CN113138033A - 一种基于深度学习的钢管混凝土内表层空腔定量评估方法 - Google Patents
一种基于深度学习的钢管混凝土内表层空腔定量评估方法 Download PDFInfo
- Publication number
- CN113138033A CN113138033A CN202110495470.XA CN202110495470A CN113138033A CN 113138033 A CN113138033 A CN 113138033A CN 202110495470 A CN202110495470 A CN 202110495470A CN 113138033 A CN113138033 A CN 113138033A
- Authority
- CN
- China
- Prior art keywords
- surface layer
- cavity
- steel pipe
- steel tube
- deep learning
- 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.)
- Granted
Links
- 239000004567 concrete Substances 0.000 title claims abstract description 142
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 138
- 239000010959 steel Substances 0.000 title claims abstract description 138
- 239000002344 surface layer Substances 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 15
- 238000010438 heat treatment Methods 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 37
- 238000009826 distribution Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims abstract description 7
- 239000010410 layer Substances 0.000 claims description 49
- 239000013307 optical fiber Substances 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 239000004744 fabric Substances 0.000 claims description 7
- 238000009413 insulation Methods 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 7
- 229910000623 nickel–chromium alloy Inorganic materials 0.000 claims description 7
- 229920002379 silicone rubber Polymers 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 229910001120 nichrome Inorganic materials 0.000 claims description 4
- 238000001069 Raman spectroscopy Methods 0.000 claims description 3
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000004033 plastic Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000003825 pressing Methods 0.000 claims description 2
- 238000009659 non-destructive testing Methods 0.000 abstract description 2
- 239000002131 composite material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000002002 slurry Substances 0.000 description 4
- 238000009529 body temperature measurement Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011381 foam concrete Substances 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- -1 i.e. Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
- G01K11/32—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/38—Concrete; Lime; Mortar; Gypsum; Bricks; Ceramics; Glass
- G01N33/383—Concrete or cement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Ceramic Engineering (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Measuring Temperature Or Quantity Of Heat (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
一种基于深度学习的钢管混凝土内表层空腔定量评估方法，属于工程结构检测领域。该方法预先制作含有不同尺寸内表层空腔的钢管混凝土试件，采用分布式温度测量装置采集加热过程中试件上表面的分布式温度数据并绘制成一系列温度分布灰度图。再采用深度学习的方法对标注有内表层空腔的灰度图样本进行训练，得到可以用于钢管混凝土内表层空腔定量评估的检测模型。然后将分布式温度测量装置和训练后检测模型用于实际工程中钢管混凝土内表层空腔的定量评估。该方法简单、快速，属于无损检测，不会对待检测结构造成破坏，检测装置也可以重复利用，检测成本较低。深度学习方法可以自动提取并建立内表层空腔尺寸和温度数据的定量关系，检测精度高。
Description
技术领域
本发明涉及一种基于深度学习的钢管混凝土内表层空腔定量评估方法，属于工程结构检测技术领域。
背景技术
钢管混凝土（Concrete-filled steel tube，缩写为CFST）是将混凝土填充入钢管内形成的结构。钢管混凝土从材料学设计原理来讲是一种复合材料，它是由金属钢和无机非金属的混凝土所复合而成的，是钢-混凝土组合结构中最重要的一种形式。其复合设计的原理是：混凝土受到钢管壁的紧箍作用，强度和韧性大大提高；钢管中填充了混凝土，可提高结构的稳定性并减少用钢量；组合材料的综合性价比明显优于以上材料自身。钢管混凝土在桥梁墩柱、拱肋等部位的应用已经有上百年的历史，最早有关钢管混凝土的应用报道是1879年建成的英国Severn铁路桥的桥墩。法国Conidere于1902年开始探索三向应力混凝土性能，也证实了套箍（约束）状态下混凝土能提高其承载力。1907年美国的Lally公司首次给出了圆形钢管混凝土柱的安全承载能力公式。我国从1959年开始研究钢管混凝土的基本性能和应用。20世纪60年代中期，钢管混凝土开始在一些厂房柱和地铁工程中采用。20世纪70年代后期，这类结构在冶金、造船、电力等行业的单层或多层工业厂房得到广泛的应用。20世纪90年代后期，钢管混凝土结构在20到88层高层建筑、大型场馆中也得到了广泛的推广应用。1990年建成的四川省旺苍东河大桥，其跨径为115m,系下承式钢架系杆拱，该桥是我国第一座钢管混凝土拱桥。2004年，世界跨度第一的钢管混凝土拱桥（单跨460m）的重庆巫峡长江大桥建成通车，这不仅表明我国钢管混凝土在大跨度桥梁中的应用不但处于世界领先水平，而且标志着该技术又达到了一个更新的高度。
钢管混凝土结构是由钢管和混凝土两种材料组合成的复合结构，因此容易发生钢管和混凝土之间界面分离的情况。并且，在施工过程中，将混凝土压入钢管内部，难以保证管内混凝土的均匀性。一些内表层空腔往往会出现在钢管混凝土内部，导致混凝土与钢管的分离。这些内表层空腔会使得钢管混凝土结构失去完整性，降低钢管对混凝土的约束能力，进一步降低结构的承载能力。因此需要探寻有效的方法将钢管混凝土结构的内表层空腔检测出来。
现有的钢管混凝土内表层空腔的检测方法主要有人工敲击法、钻芯取样法、超声波检测法和红外热成像法。但是这些检测方法基本都是点式测量，需要在结构上布设大量的测点，检测效率低、精度差，容易出现内表层空腔的漏检，并且对于钢管混凝土这种大型结构不太适用。红外热成像法是利用热学技术的分布式测量方法，对钢管混凝土加热后进行测温，通过温度差异确定是否存在内表层空腔，但是该方法需要将待检测结构暴露在外界环境中，受环境影响较大。
本发明针对此问题，提出采用分布式光纤传感器结合深度学习对钢管混凝土内表层空腔进行定量评估的方法。该方法同时采集钢管混凝土上表面的分布式温度数据，克服了传统点式传感器测量的局限。但是，对于钢管混凝土这种大型结构，势必会产生大量的温度数据，人工处理过于繁杂。并且空腔位置存在复杂的三维流固耦合的热传导方式，通过推导理论模型来建立温度数据与空腔的关系势必会引入很多假设条件，模型精度较低。因此，本发明通过深度学习的方法自动建立空腔尺寸与温度数据的映射关系，实现了快速准确的钢管混凝土内表层空腔的定量评估。
发明内容
本发明的目的是提供一种基于深度学习的钢管混凝土内表层空腔定量评估方法，通过将分布式温度测量装置覆盖于钢管混凝土上表面，采集加热过程中钢管混凝土分布式温度数据，形成温度分布灰度图；进一步采用深度学习的方法对温度分布灰度图进行图像检测，以实现钢管混凝土内表层空前的定量评估。
本发明的技术方案是：一种基于深度学习的钢管混凝土内表层空腔定量评估方法，采用下列步骤：
第一步、分布式温度测量装置的制作，该装置包含加热层、隔热层和传感层。首先，在两张硅橡胶布中间按照一定间隔均匀粘贴镍铬合金加热丝，并使加热丝铺满整个硅橡胶布表面，形成加热层；在加热层外的一侧粘结一层相同尺寸的橡塑海绵，形成隔热层；在加热层的另一层粘结按照一定间隔排列的分布式光纤传感器，并保证分布式光纤传感器铺满整个加热层平面，形成传感层。
第二步、人工钢管混凝土试件的制作，根据所调查的实际工程中待检测钢管混凝土结构的规模以及内表层空腔可能出现在位置、形状和尺寸，制作包含多种内表层空腔的人工钢管混凝土试件。将亚克力板粘贴在钢管内部上侧管壁以形成各种尺寸的弓形封闭空腔，从灌浆口内压入混凝土浆体并使其充满整个钢管。待混凝土浆体完全固化后便形成存在内表层空腔的人工钢管混凝土试件。
第三步、人工钢管混凝土试件上表面温度数据的采集，将分布式温度测量装置覆盖在人工钢管混凝土试件上表面并使传感层一侧向下，将加热层中的镍铬合金加热丝通过电线与调压器相连接，将传感层中分布式光纤传感器通过光纤跳线与数据采集仪器相连接，连续采集加热过程中人工钢管混凝土试件上表面的一系列的分布式温度数据。
第四步、将收集到的温度数据归一化到灰度图像像素值区间（0~255），然后将加热过程中每一次数据采集所得的测点绘制成一张钢管混凝土上表面的温度分布灰度图，进而形成一系列不同的温度分布灰度图。由于空气和混凝土的热学性质不同，所以在内表层空腔的位置便会出现温度异常的现象，表现在温度分布灰度图中即为色彩异常区域。因此，将钢管混凝土内表层空腔检测问题边转化成了图像的目标识别问题。
第五步、将温度分布灰度图分为训练样本和测试样本两部分，并将训练样本中内表层空腔所在的位置进行标注。
第六步、采用基于区域的卷积神经网格框架Faster R-CNN并嵌入VGG-16的网格结构对标注有内表层空腔位置的温度分布灰度图训练样本进行训练，并得到训练之后的内表层空腔检测模型。
第七步、使用该内表层空腔检测模型对测试样本中的内表层空腔进行检测，以验证检测模型对于内表层空腔检测的准确度和可靠性。至此，采集钢管混凝土上表面温度数据的分布式温度测量装置，以及用于内表层空腔检测的检测模型都已经具备。
第八步、实际工程中待检测钢管混凝土结构上表面温度数据的采集，将分布式温度测量装置覆盖在待检测钢管混凝土结构上表面并使传感层一侧向下，将加热层中的镍铬合金加热丝通过电线与调压器相连接，将传感层中分布式光纤传感器通过光纤跳线与数据采集仪器相连接，采集加热过程中待检测钢管混凝土结构上表面的分布式温度数据，并采用第四步中的方法将温度数据转化成钢管混凝土上表面的温度分布灰度图。
第九步、使用内表层空腔检测模型对待检测钢管混凝土结构上表面的温度分布灰度图进行内表层空腔检测，确定待检测钢管混凝土结构中是否存在空腔，以及空腔的位置和尺寸。
所述待检测钢管混凝土结构为易于产生内表层空腔的横向或倾斜的钢管混凝土结构，如拱桥的拱肋和横撑。
对于本发明针对的横向或倾斜钢管混凝土结构，空腔会出现在钢管混凝土的上半部分，因此只采集钢管混凝土上表面的温度数据，便可以将内表层空腔可能出现的区域全部覆盖。
所述分布式光纤传感器是温度传感器，直径可达9mm以下。
所述数据采集仪器包括适用于单模和多模传感光纤的基于布里渊散射、拉曼散射和瑞利散射的各种分布式光纤数据采集仪器。
所述区域的卷积神经网格框架Faster R-CNN是一种图像目标检测的算法，可以将图像中感兴趣区域进行识别和定位。
所述VGG-16网格结构是一种经典的神经网络结构，与Faster R-CNN框架结合使用，以实现图像目标检测。
所述内表层空腔检测模型是以包含各种尺寸内表层空腔的人工钢管混凝土试件为基础经训练获得，并用于实际工程中待检测钢管混凝土结构中内表层空腔的检测，该方法在深度学习算法中属于有监督学习。
本发明的有益效果是：这种基于深度学习的钢管混凝土内表层空腔定量评估方法，只需要将分布式温度测量装置覆盖在钢管混凝土的上半部分，就可以一次性采集大范围的钢管混凝土上表面的温度数据。相比传统的点式检测方法，该方法测量简单、快速，可以将一段钢管混凝土结构同时进行检测，不会存在点式检测方法由于测点分布不够密集而导致内表层空腔漏检的情况发生。并且该方法属于无损检测，不会对待检测结构造成破坏，检测装置也可以重复利用，检测成本较低。深度学习的方法可以自动、快速的将采集到的钢管混凝土上表面的温度数据进行处理，可以准确将钢管混凝土内表层空腔进行识别、定位和定量评估。
附图说明：
图1是分布式温度测量装置的结构示意图。
图2是图1中的A-A视图。
图3是钢管混凝土上表面温度数据采集示意图。
图4是图3中的B-B视图。
图5是温度分布灰度图。
图中：1、加热层，2、隔热层，3、传感层，4、硅橡胶布，5、镍铬合金加热丝，6、分布式光纤传感器，7、人工钢管混凝土试件，8、内表层空腔，9、混凝土，10、钢管，11、电线，12、调压器，13、光纤跳线，14、数据采集仪器，15、色彩异常区域。
具体实施方案：
图1示出了分布式温度测量装置的结构示意图，图3出示了钢管混凝土上表面温度数据采集示意图。这种基于深度学习的钢管混凝土内表层空腔定量评估方法包括下列步骤：
第一步、分布式温度测量装置的制作，该装置包含加热层1、隔热层2和传感层3。首先，在两张硅橡胶布4中间按照一定间隔均匀粘贴镍铬合金加热丝5，并使镍铬合金加热丝5铺满整个硅橡胶布4表面，形成加热层1；在加热层1外的一侧粘结一层相同尺寸的橡塑海绵，形成隔热层2；在加热层1的另一层粘结按照一定间隔排列的分布式光纤传感器6，并保证分布式光纤传感器6铺满整个加热层1平面，形成传感层3。
第二步、人工钢管混凝土试件7的制作，根据所调查的实际工程中待检测钢管混凝土结构的规模以及内表层空腔可能出现在位置、形状和尺寸，制作包含多种内表层空腔8的人工钢管混凝土试件7。将亚克力板粘贴在钢管内部上侧管壁以形成各种尺寸的弓形封闭空腔，从灌浆口内压入混凝土浆体9并使其充满整个钢管10；待混凝土浆体完全固化后便形成存在内表层空腔8的人工钢管混凝土试件7。
第三步、人工钢管混凝土试件7的上表面温度数据的采集，将分布式温度测量装置覆盖在人工钢管混凝土试件7的上表面并使传感层3一侧向下，将加热层1中的镍铬合金加热丝5通过电线11与调压器12相连接，将传感层3中分布式光纤传感器6通过光纤跳线13与数据采集仪器14相连接，连续采集加热过程中钢管混凝土7上表面的一系列的分布式温度数据。
第四步、将收集到的温度数据归一化到灰度图像像素值区间（0~255），然后将加热过程中每一次数据采集所得的测点绘制成一张人工钢管混凝土试件7上表面的温度分布灰度图，进而形成一系列不同的温度分布灰度图。由于空气和混凝土的热学性质不同，所以在内表层空腔8的位置便会出现温度异常的现象，表现在温度分布灰度图中即为色彩异常区域15。因此，钢管混凝土内表层空腔8检测问题边转化成了图像的目标识别问题。
第五步、将温度分布灰度图分为训练样本和测试样本两部分，并将训练样本中内表层空腔8所在的位置进行标注。
第六步、采用基于区域的卷积神经网格框架Faster R-CNN并嵌入VGG-16的网格结构对标注有内表层空腔8位置的温度分布灰度图训练样本进行训练，并得到训练之后的内表层空腔检测模型。
第七步、使用该内表层空腔检测模型对测试样本中的内表层空腔8进行检测，以验证内表层空腔检测模型对于内表层空腔8检测的准确度和可靠性。至此，采集人工钢管混凝土试件7上表面温度数据的分布式温度测量装置，以及用于内表层空腔8检测的检测模型都已经具备。
第八步、实际工程中待检测钢管混凝土结构上表面温度数据的采集，将分布式温度测量装置覆盖在待检测钢管混凝土结构的上表面并使传感层3一侧向下，将加热层1中的镍铬合金加热丝5通过电线11与调压器12相连接，将传感层3中分布式光纤传感器6通过光纤跳线13与数据采集仪器14相连接，采集加热过程中待检测钢管混凝土结构上表面的分布式温度数据，并采用第四步中的方法将温度数据转化成待检测钢管混凝土结构上表面的温度分布灰度图；
第九步、使用检测模型对待检测钢管混凝土结构上表面的温度分布灰度图进行内表层空腔检测，确定待检测钢管混凝土结构中是否存在内表层空腔，以及空腔的位置和尺寸。
这种评估方法适用于针对易于产生内表层空腔的横向或倾斜的钢管混凝土结构，如拱桥的拱肋和横撑；而对于纵向钢管混凝土结构，如高层建筑中的刚性柱，不易出现内表层空腔，则不在此方法的适用范围之内。
对于本发明针对的横向或倾斜钢管混凝土结构，内表层空腔会出现在钢管混凝土的上半部分，因此只采集钢管混凝土上表面的温度数据，便可以将内表层空腔可能出现的区域全部覆盖。
分布式光纤传感器6是温度传感器，且直径可达9mm以下。
数据采集仪器14包括适用于单模和多模传感光纤的基于布里渊散射、拉曼散射和瑞利散射的各种分布式光纤数据采集仪器。
区域的卷积神经网格框架Faster R-CNN是一种图像目标检测的算法，可以将图像中感兴趣区域进行识别和定位。
VGG-16网格结构是一种经典的神经网络结构，与Faster R-CNN框架结合使用，以实现图像目标检测。
检测模型是以包含各种尺寸内表层空腔8的人工钢管混凝土试件7为基础经训练获得，并用于实际工程中待检测钢管混凝土内表层空腔的检测，该方法在深度学习算法中属于有监督学习。
本发明所提出的基于深度学习的钢管混凝土内表层空腔定量评估方法，通过将分布式温度测量装置覆盖在钢管混凝土试件的上半部分，采集加热过程中钢管混凝土上表面的温度数据，并绘制成一系列的温度分布灰度图。采用嵌入VGG-16网格结构的Faster R-CNN方法对温度分布灰度图进行训练，得到训练后的空腔检测模型。进一步地，将分布式温度测量装置和检测模型应用于实际工程中钢管混凝土结构内表层空腔的定量评估，为钢管混凝土结构施工提供了有效保障。
Claims (7)
1.一种基于深度学习的钢管混凝土内表层空腔定量评估方法，其特征在于,采用下列步骤：
第一步、制作分布式温度测量装置，所述分布式温度测量装置包含加热层（1）、隔热层（2）和传感层（3），在两张硅橡胶布（4）的中间按照一定间隔均匀粘贴镍铬合金加热丝（5），使镍铬合金加热丝（5）铺满整个硅橡胶布（4）的表面，形成加热层（1）；在加热层（1）的底部粘结一层相同尺寸的橡塑海绵，形成隔热层（2）；在加热层（1）的顶部粘结按照一定间隔排列的分布式光纤传感器（6），保证分布式光纤传感器（6）铺满整个加热层（1）的顶部，形成传感层（3）；
第二步、制作人工钢管混凝土试件（7），根据待检测钢管混凝土结构的规模和内表层空腔可能出现的位置、形状和尺寸，制作包含多种内表层空腔（8）的人工钢管混凝土试件（7），将亚克力板粘贴在钢管（10）的内部上侧管壁以形成各种尺寸的弓形封闭空腔，从灌浆口压入混凝土（9）使其充满整个钢管（10），待混凝土（9）完全固化后形成存在内表层空腔（8）的人工钢管混凝土试件（7）；
第三步、采集人工钢管混凝土试件（7）上表面的温度数据，将步骤一制作的分布式温度测量装置覆盖在人工钢管混凝土试件（7）的上表面，使传感层（3）紧贴人工钢管混凝土试件（7）的上表面，将镍铬合金加热丝（5）通过电线（11）连接调压器（12），将分布式光纤传感器（6）通过光纤跳线（13）连接数据采集仪器（14），连续采集加热过程中人工钢管混凝土试件（7）上表面的一系列分布式温度数据；
第四步、将步骤三采集到的温度数据归一化到灰度图像像素值区间0~255，将每一次数据采集所得的测点绘制成一张温度分布灰度图，得到一系列不同的温度分布灰度图，温度分布灰度图中色彩异常区域（15）为内表层空腔（8）的位置，将钢管混凝土内表层空腔（8）的检测问题转化成图像的目标识别问题；
第五步、将步骤四绘制的温度分布灰度图分为训练样本和测试样本两部分，标注训练样本中内表层空腔（8）的位置；
第六步、采用嵌入VGG-16网格结构的基于区域的卷积神经网格框架Faster R-CNN对标注有内表层空腔（8）位置的训练样本进行训练，得到训练之后的内表层空腔检测模型；
第七步、使用步骤六确定的内表层空腔检测模型检测测试样本中的内表层空腔（8），验证内表层空腔检测模型对于内表层空腔（8）检测的准确度和可靠性；
第八步、采集实际工程中待检测的钢管混凝土结构的上表面温度数据，将分布式温度测量装置覆盖在待检测的钢管混凝土结构的上表面，采用步骤三的方法采集加热过程中待检测的钢管混凝土结构的上表面的分布式温度数据，采用步骤四的方法将温度数据转化成待检测的钢管混凝土结构上表面的温度分布灰度图；
第九步、将步骤八的温度分布灰度图输入到经步骤七验证后的内表层空腔检测模型，检测待检测钢管混凝土结构中的内表层空腔，确定待检测钢管混凝土结构中内表层空腔的位置和尺寸。
2.根据权利要求1所述的一种基于深度学习的钢管混凝土内表层空腔定量评估方法，其特征在于：所述评估方法用于易于产生内表层空腔（8）的横向或倾斜的钢管混凝土结构的检测。
3.根据权利要求1所述的一种基于深度学习的钢管混凝土内表层空腔定量评估方法，其特征在于：所述分布式光纤传感器（6）为温度传感器，直径不大于9mm。
4.根据权利要求1所述的一种基于深度学习的钢管混凝土内表层空腔定量评估方法，其特征在于：所述数据采集仪器（14）包括适用于单模和多模传感光纤的基于布里渊散射、拉曼散射和瑞利散射的分布式光纤数据采集仪器。
5.根据权利要求1所述的一种基于深度学习的钢管混凝土内表层空腔定量评估方法，其特征在于：所述区域的卷积神经网格框架Faster R-CNN是一种图像目标检测算法，用于识别和定位图像中的感兴趣区域。
6.根据权利要求1所述的一种基于深度学习的钢管混凝土内表层空腔定量评估方法，其特征在于：所述VGG-16网格结构是一种神经网络结构，与区域的卷积神经网格框架Faster R-CNN结合使用，实现图像目标检测。
7.根据权利要求1所述的一种基于深度学习的钢管混凝土内表层空腔定量评估方法，其特征在于：所述内表层空腔检测模型以包含各种尺寸内表层空腔（8）的人工钢管混凝土试件（7）为基础经训练获得，用于实际工程中待检测钢管混凝土结构中内表层空腔的检测，属于有监督学习的深度学习算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110495470.XA CN113138033B (zh) | 2021-06-01 | 2021-06-01 | 一种基于深度学习的钢管混凝土内表层空腔定量评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110495470.XA CN113138033B (zh) | 2021-06-01 | 2021-06-01 | 一种基于深度学习的钢管混凝土内表层空腔定量评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113138033A true CN113138033A (zh) | 2021-07-20 |
| CN113138033B CN113138033B (zh) | 2022-03-25 |
Family
ID=76816603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110495470.XA Active CN113138033B (zh) | 2021-06-01 | 2021-06-01 | 一种基于深度学习的钢管混凝土内表层空腔定量评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113138033B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117636073A (zh) * | 2024-01-24 | 2024-03-01 | 贵州科筑创品建筑技术有限公司 | 混凝土缺陷检测方法、装置及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170067222A1 (en) * | 2014-02-05 | 2017-03-09 | Cementation Skanska Limited | Method of monitoring subsurface concrete structures |
| CN106638243A (zh) * | 2016-11-09 | 2017-05-10 | 华南理工大学 | 水泥混凝土路面板底脱空识别机器人及其连续识别方法 |
| CN108444936A (zh) * | 2018-03-27 | 2018-08-24 | 重庆交通大学 | 一种钢管混凝土脱空的无损检测系统及方法 |
| CN110045015A (zh) * | 2019-04-18 | 2019-07-23 | 河海大学 | 一种基于深度学习的混凝土结构内部缺陷检测方法 |
| CN110378436A (zh) * | 2019-07-25 | 2019-10-25 | 四川升拓检测技术股份有限公司 | 基于深度迁移实现iae mem后处理图片识别及标注的方法 |
| CN112378909A (zh) * | 2020-11-13 | 2021-02-19 | 保利长大工程有限公司 | 一种钢壳沉管自密实混凝土生产质量评价控制方法 |
| CN112557510A (zh) * | 2020-12-11 | 2021-03-26 | 广西交科集团有限公司 | 混凝土路面脱空智能检测装置及其检测方法 |
-
2021
- 2021-06-01 CN CN202110495470.XA patent/CN113138033B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170067222A1 (en) * | 2014-02-05 | 2017-03-09 | Cementation Skanska Limited | Method of monitoring subsurface concrete structures |
| CN106638243A (zh) * | 2016-11-09 | 2017-05-10 | 华南理工大学 | 水泥混凝土路面板底脱空识别机器人及其连续识别方法 |
| CN108444936A (zh) * | 2018-03-27 | 2018-08-24 | 重庆交通大学 | 一种钢管混凝土脱空的无损检测系统及方法 |
| CN110045015A (zh) * | 2019-04-18 | 2019-07-23 | 河海大学 | 一种基于深度学习的混凝土结构内部缺陷检测方法 |
| CN110378436A (zh) * | 2019-07-25 | 2019-10-25 | 四川升拓检测技术股份有限公司 | 基于深度迁移实现iae mem后处理图片识别及标注的方法 |
| CN112378909A (zh) * | 2020-11-13 | 2021-02-19 | 保利长大工程有限公司 | 一种钢壳沉管自密实混凝土生产质量评价控制方法 |
| CN112557510A (zh) * | 2020-12-11 | 2021-03-26 | 广西交科集团有限公司 | 混凝土路面脱空智能检测装置及其检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 龚士林等: "A thermal-driven method based on Brillouin fiber-optic sensors for the quantitative identification of subsurface cavities in concrete-filled steel tube structucres", 《JOURNAL OF CIVIL STRUCTURAL HEALTH MONITORING》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117636073A (zh) * | 2024-01-24 | 2024-03-01 | 贵州科筑创品建筑技术有限公司 | 混凝土缺陷检测方法、装置及存储介质 |
| CN117636073B (zh) * | 2024-01-24 | 2024-04-26 | 贵州科筑创品建筑技术有限公司 | 混凝土缺陷检测方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113138033B (zh) | 2022-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bado et al. | A review of recent distributed optical fiber sensors applications for civil engineering structural health monitoring | |
| CN102095677B (zh) | 一种钢筋混凝土锈裂监测方法及传感器 | |
| CN104634785A (zh) | 一种全新的混凝土平面裂缝预测评估和图形化输出方法 | |
| CN113138033B (zh) | 一种基于深度学习的钢管混凝土内表层空腔定量评估方法 | |
| CN106596287A (zh) | 工具式砌体抗弯强度试验侧向加载装置 | |
| Mao et al. | A novel method of embedding distributed optical fiber sensors for structural health monitoring | |
| CN104111131A (zh) | 一种钢筋混凝土结构应力原位在线监测方法 | |
| CN109870477B (zh) | 一种非接触式检测土的冻胀单体及其检测方法 | |
| CN103837533A (zh) | 基于热成像仪的混凝土温度监测与仿真反分析方法 | |
| Hong et al. | Displacement shape measurement of continuous beam bridges based on long-gauge fiber optic sensing | |
| CN108020197B (zh) | 一种墙体形变的检测方法 | |
| CN110849930B (zh) | 测量冻土与埋地管道相互作用的实验装置及制备方法 | |
| CN106403858B (zh) | 一种超高空大悬挑钢平台端部挠度监测方法 | |
| CN108519276A (zh) | 桥面铺装层鼓泡界面断裂韧性的测量方法 | |
| CN111507015A (zh) | 一种在役边坡技术状况评价方法 | |
| CN110608946A (zh) | 基于fbg及全流触探的软黏土早期触变强度测试及装置 | |
| CN106896108B (zh) | 一种钢筋锈蚀光纤传感监测装置 | |
| CN216117419U (zh) | 一种钢管混凝土内表层空腔的定量检测装置 | |
| CN210863348U (zh) | 基于fbg及全流触探的软黏土早期触变强度测试装置 | |
| CN116386279B (zh) | 一种基于fbg-frp智能锚杆的边坡滑移监测系统及安全预警方法 | |
| Islam et al. | Determining coefficients of thermal contraction and expansion of asphalt concrete using horizontal asphalt strain gage | |
| CN102706611B (zh) | 温度变化索力监测的问题索和支座广义位移识别方法 | |
| CN112098459A (zh) | 一种钢管混凝土内表层空腔的定量检测装置及检测方法 | |
| CN112129679A (zh) | 一种水工岩土结构降雨实时入渗状态监测设备及方法 | |
| CN113202153B (zh) | 大直径管桩的动力测试装置及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |