CN112149356A - 一种结构裂纹扩展路径的预测方法、装置、设备及介质 - Google Patents
一种结构裂纹扩展路径的预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112149356A CN112149356A CN202011033742.6A CN202011033742A CN112149356A CN 112149356 A CN112149356 A CN 112149356A CN 202011033742 A CN202011033742 A CN 202011033742A CN 112149356 A CN112149356 A CN 112149356A
- Authority
- CN
- China
- Prior art keywords
- crack propagation
- propagation path
- structural
- model
- prediction model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 97
- 239000000463 material Substances 0.000 claims abstract description 17
- 238000012795 verification Methods 0.000 claims description 79
- 238000012549 training Methods 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013526 transfer learning Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 27
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 239000006247 magnetic powder Substances 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 230000004907 flux Effects 0.000 abstract description 3
- 230000035515 penetration Effects 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 6
- 230000003068 static effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本申请公开了一种结构裂纹扩展路径的预测方法、装置、设备及介质,该方法包括:构建结构裂纹扩展路径预测模型;获取待测结构的裂纹图像;将获得的裂纹图像输入至结构裂纹扩展路径预测模型进行预测,得到待测结构的裂纹扩展路径信息。本申请适用于预测各种材料结构的裂纹扩展路径,操作简单且不会对结构造成任何损伤,检测成本低,预测精度高,将图像识别技术与裂纹扩展路径的预测相结合,可有效避免如今目测法、磁粉法、渗透法、超声法、漏磁法、涡流法、红外线法、声发射法等裂纹检测方法精度不高、设备繁琐、操作复杂、实时性差、环境要求苛刻等缺点。
Description
技术领域
本发明涉及工程结构裂纹检测技术领域,特别是涉及一种结构裂纹扩展路径的预测方法、装置、设备及介质。
背景技术
在各种工程结构和构件的断裂失效事故中,有90%左右是由于疲劳失效引起的。疲劳裂纹萌生和扩展是工程结构失效的主要原因,从损伤容限要求的角度出发,分析裂纹从初始微观裂纹扩展至结构失效的临界裂纹,对评估结构剩余寿命、建立检查间隔和维护周期是很有必要的。因此,对工程结构而言,构件的精确裂纹扩展路径预测是一个非常重要的问题。
疲劳裂纹萌生与扩展的检测及分析是结构疲劳设计与寿命预测的主要任务之一。目前,国内外开展疲劳裂纹扩展试验,对疲劳裂纹进行检测的方法主要有两种:静态检测和动态检测。其中,采用静态检测方法进行检测时,需要被测物处于相对静止状态,静态检测的方法有:表面复型法、电磁涡流法、磁感应法、磁粉法、渗透法等;而动态检测法针对的是正在发生相对运动的物体,动态检测的方法有:超声波检测法、射线检测法、声发射法、模态声发射法等。但目前各种测量疲劳裂纹的方法,要么精度不高,要么设备繁琐、操作复杂、实时性差、环境要求苛刻。
发明内容
有鉴于此,本发明的目的在于提供一种结构裂纹扩展路径的预测方法、装置、设备及介质,检测成本低,预测精度高,操作简单,不会对结构造成任何损伤。其具体方案如下:
一种结构裂纹扩展路径的预测方法,包括:
构建结构裂纹扩展路径预测模型;
获取待测结构的裂纹图像;
将获得的所述裂纹图像输入至所述结构裂纹扩展路径预测模型进行预测,得到待测结构的裂纹扩展路径信息。
优选地,在本发明实施例提供的上述结构裂纹扩展路径的预测方法中,构建结构裂纹扩展路径预测模型,具体包括:
利用训练样本集训练神经网络模型,得到结构裂纹扩展路径预测模型;所述训练样本集至少包括一种材料通过现场实测、模型试验或有限元计算得到的多张处于不同裂纹扩展状态的样本图像,各所述样本图像预先标注相应的结构响应信息。
优选地,在本发明实施例提供的上述结构裂纹扩展路径的预测方法中,在将获得的所述裂纹图像输入至所述结构裂纹扩展路径预测模型进行预测之前,还包括:
对所述结构裂纹扩展路径预测模型进行验证。
优选地,在本发明实施例提供的上述结构裂纹扩展路径的预测方法中,对所述结构裂纹扩展路径预测模型进行验证,具体包括:
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,各所述验证样本图像为已知实际裂纹扩展信息,且与待测结构材料相同的构件图像;
将各所述验证样本图像输入至所述结构裂纹扩展路径预测模型中,得到各所述验证样本图像的裂纹扩展路径预测信息;
根据得到的各所述验证样本图像的预测信息、已知实际裂纹扩展信息及所述验证样本图像的总数量,计算所述结构裂纹扩展路径预测模型的准确率;
判断所述结构裂纹扩展路径预测模型的准确率是否小于预设阈值;
若是,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裂纹扩展路径预测模型直至准确率大于或等于所述预设阈值;若否,则将所述结构裂纹扩展路径预测模型用于后续预测所述待测结构的裂纹扩展路径信息。
优选地,在本发明实施例提供的上述结构裂纹扩展路径的预测方法中,根据得到的各所述验证样本图像的预测信息、已知实际裂纹扩展信息及所述验证样本图像的总数量,计算所述结构裂纹扩展路径预测模型的准确率,具体包括:
统计各所述验证样本图像的预测信息和已知实际裂纹扩展信息的差值小于或等于预设偏离值的所述验证样本图像的合格个数;
计算所述验证样本图像的合格个数与总数量的比率,以作为所述结构裂纹扩展路径预测模型的准确率。
优选地,在本发明实施例提供的上述结构裂纹扩展路径的预测方法中,利用训练样本集训练神经网络模型,得到结构裂纹扩展路径预测模型,具体包括:
基于迁移学习方法,利用训练样本集训练Faster-RCNN模型,得到结构裂纹扩展路径预测模型。
本发明实施例还提供了一种结构裂纹扩展路径的预测装置,包括:
模型预构建模块,用于构建结构裂纹扩展路径预测模型;
图像获取模块,用于获取待测结构的裂纹图像;
裂纹扩展路径预测模块,用于将获得的所述裂纹图像输入至所述结构裂纹扩展路径预测模型进行预测,得到待测结构的裂纹扩展路径信息。
优选地,在本发明实施例提供的上述结构裂纹扩展路径的预测装置中,还包括:模型验证模块,用于对所述结构裂纹扩展路径预测模型进行验证;所述模型验证模块包括:
模型验证数据集获取单元,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,各所述验证样本图像为已知实际裂纹扩展信息,且与待测结构材料相同的构件图像;
裂纹扩展路径预测单元,用于将各所述验证样本图像输入至所述结构裂纹扩展路径预测模型中,得到各所述验证样本图像的裂纹扩展路径预测信息;
模型准确率计算单元,用于根据得到的各所述验证样本图像的预测信息、已知实际裂纹扩展信息及所述验证样本图像的总数量,计算所述结构裂纹扩展路径预测模型的准确率;
模型重新训练子模块,用于在所述结构裂纹扩展路径预测模型的准确率小于预设阈值时,增加所述训练样本集中的样本图像,并重新训练所述结构裂纹扩展路径预测模型直至准确率大于或等于所述预设阈值。
本发明实施例还提供了一种结构裂纹扩展路径的预测设备,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现如本发明实施例提供的上述结构裂纹扩展路径的预测方法。
本发明实施例还提供了一种计算机可读存储介质,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如本发明实施例提供的上述结构裂纹扩展路径的预测方法。
从上述技术方案可以看出,本发明所提供的一种结构裂纹扩展路径的预测方法,该方法包括:构建结构裂纹扩展路径预测模型;获取待测结构的裂纹图像;将获得的裂纹图像输入至结构裂纹扩展路径预测模型进行预测,得到待测结构的裂纹扩展路径信息。
本发明适用于预测各种材料结构的裂纹扩展路径,操作简单且不会对结构造成任何损伤,检测成本低,预测精度高,将图像识别技术与裂纹扩展路径的预测相结合,可有效避免如今目测法、磁粉法、渗透法、超声法、漏磁法、涡流法、红外线法、声发射法等裂纹检测方法精度不高、设备繁琐、操作复杂、实时性差、环境要求苛刻等缺点。此外,本发明还针对结构裂纹扩展路径的预测方法提供了相应的预测装置、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,该预测装置、设备及计算机可读存储介质具有相应的优点。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案,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地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的结构裂纹扩展路径的预测方法的流程图;
图2为本发明实施例提供的结构裂纹扩展路径的预测方法的具体流程图;
图3为本发明实施例提供的结构裂纹扩展路径的预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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。
本发明提供一种结构裂纹扩展路径的预测方法,如图1所示,包括以下步骤:
S101、构建结构裂纹扩展路径预测模型;
S102、获取待测结构的裂纹图像;在实际应用中,可采用任何一种图像采集设备采集待测结构的裂纹图像,然后将采集得到的裂纹图像发送至系统;图像采集设备可以为DM(Digital Microscope,数码显微镜),DM能定量放大拍摄倍数,有效捕捉材料局部特征,准确地表现出结构的亮度和色彩范围,输出高质量的图片;
S103、将待测结构的裂纹图像输入至结构裂纹扩展路径预测模型,得到待测结构的裂纹扩展路径信息;在实际应用中,将实时采集的待测结构的裂纹图像通过有线或无线连接传输到训练好的结构裂纹扩展路径预测模型中,结构裂纹扩展路径预测模型输出的结果即为待测结构的裂纹扩展路径,从而实现结构裂纹扩展路径的实时预测。
在本发明实施例提供的上述结构裂纹扩展路径的预测方法中,首先构建结构裂纹扩展路径预测模型;然后获取待测结构的裂纹图像;最后将获得的待测结构的裂纹图像输入至构建的结构裂纹扩展路径预测模型进行预测,得到待测结构的裂纹扩展路径信息。该方法适用于预测各种材料结构的裂纹扩展路径,操作简单且不会对结构造成任何损伤,检测成本低,预测精度高,将图像识别技术与裂纹扩展路径的预测相结合,可有效避免如今目测法、磁粉法、渗透法、超声法、漏磁法、涡流法、红外线法、声发射法等裂纹检测方法精度不高、设备繁琐、操作复杂、实时性差、环境要求苛刻等缺点。
在具体实施时,在本发明实施例提供的上述结构裂纹扩展路径的预测方法中,如图2所示,步骤S101构建结构裂纹扩展路径预测模型,具体可以包括:
S201、预先利用训练样本集训练神经网络模型,得到结构裂纹扩展路径预测模型;其中,训练样本集至少包括一种材料通过现场实测、模型试验或有限元计算得到的多张处于不同裂纹扩展状态的样本图像,各样本图像预先标注相应的结构响应信息。
在实际应用中,通过现场实测、模型试验或有限元计算的构件应与待测结构相同,将预先标注相应结构响应信息的样本图像输入神经网络模型进行训练,从而建立待测结构裂纹扩展信息和图片特征之间的对应关系。另外,在实际应用中,试验构件也可采用任意一种建筑材料(如混凝土),先建立现场实测、模型试验或有限元计算的构件裂纹扩展信息和图片特征之间的对应关系,进行分析比对后采用深度学习迁移建立待测结构裂纹扩展信息和图片特征之间的对应关系。
需要说明的是,样本图像裂纹扩展信息可通过现场实测、模型试验或有限元计算等任何一种相关技术进行获取。裂纹扩展信息越丰富、样本图像越多,则训练得到的结构裂纹扩展路径预测模型的预测准确度和精度越高。
具体地,采集样本图像和待测结构图像可以通过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。
在具体实施时,在本发明实施例提供的上述结构裂纹扩展路径的预测方法中,步骤S201利用训练样本集训练神经网络模型,得到结构裂纹扩展路径预测模型,具体可以包括:基于迁移学习方法,利用训练样本集训练Faster-RCNN模型,得到结构裂纹扩展路径预测模型;其中,训练样本集包括与待测结构材料相同的材料通过现场实测、模型试验或有限元计算得到的多张处于不同裂纹扩展状态的样本图像,每个样本图像预先标注相应的结构响应信息。
在实际应用中,可预先设计Faster-RCNN模型,采用迁移学习的方法,将预先设计好的Faster-RCNN模型的权重通过调整与验证迁移到所用的神经网络。具体利用训练样本集训练Faster-RCNN模型再迁移到所用神经网络得到结构裂纹扩展路径预测模型。
较佳地,在利用训练样本集训练Faster-RCNN模型之前,还包括以下步骤:将训练样本集中的各样本图像转换为便于深度学习格式的数据集,具体可为voc 2007格式,以作为各样本图像的强度等级图像特征。
在具体实施时,在本发明实施例提供的上述结构裂纹扩展路径的预测方法中,在执行步骤S103将获得的裂纹图像输入至结构裂纹扩展路径预测模型进行预测之前,还可以包括:对结构裂纹扩展路径预测模型进行验证。
进一步地,在具体实施时,如图2所示,对结构裂纹扩展路径预测模型进行验证,具体可以包括以下步骤:
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裂纹扩展信息,且与待测结构材料相同的构件图像;验证样本图像和训练样本集中的样本图像为采用相同方法生成的图像;
在实际应用中,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,具体的比例可根据训练样本集中的样本图像的总个数进行确定;
S203、将各验证样本图像输入至结构裂纹扩展路径预测模型中,得到各验证样本图像的裂纹扩展路径预测信息;
在实际应用中,裂纹扩展路径预测信息即为结构裂纹扩展路径预测模型预测各验证样本图像的裂纹扩展路径信息;
S204、基于各验证样本图像的预测信息、已知实际裂纹扩展信息及验证样本图像总数量,计算结构裂纹扩展路径预测模型的准确率;
在实际应用中,对于一些要求精度不高的应用场景,预测裂纹扩展路径信息和实际裂纹扩展路径信息的差值在可允许的偏差时,可认为预测裂纹扩展路径信息和实际裂纹扩展路径信息相当,亦即可默认误差不存在;故在一种具体实施方式中,首先可统计各验证样本图像的预测信息和己知实际裂纹扩展信息的差值小于或等于预设偏离值的验证样本图像的合格个数,或者统计各验证样本图像的预测信息和己知实际裂纹扩展信息的差值大于预设偏离值的验证样本图像的不合格个数,再得出合格个数;然后计算验证样本图像的合格个数与总数量的比率,以作为结构裂纹扩展路径预测模型的准确率;
S205、判断结构裂纹扩展路径预测模型的准确率是否不小于预设阈值;
若否,则执行步骤S206;若是,则执行步骤S207;
在实际应用中,预设偏离值和预设阈值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,例如对于高精度检测场景中,预设阈值设置为0,即如果存在一张验证样本图像的预测裂纹扩展路径信息和实际裂纹扩展路径信息的差值大于预设偏离值,则判定结构裂纹扩展路径预测模型的准确率不予通过,需要重新训练结构裂纹扩展路径预测模型;
S206、增加训练样本集中的样本图像;并返回步骤S201;
在实际应用中,当结构裂纹扩展路径预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,并重新训练结构裂纹扩展路径预测模型直至准确率不小于预设阈值;需要说明的是,增加的样本图像张数可根据结构裂纹扩展路径预测模型的准确率和所需求的检测精度进行确定;
S207、获取待测结构的裂纹图像;
S208、将待测结构的裂纹图像输入至结构裂纹扩展路径预测模型,得到待测结构的裂纹扩展路径信息。
基于同一发明构思,本发明实施例还提供了一种结构裂纹扩展路径的预测装置,由于该装置解决问题的原理与前述一种结构裂纹扩展路径的预测方法相似,因此该装置的实施可以参见结构裂纹扩展路径的预测方法的实施,重复之处不再赘述。
在具体实施时,本发明实施例提供的结构裂纹扩展路径的预测装置,如图3所示,具体包括:
模型预构建模块301,用于构建结构裂纹扩展路径预测模型;模型预构建模块301具体可为基于迁移学习方法,利用训练样本集训练神经网络模型得到结构裂纹扩展路径预测模型的模块;
图像获取模块302,用于获取待测结构的裂纹图像;
裂纹扩展路径预测模块303,用于将获得的裂纹图像输入至结构裂纹扩展路径预测模型进行预测,得到待测结构的裂纹扩展路径信息。
在本发明实施例提供的上述结构裂纹扩展路径的预测装置中,可以通过上述三个模块的相互作用,使用构建的结构裂纹扩展路径预测模型能准确得到待测结构的裂纹扩展路径信息,适用于预测各种材料结构的裂纹扩展路径,操作简单且不会对结构造成任何损伤,检测成本低,预测精度高。
进一步地,在具体实施时,在本发明实施例提供的上述结构裂纹扩展路径的预测装置中,如图3所示,还可以包括:模型验证模块304,用于对结构裂纹扩展路径预测模型进行验证;模型验证模块304可以包括:
模型验证数据集获取单元,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裂纹扩展信息,且与待测结构材料相同的构件图像;
裂纹扩展路径预测单元,用于将各验证样本图像输入至结构裂纹扩展路径预测模型中,得到各验证样本图像的裂纹扩展路径预测信息;
模型准确率计算单元,用于根据得到的各验证样本图像的预测信息、已知实际裂纹扩展信息及验证样本图像的总数量,计算结构裂纹扩展路径预测模型的准确率;
模型重新训练子模块,用于在结构裂纹扩展路径预测模型的准确率小于预设阈值时,增加训练样本集中的样本图像,并重新训练结构裂纹扩展路径预测模型直至准确率不小于预设阈值。
在实际应用中,上述准确率计算单元具体可为统计预测裂纹扩展信息和己知实际裂纹扩展信息的差值小于或等于预设偏离值的验证样本图像的合格个数,或者统计预测裂纹扩展信息和己知实际裂纹扩展信息的差值大于预设偏离值的验证样本图像的不合格个数,再得出合格个数;计算合格个数与总数量的比率,以作为结构裂纹扩展路径预测模型的准确率。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容,在此不再进行赘述。
相应的,本发明实施例还公开了一种结构裂纹扩展路径的预测设备,包括处理器和存储器;其中,处理器执行存储器中保存的计算机程序时实现前述实施例公开的结构裂纹扩展路径的预测方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
进一步地,本发明还公开了一种计算机可读存储介质,用于存储计算机程序;计算机程序被处理器执行时实现前述公开的结构裂纹扩展路径的预测方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
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、设备、存储介质而言,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申请的范围。
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。
本发明实施例提供的一种结构裂纹扩展路径的预测方法,包括:构建结构裂纹扩展路径预测模型;获取待测结构的裂纹图像;将获得的裂纹图像输入至结构裂纹扩展路径预测模型进行预测,得到待测结构的裂纹扩展路径信息。本发明可大幅提升检测精度和检测效率,适用于各种材料结构裂纹扩展路径的预测,普适性较强,解决了现有技术要么精度不高,要么设备繁琐、操作复杂、实时性差、环境要求苛刻等问题。此外,本发明还针对结构裂纹扩展路径的预测方法提供了相应的预测装置、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,该预测装置、设备及计算机可读存储介质具有相应的优点。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的结构裂纹扩展路径的预测方法、装置、设备及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;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种结构裂纹扩展路径的预测方法,其特征在于,包括:
构建结构裂纹扩展路径预测模型;
获取待测结构的裂纹图像;
将获得的所述裂纹图像输入至所述结构裂纹扩展路径预测模型进行预测,得到待测结构的裂纹扩展路径信息。
2.根据权利要求1所述的结构裂纹扩展路径的预测方法,其特征在于,构建结构裂纹扩展路径预测模型,具体包括:
利用训练样本集训练神经网络模型,得到结构裂纹扩展路径预测模型;所述训练样本集至少包括一种材料通过现场实测、模型试验或有限元计算得到的多张处于不同裂纹扩展状态的样本图像,各所述样本图像预先标注相应的结构响应信息。
3.根据权利要求2所述的结构裂纹扩展路径的预测方法,其特征在于,在将获得的所述裂纹图像输入至所述结构裂纹扩展路径预测模型进行预测之前,还包括:
对所述结构裂纹扩展路径预测模型进行验证。
4.根据权利要求3所述的结构裂纹扩展路径的预测方法,其特征在于,对所述结构裂纹扩展路径预测模型进行验证,具体包括:
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,各所述验证样本图像为已知实际裂纹扩展信息,且与待测结构材料相同的构件图像;
将各所述验证样本图像输入至所述结构裂纹扩展路径预测模型中,得到各所述验证样本图像的裂纹扩展路径预测信息;
根据得到的各所述验证样本图像的预测信息、已知实际裂纹扩展信息及所述验证样本图像的总数量,计算所述结构裂纹扩展路径预测模型的准确率;
判断所述结构裂纹扩展路径预测模型的准确率是否小于预设阈值;
若是,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裂纹扩展路径预测模型直至准确率大于或等于所述预设阈值;若否,则将所述结构裂纹扩展路径预测模型用于后续预测所述待测结构的裂纹扩展路径信息。
5.根据权利要求4所述的结构裂纹扩展路径的预测方法,其特征在于,根据得到的各所述验证样本图像的预测信息、已知实际裂纹扩展信息及所述验证样本图像的总数量,计算所述结构裂纹扩展路径预测模型的准确率,具体包括:
统计各所述验证样本图像的预测信息和已知实际裂纹扩展信息的差值小于或等于预设偏离值的所述验证样本图像的合格个数;
计算所述验证样本图像的合格个数与总数量的比率,以作为所述结构裂纹扩展路径预测模型的准确率。
6.根据权利要求2所述的结构裂纹扩展路径的预测方法,其特征在于,利用训练样本集训练神经网络模型,得到结构裂纹扩展路径预测模型,具体包括:
基于迁移学习方法,利用训练样本集训练Faster-RCNN模型,得到结构裂纹扩展路径预测模型。
7.一种结构裂纹扩展路径的预测装置,其特征在于,包括:
模型预构建模块,用于构建结构裂纹扩展路径预测模型;
图像获取模块,用于获取待测结构的裂纹图像;
裂纹扩展路径预测模块,用于将获得的所述裂纹图像输入至所述结构裂纹扩展路径预测模型进行预测,得到待测结构的裂纹扩展路径信息。
8.根据权利要求7所述的结构裂纹扩展路径的预测装置,其特征在于,还包括:模型验证模块,用于对所述结构裂纹扩展路径预测模型进行验证;所述模型验证模块包括:
模型验证数据集获取单元,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,各所述验证样本图像为已知实际裂纹扩展信息,且与待测结构材料相同的构件图像;
裂纹扩展路径预测单元,用于将各所述验证样本图像输入至所述结构裂纹扩展路径预测模型中,得到各所述验证样本图像的裂纹扩展路径预测信息;
模型准确率计算单元,用于根据得到的各所述验证样本图像的预测信息、已知实际裂纹扩展信息及所述验证样本图像的总数量,计算所述结构裂纹扩展路径预测模型的准确率;
模型重新训练子模块,用于在所述结构裂纹扩展路径预测模型的准确率小于预设阈值时,增加所述训练样本集中的样本图像,并重新训练所述结构裂纹扩展路径预测模型直至准确率大于或等于所述预设阈值。
9.一种结构裂纹扩展路径的预测设备,其特征在于,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1至6任一项所述的结构裂纹扩展路径的预测方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的结构裂纹扩展路径的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011033742.6A CN112149356A (zh) | 2020-09-27 | 2020-09-27 | 一种结构裂纹扩展路径的预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011033742.6A CN112149356A (zh) | 2020-09-27 | 2020-09-27 | 一种结构裂纹扩展路径的预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112149356A true CN112149356A (zh) | 2020-12-29 |
Family
ID=73895361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011033742.6A Pending CN112149356A (zh) | 2020-09-27 | 2020-09-27 | 一种结构裂纹扩展路径的预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149356A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112924654A (zh) * | 2021-01-15 | 2021-06-08 | 重庆交通大学 | 非接触式混凝土保塑性能智能化实时检测方法及装置 |
CN113252700A (zh) * | 2021-07-01 | 2021-08-13 | 湖南大学 | 一种结构裂缝检测方法、设备及系统 |
CN114002316A (zh) * | 2021-10-28 | 2022-02-01 | 江苏信息职业技术学院 | 一种感应涡流磁场检测的裂纹与腐蚀孔探伤方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170315249A1 (en) * | 2016-04-29 | 2017-11-02 | Rodrick Myers | Method and system for stacking fracture prediction |
JPWO2017130550A1 (ja) * | 2016-01-29 | 2018-11-08 | 富士フイルム株式会社 | 欠陥検査装置、方法およびプログラム |
CN111209620A (zh) * | 2019-12-30 | 2020-05-29 | 浙江大学 | 基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法 |
-
2020
- 2020-09-27 CN CN202011033742.6A patent/CN112149356A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2017130550A1 (ja) * | 2016-01-29 | 2018-11-08 | 富士フイルム株式会社 | 欠陥検査装置、方法およびプログラム |
US20170315249A1 (en) * | 2016-04-29 | 2017-11-02 | Rodrick Myers | Method and system for stacking fracture prediction |
CN111209620A (zh) * | 2019-12-30 | 2020-05-29 | 浙江大学 | 基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法 |
Non-Patent Citations (3)
Title |
---|
MAX SCHWARZER: "Learning to fail: Predicting fracture evolution in brittle material models using recurrent graph convolutional neural networks", 《COMPUTATIONAL MATERIALS SCIENCE》 * |
ROBYN L. MILLER: "Image Analysis using Convolutional Neural Networks for Modeling 2D Fracture Propagation", 《2017 IEEE INTERNATIONAL CONFERENCE ON DATA MINING WORKSHOPS》 * |
刘建红: "基于深度学习的锻造裂纹检测研究", 《大型铸锻件》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112924654A (zh) * | 2021-01-15 | 2021-06-08 | 重庆交通大学 | 非接触式混凝土保塑性能智能化实时检测方法及装置 |
CN113252700A (zh) * | 2021-07-01 | 2021-08-13 | 湖南大学 | 一种结构裂缝检测方法、设备及系统 |
CN114002316A (zh) * | 2021-10-28 | 2022-02-01 | 江苏信息职业技术学院 | 一种感应涡流磁场检测的裂纹与腐蚀孔探伤方法 |
CN114002316B (zh) * | 2021-10-28 | 2023-12-22 | 江苏信息职业技术学院 | 一种感应涡流磁场检测的裂纹与腐蚀孔探伤方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149356A (zh) | 一种结构裂纹扩展路径的预测方法、装置、设备及介质 | |
US11276158B2 (en) | Method and apparatus for inspecting corrosion defect of ladle | |
Jeong et al. | Literature review and technical survey on bridge inspection using unmanned aerial vehicles | |
CN109858551A (zh) | 基于图像识别检测结构应力的方法、装置、设备及介质 | |
CN112884747A (zh) | 一种融合循环残差卷积与上下文提取器网络的自动桥梁裂缝检测系统 | |
Zhao et al. | Video‐based multiscale identification approach for tower vibration of a cable‐stayed bridge model under earthquake ground motions | |
Clemens et al. | Uncertainties associated with laser profiling of concrete sewer pipes for the quantification of the interior geometry | |
Shrestha et al. | Image processing–based real‐time displacement monitoring methods using smart devices | |
CN111598879A (zh) | 一种结构疲劳累积损伤评估的方法、系统及设备 | |
Havaran et al. | Extracting structural dynamic properties utilizing close photogrammetry method | |
Woods et al. | Automated crack detection and damage index calculation for RC structures using image analysis and fractal dimension | |
Zhao et al. | Distributed displacement response investigation technique for bridge structures using smartphones | |
US10571446B2 (en) | Data quality control using a correlated sensor group | |
Park et al. | Learning‐based image scale estimation using surface textures for quantitative visual inspection of regions‐of‐interest | |
CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
Jeon et al. | Vision‐based automatic cable displacement measurement using Cable‐ROI Net and Uni‐KLT | |
KR20190061515A (ko) | 심층신경망을 이용한 콘크리트 구조물 열화 평가 시스템 및 방법 | |
CN114627121B (zh) | 一种结构构件应力检测方法、装置、设备及介质 | |
Shi et al. | Bridge damage cropping-and-stitching segmentation using fully convolutional network based on images from UAVs | |
Villanueva et al. | Crack detection and classification for reinforced concrete structures using deep learning | |
CN111932642B (zh) | 一种结构裂纹体积的测算方法、装置、设备及存储介质 | |
CN116009118A (zh) | 基于人工智能预测短期大气光学湍流廓线的方法和系统 | |
CN112991313B (zh) | 图像质量的评估方法及装置、电子设备和存储介质 | |
CN111948286A (zh) | 一种基于超声波和深度学习的应力检测方法、装置及设备 | |
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 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201229 |