测结构的应力值，从而实现结构真实应力状态的检测，而不只是应力增量。
在本发明实施例提供的技术方案中，通过预先采集与待测结构材料相同的试验构件在不同拉压状态下的图片并标记相应应力值，对标记好的图片进行深度学习训练，得到该材料制造的构件的应力状态和图像特征之间对应关系的模型。仅需通过现场拍摄待测结构图像，通过训练好的模型对结构图像进行分析即可得到待测结构的应力状态，操作简单且不会对结构造成任何损伤，检测成本低；只要模型训练的样本图像足够多，模型检测精度和准确度就很高，从而可大幅提升检测精度高和检测效率；适用于各种材料结构的应力状态的检测，普适性较强，解决了电学检测法难以获取结构真实应力状态的、磁学检测法仅适用于铁磁性材料应力检测、X射线衍射法代价高等不足的问题。
请参见图2，图2为本发明实施例还提供了另一种基于图像识别检测结构应力的方法的流程示意图，可包括以下内容：
S201：预先利用训练样本集训练神经网络模型得到结构应力检测模型。
S202：获取模型验证数据集。
模型验证数据集包括多张验证样本图像，各验证样本图像为已知实际应力值、且与待测结构材料相同的试验构件的图像。验证样本图像和训练样板集中的样本图像为采用相同方法生成的图像。
可选的，可将训练样本集中的样本图像分为两部分，一部分用于训练神经网络模型，一部分作为验证样本图像，当然，用于训练神经网络模型的样本图像要远远多于验证样本图像的张数，具体的比例，本领域技术人员可根据训练样本集中的样本图像的总个数进行确定，本申请对此不做任何限定。
S203：将各验证样本图像输入至结构应力检测模型中，得到各验证样本图像的预测应力值。
预测应力值即为结构应力检测模型预测各验证样本图像的应力值。
S204：基于各验证样本图像的预测应力值和实际应力值、验证样本图像总数量，计算结构应力检测模型的准确率。
S205：判断结构应力检测模型的准确率是否不小于预设阈值，若否，则执行S206；若是，则执行S207。
对于一些要求精度不高的应用场景中，或者是在应力值的小数部分较多(例如小数部分位数超过3位，也即小数点后三位)时，预测应力值和实际应力值的差值在可允许的偏差时，可认为预测应力值和实际应力值相当，也即可默认误差不存在。故在一种具体实施方式中，可统计预测应力值和实际应力值的差值大于预设偏离值的验证样本图像的不合格个数；计算不合格个数与总数量的比率，以作为结构应力检测模型的准确率。
举例来说，偏离值设为0.01，第一验证样本图像的实际应力值为1.335，预测应力值为1.331，那么认为结构应力检测模型预测第一验证样本图像准确，为合格的验证样本图像。
预设偏离值和比率的设定值可根据实际应用场景的检测精度的要求进行设置，本申请对此不做任何限定，例如对于高精度检测场景中，比例设置为0，即如果存在一张验证样本图像的预测应力值和实际应力值的差值大于预设偏离值，则判定结构应力检测模型的准确率不予通过，需要重新训练结构应力检测模型。
S206：增加训练样本集中的样本图像，并返回S201。
当结构应力检测模型验证不通过时，可在预先训练样本集的基础上增加多张样本图像，并重新训练结构应力检测模型直至准确率不小于阈值。
增加样本图像的张数，本领域技术人员可根据结构应力检测模型的准确率和所需求的检测精度进行确定，本申请对此不做任何限定。
S207：获取待测结构图像。
S208：将待测结构图像输入至结构应力检测模型，得到待测结构的应力值。
本发明实施例与上述实施例相同的方法或步骤，可参阅上述实施例相关描述，此处，便不再赘述。
由上可知，本发明实施例适用于检测各种材料结构的应力状态，操作简单且不会对结构造成任何损伤，检测成本低；利用验证样本集验证训练所得的模型的检测准确度，提高了结构应力检测模型的检测结构应力的精度和准确度。
本发明实施例还针对基于图像识别检测结构应力的方法提供了相应的实现装置，进一步使得所述方法更具有实用性。下面对本发明实施例提供的基于图像识别检测结构应力的装置进行介绍，下文描述的基于图像识别检测结构应力的装置与上文描述的基于图像识别检测结构应力的方法可相互对应参照。
参见图3，图3为本发明实施例提供的基于图像识别检测结构应力的装置在一种具体实施方式下的结构图，该装置可包括：
模型预构建模块301，用于利用训练样本集训练神经网络模型得到结构应力检测模型，训练样本集包括多张处于不同应力状态、且与待测结构材料相同的试验构件的样本图像，每个样本图像预先标注相应应力状态下的应力值。
图像获取模块302，用于获取待测结构图像。
应力值计算模块303，用于将待测结构图像输入至结构应力检测模型，得到待测结构的应力值。
可选的，在本实施例的一些实施方式中，请参阅图4，所述装置还可以包括模型验证模块304，所述模型验证模块304可包括：
模型验证数据集获取子模块，用于获取模型验证数据集，模型验证数据集包括多张验证样本图像，各验证样本图像为已知实际应力值、且与待测结构材料相同的试验构件的图像；
预测应力值计算子模块，用于将各验证样本图像输入至结构应力检测模型中，得到各验证样本图像的预测应力值；
准确率计算子模块，用于基于各验证样本图像的预测应力值和实际应力值、验证样本图像总数量，计算结构应力检测模型的准确率；
模型重新训练子模块，用于在结构应力检测模型的准确率小于预设阈值，则增加训练样本集中的样本图像，并重新训练结构应力检测模型直至准确率不小于阈值。
在本发明实施例的一些具体实施方式中，所述准确率计算子模块还可为统计预测应力值和实际应力值的差值大于预设偏离值的验证样本图像的不合格个数；计算不合格个数与总数量的比率，以作为结构应力检测模型的准确率的模块。
所述模型预构建模块301例如还可为基于迁移学习方法，利用训练样本集训练Faster-RCNN模型得到结构应力检测模型的模块。
本发明实施例所述基于图像识别检测结构应力的装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例适用于检测各种材料结构的应力状态，操作简单且不会对结构造成任何损伤，检测成本低，检测精度高，解决了电学检测法难以获取结构真实应力状态的、磁学检测法仅适用于铁磁性材料应力检测、X射线衍射法代价高问题。
本发明实施例还提供了一种基于图像识别检测结构应力的设备，具体可包括：
图像采集设备，用于采集待测结构的图像，并将待测结构图像发送至处理器中；
存储器，用于存储计算机程序；
处理器，用于执行计算机程序以实现如上任意一实施例所述基于图像识别检测结构应力的方法的步骤。
可通过扫描仪将图像采集设备采集的各种形式的图像信息输入至系统中。
本发明实施例所述基于图像识别检测结构应力的设备的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例适用于检测各种材料结构的应力状态，操作简单且不会对结构造成任何损伤，检测成本低，检测精度高，解决了电学检测法难以获取结构真实应力状态的、磁学检测法仅适用于铁磁性材料应力检测、X射线衍射法代价高问题。
本发明实施例还提供了一种计算机可读存储介质，存储有基于图像识别检测结构应力的程序，所述基于图像识别检测结构应力的程序被处理器执行时如上任意一实施例所述基于图像识别检测结构应力的方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例适用于检测各种材料结构的应力状态，操作简单且不会对结构造成任何损伤，检测成本低，检测精度高，解决了电学检测法难以获取结构真实应力状态的、磁学检测法仅适用于铁磁性材料应力检测、X射线衍射法代价高问题。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种基于图像识别检测结构应力的方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种基于图像识别检测结构应力的方法，其特征在于，包括：
获取待测结构图像；
将所述待测结构图像输入至预先构建的结构应力检测模型，得到所述待测结构的应力值；
其中，所述结构应力检测模型为利用训练样本集训练神经网络模型所得，所述训练样本集包括多张处于不同应力状态、且与所述待测结构材料相同的试验构件的样本图像，每个样本图像预先标注相应应力状态下的应力值。
2.根据权利要求1所述的基于图像识别检测结构应力的方法，其特征在于，在所述将所述待测结构图像输入至预先构建的结构应力检测模型之前，还包括：
获取模型验证数据集，所述模型验证数据集包括多张验证样本图像，各验证样本图像为已知实际应力值、且与所述待测结构材料相同的试验构件的图像；
将各验证样本图像输入至所述结构应力检测模型中，得到各验证样本图像的预测应力值；
基于各验证样本图像的预测应力值和实际应力值、验证样本图像总数量，计算所述结构应力检测模型的准确率；
判断所述结构应力检测模型的准确率是否不小于预设阈值；
若是，则将所述结构应力检测模型用于后续计算所述待测结构的应力值；若否，则增加所述训练样本集中的样本图像，并重新训练所述结构应力检测模型直至准确率不小于所述阈值。
3.根据权利要求2所述的基于图像识别检测结构应力的方法，其特征在于，所述基于各验证样本图像的预测应力值和实际应力值、验证样本图像总数量，计算所述结构应力检测模型的准确率包括：
统计预测应力值和实际应力值的差值大于预设偏离值的验证样本图像的不合格个数；
计算所述不合格个数与所述总数量的比率，以作为所述结构应力检测模型的准确率。
4.根据权利要求1至3任意一项所述的基于图像识别检测结构应力的方法，其特征在于，所述结构应力检测模型为基于迁移学习方法，利用所述训练样本集训练Faster-RCNN模型所得。
5.根据权利要求4所述的基于图像识别检测结构应力的方法，其特征在于，所述训练样本集中的各样本图像转换为voc2007格式数据集，以作为各样本图像的应力状态图像特征。
6.一种基于图像识别检测结构应力的装置，其特征在于，包括：
模型预构建模块，用于利用训练样本集训练神经网络模型得到结构应力检测模型，所述训练样本集包括多张处于不同应力状态、且与所述待测结构材料相同的试验构件的样本图像，每个样本图像预先标注相应应力状态下的应力值；
图像获取模块，用于获取待测结构图像；
应力值计算模块，用于将所述待测结构图像输入至所述结构应力检测模型，得到所述待测结构的应力值。
7.根据权利要求6所述的基于图像识别检测结构应力的装置，其特征在于，还包括模型验证模块，所述模型验证模块包括：
模型验证数据集获取子模块，用于获取模型验证数据集，所述模型验证数据集包括多张验证样本图像，各验证样本图像为已知实际应力值、且与所述待测结构材料相同的试验构件的图像；
预测应力值计算子模块，用于将各验证样本图像输入至所述结构应力检测模型中，得到各验证样本图像的预测应力值；
准确率计算子模块，用于基于各验证样本图像的预测应力值和实际应力值、验证样本图像总数量，计算所述结构应力检测模型的准确率；
模型重新训练子模块，用于在所述结构应力检测模型的准确率小于预设阈值，则增加所述训练样本集中的样本图像，并重新训练所述结构应力检测模型直至准确率不小于所述阈值。
8.根据权利要求7所述的基于图像识别检测结构应力的装置，其特征在于，所述准确率计算子模块为统计预测应力值和实际应力值的差值大于预设偏离值的验证样本图像的不合格个数；计算所述不合格个数与所述总数量的比率，以作为所述结构应力检测模型的准确率的模块。
9.一种基于图像识别检测结构应力的设备，其特征在于，包括图像采集设备及处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至5任一项所述基于图像识别检测结构应力的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于图像识别检测结构应力的程序，所述基于图像识别检测结构应力的程序被处理器执行时实现如权利要求1至5任一项所述基于图像识别检测结构应力的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910099745.0A CN109858551A (zh) | 2019-01-31 | 2019-01-31 | 基于图像识别检测结构应力的方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910099745.0A CN109858551A (zh) | 2019-01-31 | 2019-01-31 | 基于图像识别检测结构应力的方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109858551A true CN109858551A (zh) | 2019-06-07 |
Family
ID=66897272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910099745.0A Pending CN109858551A (zh) | 2019-01-31 | 2019-01-31 | 基于图像识别检测结构应力的方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109858551A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110455454A (zh) * | 2019-06-28 | 2019-11-15 | 北京化工大学 | 一种基于视觉的多阵列点三维力测量方法及其装置 |
| CN111444864A (zh) * | 2020-03-30 | 2020-07-24 | 北京旷视科技有限公司 | 目标对象的磨损程度检测方法及装置 |
| CN111598879A (zh) * | 2020-05-18 | 2020-08-28 | 湖南大学 | 一种结构疲劳累积损伤评估的方法、系统及设备 |
| CN111948286A (zh) * | 2020-08-10 | 2020-11-17 | 湖南大学 | 一种基于超声波和深度学习的应力检测方法、装置及设备 |
| CN112284595A (zh) * | 2020-10-28 | 2021-01-29 | 湖南大学 | 金属构件的应力测量方法、装置、设备及存储介质 |
| CN112539866A (zh) * | 2020-11-20 | 2021-03-23 | 北京艾法斯特科技发展有限公司 | 一种基于视觉深度学习的螺栓轴力监测系统及监测方法 |
| CN113899478A (zh) * | 2021-09-18 | 2022-01-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于数字图像的地应力/历史应力测量方法 |
| CN114359127A (zh) * | 2020-09-30 | 2022-04-15 | 北京小米移动软件有限公司 | 面板强度检测方法、面板强度检测装置及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101319977A (zh) * | 2008-07-18 | 2008-12-10 | 哈尔滨工业大学 | 真应力-真应变计算模型及测试系统 |
| CN104964886A (zh) * | 2015-05-27 | 2015-10-07 | 东南大学 | 一种焊接构件疲劳应力及应变实时非接触式监测方法 |
| CN105403575A (zh) * | 2015-12-04 | 2016-03-16 | 南昌工程学院 | 一种沥青混合料局部应力的评价方法 |
| CN108256258A (zh) * | 2018-01-31 | 2018-07-06 | 西安科技大学 | 基于sem图像的胶结充填体力学响应特性预测方法 |
-
2019
- 2019-01-31 CN CN201910099745.0A patent/CN109858551A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101319977A (zh) * | 2008-07-18 | 2008-12-10 | 哈尔滨工业大学 | 真应力-真应变计算模型及测试系统 |
| CN104964886A (zh) * | 2015-05-27 | 2015-10-07 | 东南大学 | 一种焊接构件疲劳应力及应变实时非接触式监测方法 |
| CN105403575A (zh) * | 2015-12-04 | 2016-03-16 | 南昌工程学院 | 一种沥青混合料局部应力的评价方法 |
| CN108256258A (zh) * | 2018-01-31 | 2018-07-06 | 西安科技大学 | 基于sem图像的胶结充填体力学响应特性预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| XUEBIN QIN等: "Prediction of Mechanical Strength Based on Deep Learning Using the Scanning Electron Image of Microscopic Cemented Paste Backfill", 《ADVANCES IN CIVIL ENGINEERING》, vol. 2018, 1 November 2018 (2018-11-01), pages 1, XP055673995, DOI: 10.1155/2018/6245728 * |
| 苏松志等: "行人检测 理论与实践", 北京理工大学出版社, pages: 229 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110455454A (zh) * | 2019-06-28 | 2019-11-15 | 北京化工大学 | 一种基于视觉的多阵列点三维力测量方法及其装置 |
| CN111444864A (zh) * | 2020-03-30 | 2020-07-24 | 北京旷视科技有限公司 | 目标对象的磨损程度检测方法及装置 |
| CN111444864B (zh) * | 2020-03-30 | 2023-11-17 | 北京旷视科技有限公司 | 目标对象的磨损程度检测方法及装置 |
| CN111598879A (zh) * | 2020-05-18 | 2020-08-28 | 湖南大学 | 一种结构疲劳累积损伤评估的方法、系统及设备 |
| CN111948286A (zh) * | 2020-08-10 | 2020-11-17 | 湖南大学 | 一种基于超声波和深度学习的应力检测方法、装置及设备 |
| CN114359127A (zh) * | 2020-09-30 | 2022-04-15 | 北京小米移动软件有限公司 | 面板强度检测方法、面板强度检测装置及存储介质 |
| CN112284595A (zh) * | 2020-10-28 | 2021-01-29 | 湖南大学 | 金属构件的应力测量方法、装置、设备及存储介质 |
| CN112284595B (zh) * | 2020-10-28 | 2022-03-15 | 湖南大学 | 金属构件的应力测量方法、装置、设备及存储介质 |
| CN112539866A (zh) * | 2020-11-20 | 2021-03-23 | 北京艾法斯特科技发展有限公司 | 一种基于视觉深度学习的螺栓轴力监测系统及监测方法 |
| CN113899478A (zh) * | 2021-09-18 | 2022-01-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于数字图像的地应力/历史应力测量方法 |
| CN113899478B (zh) * | 2021-09-18 | 2022-07-08 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于数字图像的地应力/历史应力测量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858551A (zh) | 基于图像识别检测结构应力的方法、装置、设备及介质 | |
| CN108106541A (zh) | 一种基于视频图像识别的桥梁索力测量方法 | |
| CN110006896B (zh) | 一种混凝土性能的虚拟检测仪及检测方法 | |
| CN109285149A (zh) | 人脸图像质量的评估方法、装置及计算设备 | |
| JP2018017570A (ja) | 岩盤強度判定装置、岩盤強度判定方法、及び岩盤強度判定プログラム | |
| CN207473077U (zh) | 一种基于图像识别技术的互感器校验系统 | |
| CN105612249A (zh) | 图像处理装置、程序、信息存储介质和图像处理方法 | |
| CN113255590A (zh) | 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 | |
| CN109451304A (zh) | 一种摄像头模组批量对焦测试方法及系统 | |
| CN110084113A (zh) | 活体检测方法、装置、系统、服务器及可读存储介质 | |
| CN105547342A (zh) | 基于液晶面板的工业镜头测试装置及方法 | |
| CN110443237A (zh) | 证件识别方法、装置、电子设备及计算机可读存储介质 | |
| CN108055532A (zh) | 自动化匹配测试卡的方法与装置 | |
| CN115984486A (zh) | 一种融合激光雷达与深度相机的桥梁模型生成方法及装置 | |
| CN110188634B (zh) | 人体体态模型的构建方法、装置、电子设备及存储介质 | |
| CN101685240B (zh) | 判断图像提取装置对焦品质的方法 | |
| CN103200349A (zh) | 一种扫描图像色偏自动检测方法 | |
| CN111932642B (zh) | 一种结构裂纹体积的测算方法、装置、设备及存储介质 | |
| CN109945783B (zh) | 基于夫琅禾费衍射的微距测量方法 | |
| CN108781280B (zh) | 一种测试方法、装置及终端 | |
| CN108664936A (zh) | 一种基于机器故障的诊断方法及系统 | |
| CN206773168U (zh) | 钳形电流表自动校验系统 | |
| CN112669253A (zh) | 建筑材料强度等级检测方法、装置、设备及可读存储介质 | |
| CN111310536A (zh) | 神经网络物体分类的机器持续学习方法及其监控摄像设备 | |
| Adum et al. | Measuring aeolian vibrations by video analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190607 |
|
| RJ01 | Rejection of invention patent application after publication |