CN114565587A - 箱梁压浆无损检测装置及方法 - Google Patents
箱梁压浆无损检测装置及方法 Download PDFInfo
- Publication number
- CN114565587A CN114565587A CN202210201799.5A CN202210201799A CN114565587A CN 114565587 A CN114565587 A CN 114565587A CN 202210201799 A CN202210201799 A CN 202210201799A CN 114565587 A CN114565587 A CN 114565587A
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- tomographic image
- equipment
- training
- 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 27
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 20
- 230000007547 defect Effects 0.000 claims abstract description 151
- 238000001514 detection method Methods 0.000 claims abstract description 65
- 230000004927 fusion Effects 0.000 claims abstract description 60
- 239000004567 concrete Substances 0.000 claims abstract description 35
- 230000000694 effects Effects 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 64
- 238000013527 convolutional neural network Methods 0.000 claims description 43
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011513 prestressed concrete Substances 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 210000002435 tendon Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种箱梁压浆无损检测装置及方法,该装置包括:摄像设备,用于获得压浆混凝土的表面图像;弹性波设备和CT设备,所述弹性波设备用于采集压浆混凝土某位置的第一断层图像,所述CT设备用于采集压浆混凝土同一位置的第二断层图像;图像融合设备,用于将表面图像、第一断层图像、第二断层图像所包含的缺陷信息进行融合,得到带有缺陷标记的特征融合数据;缺陷模型设备,用于将特征融合数据输入至缺陷检测模型,并获得缺陷检测数据;对比设备,将缺陷检测数据与缺陷标准数据进行对比,判定压浆的效果。本发明通过利用压浆混凝土的表面图像和断层图像的融合,再输入至缺陷检测模型并获得缺陷检测数据,从而使得检测过程准确。
Description
技术领域
本发明涉及压浆检测技术领域,具体地说,涉及一种箱梁压浆无损检测装置及方法。
背景技术
在预应力混凝土结构箱梁中,预应力体系的优势是建立在预应力筋与混凝土黏结完好的基础上,孔道注浆效果的好坏直接影响到整个预应力混凝土结构的安全性、可靠性和使用寿命。现有的检测方法,通常采用超声波检测或图像检测等单一方式进行,其检测精度较低。
发明内容
为达到上述目的,本发明公开了一种箱梁压浆无损检测装置及方法。
一种箱梁压浆无损检测装置,包括:
摄像设备,用于获得压浆混凝土的表面图像;
弹性波设备和CT设备,所述弹性波设备用于采集压浆混凝土某位置的第一断层图像,所述CT设备用于采集压浆混凝土同一位置的第二断层图像;
图像融合设备,用于将表面图像、第一断层图像、第二断层图像所包含的缺陷信息进行融合,得到带有缺陷标记的特征融合数据;
缺陷模型设备,用于将特征融合数据输入至缺陷检测模型,并获得缺陷检测数据;
对比设备,将缺陷检测数据与缺陷标准数据进行对比,判定压浆的效果。
作为优选的实施方式,所述图像融合设备用于对将表面图像、第一断层图像、第二断层图像进行聚类及分割;从分割后的表面图像中获取缺陷信息,并用第一边界框将缺陷信息的区域圈出来,从分割后的第一断层图像中获取缺陷信息,并用第二边界框将缺陷信息的区域圈出来,从分割后的第二断层图像中获取缺陷信息,并用第三边界框将缺陷信息的区域圈出来,将第一边界框、第二边界框、第三边界框转化为标记格式,输入至融合模型进行融合,生成特征融合数据。
作为优选的实施方式,所述融合模型采用卷积神经网络模型,卷积层包含并行的多个卷积核,每个卷积核对应一个训练通道,每个训练通道用于预测一个特征数据;将训练集输入所述卷积神经网络模型,根据每个训练通道独立训练直至满足各自的收敛条件;通过损失函数计算卷积神经网络模型的预测结果与实际数据之间的偏差;计算关于卷积核权重的梯度并对迭代训练过程中的卷积核权重进行更新,进而迭代训练卷积神经网络模型,得到包含多个训练通道的训练好的卷积神经网络模型。
作为优选的实施方式,缺陷检测模型采用以下方式获得:将历史表面图像、历史第一断层图像和历史第二断层图像作为训练集,输入至卷积神经网络模型,训练所述卷积神经网络模型,得到缺陷检测模型。
作为优选的实施方式,将历史表面图像、历史第一断层图像、历史第二断层图像和历史密度检测值作为训练集,输入至卷积神经网络模型,历史密度检测值通过历史压浆量和历史损耗量计算得到。
作为优选的实施方式,所述箱梁压浆无损检测装置还包括报警设备,当压浆的效果低于预设值时进行报警。
一种梁压浆无损检测方法,包括以下步骤:
利用摄像设备获得压浆混凝土的表面图像;
利用弹性波设备用于采集压浆混凝土某位置的第一断层图像,利用CT设备用于采集压浆混凝土同一位置的第二断层图像;
利用图像融合设备将表面图像、第一断层图像、第二断层图像所包含的缺陷信息进行融合,得到带有缺陷标记的特征融合数据;
利用缺陷模型设备将特征融合数据输入至缺陷检测模型,并获得缺陷检测数据;利用对比设备将缺陷检测数据与缺陷标准数据进行对比,判定压浆的效果。
作为优选的实施方式,所述图像融合设备用于对将表面图像、第一断层图像、第二断层图像进行聚类及分割;从分割后的表面图像中获取缺陷信息,并用第一边界框将缺陷信息的区域圈出来,从分割后的第一断层图像中获取缺陷信息,并用第二边界框将缺陷信息的区域圈出来,从分割后的第二断层图像中获取缺陷信息,并用第三边界框将缺陷信息的区域圈出来,将第一边界框、第二边界框、第三边界框转化为标记格式,输入至融合模型进行图像融合,生成特征融合数据。
作为优选的实施方式,所述融合模型采用卷积神经网络模型,卷积层包含并行的多个卷积核,每个卷积核对应一个训练通道,每个训练通道用于预测一个特征数据;将训练集输入所述卷积神经网络模型,根据每个训练通道独立训练直至满足各自的收敛条件;通过损失函数计算卷积神经网络模型的预测结果与实际数据之间的偏差;计算关于卷积核权重的梯度并对迭代训练过程中的卷积核权重进行更新,进而迭代训练卷积神经网络模型,得到包含多个训练通道的训练好的卷积神经网络模型。
作为优选的实施方式,缺陷检测模型采用以下方式获得:将历史表面图像、历史第一断层图像和历史第二断层图像作为训练集,输入至卷积神经网络模型,训练所述卷积神经网络模型,得到缺陷检测模型。
本发明的工作原理和有益效果为:本发明通过利用压浆混凝土的表面图像和断层图像的融合,从而获得压浆混凝土的表面缺陷情况和内部缺陷情况,而且使用弹性波设备和CT设备来获得李内部缺陷情况,从而使得内部缺陷情况更加准确,然后再输入至缺陷检测模型并获得缺陷检测数据,使得检测过程准确。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明提供的箱梁压浆无损检测方法的流程示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
本发明实施例提供了一种箱梁压浆无损检测装置,包括摄像设备、弹性波设备、CT设备、图像融合设备、缺陷模型设备和对比设备。
其中,摄像设备用于获得压浆混凝土的表面图像,其可设置于压浆混凝土的一侧,可获得压浆混凝土的表面缺陷情况。弹性波设备和CT设备可采用现有设备,并进行检测,其中所述弹性波设备用于采集压浆混凝土某位置的第一断层图像,所述CT设备用于采集压浆混凝土同一位置的第二断层图像,从而获得压浆混凝土内部的缺陷情况,例如缺陷的位置及大小等,而且弹性波设备和CT设备可获得压浆混凝土多个位置的图像。
图像融合设备用于将表面图像、第一断层图像、第二断层图像所包含的缺陷信息进行融合,得到带有缺陷标记的特征融合数据,通过特征融合从而获得包含表面缺陷和内部缺陷的图像集合;缺陷模型设备用于将特征融合数据输入至缺陷检测模型,并获得缺陷检测数据,即获得缺陷的位置大小等数据;对比设备将缺陷检测数据与缺陷标准数据进行对比,判定压浆的效果,并对压浆进行调整。
上述实施例通过利用压浆混凝土的表面图像和断层图像的融合,从而获得压浆混凝土的表面缺陷情况和内部缺陷情况,而且使用弹性波设备和CT设备来获得李内部缺陷情况,从而使得内部缺陷情况更加准确,然后再输入至缺陷检测模型并获得缺陷检测数据,使得检测过程准确。
作为优选的实施方式,所述图像融合设备用于对将表面图像、第一断层图像、第二断层图像进行聚类及分割;从分割后的表面图像中获取缺陷信息,并用第一边界框将缺陷信息的区域圈出来,从分割后的第一断层图像中获取缺陷信息,并用第二边界框将缺陷信息的区域圈出来,从分割后的第二断层图像中获取缺陷信息,并用第三边界框将缺陷信息的区域圈出来,将第一边界框、第二边界框、第三边界框转化为标记格式,输入至融合模型进行融合,生成特征融合数据。
其中,特征融合数据为包含表面缺陷和内部缺陷的三维特征集合,所述融合模型采用卷积神经网络模型,卷积层包含并行的多个卷积核,每个卷积核对应一个训练通道,每个训练通道用于预测一个特征数据;将训练集输入所述卷积神经网络模型,根据每个训练通道独立训练直至满足各自的收敛条件;通过损失函数计算卷积神经网络模型的预测结果与实际数据之间的偏差;计算关于卷积核权重的梯度并对迭代训练过程中的卷积核权重进行更新,进而迭代训练卷积神经网络模型,得到包含多个训练通道的训练好的卷积神经网络模型。
缺陷检测模型用于根据三维特征集合对缺陷进行预测,其可采用以下方式获得:将历史表面图像、历史第一断层图像和历史第二断层图像作为训练集,输入至卷积神经网络模型,训练所述卷积神经网络模型,得到缺陷检测模型。将历史表面图像、历史第一断层图像、历史第二断层图像和历史密度检测值作为训练集,输入至卷积神经网络模型,历史密度检测值通过历史压浆量和历史损耗量计算得到。
卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类,卷积神经网络仿造生物的视知觉机制构建其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征,利用卷积神经网络即可根据三维特征集合对缺陷进行预测。
所述箱梁压浆无损检测装置还包括报警设备,当压浆的效果低于预设值时进行报警。
如图1所示,本发明实施例还提供了一种梁压浆无损检测方法,包括以下步骤:利用摄像设备获得压浆混凝土的表面图像;利用弹性波设备用于采集压浆混凝土某位置的第一断层图像,利用CT设备用于采集压浆混凝土同一位置的第二断层图像;利用图像融合设备将表面图像、第一断层图像、第二断层图像所包含的缺陷信息进行融合,得到带有缺陷标记的特征融合数据;利用缺陷模型设备将特征融合数据输入至缺陷检测模型,并获得缺陷检测数据;利用对比设备将缺陷检测数据与缺陷标准数据进行对比,判定压浆的效果。
通过利用压浆混凝土的表面图像和断层图像的融合,从而获得压浆混凝土的表面缺陷情况和内部缺陷情况,而且使用弹性波设备和CT设备来获得李内部缺陷情况,从而使得内部缺陷情况更加准确,然后再输入至缺陷检测模型并获得缺陷检测数据,使得检测过程准确。
图像融合设备用于将表面图像、第一断层图像、第二断层图像所包含的缺陷信息进行融合,得到带有缺陷标记的特征融合数据,通过特征融合从而获得包含表面缺陷和内部缺陷的图像集合;缺陷模型设备用于将特征融合数据输入至缺陷检测模型,并获得缺陷检测数据,即获得缺陷的位置大小等数据;对比设备将缺陷检测数据与缺陷标准数据进行对比,判定压浆的效果,并对压浆进行调整。
上述实施例通过利用压浆混凝土的表面图像和断层图像的融合,从而获得压浆混凝土的表面缺陷情况和内部缺陷情况,而且使用弹性波设备和CT设备来获得李内部缺陷情况,从而使得内部缺陷情况更加准确,然后再输入至缺陷检测模型并获得缺陷检测数据,使得检测过程准确。
作为优选的实施方式,所述图像融合设备用于对将表面图像、第一断层图像、第二断层图像进行聚类及分割;从分割后的表面图像中获取缺陷信息,并用第一边界框将缺陷信息的区域圈出来,从分割后的第一断层图像中获取缺陷信息,并用第二边界框将缺陷信息的区域圈出来,从分割后的第二断层图像中获取缺陷信息,并用第三边界框将缺陷信息的区域圈出来,将第一边界框、第二边界框、第三边界框转化为标记格式,输入至融合模型进行融合,生成特征融合数据。
其中,特征融合数据为包含表面缺陷和内部缺陷的三维特征集合,所述融合模型采用卷积神经网络模型,卷积层包含并行的多个卷积核,每个卷积核对应一个训练通道,每个训练通道用于预测一个特征数据;将训练集输入所述卷积神经网络模型,根据每个训练通道独立训练直至满足各自的收敛条件;通过损失函数计算卷积神经网络模型的预测结果与实际数据之间的偏差;计算关于卷积核权重的梯度并对迭代训练过程中的卷积核权重进行更新,进而迭代训练卷积神经网络模型,得到包含多个训练通道的训练好的卷积神经网络模型。
缺陷检测模型用于根据三维特征集合对缺陷进行预测,其可采用以下方式获得:将历史表面图像、历史第一断层图像和历史第二断层图像作为训练集,输入至卷积神经网络模型,训练所述卷积神经网络模型,得到缺陷检测模型。将历史表面图像、历史第一断层图像、历史第二断层图像和历史密度检测值作为训练集,输入至卷积神经网络模型,历史密度检测值通过历史压浆量和历史损耗量计算得到。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类,卷积神经网络仿造生物的视知觉机制构建其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征,利用卷积神经网络即可根据三维特征集合对缺陷进行预测。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.箱梁压浆无损检测装置,其特征在于,包括:
摄像设备,用于获得压浆混凝土的表面图像;
弹性波设备和CT设备,所述弹性波设备用于采集压浆混凝土某位置的第一断层图像,所述CT设备用于采集压浆混凝土同一位置的第二断层图像;
图像融合设备,用于将表面图像、第一断层图像、第二断层图像所包含的缺陷信息进行融合,得到带有缺陷标记的特征融合数据;
缺陷模型设备,用于将特征融合数据输入至缺陷检测模型,并获得缺陷检测数据;
对比设备,将缺陷检测数据与缺陷标准数据进行对比,判定压浆的效果。
2.根据权利要求1所述的箱梁压浆无损检测装置,其特征在于,所述图像融合设备用于对将表面图像、第一断层图像、第二断层图像进行聚类及分割;从分割后的表面图像中获取缺陷信息,并用第一边界框将缺陷信息的区域圈出来,从分割后的第一断层图像中获取缺陷信息,并用第二边界框将缺陷信息的区域圈出来,从分割后的第二断层图像中获取缺陷信息,并用第三边界框将缺陷信息的区域圈出来,将第一边界框、第二边界框、第三边界框转化为标记格式,输入至融合模型进行融合,生成特征融合数据。
3.根据权利要求2所述的箱梁压浆无损检测装置,其特征在于,所述融合模型采用卷积神经网络模型,卷积层包含并行的多个卷积核,每个卷积核对应一个训练通道,每个训练通道用于预测一个特征数据;将训练集输入所述卷积神经网络模型,根据每个训练通道独立训练直至满足各自的收敛条件;通过损失函数计算卷积神经网络模型的预测结果与实际数据之间的偏差;计算关于卷积核权重的梯度并对迭代训练过程中的卷积核权重进行更新,进而迭代训练卷积神经网络模型,得到包含多个训练通道的训练好的卷积神经网络模型。
4.根据权利要求1所述的箱梁压浆无损检测装置,其特征在于,缺陷检测模型采用以下方式获得:将历史表面图像、历史第一断层图像和历史第二断层图像作为训练集,输入至卷积神经网络模型,训练所述卷积神经网络模型,得到缺陷检测模型。
5.根据权利要求4所述的箱梁压浆无损检测装置,其特征在于,将历史表面图像、历史第一断层图像、历史第二断层图像和历史密度检测值作为训练集,输入至卷积神经网络模型,历史密度检测值通过历史压浆量和历史损耗量计算得到。
6.根据权利要求1所述的箱梁压浆无损检测装置,其特征在于,所述箱梁压浆无损检测装置还包括报警设备,当压浆的效果低于预设值时进行报警。
7.一种梁压浆无损检测方法,其特征在于,包括以下步骤:
利用摄像设备获得压浆混凝土的表面图像;
利用弹性波设备用于采集压浆混凝土某位置的第一断层图像,利用CT设备用于采集压浆混凝土同一位置的第二断层图像;
利用图像融合设备将表面图像、第一断层图像、第二断层图像所包含的缺陷信息进行融合,得到带有缺陷标记的特征融合数据;
利用缺陷模型设备将特征融合数据输入至缺陷检测模型,并获得缺陷检测数据;利用对比设备将缺陷检测数据与缺陷标准数据进行对比,判定压浆的效果。
8.根据权利要求1所述的梁压浆无损检测方法,其特征在于,所述图像融合设备用于对将表面图像、第一断层图像、第二断层图像进行聚类及分割;从分割后的表面图像中获取缺陷信息,并用第一边界框将缺陷信息的区域圈出来,从分割后的第一断层图像中获取缺陷信息,并用第二边界框将缺陷信息的区域圈出来,从分割后的第二断层图像中获取缺陷信息,并用第三边界框将缺陷信息的区域圈出来,将第一边界框、第二边界框、第三边界框转化为标记格式,输入至融合模型进行图像融合,生成特征融合数据。
9.根据权利要求8所述的梁压浆无损检测方法,其特征在于,所述融合模型采用卷积神经网络模型,卷积层包含并行的多个卷积核,每个卷积核对应一个训练通道,每个训练通道用于预测一个特征数据;将训练集输入所述卷积神经网络模型,根据每个训练通道独立训练直至满足各自的收敛条件;通过损失函数计算卷积神经网络模型的预测结果与实际数据之间的偏差;计算关于卷积核权重的梯度并对迭代训练过程中的卷积核权重进行更新,进而迭代训练卷积神经网络模型,得到包含多个训练通道的训练好的卷积神经网络模型。
10.根据权利要求1所述的梁压浆无损检测方法,其特征在于,缺陷检测模型采用以下方式获得:将历史表面图像、历史第一断层图像和历史第二断层图像作为训练集,输入至卷积神经网络模型,训练所述卷积神经网络模型,得到缺陷检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210201799.5A CN114565587A (zh) | 2022-03-03 | 2022-03-03 | 箱梁压浆无损检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210201799.5A CN114565587A (zh) | 2022-03-03 | 2022-03-03 | 箱梁压浆无损检测装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114565587A true CN114565587A (zh) | 2022-05-31 |
Family
ID=81716931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210201799.5A Pending CN114565587A (zh) | 2022-03-03 | 2022-03-03 | 箱梁压浆无损检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565587A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564337A (zh) * | 2022-10-24 | 2023-01-03 | 南珠建材(清远)有限公司 | 一种混凝土管桩的质量评价方法及系统 |
-
2022
- 2022-03-03 CN CN202210201799.5A patent/CN114565587A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564337A (zh) * | 2022-10-24 | 2023-01-03 | 南珠建材(清远)有限公司 | 一种混凝土管桩的质量评价方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111209434B (zh) | 一种基于多源异构数据融合的变电站设备巡检系统及方法 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
KR102423561B1 (ko) | 디지털 트윈 기반 지능형 댐 안전 관리 시스템 | |
CN113256138A (zh) | 一种基于异源多尺度监测数据的洪涝灾害风险评估方法 | |
Hoang | Image Processing‐Based Spall Object Detection Using Gabor Filter, Texture Analysis, and Adaptive Moment Estimation (Adam) Optimized Logistic Regression Models | |
KR20210115246A (ko) | 3d 모델링 기반 댐 안전 관리를 위한 통합 유지보수 관제 방법 및 시스템 | |
CN110362907A (zh) | 基于ssd神经网络输电线路目标缺陷识别与诊断方法 | |
CN117371337B (zh) | 一种基于数字孪生的水利模型构建方法及系统 | |
CN114565587A (zh) | 箱梁压浆无损检测装置及方法 | |
CN117556197B (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
CN111915069A (zh) | 一种基于深度学习的轻量级有毒有害气体分布的检测方法 | |
CN111753666A (zh) | 输电线路中小目标故障检测方法、检测系统及存储介质 | |
KR102582180B1 (ko) | Ai를 활용한 소하천 스마트 예측 관리 시스템 및 그방법 | |
CN117237639A (zh) | 一种基于YOLOv8语义分割的路面裂缝检测系统 | |
KR20210115121A (ko) | 딥러닝기반 재난 안전 건축물 사용자 맞춤형 3차원 모델링 데이터셋 구축방법 | |
CN117132546A (zh) | 一种用于无缺陷样本条件下的混凝土表面缺陷检测方法 | |
CN113408816B (zh) | 一种基于深度神经网络的电网灾情评估方法 | |
CN115331136A (zh) | 一种桥梁施工用监控方法 | |
CN114596262A (zh) | 一种基于图像识别技术的大坝监测分析方法及系统 | |
CN114418945A (zh) | 一种光伏组件热斑检测方法及装置 | |
CN115176255A (zh) | 参数调整装置、推论装置、参数调整方法以及参数调整程序 | |
CN117664245B (zh) | 水坝安全实时监控系统 | |
Wang et al. | Image recognition of wind turbines blade surface defects based on mask-RCNN | |
CN116739357B (zh) | 多模态融合感知的城市既有建筑广域监测预警方法及装置 | |
Wang et al. | Photogrammetry-based computational fluid dynamics |
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 |