CN113159052B - 基于深度学习的受弯钢筋混凝土简支梁破坏模式识别方法 - Google Patents

基于深度学习的受弯钢筋混凝土简支梁破坏模式识别方法 Download PDF

Info

Publication number
CN113159052B
CN113159052B CN202110458184.6A CN202110458184A CN113159052B CN 113159052 B CN113159052 B CN 113159052B CN 202110458184 A CN202110458184 A CN 202110458184A CN 113159052 B CN113159052 B CN 113159052B
Authority
CN
China
Prior art keywords
reinforced concrete
simply supported
image
supported beam
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.)
Active
Application number
CN202110458184.6A
Other languages
English (en)
Other versions
CN113159052A (zh
Inventor
李生元
丁北斗
张营营
鲁冬远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202110458184.6A priority Critical patent/CN113159052B/zh
Publication of CN113159052A publication Critical patent/CN113159052A/zh
Application granted granted Critical
Publication of CN113159052B publication Critical patent/CN113159052B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Working Measures On Existing Buildindgs (AREA)

Abstract

一种基于深度学习的受弯钢筋混凝土简支梁破坏模式识别方法，属于钢筋混凝土构件的破坏模式识别领域。步骤：建立钢筋混凝土结构表面裂缝与剥落损伤语义分割数据集；构建用于钢筋混凝土结构表面裂缝与剥落损伤像素识别的深度学习语义分割全卷积网络；训练和验证构建的深度学习语义分割全卷积网络；采用训练和验证的深度学习语义分割全卷积网络模型进行受弯钢筋混凝土简支梁表面图像中的裂缝与剥落损伤像素识别；提取识别出的图像中的受弯钢筋混凝土简支梁正截面或斜截面破坏的特征；根据识别出的正截面或斜截面的特征进行受弯钢筋混凝土简支梁的破坏模式识别。无需昂贵的检测设备，提高了受弯钢筋混凝土简支梁破坏模式识别的自动化程度。

Description

基于深度学习的受弯钢筋混凝土简支梁破坏模式识别方法
技术领域
本发明涉及钢筋混凝土构件的破坏模式识别领域，特别是一种基于深度学习的受弯钢筋混凝土简支梁破坏模式识别方法。
背景技术
钢筋混凝土结构广泛应用于各类大型工程结构中。对于土木工程专业的本科生而言，《混凝土结构设计原理》是非常重要的一门专业课程。在该课程的教学过程中，进行受弯钢筋混凝土简支梁破坏实验，并根据梁破坏后的表面损伤特征进行破坏模式识别，是该课程的关键教学环节。通过受弯钢筋混凝土简支梁破坏实验，能够让土木工程专业的学生认识到受弯钢筋混凝土简支梁的配筋率、混凝土强度等级、截面形式等因素与破坏模式之间的关系。
目前，在进行受弯钢筋混凝土简支梁破坏实验时，主要采用人工法进行破坏模式的识别。在受弯钢筋混凝土简支梁产生初始裂纹时，需要用目测的方式进行初始裂纹的观测。在受弯钢筋混凝土简支梁发生正截面破坏后，需要人工观察梁的跨中受拉区是否存在主裂缝且受压区的混凝土是否被压碎形成剥落，根据这两种现象的不同组合，进行受弯钢筋混凝土简支梁的正截面适筋、少筋和超筋破坏模式的识别。在受弯钢筋混凝土简支梁发生正截面破坏后，需要对梁斜裂缝的形态进行分析，根据分析结果进行受弯钢筋混凝土简支梁的斜截面剪压、斜压和斜拉破坏模式的识别。虽然人工法能够对受弯钢筋混凝土简支梁的破坏模式进行有效的识别，但是这种方法需要具有专业知识的人员与昂贵的设备，且费时费力。
发明内容
本发明的目的是要提供一种基于深度学习的受弯钢筋混凝土简支梁破坏模式识别方法，实现受弯钢筋混凝土简支梁破坏模式的高精度、自动化识别。
本发明的目的是这样实现的：基于深度学习的受弯钢筋混凝土简支梁破坏模式识别方法，包括以下步骤：
S1、建立钢筋混凝土结构表面裂缝与剥落损伤语义分割数据集；
S2、构建用于钢筋混凝土结构表面裂缝与剥落损伤像素识别的深度学习语义分割全卷积网络；
S3、采用S1建立的数据集训练和验证S2构建的深度学习语义分割全卷积网络；
S4、采用S3训练和验证的深度学习语义分割全卷积网络模型进行受弯钢筋混凝土简支梁表面图像中的裂缝与剥落损伤像素识别；
S5、提取S4识别出的图像中的受弯钢筋混凝土简支梁正截面或斜截面破坏的特征；
S6、根据S5提取出的正截面或斜截面的破坏特征进行受弯钢筋混凝土简支梁的破坏模式识别。
进一步地，所述S1中建立混凝土结构表面微裂纹数据集的具体步骤为：
S1.1、收集混凝土结构表面裂缝与剥落损伤的jpg格式的原始图像数据；
S1.2、在Photoshop软件中，对S1.1收集的原始图像中的裂缝与剥落损伤像素进行人工标记，制作S1.1中收集的裂缝与剥落损伤原始图像的png格式的标签图像；标签图像中，背景像素、裂缝像素与剥落像素分别用0、1和2表示；
S1.3、将S1.1收集的裂缝与剥落原始图像及与其对应的标签图像的尺寸调整为504×376像素大小；
S1.4、从S1.3调整尺寸后的裂缝与剥落原始图像及与其对应的标签图像中，随机选择80％的原始图像及与其对应的标签图像作为深度学习语义分割网络模型的训练集，剩余的80％的原始图像及与其对应的标签图像作为验证集。
进一步地，所述S2中构建用于混凝土结构表面裂缝与剥落损伤像素识别的深度学习语义分割全卷积网络的具体步骤为：
S2.1、基于DenseNet-121卷积神经网络，建立用于混凝土结构表面裂缝与剥落损伤像素识别的深度学习语义分割全卷积网络；
S2.2、对建立的深度学习语义分割全卷积网络中各个层的权重和偏置参数进行初始化；
S2.3、对建立的深度学习语义分割全卷积网络的训练和验证时的学习率、动量、权重衰减等超参数进行设置。
进一步地，所述S3中采用S1建立的数据集训练和验证S2构建的深度学习语义分割网络的具体步骤为：
S3.1、采用S1.4建立的训练集，训练S2构建的深度学习语义分割全卷积网络；
S3.2、在S3.1深度学习语义分割全卷积网络的训练过程中，穿插验证过程，采用S1.4建立的验证集对训练过程中获得的深度学习语义分割全卷积网络模型进行验证。
进一步地，所述S4中采用S3训练和验证的深度学习语义分割网络进行受弯钢筋混凝土简支梁表面图像中的裂缝与剥落损伤像素识别的具体步骤为：
S4.1、以左右支座为端点、两个集中对称荷载作用点为中间点，将受弯钢筋混凝土简支梁分为中跨和边跨，并在受弯钢筋混凝土简支梁表面标记出中跨和边跨的区域范围；
S4.2、在受弯钢筋混凝土简支梁破坏以后，采用智能手机对破坏后的受弯钢筋混凝土简支梁表面存在损伤的跨度区域进行图像采集，并对图像中包含的受弯钢筋混凝土简支梁的表面区域(中跨或边跨)进行记录；
S4.3、根据S4.1中所做的标记，将S4.2采集的破坏后的受弯钢筋混凝土简支梁表面图像中的中跨或边跨区域部分裁剪出来，并将裁剪出的中跨或边跨区域图像的长和宽像素尺寸调整为504×376像素的整数倍；
S4.4、对于S4.3中进行尺寸调整后的破坏后的受弯钢筋混凝土简支梁表面的中跨或边跨区域图像，采用504×376像素大小的矩形滑动窗口按照从左到右、从上到下的顺序依次扫描一遍；在进行扫描的过程中，当窗口滑动到某一位置时，应用S3中训练好的深度学习语义分割网络模型对该位置处小图像中的裂缝与剥落像素进行识别；识别结果中图像中，背景、裂缝与剥落像素分别用黑色、白色与绿色表示；
S4.5、将S4.4识别结果图像的尺寸，调整为S4.3中裁剪出的中跨或边跨区域部分图像的原始尺寸。
进一步地，所述S5中提取S4识别出的图像中的受弯钢筋混凝土简支梁正截面或斜截面破坏的特征的具体步骤为：
S5.1、根据S4.2中记录的采集的图像中包含的受弯钢筋混凝土简支梁表面区域的范围，所述的范围为中跨或边跨，若S4.2采集的图像为受弯钢筋混凝土简支梁的中跨区域图像，则对S4.5调整尺寸后的识别结果图像进行分析，判断在梁的受拉区是否存在主裂缝以及在梁的受压区是否存在剥落损伤；
S5.2、根据S4.2中记录的采集的图像中包含的受弯钢筋混凝土简支梁表面区域的范围，所述的范围为中跨或边跨，若S4.2采集的图像为受弯钢筋混凝土简支梁的边跨区域图像，则对S4.5调整尺寸后的识别结果图像进行分析，对识别结果图像中的裂缝的像素坐标进行直线拟合，计算拟合直线斜率的绝对值，该绝对值为根据裂缝计算的受弯钢筋混凝土简支梁的剪跨比。
进一步地，所述S6中根据S5提取出的正截面或斜截面的破坏特征进行受弯钢筋混凝土简支梁的破坏模式识别的具体步骤为：
S6.1、若S4.2采集的图像为受弯钢筋混凝土简支梁的中跨区域图像，则根据S5.1的梁的受拉区是否存在主裂缝以及在梁的受压区是否存在剥落损伤的判断结果，进行受弯钢筋混凝土简支梁正截面破坏模式的识别；
S6.2、若S4.2采集的图像为受弯钢筋混凝土简支梁的边跨区域图像，则按照S5.2中根据裂缝计算的受弯钢筋混凝土简支梁的剪跨比的范围，进行受弯钢筋混凝土简支梁斜截面破坏模式的识别。
有益效果和优点，由于采用了上述方案，采用深度学习技术，进行图像中受弯钢筋混凝土梁表面裂缝与剥落损伤像素的识别，然后进行受弯钢筋混凝土梁正截面和斜截面特征提取，最终根据提取的正截面和斜截面特征进行受弯钢筋混凝土梁破坏模式的识别。实现受弯钢筋混凝土简支梁破坏模式的自动化识别，省时省力。
本发明适用的情形为钢筋混凝土简支梁受对称集中荷载作用，中跨区域为钢筋混凝土简支梁所受的两个对称集中荷载之间的区域，边跨区域为钢筋混凝土简支梁所受的集中荷载到与之距离较近的一个支座之间的区域。
实现了受弯钢筋混凝土简支梁破坏模式的高精度、自动化识别，达到了本发明的目的。
附图说明
图1基于深度学习的受弯钢筋混凝土简支梁破坏模式识别方法流程图。
图2构建的用于混凝土结构表面裂缝与剥落损伤像素识别的深度学习语义分割全卷积网络的架构。
图3受弯钢筋混凝土简支梁中跨与边跨标记示意图。
图4受弯钢筋混凝土简支梁正截面破坏特征提取举例。
图5受弯钢筋混凝土简支梁斜截面破坏特征提取举例。
具体实施方式
以下结合附图和技术方案，进一步说明本发明的具体实施方式。
实施例1：如图1所示，基于卷积神经网络的混凝土结构表面微裂纹特征提取方法包括以下六个步骤：
步骤一、建立钢筋混凝土结构表面裂缝与剥落损伤语义分割数据集；
步骤二、构建用于钢筋混凝土结构表面裂缝与剥落损伤像素识别的深度学习语义分割全卷积网络；
步骤三、采用步骤一建立的数据集训练和验证步骤二构建的深度学习语义分割全卷积网络；
步骤四、采用步骤三训练和验证的深度学习语义分割全卷积网络模型进行受弯钢筋混凝土简支梁表面图像中的裂缝与剥落损伤像素识别；
步骤五、提取步骤四识别出的图像中的受弯钢筋混凝土简支梁正截面或斜截面破坏的特征；
步骤六、根据步骤五识别出的正截面或斜截面破坏的特征进行受弯钢筋混凝土简支梁的破坏模式识别。
本发明适用的情形为钢筋混凝土简支梁受对称集中荷载作用，中跨区域为钢筋混凝土简支梁所受的两个对称集中荷载之间的区域，边跨区域为钢筋混凝土简支梁所受的集中荷载到与之距离较近的一个支座之间的区域。
本发明基于深度学习进行受弯钢筋混凝土简支梁的破坏模式识别，具体实施方法如下：
对于步骤一中混凝土结构表面裂缝与剥落损伤语义分割数据集的建立，首先，采用智能手机从真实的钢筋混凝土结构表面拍摄裂缝原始图像400至600张、剥落原始图像400至600张，这些图像中应该尽可能多的包含光照变化、混凝土表面锈渍、坑洞等环境噪声。然后，将拍摄到的图片用Photoshop软件进行了像素级的人工标注，即用人眼观察的方法将图片中的裂缝与剥落像素从背景像素中分离出来。然后，将分离完成的jpg格式的图片用MATLAB代码转换为单通道的png格式的标签图。在转换后的png图片中，背景、裂缝与剥落像素分别被标记为0、1和2。再后，将所有原始图像与对应的标签图像都调整为504×376像素分辨率。最后，从调整尺寸后的原始图像中，随机选取80％的裂缝图像与80％的剥落图像，选取的图像和与其对应的标签图像作为深度学习语义分割全卷积网络的训练集，剩余的20％的裂缝图像与20％的剥落图像和与其对应的标签图像作为验证集。
对于步骤二中用于钢筋混凝土结构表面裂缝与剥落损伤像素识别的深度学习语义分割全卷积网络的构建，首先，基于DenseNet-121卷积神经网络，建立用于混凝土结构表面裂缝与剥落损伤像素识别的深度学习语义分割全卷积网络架构，为了获得精度较高的语义分割结果图像，设计的全卷积网络架构在生成语义分割图像时融合了第一个卷积层和前四个池化层的特征，图2为建立的用于混凝土结构表面裂缝与剥落损伤像素识别的深度学习语义分割全卷积网络架构，表1为建立的全卷积网络架构各个层的详细参数。然后，采用基于模型的迁移学习策略，全卷积网络架构中DenseNet-121部分的权重和偏置由预训练的DenseNet-121模型的参数进行初始化。在DenseNet-121之外的部分，所有反卷积层的权重均采用双线性初始化方法。最后，将全卷积网络训练时的基准学习率设置为1×10-10，动量设置为0.99、权重衰减设置为0.0001。此外，在各个卷积层中，权重的学习率为基准学习率的两倍，偏置的学习率与基准学习率相等。反卷积层的学习率和权重衰减设置为零。反卷积层的所有偏置项都固定为零，并且不参与训练过程。
表1全卷积网络架构的各个层的详细参数
对于步骤三中训练和验证步骤二构建的深度学习语义分割全卷积网络，首先，采用步骤一建立的训练集，迭代训练优化步骤二构建的卷积神经网络中各个层的权重和偏置参数，设置的总迭代优化次数为100000次。然后，在卷积神经网络的训练过程中，每隔200次迭代穿插一次验证过程，采用步骤一建立的验证集对训练过程中获得的语义分割全卷积网络模型进行验证，并计算每个验证过程的像素精度PA、平均像素精度MPA、平均交并比MIoU和频权交并比FWIoU。PA、MPA、MIoU、FWIoU的计算公式分别为：
上述公式中，k取2(表示裂缝与剥落两个像素类别)，puv是像素类别u被预测为类别v的像素数量，即puu、puv和pvu分别表示真阳性、假阳性和假阴性的像素数量。
对于步骤四中采用步骤三训练和验证的深度学习语义分割网络进行受弯钢筋混凝土简支梁表面图像中的裂缝与剥落损伤像素识别。
第一步是要标记出受弯钢筋混凝土简支梁的中跨和边跨区域，具体操作时，以左右支座为端点、两个集中对称荷载作用点为中间点，将受弯钢筋混凝土简支梁分为一个中跨和两个边跨，并在受弯钢筋混凝土简支梁表面标记出中跨和两个边跨的区域范围。受弯钢筋混凝土简支梁中跨与边跨标记示意图如图3所示。
第二步是在受弯钢筋混凝土简支梁破坏以后，采用智能手机对破坏后的受弯钢筋混凝土简支梁表面存在损伤的跨度区域进行图像采集，图4(a)为中跨区域原始图像，图5(a)为边跨区域原始图像；同时记录图像中包含的区域是受弯钢筋混凝土简支梁的中跨还是边跨。
第三步是根据采集到的图像中的中跨与边跨区域标记线，将图像中的受弯钢筋混凝土简支梁中跨或边跨区域部分裁剪出来，图4(d)为裁剪出的中跨区域图像，图5(d)所示为裁剪出的边跨区域图像。
并将裁剪出的中跨或边跨区域图像的长和宽像素尺寸调整为504×376像素的整数倍。
第四步是对尺寸调整后的破坏后的受弯钢筋混凝土简支梁表面的中跨或边跨图像，采用504×376像素大小的矩形滑动窗口按照从左到右、从上到下的顺序依次进行扫描一遍。在进行扫描的过程中，当窗口滑动到某一位置时，应用步骤三中训练好的深度学习语义分割网络模型对该位置处小图像中的裂缝与剥落像素进行识别。图4(c)为对中跨区域裂缝与剥落像素扫描识别结果图像，图5(c)为对边跨区域裂缝像素扫描识别结果图像。
第五步是将第四步获得的识别结果图像的尺寸调整为第三步裁剪出的图像的原始尺寸。
对于步骤五中提取步骤四识别出的图像中的受弯钢筋混凝土简支梁正截面或斜截面破坏的特征，首先要判断步骤四中记录的采集的图像中包含的受弯钢筋混凝土简支梁表面区域的范围(中跨或边跨)。
若步骤四中采集的图像为受弯钢筋混凝土简支梁的中跨区域图像，则先对步骤四最终获得的调整为裁剪出的中跨或边跨区域部分图像尺寸后的识别结果图像中的裂缝和剥落像素区域进行形态学闭运算，再判断在梁的受拉区是否存在主裂缝以及在梁的受压区是否存在剥落损伤。在判断在梁的受拉区是否存在主裂缝时，对闭运算之后的图像中所有的受拉区裂缝连通区域逐一进行处理，计算出与每个裂缝连通区域具有相同标准二阶中心矩的椭圆的离心率。将计算出的每条裂缝的离心率按照降序排列，提取出前两个离心率对应的裂缝作为可能的主裂缝，然后分别测量两条提取出的裂缝的长度和最大宽度。如果其中一条裂缝的长度和最大宽度的数值都比另一条的大，则认为该裂缝为梁受拉区的主裂缝，否则就认为梁受拉区不存在主裂缝。在判断在梁的受压区是否存在剥落时，先从闭运算之后的图像中将剥落损伤提取出来，再对提取的剥落损伤进行闭运算并提取最大的剥落损伤的质心坐标。当质心坐标位于梁上部时则认为梁受压区存在剥落损伤，否则就认为梁受压区不存在剥落损伤。根据上述判断方法，图4(d)为中跨区域正截面破坏特征提取图像。
若步骤四中采集的图像为受弯钢筋混凝土简支梁的边跨区域图像，则先将步骤四最终获得的调整为裁剪出的中跨或边跨区域部分图像尺寸后的识别结果图像中除背景以外的像素都重置为裂缝像素，并对重置后的图像中的裂缝像素区域进行形态学闭运算，再对图像中的面积小于3600像素和离心率小于0.97的区域进行去除，获得受弯钢筋混凝土简支梁边跨区域的斜截面破坏特征提取图像，图5(d)所示为边跨区域斜截面破坏特征提取图像。采用最小二乘法，选取主斜裂缝图像的左上角为坐标原点、向右为水平轴、向下为竖直轴，对获得的主斜裂缝图像的水平和竖直方向的像素坐标进行直线拟合，计算拟合直线的斜率绝对值，作为根据裂缝计算的受弯钢筋混凝土简支梁的剪跨比。
对于步骤六中根据步骤五中识别出的正截面或斜截面的特征进行受弯钢筋混凝土简支梁的破坏模式识别，若步骤四中采集的图像为受弯钢筋混凝土简支梁的中跨区域图像，则根据步骤五的梁的受拉区是否存在主裂缝以及在梁的受压区是否存在剥落损伤的判断结果，进行受弯钢筋混凝土简支梁正截面破坏模式的识别。其中，若受拉区存在主裂缝且受压区存在剥落损伤，则识别出的受弯钢筋混凝土简支梁的破坏模式为适筋破坏；若受拉区存在主裂缝但受压区不存在剥落损伤，则识别出的受弯钢筋混凝土简支梁的破坏模式为少筋破坏；若受拉区不存在主裂缝但受压区存在剥落损伤，则识别出的受弯钢筋混凝土简支梁的破坏模式为超筋破坏。若步骤四中采集的图像为受弯钢筋混凝土简支梁的边跨区域图像，则按照步骤五中根据裂缝计算的受弯钢筋混凝土简支梁的剪跨比的范围，进行受弯钢筋混凝土简支梁斜截面破坏模式的识别。其中，若根据裂缝计算的剪跨比的范围为大于1且小于3，则识别出的受弯钢筋混凝土简支梁的破坏模式为剪压破坏；若根据裂缝计算的剪跨比的范围为大于3，则识别出的受弯钢筋混凝土简支梁的破坏模式为斜拉破坏；若根据裂缝计算的剪跨比的范围为小于1，则识别出的受弯钢筋混凝土简支梁的破坏模式为斜压破坏。

Claims (3)

1.一种基于深度学习的受弯钢筋混凝土简支梁破坏模式识别方法，其特征是：步骤如下：
S1、建立钢筋混凝土结构表面裂缝与剥落损伤语义分割数据集；
S2、构建用于钢筋混凝土结构表面裂缝与剥落损伤像素识别的深度学习语义分割全卷积网络；
S3、采用S1建立的数据集训练和验证S2构建的深度学习语义分割全卷积网络；
S4、采用S3训练和验证的深度学习语义分割全卷积网络模型进行受弯钢筋混凝土简支梁表面图像中的裂缝与剥落损伤像素识别；
S5、提取S4识别出的图像中的受弯钢筋混凝土简支梁正截面或斜截面破坏的特征；
S6、根据S5提取出的正截面或斜截面的破坏特征进行受弯钢筋混凝土简支梁的破坏模式识别；
所述S1中建立混凝土结构表面微裂纹数据集的具体步骤为：
S1.1、收集混凝土结构表面裂缝与剥落损伤的jpg格式的原始图像数据；
S1.2、在Photoshop软件中，对S1.1收集的原始图像中的裂缝与剥落损伤像素进行人工标记，制作S1.1中收集的裂缝与剥落损伤原始图像的png格式的标签图像；标签图像中，背景像素、裂缝像素与剥落像素分别用0、1和2表示；
S1.3、将S1.1收集的裂缝与剥落原始图像及与其对应的标签图像的尺寸调整为504×376像素大小；
S1.4、从S1.3调整尺寸后的裂缝与剥落原始图像及与其对应的标签图像中，随机选择80%的原始图像及与其对应的标签图像作为深度学习语义分割网络模型的训练集，剩余的80%的原始图像及与其对应的标签图像作为验证集；
所述S2中构建用于混凝土结构表面裂缝与剥落损伤像素识别的深度学习语义分割全卷积网络的具体步骤为：
S2.1、基于DenseNet-121卷积神经网络，建立用于混凝土结构表面裂缝与剥落损伤像素识别的深度学习语义分割全卷积网络；
S2.2、对建立的深度学习语义分割全卷积网络中各个层的权重和偏置参数进行初始化；
S2.3、对建立的深度学习语义分割全卷积网络的训练和验证时的学习率、动量、权重衰减超参数进行设置；
所述S3中采用S1建立的数据集训练和验证S2构建的深度学习语义分割网络的具体步骤为：
S3.1、采用S1.4建立的训练集，训练S2构建的深度学习语义分割全卷积网络；
S3.2、在S3.1深度学习语义分割全卷积网络的训练过程中，穿插验证过程，采用S1.4建立的验证集对训练过程中获得的深度学习语义分割全卷积网络模型进行验证；
所述S4中采用S3训练和验证的深度学习语义分割网络进行受弯钢筋混凝土简支梁表面图像中的裂缝与剥落损伤像素识别的具体步骤为：
S4.1、以左右支座为端点、两个集中对称荷载作用点为中间点，将受弯钢筋混凝土简支梁分为中跨和边跨，并在受弯钢筋混凝土简支梁表面标记出中跨和边跨的区域范围；
S4.2、在受弯钢筋混凝土简支梁破坏以后，采用智能手机对破坏后的受弯钢筋混凝土简支梁表面存在损伤的跨度区域进行图像采集，并对图像中包含的受弯钢筋混凝土简支梁的表面区域进行记录，所述的表面区域为：中跨或边跨；
S4.3、根据S4.1中所做的标记，将S4.2采集的破坏后的受弯钢筋混凝土简支梁表面图像中的中跨或边跨区域部分裁剪出来，并将裁剪出的中跨或边跨区域图像的长和宽像素尺寸调整为504×376像素的整数倍；
S4.4、对于S4.3中进行尺寸调整后的破坏后的受弯钢筋混凝土简支梁表面的中跨或边跨区域图像，采用504×376像素大小的矩形滑动窗口按照从左到右、从上到下的顺序依次扫描一遍；在进行扫描的过程中，当窗口滑动到某一位置时，应用S3中训练好的深度学习语义分割网络模型对该位置处小图像中的裂缝与剥落像素进行识别；识别结果中图像中，背景、裂缝与剥落像素分别用黑色、白色与绿色表示；
S4.5、将S4.4识别结果图像的尺寸，调整为S4.3中裁剪出的中跨或边跨区域部分图像的原始尺寸。
2.根据权利要求1所述的基于深度学习的受弯钢筋混凝土简支梁破坏模式识别方法，其特征是：所述S5中提取S4识别出的图像中的受弯钢筋混凝土简支梁正截面或斜截面破坏的特征的具体步骤为：
S5.1、根据S4.2中记录的采集的图像中包含的受弯钢筋混凝土简支梁表面区域的范围，所述的范围为中跨或边跨，若S4.2采集的图像为受弯钢筋混凝土简支梁的中跨区域图像，则对S4.5调整尺寸后的识别结果图像进行分析，判断在梁的受拉区是否存在主裂缝以及在梁的受压区是否存在剥落损伤；
S5.2、根据S4.2中记录的采集的图像中包含的受弯钢筋混凝土简支梁表面区域的范围，所述的范围为中跨或边跨，若S4.2采集的图像为受弯钢筋混凝土简支梁的边跨区域图像，则对S4.5调整尺寸后的识别结果图像进行分析，对识别结果图像中的裂缝的像素坐标进行直线拟合，计算拟合直线斜率的绝对值，该绝对值为根据裂缝计算的受弯钢筋混凝土简支梁的剪跨比。
3.根据权利要求2所述的基于深度学习的受弯钢筋混凝土简支梁破坏模式识别方法，其特征是：所述S6中根据S5提取出的正截面或斜截面的破坏特征进行受弯钢筋混凝土简支梁的破坏模式识别的具体步骤为：
S6.1、若S4.2采集的图像为受弯钢筋混凝土简支梁的中跨区域图像，则根据S5.1的梁的受拉区是否存在主裂缝以及在梁的受压区是否存在剥落损伤的判断结果，进行受弯钢筋混凝土简支梁正截面破坏模式的识别；
S6.2、若S4.2采集的图像为受弯钢筋混凝土简支梁的边跨区域图像，则按照S5.2中根据裂缝计算的受弯钢筋混凝土简支梁的剪跨比的范围，进行受弯钢筋混凝土简支梁斜截面破坏模式的识别。
CN202110458184.6A 2021-04-27 2021-04-27 基于深度学习的受弯钢筋混凝土简支梁破坏模式识别方法 Active CN113159052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110458184.6A CN113159052B (zh) 2021-04-27 2021-04-27 基于深度学习的受弯钢筋混凝土简支梁破坏模式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110458184.6A CN113159052B (zh) 2021-04-27 2021-04-27 基于深度学习的受弯钢筋混凝土简支梁破坏模式识别方法

Publications (2)

Publication Number Publication Date
CN113159052A CN113159052A (zh) 2021-07-23
CN113159052B true CN113159052B (zh) 2023-11-17

Family

ID=76871219

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110458184.6A Active CN113159052B (zh) 2021-04-27 2021-04-27 基于深度学习的受弯钢筋混凝土简支梁破坏模式识别方法

Country Status (1)

Country Link
CN (1) CN113159052B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114743106B (zh) * 2022-04-20 2022-11-25 中钢集团马鞍山矿山研究总院股份有限公司 一种图像批处理识别方法及系统
CN114840902B (zh) * 2022-05-19 2023-03-24 三一筑工科技股份有限公司 目标对象的绘制方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326949A (zh) * 2016-08-22 2017-01-11 招商局重庆交通科研设计院有限公司 基于rfid的桥梁工程构件定位识别巡检系统
CN212255099U (zh) * 2020-06-03 2020-12-29 江西科技学院 一种基于计算机视觉技术的混凝土试块识别设备
CN112580427A (zh) * 2020-11-05 2021-03-30 青建集团股份公司 一种连续梁火灾损伤识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10853934B2 (en) * 2018-09-19 2020-12-01 Indus.Ai Inc Patch-based scene segmentation using neural networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326949A (zh) * 2016-08-22 2017-01-11 招商局重庆交通科研设计院有限公司 基于rfid的桥梁工程构件定位识别巡检系统
CN212255099U (zh) * 2020-06-03 2020-12-29 江西科技学院 一种基于计算机视觉技术的混凝土试块识别设备
CN112580427A (zh) * 2020-11-05 2021-03-30 青建集团股份公司 一种连续梁火灾损伤识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Automatic pixel-level multiple damage detection of concrete structure using fully convolutional network;Shengyuan Li 等;《Computer-Aided Civil and Infrastructure Engineering》;第1页摘要、第3-5页2.1节、第7页3.1节、第9页第4节第2段 *
Fully Convolutional Networks for Semantic Segmentation;Jonathan Long 等;《https://arxiv.org/pdf/1411.4038.pdf》;1-10 *
三维激光扫描和动态挠度图像识别技术在大跨径桥梁线形测量中的应用;苏文明 等;《山东交通科技》;96-98、115 *
混凝土裂缝特征信息识别与辨析研究;陈绍磊;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第2014(05)期);第29页3.1节第1段、34-38页3.4.2节、40页 *

Also Published As

Publication number Publication date
CN113159052A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN108960135B (zh) 基于高分辨遥感图像的密集舰船目标精确检测方法
CN113159052B (zh) 基于深度学习的受弯钢筋混凝土简支梁破坏模式识别方法
CN105069779B (zh) 一种建筑陶瓷表面花纹图案质量检测方法
CN110097087B (zh) 一种自动钢筋捆扎位置识别方法
CN112907598B (zh) 一种基于注意力cnn文档证件类图像篡改检测方法
CN111222519B (zh) 一种层次化彩绘文物线稿提取模型构建、方法及装置
CN108460833A (zh) 一种基于bim构建传统建筑数字化保护与修复的信息平台
CN108985363A (zh) 一种基于rbpnn的钢筋混凝土桥梁裂缝分类识别方法
CN107818321A (zh) 一种用于车辆年检的水印日期识别方法
CN112964712A (zh) 一种快速检测沥青路面状态的方法
CN110929746A (zh) 一种基于深度神经网络的电子卷宗标题定位提取与分类方法
TWI332635B (en) Method for determing oriention of chinese words
CN111353396A (zh) 一种基于SCSEOCUnet的混凝土裂缝分割方法
CN115995056A (zh) 一种基于深度学习的桥梁病害自动识别方法
CN113313107A (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN115272826A (zh) 一种基于卷积神经网络的图像识别方法、装置及系统
CN105550750A (zh) 提高卷积神经网络识别精度的方法
CN117058459A (zh) 基于yolov7算法的路面病害快速检测方法及系统
CN114898215A (zh) 一种声屏障自动布置方法
CN114708190A (zh) 一种基于深度学习的道路裂缝检测评估算法
CN113159015A (zh) 一种基于迁移学习的印章识别方法
CN113762021A (zh) 一种基于循环神经网络和注意力引导机制的复杂路面裂缝检测方法
CN112767387A (zh) 一种基于分块梯度加权的木材图像自动识别方法
CN114758387B (zh) 基于单帧rgb图像的轻量级人脸反欺诈方法及装置
CN117132896B (zh) 一种建筑物开裂的检测与识别方法

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