CN114612395A - 一种基于Abaqus的深度学习图像批量处理与分析方法 - Google Patents
一种基于Abaqus的深度学习图像批量处理与分析方法 Download PDFInfo
- Publication number
- CN114612395A CN114612395A CN202210186049.5A CN202210186049A CN114612395A CN 114612395 A CN114612395 A CN 114612395A CN 202210186049 A CN202210186049 A CN 202210186049A CN 114612395 A CN114612395 A CN 114612395A
- Authority
- CN
- China
- Prior art keywords
- loss
- target image
- frame
- abaqus
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 title claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000006073 displacement reaction Methods 0.000 claims abstract description 10
- 238000002372 labelling Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000003672 processing method Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 201000010099 disease Diseases 0.000 claims description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims description 2
- 239000010959 steel Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Abaqus的深度学习图像批量处理与分析方法,包括以下步骤:步骤S1、建立所需检测的结构有限元模型,提取结构有限元模型的信息输入文件;步骤S2、读取信息输入文件,利用Python编制图像批量处理方法,在结构有限元模型基础上批量模拟结构内部损伤;步骤S3、将结构内部损伤全部输入到Abaqus中批量分析,得到步骤S2中结构内部损伤的表面位移与应力云图,并进行三维标注,根据经过三维标注的结构内部损伤的表面位移与应力云图建立样本库;步骤S4、基于步骤S3得到的样本库,开展目标检测神经网络模型的训练、图像识别分析,其中目标检测神经网络模型的损失函数引入三维交并比预测误差的影响,在提高图像处理效率的同时,增加了预测精度。
Description
技术领域
本发明涉及土木工程与人工智能交互技术领域,特别是一种基于Abaqus的深度学习图像批量处理与分析方法。
背景技术
随着桥梁、建筑等基建领域的快速发展,已建成结构逐渐出现许多损伤,然而结构在日常的使用阶段存在屈曲、变形、细小裂缝、内部损伤等这些缺陷,这些缺陷难以通过传统结构检测手段检测,而这些缺陷长期得不到检测,会导致结构病害加重,最终可能引发严重的事故,因此结构的安全评估手段受到越来越多的重视。
目前针对上述的损伤,随着计算机运算能力的提高和深度学习的发展,有限元方法与人工智能的结合成为了解决实际问题的先验方法。但是传统的有限元在批量模拟结构损伤进行分析时,存在效率低、耗时久等缺点,效果不尽人意。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种基于Abaqus的深度学习图像批量处理与分析方法,该方法可以对Abaqus生成的用于结构损伤分析的有限元模型进行快速批量的损伤模拟,并获取结构表面位移和应力云图的图像,从而解决传统有限元批量模拟损伤效率低、耗时久的缺点,可以广泛的应用于各种类型结构病害、损伤分析中。
本发明为解决上述技术问题采用以下技术方案:
根据本发明提出的一种基于Abaqus的深度学习图像批量处理与分析方法,包括以下步骤:
步骤S1、利用有限元软件Abaqus建立所需检测的结构有限元模型,提取结构有限元模型的信息输入文件;
步骤S2、读取步骤S1中有限元模型的信息输入文件,利用Python编制图像批量处理方法,在步骤S1中的结构有限元模型基础上批量模拟结构内部损伤;
步骤S3、将步骤S2中结构内部损伤全部输入到Abaqus中批量分析,得到步骤S2中结构内部损伤的表面位移与应力云图,并进行三维标注,根据经过三维标注的结构内部损伤的表面位移与应力云图建立样本库;
步骤S4、基于步骤S3得到的样本库,开展目标检测神经网络模型的训练、图像识别分析。
作为本发明所述的一种基于Abaqus的深度学习图像批量处理与分析方法进一步优化方案,步骤S3中,三维标注采用长方体框标注。
作为本发明所述的一种基于Abaqus的深度学习图像批量处理与分析方法进一步优化方案,步骤S2中所述的结构内部损伤根据结构类型和试验对象,分为混凝土结构开裂裂缝、钢结构疲劳裂缝以及各类型结构的病害、结构的屈曲、变形的损伤。
作为本发明所述的一种基于Abaqus的深度学习图像批量处理与分析方法进一步优化方案,目标检测神经网络模型的损失函数LOSS中引入三维交并比预测误差的影响;
损失函数LOSS具体如下:
Loss=Lossxy+Losswh+Lossoc+Lossnoc+Lossc+Lossd+LossIoU
其中,Lossxy为中心坐标预测误差,其中Losswh为宽高坐标预测误差,Lossoc为含物体边界框置信预测误差,Lossnoc为不含物体边界框的置信预测误差,Lossc为类别预测误差,Lossd为深度坐标预测误差,LossIoU为三维交并比预测误差;
其中,S2为网格的数量,B为目标图像预测框的数量,为参数,若第i个网络中第j个框负责待检测物体的预测,则取1;若第i个网络中第j个框不负责待检测物体的预测,则取0;IoU为三维交并比,为交并比真实值。
作为本发明所述的一种基于Abaqus的深度学习图像批量处理与分析方法进一步优化方案,IoU计算如下:
IoU=inter/(a1+a2-inter);
其中,inter为目标图像预测框和目标图像真值框交集的体积,目标图像真值框的体积a1=w*h*d,w为目标图像真值框的长度、h为目标图像真值框的高度,d为目标图像真值框的宽度,目标图像预测框的体积a2=w’*h’*d’,w′为目标图像预测框的长度、h′为目标图像预测框的高度,d′为目标图像预测框的宽度,inter=d[1]*d[2]*d[3],其中d[1]为x方向目标图像真值框和目标图像预测框交集的长度;d[2]为y方向目标图像真值框和目标图像预测框交集的长度;d[3]为z方向目标图像真值框和目标图像预测框交集的长度,其中,以结构长度方向为x方向;以结构宽度方向为y方向;以结构高度方向为z方向。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明利用Python与Abaqus快速调用,批量快速获得有限元损伤模拟后表面位移和应力云图的图像,开创性地利用结构表面的二维信息实现结构问题三维的定位,可用于结构损伤分析,经过三维优化的目标检测神经网络,大大提高了有限元批量分析的效率,减轻了检测的时间成本。
附图说明
图1a为传统方法示意图;
图1b为本发明方法示意图;
图2为本发明所采用的yolov1网络结构示意图;
图3为本发明利用Python对模型信息输入文件批量分析的示意图;
图4为本发明使用的三维交并比示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图及具体实施例对本发明进行详细描述。
图1a为传统方法示意图,图1b为本发明方法示意图,一种基于Abaqus的深度学习图像批量处理与分析方法,包括以下步骤:
(1)利用有限元软件Abaqus建立存在各类问题的结构有限元模型,针对不同问题完成模型搭建后提取模型的信息输入文件。
(2)读取(1)中的信息输入文件,利用Python编制图像批量处理方法,在步骤S1中的结构有限元模型基础上批量模拟结构内部损伤;图3为本发明利用Python对模型信息输入文件批量分析的示意图。
(3)将(2)中Python批量模拟结构内部损伤,全部输入到Abaqus中批量分析,得到批量模拟结构内部损伤的表面位移与应力云图,并进行三维标注,标注采用长方体框标注(三维),建立样本库;所述图像大小为2976×2217pixel(大小可根据实际情况进行调整)。
(4)将样本集按照8:1:1的比例划分为训练集、验证集和测试集(比例可根据实际情况进行调整)。
(5)采用yolov1模型,如图2所示,对批量处理后的图像进行训练,并保存训练好的yolov1模型与参数,其中yolov1网络采用Darknet-19网络模型,网络结构采用yolov1 448模型。
(6)本发明创造性的采用三维交并比的方式优化网络结构,使网络能够回归三维的边界框,从而实现对结构问题区域的三维定位,三维交并比计算方法如图4所示。
(7)利用步骤(4)中得到的具有自动识别结构问题的卷积神经网络模型,去自动识别各种类型结构表面位移/应力的图像,从而判定结构是否存在问题,并在存在问题的结构中标注问题所在的位置。
(8)训练所需的实验室条件:TITAN X显卡,Windows系统,Python语言,Pytorch深度学习框架。
(9)数据集:算法阶段为利用有限元自制的各种结构内部损伤图像数据集,主要是结构内部缺陷与裂缝以及正常状况下的图像。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围内。
Claims (5)
1.一种基于Abaqus的深度学习图像批量处理与分析方法,其特征在于,包括以下步骤:
步骤S1、利用有限元软件Abaqus建立所需检测的结构有限元模型,提取结构有限元模型的信息输入文件;
步骤S2、读取步骤S1中有限元模型的信息输入文件,利用Python编制图像批量处理方法,在步骤S1中的结构有限元模型基础上批量模拟结构内部损伤;
步骤S3、将步骤S2中结构内部损伤全部输入到Abaqus中批量分析,得到步骤S2中结构内部损伤的表面位移与应力云图,并进行三维标注,根据经过三维标注的结构内部损伤的表面位移与应力云图建立样本库;
步骤S4、基于步骤S3得到的样本库,开展目标检测神经网络模型的训练、图像识别分析。
2.根据权利要求1所述的一种基于Abaqus的深度学习图像批量处理与分析方法,其特征在于,步骤S3中,三维标注采用长方体框标注。
3.根据权利要求1所述的一种基于Abaqus的深度学习图像批量处理与分析方法,其特征在于,步骤S2中所述的结构内部损伤根据结构类型和试验对象,分为混凝土结构开裂裂缝、钢结构疲劳裂缝以及各类型结构的病害、结构的屈曲、变形的损伤。
4.根据权利要求1所述的一种基于Abaqus的深度学习图像批量处理与分析方法,其特征在于,目标检测神经网络模型的损失函数LOSS中引入三维交并比预测误差的影响;
损失函数LOSS具体如下:
Loss=Lossxy+Losswh+Lossoc+Lossnoc+Lossc+Lossd+LossIoU
其中,Lossxy为中心坐标预测误差,其中Losswh为宽高坐标预测误差,Lossoc为含物体边界框置信预测误差,Lossnoc为不含物体边界框的置信预测误差,Lossc为类别预测误差,Lossd为深度坐标预测误差,LossIoU为三维交并比预测误差;
5.根据权利要求4所述的一种基于Abaqus的深度学习图像批量处理与分析方法,其特征在于,IoU计算如下:
IoU=inter/(a1+a2-inter);
其中,inter为目标图像预测框和目标图像真值框交集的体积,目标图像真值框的体积a1=w*h*d,w为目标图像真值框的长度、h为目标图像真值框的高度,d为目标图像真值框的宽度,目标图像预测框的体积a2=w’*h’*d’,w′为目标图像预测框的长度、h′为目标图像预测框的高度,d′为目标图像预测框的宽度,inter=d[1]*d[2]*d[3],其中d[1]为x方向目标图像真值框和目标图像预测框交集的长度;d[2]为y方向目标图像真值框和目标图像预测框交集的长度;d[3]为z方向目标图像真值框和目标图像预测框交集的长度,其中,以结构长度方向为x方向;以结构宽度方向为y方向;以结构高度方向为z方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210186049.5A CN114612395B (zh) | 2022-02-28 | 2022-02-28 | 一种基于Abaqus的深度学习图像批量处理与分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210186049.5A CN114612395B (zh) | 2022-02-28 | 2022-02-28 | 一种基于Abaqus的深度学习图像批量处理与分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114612395A true CN114612395A (zh) | 2022-06-10 |
CN114612395B CN114612395B (zh) | 2024-06-14 |
Family
ID=81860075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210186049.5A Active CN114612395B (zh) | 2022-02-28 | 2022-02-28 | 一种基于Abaqus的深度学习图像批量处理与分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114612395B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108804787A (zh) * | 2018-05-26 | 2018-11-13 | 南京理工大学 | 基于批量插入内聚力单元模拟岩桥贯通的方法 |
CN113868750A (zh) * | 2021-10-20 | 2021-12-31 | 清华大学 | 基于深度机器学习的建筑地震损伤和剩余能力评价方法 |
-
2022
- 2022-02-28 CN CN202210186049.5A patent/CN114612395B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108804787A (zh) * | 2018-05-26 | 2018-11-13 | 南京理工大学 | 基于批量插入内聚力单元模拟岩桥贯通的方法 |
CN113868750A (zh) * | 2021-10-20 | 2021-12-31 | 清华大学 | 基于深度机器学习的建筑地震损伤和剩余能力评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114612395B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Spencer Jr et al. | Advances in computer vision-based civil infrastructure inspection and monitoring | |
US11417118B2 (en) | Lane line data processing method and apparatus, computer device, and storage medium | |
US11615519B2 (en) | Method and apparatus for identifying concrete crack based on video semantic segmentation technology | |
CN111563442B (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及系统 | |
Wang et al. | RENet: Rectangular convolution pyramid and edge enhancement network for salient object detection of pavement cracks | |
CN110378297B (zh) | 基于深度学习的遥感图像目标检测方法、装置、及存储介质 | |
CN113822278A (zh) | 一种无受限场景车牌识别方法 | |
CN111259736B (zh) | 一种基于深度学习的复杂环境下行人实时检测方法 | |
CN114359383A (zh) | 一种图像定位方法、装置、设备以及存储介质 | |
CN112183593A (zh) | 一种基于dssd算法的道路损伤检测方法 | |
CN115424237A (zh) | 一种基于深度学习的前向车辆识别与距离检测方法 | |
CN111738252B (zh) | 图像中的文本行检测方法、装置及计算机系统 | |
Mirzaei et al. | End-to-end point cloud-based segmentation of building members for automating dimensional quality control | |
CN114494323A (zh) | 一种障碍物检测方法、装置、设备及存储介质 | |
CN114612394B (zh) | 一种基于Yolo网络和DIC技术的混凝土内部损伤预测方法 | |
CN114612395B (zh) | 一种基于Abaqus的深度学习图像批量处理与分析方法 | |
CN111368915A (zh) | 一种图纸校对方法、装置、设备及存储介质 | |
CN111126286A (zh) | 车辆动态检测方法、装置、计算机设备及存储介质 | |
CN116051771A (zh) | 一种基于无人机倾斜摄影模型的光伏bim屋顶自动建模方法 | |
JP4458339B2 (ja) | 画像処理方法、システム及びプログラム | |
Kee et al. | Cracks identification using mask region-based denoised deformable convolutional network | |
CN117726239B (zh) | 工程质量验收实测实量方法及系统 | |
CN111553210B (zh) | 车道线检测模型的训练方法、车道线检测方法及装置 | |
Xi et al. | Automatic spacing inspection of rebar spacers on reinforcement skeletons using vision-based deep learning and computational geometry | |
TWI766376B (zh) | 鋼筋框架自動查驗系統、電腦可讀取儲存裝置及其運作方法 |
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 |