CN114677353A - 一种基于深度学习和bp神经网络的柱承载力预测方法 - Google Patents
一种基于深度学习和bp神经网络的柱承载力预测方法 Download PDFInfo
- Publication number
- CN114677353A CN114677353A CN202210311176.3A CN202210311176A CN114677353A CN 114677353 A CN114677353 A CN 114677353A CN 202210311176 A CN202210311176 A CN 202210311176A CN 114677353 A CN114677353 A CN 114677353A
- Authority
- CN
- China
- Prior art keywords
- column
- crack
- bearing capacity
- image
- reinforced concrete
- 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 45
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 239000011150 reinforced concrete Substances 0.000 claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000002787 reinforcement Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000010200 validation analysis Methods 0.000 claims description 8
- 239000004567 concrete Substances 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003763 carbonization Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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)
- 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)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习和BP神经网络的柱承载力预测方法，包括：采集钢筋混凝土柱表面图像；对采集的图像进行预处理；训练基于深度学习的Crack‑Net裂缝识别模型，分析经过预处理后的钢筋混凝土柱表面图像，进行裂缝识别，输出裂缝特征；获取钢筋混凝土柱特征；进行钢筋混凝土柱特征的合并与缩放，得到缩放后的特征集；建立基于BP神经网络的柱承载力预测模型，训练该模型，并用该模型分析特征，对柱承载力进行预测，输出柱承载力。本发明通过采集钢筋混凝土表面的图像，提升了检测效率，降低了成本；通过扫描得到柱体表面图像，能快速准确地识别钢筋混凝土柱表面裂缝的情况并对裂缝的数量和大小进行量化。
Description
技术领域
本发明涉及建筑结构工程技术领域，尤其是一种基于深度学习和BP神经网络的柱承载力预测方法。
背景技术
在现代建筑当中，钢筋混凝土柱是重要的结构承重构件，在结构设计中，柱体需要保证足够的承载力以支撑上部荷载，对于一些重要建筑需要定期检测柱体的强度，尤其是对于发生自燃灾害如地震，或者年代较长的建筑，柱体由于发生老化，混凝土碳化或者是外部破坏的原因导致承载力下降，严重影响到建筑的结构安全，造成建筑损坏。
近年来楼房垮塌是有发生，这与柱承载力下降以至于无法承受上部荷载是密不可分的。因此有必要提出科学的方法来预测柱的承载力，若发现承载力小于规范限值，即可做到及早发现及早加固，保障建筑的结构安全，保障人民的生命财产安全。现有柱承载力预测方法多采用传统公式进行拟合，采用深度学习方法较少，并且预测方法多适用于新建钢筋混凝土柱，对地震后或工作时间较长发生老化的柱体不适用，未能反映出裂缝对钢筋混凝凝土柱承载力的影响。
发明内容
本发明的目的在于提供一种能够提升检测效率，降低预测成本的基于深度学习和BP神经网络的柱承载力预测方法。
为实现上述目的，本发明采用了以下技术方案：一种基于深度学习和BP神经网络的柱承载力预测方法，该方法包括下列顺序的步骤：
(1)采集钢筋混凝土柱表面图像；
(2)对采集的图像进行预处理；
(3)训练基于深度学习的Crack-Net裂缝识别模型，并运用该模型分析经过预处理后的钢筋混凝土柱表面图像，进行裂缝识别，输出裂缝特征：包括柱裂缝置信度R，裂缝模糊面积S*和裂缝区域面积S；
(4)获取钢筋混凝土柱特征：包括柱的截面尺寸比BW、柱的长细比HB、柱的轴压比LC、柱初始承载力、混凝土强度等级CO和纵筋配筋率SO；
(5)进行钢筋混凝土柱特征的合并与缩放，得到缩放后的特征集F*；
(6)建立基于BP神经网络的柱承载力预测模型，训练基于BP神经网络的柱承载力预测模型，并用该模型分析特征，对柱承载力进行预测，输出柱承载力。
所述步骤(1)具体包括以下步骤：
(1a)采用激光扫描仪对钢筋混凝土柱的外表面进行扫描；
(1b)对于钢筋混凝土柱的每侧外表面，采用从柱顶端到柱底端的方向进行扫描得到图像T1，依次历遍每侧外表面得到图像T1、T2、T3、T4。
所述步骤(2)具体包括以下步骤：
(2a)对钢筋混凝土柱的每侧外表面的图像按顺序进行拼接，得到完整的钢筋混凝土柱外表面图像T；
(2b)对完整的钢筋混凝土柱外表面图像T采用灰度变换法，即对于图像中的RGB值，采用均值化处理，使三通道彩色图像转化为单通道灰度图像TG；
(2c)对单通道灰度图像TG进行中值滤波处理，采用3*3的采样框，对图像的每个像素点进行历遍，得到图像TW；
(2d)对于图像TW采用通过设定阈值的二值化处理，得到图像TB；
(2e)对图像TB采用连通域分析，采用8临域法历遍图像的每个像素点，进行连通域标记：采用一个3*3的采样框进行逐行采样，若像素点的像素值为255则对该像素点赋予标签值-1，若像素值为0则对该像素点赋予标签值1，并将该像素点的位置信息映射到连通域矩阵A中，历遍矩阵A中的值采用距离法判断连通域，对于连通域内像素点数量，若小于Q则舍弃该连通域，并将非连通域区域图像采用白化处理，得到图像TC，公式如下：
对于I(x1,y1)和I(x2,y2),若(x1-x2)2≤1且(y1-y2)2≤1,则连通
其中，I(x1,y1)和I(x2,y2)表示任意两个位置不同的像素点。
所述步骤(3)具体包括以下步骤：
(3a)建立用于训练模型的原始数据集D：获取钢筋混凝土柱体裂缝图像，并根据裂缝的类型进行标记，得到原始数据集D；
(3b)对原始数据集D采用翻转、平移、旋转和缩放的方法进行拓展，得到数据集Do；
(3c)对数据集Do进行预处理：进行灰度变换、滤波处理、二值化处理和连通域分析，得到数据集D*；
(3d)对数据集D*进行标记，根据裂缝的不同种类将数据集D*中的图像分为四类：水平裂缝、纵向裂缝、斜裂缝和X型裂缝，将标记后的数据集进行随机处理并均分成S份，采用交叉验证的方式进行训练，轮流选择其中的1份作为验证集，其余S-1份作为训练集，直到验证集历遍数据集D*，通过拍摄的方式获取测试集V，用来检验模型预测的准确度；
(3e)Crack-Net裂缝识别模型采用Fast RCNN模型作为深度学习网络架构，包含主干网络架构和RPN网络架构：主干网络架构具有13个卷积层，卷积核大小为3*3，13个Relu层以及4个池化层，池化核大小为2*2；RPN网络架构包括2个Reshape层，1个Softmax层，1个Proposal层以及1个池化层，通过RPN直接生成检测框用于确定裂缝的位置，根据Proposal层判定生成的检验框与真实检验框之间的差值获取偏移量，同时提出较小的或与真实检验框无交集的检验框；
(3f)对Crack-Net裂缝识别模型的训练过程包括权重调整阶段，其任务就是根据损失函数的偏差值来对参数进行调整，直到模型收敛，达到目标预测准确率，所述损失函数如下：
Lcls(yi,yi *)＝-log[yiyi *+(1-yi *)(1-yi)]
Lreg(ti,ti *)＝L1(ti-ti *)
L1(x)＝0.5x2，当|x|＜1
L1(x)＝|x|-0.5，当|x|≥1
其中，yi表示检验框预测为目标的概率，
表示真实值，i表示检验框的编号，N表示总个数，ti表示预测边框得偏移量，
表示真实偏移量，Lcls表示用于分类的损失函数，Lreg表示用于检验框回归的损失函数，α为平衡参数用于调整Lcls与Lreg之和；
所述权重调整阶段采用Adam优化器梯度下降的方法进行前向传递更新参数；
(3g)将经过图像预处理的钢筋混凝土柱表面图像输入到Crack-Net裂缝识别模型中识别裂缝，得到裂缝种类置信度R，并得到裂缝检验框的基点坐标和检验框尺寸，得到裂缝区域面积S,从连通域矩阵A中得到裂缝模糊面积S*，通过参数ε表示裂缝模糊面积S*与裂缝区域面积S的比值，参数ε通过sigmoid函数变换建立影响系数σ：
所述步骤(5)具体包括以下步骤：
(5a)将钢筋混凝土柱特征与裂缝特征进行合并得到特征集F，包括：柱裂缝置信度R、裂缝模糊面积S*、裂缝区域面积S、柱的截面尺寸比BW、柱的长细比HB、柱的轴压比LC、柱初始承载力、混凝土强度等级CO和纵筋配筋率SO；
(5b)对特征集F通过特征缩放得到缩放后的特征集F*，使每个特征参数的值在[-1,1]之间。
所述步骤(6)具体包括以下步骤：
(6a)建立基于BP神经网络的柱承载力预测模型，BP神经网络共有5层，依次为输入层、隐层a、隐层b、隐层c和输出层；
(6b)得到数据集Z，采用交叉验证法，将数据集Z均分成K份，轮流选择其中的K-1份作为训练集，剩余的一份作为验证集ZV，通过试验得到测试数据集ZT；
(6c)BP神经网络的损失函数采用平方损失函数；
(6d)采用梯度下降法对基于BP神经网络的柱承载力预测模型进行权重调整直到收敛，模型训练完毕；
(6e)将缩放后的特征集F*输入到基于BP神经网络的柱承载力预测模型的输入层进行分析，基于BP神经网络的柱承载力预测模型的输出层输出柱承载力。
由上述技术方案可知，本发明的有益效果为：第一，本发明通过采集钢筋混凝土表面的图像，提升了检测效率，降低了成本；第二，通过扫描得到柱体表面图像，能快速准确地识别钢筋混凝土柱表面裂缝的情况并对裂缝的数量和大小进行量化；第三，本发明有效建立裂缝特征、钢筋混凝土柱特征和柱承载力的关系，对地震灾害后或老化损伤的柱体的承载力进行预测，有助于及时发现钢筋混凝土柱承载力不足的问题，做到及时加固处理，保障结构安全。
附图说明
图1为本发明的方法流程图。
具体实施方式
如图1所示，一种基于深度学习和BP神经网络的柱承载力预测方法，该方法包括下列顺序的步骤：
(1)采集钢筋混凝土柱表面图像；
(2)对采集的图像进行预处理；
(3)训练基于深度学习的Crack-Net裂缝识别模型，并运用该模型分析经过预处理后的钢筋混凝土柱表面图像，进行裂缝识别，输出裂缝特征：包括柱裂缝置信度R，裂缝模糊面积S*和裂缝区域面积S；
(4)获取钢筋混凝土柱特征：包括柱的截面尺寸比BW、柱的长细比HB、柱的轴压比LC、柱初始承载力、混凝土强度等级CO和纵筋配筋率SO；
(5)进行钢筋混凝土柱特征的合并与缩放，得到缩放后的特征集F*；
(6)建立基于BP神经网络的柱承载力预测模型，训练基于BP神经网络的柱承载力预测模型，并用该模型分析特征，对柱承载力进行预测，输出柱承载力。
所述步骤(1)具体包括以下步骤：
(1a)采用激光扫描仪对钢筋混凝土柱的外表面进行扫描；
(1b)对于钢筋混凝土柱的每侧外表面，采用从柱顶端到柱底端的方向进行扫描得到图像T1，依次历遍每侧外表面得到图像T1、T2、T3、T4。
所述步骤(2)具体包括以下步骤：
(2a)对钢筋混凝土柱的每侧外表面的图像按顺序进行拼接，得到完整的钢筋混凝土柱外表面图像T；
(2b)对完整的钢筋混凝土柱外表面图像T采用灰度变换法，即对于图像中的RGB值，采用均值化处理，使三通道彩色图像转化为单通道灰度图像TG；
(2c)对单通道灰度图像TG进行中值滤波处理，采用3*3的采样框，对图像的每个像素点进行历遍，得到图像TW；
(2d)对于图像TW采用通过设定阈值的二值化处理，得到图像TB；
(2e)对图像TB采用连通域分析，采用8临域法历遍图像的每个像素点，进行连通域标记：采用一个3*3的采样框进行逐行采样，若像素点的像素值为255则对该像素点赋予标签值-1，若像素值为0则对该像素点赋予标签值1，并将该像素点的位置信息映射到连通域矩阵A中，历遍矩阵A中的值采用距离法判断连通域，对于连通域内像素点数量，若小于Q则舍弃该连通域，并将非连通域区域图像采用白化处理，得到图像TC，公式如下：
对于I(x1,y1)和I(x2,y2),若(x1-x2)2≤1且(y1-y2)2≤1,则连通
其中，I(x1,y1)和I(x2,y2)表示任意两个位置不同的像素点。
所述步骤(3)具体包括以下步骤：
(3a)建立用于训练模型的原始数据集D：获取钢筋混凝土柱体裂缝图像，并根据裂缝的类型进行标记，得到原始数据集D；
(3b)对原始数据集D采用翻转、平移、旋转和缩放的方法进行拓展，得到数据集Do；
(3c)对数据集Do进行预处理：进行灰度变换、滤波处理、二值化处理和连通域分析，得到数据集D*；
(3d)对数据集D*进行标记，根据裂缝的不同种类将数据集D*中的图像分为四类：水平裂缝、纵向裂缝、斜裂缝和X型裂缝，将标记后的数据集进行随机处理并均分成S份，采用交叉验证的方式进行训练，轮流选择其中的1份作为验证集，其余S-1份作为训练集，直到验证集历遍数据集D*，通过拍摄的方式获取测试集V，用来检验模型预测的准确度；
(3e)Crack-Net裂缝识别模型采用Fast RCNN模型作为深度学习网络架构，包含主干网络架构和RPN网络架构：主干网络架构具有13个卷积层，卷积核大小为3*3，13个Relu层以及4个池化层，池化核大小为2*2；RPN网络架构包括2个Reshape层，1个Softmax层，1个Proposal层以及1个池化层，通过RPN直接生成检测框用于确定裂缝的位置，根据Proposal层判定生成的检验框与真实检验框之间的差值获取偏移量，同时提出较小的或与真实检验框无交集的检验框；
(3f)对Crack-Net裂缝识别模型的训练过程包括权重调整阶段，其任务就是根据损失函数的偏差值来对参数进行调整，直到模型收敛，达到目标预测准确率，所述损失函数如下：
Lcls(yi,yi *)＝-log[yiyi *+(1-yi *)(1-yi)]
Lreg(ti,ti *)＝L1(ti-ti *)
L1(x)＝0.5x2，当|x|＜1
L1(x)＝|x|-0.5，当|x|≥1
其中，yi表示检验框预测为目标的概率，
表示真实值，i表示检验框的编号，N表示总个数，ti表示预测边框得偏移量，
表示真实偏移量，Lcls表示用于分类的损失函数，Lreg表示用于检验框回归的损失函数，α为平衡参数用于调整Lcls与Lreg之和；
所述权重调整阶段采用Adam优化器梯度下降的方法进行前向传递更新参数；
(3g)将经过图像预处理的钢筋混凝土柱表面图像输入到Crack-Net裂缝识别模型中识别裂缝，得到裂缝种类置信度R，并得到裂缝检验框的基点坐标和检验框尺寸，得到裂缝区域面积S,从连通域矩阵A中得到裂缝模糊面积S*，通过参数ε表示裂缝模糊面积S*与裂缝区域面积S的比值，参数ε通过sigmoid函数变换建立影响系数σ：
由于钢筋混凝土柱体表面并不平滑，特别是在使用若干年后，表面情况复杂，导致混凝土表面疏松，产生蜂窝麻面等现象，会对裂缝识别造成干扰，基于深度学习的Crack-Net裂缝识别模型能克服这些干扰因素的影响，尽可能的降低漏检或误判的现象。Crack-Net裂缝识别模型可识别钢筋混凝土柱体裂缝，计算裂缝的长度和宽度，并识别柱体裂缝的位置。
所述步骤(5)具体包括以下步骤：
(5a)将钢筋混凝土柱特征与裂缝特征进行合并得到特征集F，包括：柱裂缝置信度R、裂缝模糊面积S*、裂缝区域面积S、影响系数σ、柱的截面尺寸比BW、柱的长细比HB、柱的轴压比LC、柱初始承载力、混凝土强度等级CO和纵筋配筋率SO；
(5b)对特征集F通过特征缩放得到缩放后的特征集F*，使每个特征参数的值在[-1,1]之间。
所述步骤(6)具体包括以下步骤：
(6a)建立基于BP神经网络的柱承载力预测模型，BP神经网络共有5层，依次为输入层、隐层a、隐层b、隐层c和输出层；
(6b)通过文献查阅和试验的方式得到数据集Z，采用交叉验证法，将数据集Z均分成K份，轮流选择其中的K-1份作为训练集，剩余的一份作为验证集ZV，通过试验得到测试数据集ZT；
(6c)BP神经网络的损失函数采用平方损失函数；
(6d)采用梯度下降法对基于BP神经网络的柱承载力预测模型进行权重调整直到收敛，模型训练完毕；
(6e)将缩放后的特征集F*输入到基于BP神经网络的柱承载力预测模型的输入层进行分析，基于BP神经网络的柱承载力预测模型的输出层输出柱承载力。
综上所述，本发明通过采集钢筋混凝土表面的图像，提升了检测效率，降低了成本；通过扫描得到柱体表面图像，能快速准确地识别钢筋混凝土柱表面裂缝的情况并对裂缝的数量和大小进行量化；本发明有效建立裂缝特征、钢筋混凝土柱特征和柱承载力的关系，对地震灾害后或老化损伤的柱体的承载力进行预测，有助于及时发现钢筋混凝土柱承载力不足的问题，做到及时加固处理，保障结构安全。
Claims (6)
1.一种基于深度学习和BP神经网络的柱承载力预测方法，其特征在于：该方法包括下列顺序的步骤：
(1)采集钢筋混凝土柱表面图像；
(2)对采集的图像进行预处理；
(3)训练基于深度学习的Crack-Net裂缝识别模型，并运用该模型分析经过预处理后的钢筋混凝土柱表面图像，进行裂缝识别，输出裂缝特征：包括柱裂缝置信度R，裂缝模糊面积S*和裂缝区域面积S；
(4)获取钢筋混凝土柱特征：包括柱的截面尺寸比BW、柱的长细比HB、柱的轴压比LC、柱初始承载力、混凝土强度等级CO和纵筋配筋率SO；
(5)进行钢筋混凝土柱特征的合并与缩放，得到缩放后的特征集F*；
(6)建立基于BP神经网络的柱承载力预测模型，训练基于BP神经网络的柱承载力预测模型，并用该模型分析特征，对柱承载力进行预测，输出柱承载力。
2.根据权利要求1所述的基于深度学习和BP神经网络的柱承载力预测方法，其特征在于：所述步骤(1)具体包括以下步骤：
(1a)采用激光扫描仪对钢筋混凝土柱的外表面进行扫描；
(1b)对于钢筋混凝土柱的每侧外表面，采用从柱顶端到柱底端的方向进行扫描得到图像T1，依次历遍每侧外表面得到图像T1、T2、T3、T4。
3.根据权利要求1所述的基于深度学习和BP神经网络的柱承载力预测方法，其特征在于：所述步骤(2)具体包括以下步骤：
(2a)对钢筋混凝土柱的每侧外表面的图像按顺序进行拼接，得到完整的钢筋混凝土柱外表面图像T；
(2b)对完整的钢筋混凝土柱外表面图像T采用灰度变换法，即对于图像中的RGB值，采用均值化处理，使三通道彩色图像转化为单通道灰度图像TG；
(2c)对单通道灰度图像TG进行中值滤波处理，采用3*3的采样框，对图像的每个像素点进行历遍，得到图像TW；
(2d)对于图像TW采用通过设定阈值的二值化处理，得到图像TB；
(2e)对图像TB采用连通域分析，采用8临域法历遍图像的每个像素点，进行连通域标记：采用一个3*3的采样框进行逐行采样，若像素点的像素值为255则对该像素点赋予标签值-1，若像素值为0则对该像素点赋予标签值1，并将该像素点的位置信息映射到连通域矩阵A中，历遍矩阵A中的值采用距离法判断连通域，对于连通域内像素点数量，若小于Q则舍弃该连通域，并将非连通域区域图像采用白化处理，得到图像TC，公式如下：
对于I(x1,y1)和I(x2,y2),若(x1-x2)2≤1且(y1-y2)2≤1,则连通
其中，I(x1,y1)和I(x2,y2)表示任意两个位置不同的像素点。
4.根据权利要求1所述的基于深度学习和BP神经网络的柱承载力预测方法，其特征在于：所述步骤(3)具体包括以下步骤：
(3a)建立用于训练模型的原始数据集D：获取钢筋混凝土柱体裂缝图像，并根据裂缝的类型进行标记，得到原始数据集D；
(3b)对原始数据集D采用翻转、平移、旋转和缩放的方法进行拓展，得到数据集Do；
(3c)对数据集Do进行预处理：进行灰度变换、滤波处理、二值化处理和连通域分析，得到数据集D*；
(3d)对数据集D*进行标记，根据裂缝的不同种类将数据集D*中的图像分为四类：水平裂缝、纵向裂缝、斜裂缝和X型裂缝，将标记后的数据集进行随机处理并均分成S份，采用交叉验证的方式进行训练，轮流选择其中的1份作为验证集，其余S-1份作为训练集，直到验证集历遍数据集D*，通过拍摄的方式获取测试集V，用来检验模型预测的准确度；
(3e)Crack-Net裂缝识别模型采用Fast RCNN模型作为深度学习网络架构，包含主干网络架构和RPN网络架构：主干网络架构具有13个卷积层，卷积核大小为3*3，13个Relu层以及4个池化层，池化核大小为2*2；RPN网络架构包括2个Reshape层，1个Softmax层，1个Proposal层以及1个池化层，通过RPN直接生成检测框用于确定裂缝的位置，根据Proposal层判定生成的检验框与真实检验框之间的差值获取偏移量，同时提出较小的或与真实检验框无交集的检验框；
(3f)对Crack-Net裂缝识别模型的训练过程包括权重调整阶段，其任务就是根据损失函数的偏差值来对参数进行调整，直到模型收敛，达到目标预测准确率，所述损失函数如下：
Lcls(yi,yi *)＝-log[yiyi *+(1-yi *)(1-yi)]
Lreg(ti,ti *)＝L1(ti-ti *)
L1(x)＝0.5x2，当|x|＜1
L1(x)＝|x|-0.5，当|x|≥1
其中，yi表示检验框预测为目标的概率，
表示真实值，i表示检验框的编号，N表示总个数，ti表示预测边框得偏移量，
表示真实偏移量，Lcls表示用于分类的损失函数，Lreg表示用于检验框回归的损失函数，α为平衡参数用于调整Lcls与Lreg之和；
所述权重调整阶段采用Adam优化器梯度下降的方法进行前向传递更新参数；
(3g)将经过图像预处理的钢筋混凝土柱表面图像输入到Crack-Net裂缝识别模型中识别裂缝，得到裂缝种类置信度R，并得到裂缝检验框的基点坐标和检验框尺寸，得到裂缝区域面积S,从连通域矩阵A中得到裂缝模糊面积S*，通过参数ε表示裂缝模糊面积S*与裂缝区域面积S的比值，参数ε通过sigmoid函数变换建立影响系数σ：
5.根据权利要求1所述的基于深度学习和BP神经网络的柱承载力预测方法，其特征在于：所述步骤(5)具体包括以下步骤：
(5a)将钢筋混凝土柱特征与裂缝特征进行合并得到特征集F，包括：柱裂缝置信度R、裂缝模糊面积S*、裂缝区域面积S、柱的截面尺寸比BW、柱的长细比HB、柱的轴压比LC、柱初始承载力、混凝土强度等级CO和纵筋配筋率SO；
(5b)对特征集F通过特征缩放得到缩放后的特征集F*，使每个特征参数的值在[-1,1]之间。
6.根据权利要求1所述的基于深度学习和BP神经网络的柱承载力预测方法，其特征在于：所述步骤(6)具体包括以下步骤：
(6a)建立基于BP神经网络的柱承载力预测模型，BP神经网络共有5层，依次为输入层、隐层a、隐层b、隐层c和输出层；
(6b)得到数据集Z，采用交叉验证法，将数据集Z均分成K份，轮流选择其中的K-1份作为训练集，剩余的一份作为验证集ZV，通过试验得到测试数据集ZT；
(6c)BP神经网络的损失函数采用平方损失函数；
(6d)采用梯度下降法对基于BP神经网络的柱承载力预测模型进行权重调整直到收敛，模型训练完毕；
(6e)将缩放后的特征集F*输入到基于BP神经网络的柱承载力预测模型的输入层进行分析，基于BP神经网络的柱承载力预测模型的输出层输出柱承载力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210311176.3A CN114677353A (zh) | 2022-03-28 | 2022-03-28 | 一种基于深度学习和bp神经网络的柱承载力预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210311176.3A CN114677353A (zh) | 2022-03-28 | 2022-03-28 | 一种基于深度学习和bp神经网络的柱承载力预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114677353A true CN114677353A (zh) | 2022-06-28 |
Family
ID=82075900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210311176.3A Pending CN114677353A (zh) | 2022-03-28 | 2022-03-28 | 一种基于深度学习和bp神经网络的柱承载力预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114677353A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116363160A (zh) * | 2023-05-30 | 2023-06-30 | 杭州脉流科技有限公司 | 基于水平集的ct灌注影像脑组织分割方法和计算机设备 |
| CN116479725A (zh) * | 2023-05-04 | 2023-07-25 | 宁波中海建材有限公司 | 混凝土质量智能化加工预测系统 |
| CN116842620A (zh) * | 2023-07-10 | 2023-10-03 | 广州交投工程检测有限公司 | 一种钢筋混凝土桥梁裂缝的智能预测方法及系统 |
| CN117763701A (zh) * | 2024-02-22 | 2024-03-26 | 四川省交通勘察设计研究院有限公司 | 一种钢拱桥钢混连接过渡面的强度预测方法及相关产品 |
| CN117792933A (zh) * | 2024-02-27 | 2024-03-29 | 南京市微驰数字科技有限公司 | 一种基于深度学习的网络流量优化方法及系统 |
-
2022
- 2022-03-28 CN CN202210311176.3A patent/CN114677353A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116479725A (zh) * | 2023-05-04 | 2023-07-25 | 宁波中海建材有限公司 | 混凝土质量智能化加工预测系统 |
| CN116479725B (zh) * | 2023-05-04 | 2023-11-10 | 紫云黔冠电力设备有限责任公司 | 混凝土质量智能化加工预测系统 |
| CN116363160A (zh) * | 2023-05-30 | 2023-06-30 | 杭州脉流科技有限公司 | 基于水平集的ct灌注影像脑组织分割方法和计算机设备 |
| CN116363160B (zh) * | 2023-05-30 | 2023-08-29 | 杭州脉流科技有限公司 | 基于水平集的ct灌注影像脑组织分割方法和计算机设备 |
| CN116842620A (zh) * | 2023-07-10 | 2023-10-03 | 广州交投工程检测有限公司 | 一种钢筋混凝土桥梁裂缝的智能预测方法及系统 |
| CN116842620B (zh) * | 2023-07-10 | 2023-12-29 | 广州交投工程检测有限公司 | 一种钢筋混凝土桥梁裂缝的智能预测方法及系统 |
| CN117763701A (zh) * | 2024-02-22 | 2024-03-26 | 四川省交通勘察设计研究院有限公司 | 一种钢拱桥钢混连接过渡面的强度预测方法及相关产品 |
| CN117763701B (zh) * | 2024-02-22 | 2024-05-07 | 四川省交通勘察设计研究院有限公司 | 一种钢拱桥钢混连接过渡面的强度预测方法及相关产品 |
| CN117792933A (zh) * | 2024-02-27 | 2024-03-29 | 南京市微驰数字科技有限公司 | 一种基于深度学习的网络流量优化方法及系统 |
| CN117792933B (zh) * | 2024-02-27 | 2024-05-03 | 南京市微驰数字科技有限公司 | 一种基于深度学习的网络流量优化方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114677353A (zh) | 一种基于深度学习和bp神经网络的柱承载力预测方法 | |
| CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
| CN111401372B (zh) | 一种扫描文档图文信息提取与鉴别的方法 | |
| Li et al. | Novel approach to pavement image segmentation based on neighboring difference histogram method | |
| CN106548182B (zh) | 基于深度学习和主成因分析的路面裂纹检测方法及装置 | |
| KR102254773B1 (ko) | 영상정보를 이용한 건물 부위별 하자의 자동 판정과 분류 시스템 및 그 방법 | |
| TWI431559B (zh) | 車牌偵測辨識方法及其系統 | |
| CN110120038B (zh) | 一种基于对抗生成网络的路面裂缝缺陷检测方法 | |
| WO2015184764A1 (zh) | 行人检测方法及装置 | |
| CN112348770A (zh) | 一种基于多分辨率卷积网络的桥梁裂缝检测方法 | |
| JP7292979B2 (ja) | 画像処理装置及び画像処理方法 | |
| CN111861978A (zh) | 基于Faster R-CNN的桥梁裂缝实例分割方法 | |
| CN106683073B (zh) | 一种车牌的检测方法及摄像机和服务器 | |
| KR101777601B1 (ko) | 초서체 또는 흘림체로 작성된 문자의 판별 방법 및 시스템 | |
| CN111079821A (zh) | 一种脱轨自动制动拉环脱落故障图像识别方法 | |
| CN113284107B (zh) | 一种引入注意力机制改进型U-net的混凝土裂缝实时检测方法 | |
| Sathya et al. | Improved image based super resolution and concrete crack prediction using pre-trained deep learning models | |
| WO2021098620A1 (zh) | 一种文件碎片分类方法及系统 | |
| CN111046760A (zh) | 一种基于域对抗网络的笔迹鉴定方法 | |
| CN114219773A (zh) | 一种桥梁裂缝检测数据集预筛选与标定方法 | |
| CN115147439B (zh) | 基于深度学习与注意力机制的混凝土裂缝分割方法及系统 | |
| 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 | |
| CN114821316A (zh) | 一种三维探地雷达裂缝病害识别方法及系统 | |
| CN105550750A (zh) | 提高卷积神经网络识别精度的方法 | |
| JP2006202209A (ja) | 画像圧縮方法および画像圧縮装置 |
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 |