CN112418266A - 一种基于卷积神经网络的桩基础完整性分类识别方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的桩基础完整性分类识别方法，通过低应变采集设备对桩基础进行检测，并分别附上类别标签构建待用数据集；对数据集中的图像进行缩放和归一化预处理；将预处理后的数据集进行数据扩充；按预设的比例分为训练集和测试集；将训练集输入构建的模型中进行分类训练，优化相关参数直至获得全局最优解，得到所需卷积神经网络模型；将测试集输入卷积神经网络模型进行验证，输出识别结果并进行评价。本发明利用卷积神经网络的特征提取能力对低应变波型图像进行识别，解决了人工分析检测存在成本高和主观性强的问题；同时基于神经网络的快速计算能力具有较强的实用性，对桩基础完整性检测有巨大的现实意义和价值。

Description

一种基于卷积神经网络的桩基础完整性分类识别方法

技术领域

本发明涉及计算机深度学习领域，具体是一种基于卷积神经网络的桩基础完整性分类识别方法。

背景技术

随着我国工程建设行业的发展，桩基工程是建筑工程中应用最广泛的基础形式。桩基属于隐蔽工程，是处理软弱地基、减少建筑物沉降的有效方法之一，在城市高层建筑、厂房、桥梁等与人民生活息息相关的重要工程中被广泛采用。桩基工程的质量好坏直接关系到建筑物的结构、受力安全，更关系到人民生命财产及社会安全。桩基工程位于地下或者水下，使得桩基工程的质量检测、桩身施工等方面往往比上部结构更为复杂困难，施工质量难以控制，易发生质量隐患。灌注桩作为其地基处理的方式之一，灌注桩的成型是在地下完成的，完成混凝土灌注后，人们无法确切知道桩的成型是否完整，是否满足设计所要求的基桩承载力。采用一定的技术手段,对桩基进行诊断是必需的。桩身完整性检测和单桩承载力检测是质量检测标准中两项主控项目。桩身完整性是反映桩身截面尺寸相对变化、桩身材料密实性和连续性的综合定性指标，其类别是按缺陷对桩身结构承载力的影响程度划分的。施工结束后，第一任务是进行工程桩的桩身完整性检测，后进行承载力检测。当前检测其完整性一般采用低应变动力测桩法,低应变应力波反射法以检测快速、方便和经济的优势占据了桩基完整性检测的主导地位，然而动力测桩的正确性很大程度上取决于检测人员的经验，检测成本高、效率低、自动化程度不高和主观性强等问题。

桩基的缺陷辨别是一个非线性的问题，很难用一个准确的函数表达出来。人工神经网作为一种模拟人的神经结构及信息处理过程的人为构造系统,它具有极强的非线性大规模并行处理能力,具有良好的自适应性、自组织性及很强的学习、联想、容错和抗干扰能力,可灵活方便地对多成因的复杂未知系统进行建模、识别、诊断与评估。卷积神经网络属于人工神经网的一种，通过卷积操作提取图像特征，利用下采样操作减少数据量，通过权值共享和局部连接方式减少模型参数数量，这些特性使得卷积神经网络更加适合处理图像，恰好能弥补传统人工识别低应变反射波形图存在精度低和主观性强的缺陷。

发明内容

本发明的目的是针对于上述现有技术的不足，提供一种基于卷积神经网络的桩基完整性分类识别方法，以有效完成完整桩、轻度缺陷桩、较重缺陷桩和严重缺陷多类别的分类任务；本发明方法的卷积神经网络模型层数低，大大降低了模型的参数量，抑制了模型训练过程中的过拟合现象，使得训练速度得到了很大的提升。

为实现上述目的，本发明所用技术方案为：

一种基于卷积神经网络的桩基础完整性分类识别方法，包括以下步骤：

S1.数据收集与标记：利用低应变采集设备获取桩基实测曲线图像或通过一些专门的检测部门和公司进行桩基低应变曲线图像的收集数据，针对不同桩基完整性类别，收集每一个类别的低应变曲线图像，基于这些图像构建数据集，将组建的图像数据集进行人工分类并分别附上标签进行数据预处理；

S2.图像数据集扩充：由于深度学习需要强大的数据量的支持，因而将采集到的图像数据进行数据扩充，使用水平翻转、垂直翻转和镜像翻转扩增数据；

S3.原始数据图像的分类：将原始数据图像分为训练集和测试集两大类，所述训练集占数据图像总数的80％，所述测试集占数据图像总数的20％；；

S4.构建卷积神经网络模型：结合要解决的实际问题构建卷积神经网络目标网络分类模型，利用训练集对模型进行训练，保存训练完毕的卷积神经网络；本发明方法使用Keras中Sequential模型，创建了一个包含3个卷积层、3个池化层和2个完全连接层的模型；该模型层数少，降低了模型参数数量，进一步提高模型的识别精度和速度；

S5：输出图像预测结果及评估：经过步骤四的训练，已经获取了较好的模型权重。加载模型权重，将待分类的测试集图像输入到已训练好的卷积神经网络，对模型进行测试、评估和预测；并计算预测值的准确率、精度和召回率。

步骤S1中所述不同桩基完整性类别分为四个类别：

I类：完整桩，桩身结构完整，无明显缺陷；

II：轻度缺陷桩，桩身有轻微缺陷，但对桩身整体结构不构成较大影响；

III：较重缺陷桩，桩身结构受较大影响，力学性能显著降低；

IV：严重缺陷或断桩，桩身有严重缺陷，桩身结构不完整。

步骤S2为提升网络的检测速度，实现对数据集的实时检测，防止后续模型训练过程中出现过拟合，在进行数据扩充前，统一将数据集中所有图片尺寸变换成64×64，并对图像进行均值规整化处理。

步骤S3为了充分利用测试集中的数据，在后续模型训练过程中，将测试集作为验证集使用。

步骤S4中利用训练集对模型进行训练的具体过程为：将训练集图像输入到构建的卷积神经网络模型中进行分类训练，计算损失函数，通过随机梯度下降法，利用反向传播更新网络参数，直至获得全局最优解，得到所需卷积神经网络的训练模型并保存。

步骤S5中对预测值准确率、精度和召回率的计算过程如下：

1)输入一张大小为64×64×3的图像，经过大小为3×3的32个卷积核的两次卷积操作后，进行一次最大池化操作；然后经过两次大小为3×3的64个卷积核的二次卷积计算后，进行一次最大池化操作；然后经过三次大小为3×3的128个卷积核的卷积计算后，进行一次最大池化操作；然后经过丢弃层Dropout，随机使一半的神经元失活，避免过拟合；然后经过一展平层；再经过第一全连接层、批量规范化层、第二全连接层、批量规范化层；最后输出预测结果；

2)为了提高模型性能，模型网络中的卷积操作的激活函数都选择Relu函数，最后一层的激活函数使用Softmax逻辑回归；所有卷积核的大小、步长相同，均为3×3，步长为1，同时加入1个像素外衬；最大池化层主要用于降维和提高模型的容错性，其大小和步长都为2；

3)模型训练过程中采用梯度下降法；

4)网络模型对桩基完整性进行分类识别，采用精度precision、召回率recall和F1-score综合评价指标对预测结果进行评价，具体计算公式如下：

本发明的有益效果：

1.通过前期大量的调查数据，结合机器学习、深度学习的深度卷积神经网络方法，构建桩基础完整性分类识别模型；所得网络模型层数和复杂度低，训练参数少，加速了训练过程，节省计算资源。

2.传统人工检测识别精度与工人的注意力和熟练程度等相关，存在成本高，效率低，主观性强等缺点；本发明方法利用训练模型对桩基完整性分类实现自动化，减轻了工人的劳动强度，分类效率和准确率相对于现在人工识别有很大的提高。

附图说明

图1是桩基础完整性类别；

图2是本发明方法的流程示意图；

图3是模型训练过程中训练和验证的损失率和正确率；

图4是本发明卷积神经网络的结构示意图；

图5是卷积神经网络结构参数示意图。

具体实施方式

为了使本发明的目的、内容和优点更加清楚，下面结合附图对本发明具体实施步骤作进一步详细的说，但本发明的实施方式不限于此。

实施例：参见图1-5。

如图2所示，一种基于卷积神经网络的桩基础完整性分类识别方法，包括以下步骤：

S1.数据收集与标记：通过低应变采集设备对桩基础检测获取图像数据集，将组建的图像数据集按照完整桩、轻度缺陷桩、较重缺陷桩和严重缺陷四类数据做人工分类，分别附上相对应的标签；

S2.图像数据集扩充：将采集到的图像数据进行数据扩充，使用水平翻转、垂直翻转和镜像翻转扩增数据，统一调整图片为64×64，以确保输入的图片长宽一致；

S3.原始数据图像的分类：将原始数据图像分为训练集和测试集两大类，所述训练集占数据图像总数的80％，所述测试集占数据图像总数的20％；

S4.构建卷积神经网络模型：结合要解决的实际问题构建卷积神经网络目标分类网络模型，利用训练集对模型进行训练，保存训练完毕的卷积神经网络，卷积神经网络结构如图4所示；

试验环境为Windows10 X64操作系统，计算机的CPU为Intel(R)Core(TM)i9-9900KCPU@3.60GHz，32GB内存；Python编程环境；keras深度学习框架；

神经网络的结构为：输入层、卷积层(RELU)、最大池化层、卷积层(RELU)、最大池化层、卷积层(RELU)、最大池化层、Dropout、第一全连接层、第二全连接层、Softmax分类器。

卷积神经网络结构参数如图5所示：网络结构中的卷积核均为3×3的小卷积核，步长为1，同时加入1个像素外衬；池化尺寸2×2，步长为2；为防止网络过拟合，在每一层的激活函数之前采用批量归一化处理；模型网络中的卷积操作的激活函数都选择Relu函数，最后一层的激活函数使用Softmax逻辑回归；

激活函数Relu：

Softmax激活函数：

模型训练过程为：将网络的权值初始化，权重分布服从均值为0，方差为0.01的正态分布。训练神经网络中的超参数设置如下：总迭代次数为100，初始学习率0.0001，动量为0.9，批次训练样本数量为32，dropout为0.5。

训练中使用交叉熵损失函数：

上式中：C为损失，m为样本总数，y为真实值，a表示网络的输出值，x为输入样本个数。

如图3所示为训练和验证的损失率和正确率，采用随机梯度下降算法，通过不断降低损失函数的函数值学习建立网络模型的参数，将训练集图像输入构建的卷积神经网络模型进行分类训练，通过计算损失函数，随机梯度下降法，迭代更新权值，不断调整网络参数，直至获得网络模型参数的最佳状态，得到所需神经网络的训练模型并保存。

S5：输出图像预测结果及评估：将测试集输入训练后的卷积神经网路模型，输出图像预测结果，并计算预测值的准确率、精度和召回率：

1)输入一张大小为64×64×3的图像，经过大小为3×3的32个卷积核的两次卷积操作后，进行一次最大池化操作；然后经过两次大小为3×3的64个卷积核的二次卷积计算后，进行一次最大池化操作；然后经过三次大小为3×3的128个卷积核的卷积计算后，进行一次最大池化操作；然后经过丢弃层Dropout，随机使一半的神经元失活，避免过拟合；然后经过一展平层；再经过第一全连接层、批量规范化层、第二全连接层、批量规范化层；最后输出预测结果；

2)为了提高模型性能，模型网络中的卷积操作的激活函数都选择Relu函数，最后一层的激活函数使用Softmax逻辑回归；所有卷积核的大小、步长相同，均为3×3，步长为1，同时加入1个像素外衬；最大池化层主要用于降维和提高模型的容错性，其大小和步长都为2；

3)模型训练过程中采用梯度下降法；

4)网络模型对桩基完整性进行分类识别，采用精度precision、召回率recall和F1-score综合评价指标对预测结果进行评价，具体计算公式如下：

本发明通过前期大量的调查数据，结合机器学习、深度学习的深度卷积神经网络方法，构建桩基础完整性分类识别模型。所得网络模型层数和复杂度低，训练参数少，加速了训练过程，节省计算资源，分类准确率达到98.5％。传统人工检测识别精度与工人的注意力和熟练程度等相关，存在成本高，效率低，主观性强等缺点；利用训练模型对桩基完整性分类实现自动化，减轻了工人的劳动强度，分类效率和准确率相对于现在人工识别有很大的提高。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换或直接或间接运用在相关的技术领域，均应包括在本发明的专利保护范围内。

Claims (6)

1.一种基于卷积神经网络的桩基础完整性分类识别方法，其特征在于，包括以下步骤：

S1.数据收集与标记：利用低应变采集设备获取桩基实测曲线图像，针对不同桩基完整性类别，收集每一个类别的低应变曲线图像，基于这些图像构建数据集，包括桩基图像集和对应的桩基完整性类别标注集；

S2.图像数据集扩充：通过图像变换方式对图像数据集进行数据扩充，对曲线图形进行翻转、平移和旋转，得到图片扩充数据集；

S3.原始数据图像的分类：将原始数据图像分为训练集和测试集两大类，所述训练集占数据图像总数的80％，所述测试集占数据图像总数的20％；

S4.构建卷积神经网络模型：利用训练集对模型进行训练，保存训练完毕的卷积神经网络；

S5：输出图像预测结果及评估：将测试集输入训练后的卷积神经网路模型，输出图像预测结果，并计算预测值的准确率、精度和召回率。

2.根据权利要求1所述的一种基于卷积神经网络的桩基础完整性分类识别方法，其特征在于，步骤S1中所述不同桩基完整性类别分为四个类别：

I类：完整桩，桩身结构完整，无明显缺陷；

II：轻度缺陷桩，桩身有轻微缺陷，但对桩身整体结构不构成较大影响；

III：较重缺陷桩，桩身结构受较大影响，力学性能显著降低；

IV：严重缺陷或断桩，桩身有严重缺陷，桩身结构不完整。

3.根据权利要求1所述的一种基于卷积神经网络的桩基础完整性分类识别方法，其特征在于，步骤S2为提升网络的检测速度，实现对数据集的实时检测，在进行数据扩充前，统一将数据集中所有图片尺寸变换成64×64。

4.根据权利要求1所述的一种基于卷积神经网络的桩基础完整性分类识别方法，其特征在于，步骤S3为了充分利用测试集中的数据，在后续模型训练过程中，将测试集作为验证集使用。

5.根据权利要求1所述的一种基于卷积神经网络的桩基础完整性分类识别方法，其特征在于，步骤S4中利用训练集对模型进行训练的具体过程为：将训练集图像输入到构建的卷积神经网络模型中进行分类训练，计算损失函数，通过随机梯度下降法，利用反向传播更新网络参数，直至获得全局最优解，得到所需卷积神经网络的训练模型并保存。

6.根据权利要求1所述的一种基于卷积神经网络的桩基础完整性分类识别方法，其特征在于，步骤S5中对预测值准确率、精度和召回率的计算过程如下：

1)输入一张大小为64×64×3的图像，经过大小为3×3的32个卷积核的两次卷积操作后，进行一次最大池化操作；然后经过两次大小为3×3的64个卷积核的二次卷积计算后，进行一次最大池化操作；然后经过三次大小为3×3的128个卷积核的卷积计算后，进行一次最大池化操作；然后经过丢弃层Dropout，随机使一半的神经元失活，避免过拟合；然后经过一展平层；再经过第一全连接层、批量规范化层、第二全连接层、批量规范化层；最后输出预测结果；

2)为了提高模型性能，模型网络中的卷积操作的激活函数都选择Relu函数，最后一层的激活函数使用Softmax逻辑回归；所有卷积核的大小、步长相同，均为3×3，步长为1，同时加入1个像素外衬；最大池化层主要用于降维和提高模型的容错性，其大小和步长都为2；

3)模型训练过程中采用梯度下降法；

4)网络模型对桩基完整性进行分类识别，采用精度precision、召回率recall和F1-score综合评价指标对预测结果进行评价，具体计算公式如下：

Images