CN114693669A - 基于深度学习的自密实混凝土早期裂缝预测方法及装置 - Google Patents

基于深度学习的自密实混凝土早期裂缝预测方法及装置 Download PDF

Info

Publication number
CN114693669A
CN114693669A CN202210415054.9A CN202210415054A CN114693669A CN 114693669 A CN114693669 A CN 114693669A CN 202210415054 A CN202210415054 A CN 202210415054A CN 114693669 A CN114693669 A CN 114693669A
Authority
CN
China
Prior art keywords
concrete
crack
self
process video
area
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
Application number
CN202210415054.9A
Other languages
English (en)
Inventor
曾建新
白云超
聂廷武
杨柳
谢彭鑫
徐鑫
于浩洋
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.)
PowerChina Roadbridge Group Co Ltd
Original Assignee
PowerChina Roadbridge Group Co Ltd
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 PowerChina Roadbridge Group Co Ltd filed Critical PowerChina Roadbridge Group Co Ltd
Priority to CN202210415054.9A priority Critical patent/CN114693669A/zh
Publication of CN114693669A publication Critical patent/CN114693669A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于深度学习的自密实混凝土早期裂缝预测方法及装置，方法包括：获取自密实混凝土坍落扩展度测试过程视频和自密实混凝土浇筑过程视频；对自密实混凝土坍落扩展度测试过程视频和自密实混凝土浇筑过程视频进行随机抽帧获得图像输入数据；将图像输入数据输入预先训练的混凝土早期裂缝预测模型中获得裂缝混凝土抗裂性能预测结果。

Description

基于深度学习的自密实混凝土早期裂缝预测方法及装置
技术领域
本申请属于建筑技术领域，具体地讲，涉及一种基于深度学习的自密实混凝土早期裂缝预测方法及装置。
背景技术
混凝土的早期开裂问题一直是工程中存在的普遍现象，许多现浇混凝土在刚拆除模板甚至浇筑后很短时间内就出现不同程度的裂缝，主要是由温度、收缩、不均匀沉降等因素导致的裂缝。当混凝土产生裂缝，水即能渗入，即使渗入不是很深，在温度降到O℃以下时便会结冰，导致混凝土沿裂缝边缘裂开。随着冻融循环的重复，开裂现象加剧。若水份或有腐蚀性的气体顺裂缝进入混凝土到达钢筋,钢筋的锈蚀就会开始。进而锈蚀削弱了钢筋的受力截面，锈蚀的产物比钢筋占有更大的体积，产生一定的膨胀，导致混凝土裂缝继续扩展，影响钢筋与混凝土的凝结力。若水份或有腐蚀性的气体顺裂缝进入混凝土到达钢筋,钢筋的锈蚀就会开始。进而锈蚀削弱了钢筋的受力截面，锈蚀的产物比钢筋占有更大的体积，产生一定的膨胀，导致混凝土裂缝继续扩展，影响钢筋与混凝土的凝结力。同时也会加速混凝土碳化剥落，降低混凝土结构承载力。
因此，对自密实混凝土早期裂缝进行预测，有利于对混凝土结构安全进行预防，对混凝土建筑物的保证具有重要意义。
发明内容
本申请提供了一种基于深度学习的自密实混凝土早期裂缝预测方法及装置，以至少解决对自密实混凝土投入使用的后期产生的开裂情况无法进行早期预测的问题。
根据本申请的第一个方面，提供了一种基于深度学习的自密实混凝土早期裂缝预测方法，包括：
获取自密实混凝土坍落扩展度测试过程视频和自密实混凝土浇筑过程视频；
对自密实混凝土坍落扩展度测试过程视频和自密实混凝土浇筑过程视频进行随机抽帧获得图像输入数据；
将图像输入数据输入预先训练的混凝土早期裂缝预测模型中获得裂缝混凝土抗裂性能预测结果。
在一实施例中，混凝土早期裂缝预测模型的训练过程包括：
从实验中获取混凝土样本单位总开裂面积、混凝土样本对应的抗裂性能以及实验过程视频；
将实验过程视频输入预先建立的R-CNN模型和LSTM模型中分别获得混凝土空间特征和混凝土时序特征；
利用混凝土样本单位总开裂面积、混凝土样本对应的抗裂性能、混凝土空间特征和混凝土时序特征对预先建立的混凝土早期裂缝预测模型进行训练。
在一实施例中，从实验中获取混凝土样本单位总开裂面积，包括：
从实验中获取混凝土样本的总裂缝条目、每条裂缝的最大宽度、每条裂缝的长度和混凝土样本的面积；
根据总裂缝条目、每条裂缝的最大宽度和每条裂缝的长度计算获得每条裂缝的平均开裂面积；
根据总裂缝条目和混凝土样本的面积计算获得单位面积的裂缝条目数；
根据平均开裂面积和单位面积的裂缝条目数获得混凝土样本单位总开裂面积。
在一实施例中，将实验过程视频输入预先建立的R-CNN模型和LSTM模型，包括：
对实验过程视频进行随机抽帧，抽帧间隔采用随机函数进行；
将随机抽帧后获得的图像输入预先建立的R-CNN模型和LSTM模型。
在一实施例中，对自密实混凝土坍落扩展度测试过程视频和自密实混凝土浇筑过程视频进行随机抽帧获得图像输入数据，包括：
利用随机函数随机生成抽帧间隔；
按照抽帧间隔对测试过程视频和浇筑过程视频进行抽帧获得图像输入数据。
根据本申请的另一个方面，还提供了一种基于深度学习的自密实混凝土早期裂缝预测装置，包括：
视频获取单元，用于获取自密实混凝土坍落扩展度测试过程视频和自密实混凝土浇筑过程视频；
随机抽帧单元，用于对自密实混凝土坍落扩展度测试过程视频和自密实混凝土浇筑过程视频进行随机抽帧获得图像输入数据；
抗裂性能预测单元，用于将图像输入数据输入预先训练的混凝土早期裂缝预测模型中获得裂缝混凝土抗裂性能预测结果。
在一实施例中，其中的混凝土早期裂缝预测模型的训练装置包括：
训练样本获取单元，用于从实验中获取混凝土样本单位总开裂面积、混凝土样本对应的抗裂性能以及实验过程视频；
特征获取单元，用于将实验过程视频输入预先建立的R-CNN模型和LSTM模型中分别获得混凝土空间特征和混凝土时序特征；
模型训练单元，用于利用混凝土样本单位总开裂面积、混凝土样本对应的抗裂性能、混凝土空间特征和混凝土时序特征对预先建立的混凝土早期裂缝预测模型进行训练。
在一实施例中，训练样本获取单元包括：
采集模块，用于从实验中获取混凝土样本的总裂缝条目、每条裂缝的最大宽度、每条裂缝的长度和混凝土样本的面积；
平均开裂面积计算模块，用于根据总裂缝条目、每条裂缝的最大宽度和每条裂缝的长度计算获得每条裂缝的平均开裂面积；
裂缝条目数计算模块，用于根据总裂缝条目和混凝土样本的面积计算获得单位面积的裂缝条目数；
总开裂面积获取模块，用于根据平均开裂面积和单位面积的裂缝条目数获得混凝土样本单位总开裂面积。
在一实施例中，特征获取单元包括：
随机抽帧模块，用于对实验过程视频进行随机抽帧，抽帧间隔采用随机函数进行；
输入模块，用于将随机抽帧后获得的图像输入预先建立的R-CNN模型和LSTM模型。
在一实施例中，随机抽帧单元包括：
抽帧间隔生成模块，用于利用随机函数随机生成抽帧间隔；
图像输入数据获取模块，用于按照抽帧间隔对测试过程视频和浇筑过程视频进行抽帧获得图像输入数据。
对自密实混凝土可能发生的早期裂缝进行预测，有利于对混凝土结构潜在危险进行预防，对混凝土建筑物的安全保障具有重要意义。本申请通过深度学习技术建立预测模型，实时预测自密实混凝土的早期裂缝，便于自密实混凝土的配合比进行适时调整，以期增强自密实混凝土的可靠度，且不需要经过大量的实验及实验等待时间，省时省力地提供了一种快速且实时的非接触式自密实混凝土的早期裂缝预测方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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为本申请提供的一种自密实混凝土裂缝预测模型的训练过程。
图2为本申请实施例中从实验中获取混凝土样本单位总开裂面积的方法流程图。
图3为本申请实施例中实验过程视频预处理的方法流程图。
图4为本申请实施例中混凝土早期裂缝预测模型的训练结构图。
图5为本申请提供的一种基于深度学习的自密实混凝土早期裂缝预测方法。
图6为本申请实施例中随机抽帧获得图像输入数据的方法流程图。
图7为本申请提供的一种基于深度学习的自密实混凝土早期裂缝预测装置。
图8为本申请实施例中混凝土早期裂缝预测模型的训练装置的结构框图。
图9为本申请实施例中训练样本获取单元的结构框图。
图10为本申请实施例中特征获取单元的结构框图。
图11为本申请实施例中随机抽帧单元的结构框图。
图12为本申请实施例中一种电子设备的具体实施方式。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
混凝土的早期开裂问题一直是工程中存在的普遍现象，许多现浇混凝土在刚拆除模板甚至浇筑后很短时间内就出现不同程度的裂缝。混凝土的裂缝关系到建筑物的安全稳定性问题，因此，对自密实混凝土产生的早期裂缝进行预测，有利于提升建筑物的安全保障，同时可以根据自密实混凝土的裂缝问题及时改进混凝土的配比，提升混凝土的可靠性。
本申请提供了一种混凝土早期裂缝预测模型的训练方法，如图1所示，包括：
S101：从实验中获取混凝土样本单位总开裂面积、混凝土样本对应的抗裂性能以及实验过程视频。
S102：将实验过程视频输入预先建立的R-CNN模型和LSTM模型中分别获得混凝土空间特征和混凝土时序特征。
S103：利用混凝土样本单位总开裂面积、混凝土样本对应的抗裂性能、混凝土空间特征和混凝土时序特征对预先建立的混凝土早期裂缝预测模型进行训练。
在一具体实施例中，如图4所示，为混凝土早期裂缝预测模型的训练结构图，对自密实混凝土进行多次坍落扩展度实验，并根据实验中获得的混凝土样本单位总开裂面积、混凝土样本对应的抗裂性能等数据对预先建立的混凝土早期裂缝模型进行训练，抗裂性能指标按照《混凝土耐久性检验评定标准JGJ/T 193-2009》3.0.4中,刀口诱导式平板约束试验以单位面积上总开裂面积作为混凝土早早期抗开裂性能分级评价：差、较差、较好、好、很好五个等级。混凝土早期裂缝模型训练以坍落扩展度测试过程中流动混凝土的有时间顺序的图像组作为输入，以相应的早期裂缝指标作为标签进行机器学习训练。训练后获得的混凝土早期裂缝预测模型可以通过输入的混凝土空间特征、时序特征图像预测出混凝土的抗裂性能。
在一实施例中，从实验中获取混凝土样本单位总开裂面积，如图2所示，包括：
S201：从实验中获取混凝土样本的总裂缝条目、每条裂缝的最大宽度、每条裂缝的长度和混凝土样本的面积。
S202：根据总裂缝条目、每条裂缝的最大宽度和每条裂缝的长度计算获得每条裂缝的平均开裂面积。
S203：根据总裂缝条目和混凝土样本的面积计算获得单位面积的裂缝条目数。
S204：根据平均开裂面积和单位面积的裂缝条目数获得混凝土样本单位总开裂面积。
在一具体实施例中，单位面积平板总开裂面积计算方法为：
1、每条裂缝的平均开裂面积按下式计算：
Figure BDA0003604997510000061
2、单位面积的裂缝数目应按下式计算：
Figure BDA0003604997510000062
3、单位面积上的总开裂面积应按下式计算：
c＝a×b
式中：Wi——第i条裂缝的最大宽度，精确到0.01mm
Li——第i条裂缝的长度，精确到1mm
N——总裂缝数目(条)
A——平板的面积(平方米)，精确到小数点后两位
a——每条裂缝的平均开裂面积
b——单位面积的裂缝数目
c——单位面积上的总开裂面积
在一实施例中，将实验过程视频输入预先建立的R-CNN模型和LSTM模型，如图3所示，包括：
S301：对实验过程视频进行随机抽帧，抽帧间隔采用随机函数进行。
S302：将随机抽帧后获得的图像输入预先建立的R-CNN模型和LSTM模型。
在一具体实施例中，通过自密实混凝土进行坍落扩展度测试过程的图像序列预测自密实混凝土的早期裂缝，输入数据是有时间顺序的图片组。
从混凝土开始扩展流动是计算，直到混凝土扩展到最大为，整个过程进行视频采集。采集的整个视频一共X秒，视频帧数为a帧/秒，一般视频在30帧/秒左右，整个过程一共有aX张图像，将整个图像进行有序(时间顺序)的排列：
1～2～3～………………aX
对整体图像进行有序的随机抽帧来形成模型的输入数据。
随机抽帧的过程包括：
抽帧间隔在1～2～3………～9中采用随机函数进行，此后每次抽帧，都采用隔b帧抽取一张图像(b也是由随机函数确定范围在1～9，每次抽帧b都随机一次，比如第一次抽帧抽到3，第二次b随机到5，则第二次抽帧就是到8，第三次b随机到9，则第三次抽帧就是到17，以此类推进行抽帧。
在一具体实施例中，基于R-CNN模型从输入的图像中提取流动时的混凝土空间特征；基于长短期记忆模型(Long short-term memory,LSTM)从输入的图像中提取混凝土的时序特征(两个时刻以上的有序的状态)。
基于图1中方法训练的混凝土早期裂缝预测模型，本申请还提供了一种基于深度学习的自密实混凝土早期裂缝预测方法，如图5所示，包括：
S501：获取自密实混凝土坍落扩展度测试过程视频和自密实混凝土浇筑过程视频。
S502：对自密实混凝土坍落扩展度测试过程视频和自密实混凝土浇筑过程视频进行随机抽帧获得图像输入数据。
S503：将图像输入数据输入预先训练的混凝土早期裂缝预测模型中获得裂缝混凝土抗裂性能预测结果。
在一具体实施例中，将自密实混凝土的浇筑过程进行录像，并记录自密实混凝土进行坍落扩展度测试的过程。对浇筑过程的录像数据和坍落扩展度测试过程的录像数据进行抽帧，抽帧的方法具体参见上述随机抽帧过程。
在一实施例中，对自密实混凝土坍落扩展度测试过程视频和自密实混凝土浇筑过程视频进行随机抽帧获得图像输入数据，如图6所示，包括：
S601：利用随机函数随机生成抽帧间隔。
S602：按照抽帧间隔对测试过程视频和浇筑过程视频进行抽帧获得图像输入数据。
基于同一发明构思，本申请实施例还提供了一种基于深度学习的自密实混凝土早期裂缝预测装置，可以用于实现上述实施例中所描述的方法，如下面实施例所述。由于该基于深度学习的自密实混凝土早期裂缝预测装置解决问题的原理与基于深度学习的自密实混凝土早期裂缝预测方法相似，因此基于深度学习的自密实混凝土早期裂缝预测装置的实施可以参考基于深度学习的自密实混凝土早期裂缝预测方法的实施。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本申请提供了一种基于深度学习的自密实混凝土早期裂缝预测装置，如图7所示，包括：
视频获取单元701，用于获取自密实混凝土坍落扩展度测试过程视频和自密实混凝土浇筑过程视频；
随机抽帧单元702，用于对自密实混凝土坍落扩展度测试过程视频和自密实混凝土浇筑过程视频进行随机抽帧获得图像输入数据；
抗裂性能预测单元703，用于将图像输入数据输入预先训练的混凝土早期裂缝预测模型中获得裂缝混凝土抗裂性能预测结果。
在一实施例中，如图8所示，其中的混凝土早期裂缝预测模型的训练装置包括：
训练样本获取单元801，用于从实验中获取混凝土样本单位总开裂面积、混凝土样本对应的抗裂性能以及实验过程视频；
特征获取单元802，用于将实验过程视频输入预先建立的R-CNN模型和LSTM模型中分别获得混凝土空间特征和混凝土时序特征；
模型训练单元803，用于利用混凝土样本单位总开裂面积、混凝土样本对应的抗裂性能、混凝土空间特征和混凝土时序特征对预先建立的混凝土早期裂缝预测模型进行训练。
在一实施例中，如图9所示，训练样本获取单元801包括：
采集模块901，用于从实验中获取混凝土样本的总裂缝条目、每条裂缝的最大宽度、每条裂缝的长度和混凝土样本的面积；
平均开裂面积计算模块902，用于根据总裂缝条目、每条裂缝的最大宽度和每条裂缝的长度计算获得每条裂缝的平均开裂面积；
裂缝条目数计算模块903，用于根据总裂缝条目和混凝土样本的面积计算获得单位面积的裂缝条目数；
总开裂面积获取模块904，用于根据平均开裂面积和单位面积的裂缝条目数获得混凝土样本单位总开裂面积。
在一实施例中，如图10所示，特征获取单元802包括：
随机抽帧模块1001，用于对实验过程视频进行随机抽帧，抽帧间隔采用随机函数进行；
输入模块1002，用于将随机抽帧后获得的图像输入预先建立的R-CNN模型和LSTM模型。
在一实施例中，如图11所示，随机抽帧单元702包括：
抽帧间隔生成模块1101，用于利用随机函数随机生成抽帧间隔；
图像输入数据获取模块1102，用于按照抽帧间隔对测试过程视频和浇筑过程视频进行抽帧获得图像输入数据。
对自密实混凝土可能发生的早期裂缝进行预测，有利于对混凝土结构潜在危险进行预防，对混凝土建筑物的安全保障具有重要意义。本申请通过深度学习技术建立预测模型，实时预测自密实混凝土的早期裂缝，便于自密实混凝土的配合比进行适时调整，以期增强自密实混凝土的可靠度，且不需要经过大量的实验及实验等待时间，省时省力地提供了一种快速且实时的非接触式自密实混凝土的早期裂缝预测方法。
本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种电子设备的具体实施方式，参见图12，所述电子设备具体包括如下内容：
处理器(processor)1201、内存1202、通信接口(Communications Interface)1203、总线1204和非易失性存储器1205；
其中，所述处理器1201、内存1202、通信接口1203通过所述总线1204完成相互间的通信；
所述处理器1201用于调用所述内存1202和非易失性存储器1205中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
S101：从实验中获取混凝土样本单位总开裂面积、混凝土样本对应的抗裂性能以及实验过程视频。
S102：将实验过程视频输入预先建立的R-CNN模型和LSTM模型中分别获得混凝土空间特征和混凝土时序特征。
S103：利用混凝土样本单位总开裂面积、混凝土样本对应的抗裂性能、混凝土空间特征和混凝土时序特征对预先建立的混凝土早期裂缝预测模型进行训练。
本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
S101：从实验中获取混凝土样本单位总开裂面积、混凝土样本对应的抗裂性能以及实验过程视频。
S102：将实验过程视频输入预先建立的R-CNN模型和LSTM模型中分别获得混凝土空间特征和混凝土时序特征。
S103：利用混凝土样本单位总开裂面积、混凝土样本对应的抗裂性能、混凝土空间特征和混凝土时序特征对预先建立的混凝土早期裂缝预测模型进行训练。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。

Claims (12)

1.一种基于深度学习的自密实混凝土早期裂缝预测方法，其特征在于，包括：
获取自密实混凝土坍落扩展度测试过程视频和自密实混凝土浇筑过程视频；
对所述自密实混凝土坍落扩展度测试过程视频和所述自密实混凝土浇筑过程视频进行随机抽帧获得图像输入数据；
将所述图像输入数据输入预先训练的混凝土早期裂缝预测模型中获得裂缝混凝土抗裂性能预测结果。
2.根据权利要求1所述的自密实混凝土早期裂缝预测方法，其特征在于，混凝土早期裂缝预测模型的训练过程包括：
从实验中获取混凝土样本单位总开裂面积、混凝土样本对应的抗裂性能以及实验过程视频；
将所述实验过程视频输入预先建立的R-CNN模型和LSTM模型中分别获得混凝土空间特征和混凝土时序特征；
利用所述混凝土样本单位总开裂面积、混凝土样本对应的抗裂性能、混凝土空间特征和混凝土时序特征对预先建立的混凝土早期裂缝预测模型进行训练。
3.根据权利要求2所述的自密实混凝土早期裂缝预测方法，其特征在于，所述从实验中获取混凝土样本单位总开裂面积，包括：
从实验中获取混凝土样本的总裂缝条目、每条裂缝的最大宽度、每条裂缝的长度和混凝土样本的面积；
根据所述总裂缝条目、每条裂缝的最大宽度和每条裂缝的长度计算获得每条裂缝的平均开裂面积；
根据所述总裂缝条目和所述混凝土样本的面积计算获得单位面积的裂缝条目数；
根据所述平均开裂面积和单位面积的裂缝条目数获得混凝土样本单位总开裂面积。
4.根据权利要求2所述的自密实混凝土早期裂缝预测方法，其特征在于，所述将所述实验过程视频输入预先建立的R-CNN模型和LSTM模型，包括：
对所述实验过程视频进行随机抽帧，抽帧间隔采用随机函数进行；
将随机抽帧后获得的图像输入预先建立的R-CNN模型和LSTM模型。
5.根据权利要求1所述的自密实混凝土早期裂缝预测方法，其特征在于，所述对所述自密实混凝土坍落扩展度测试过程视频和所述自密实混凝土浇筑过程视频进行随机抽帧获得图像输入数据，包括：
利用随机函数随机生成抽帧间隔；
按照所述抽帧间隔对所述测试过程视频和所述浇筑过程视频进行抽帧获得图像输入数据。
6.一种基于深度学习的自密实混凝土早期裂缝预测装置，其特征在于，包括：
视频获取单元，用于获取自密实混凝土坍落扩展度测试过程视频和自密实混凝土浇筑过程视频；
随机抽帧单元，用于对所述自密实混凝土坍落扩展度测试过程视频和所述自密实混凝土浇筑过程视频进行随机抽帧获得图像输入数据；
抗裂性能预测单元，用于将所述图像输入数据输入预先训练的混凝土早期裂缝预测模型中获得裂缝混凝土抗裂性能预测结果。
7.根据权利要求6所述的自密实混凝土早期裂缝预测装置，其特征在于，其中的混凝土早期裂缝预测模型的训练装置包括：
训练样本获取单元，用于从实验中获取混凝土样本单位总开裂面积、混凝土样本对应的抗裂性能以及实验过程视频；
特征获取单元，用于将所述实验过程视频输入预先建立的R-CNN模型和LSTM模型中分别获得混凝土空间特征和混凝土时序特征；
模型训练单元，用于利用所述混凝土样本单位总开裂面积、混凝土样本对应的抗裂性能、混凝土空间特征和混凝土时序特征对预先建立的混凝土早期裂缝预测模型进行训练。
8.根据权利要求7所述的自密实混凝土早期裂缝预测装置，其特征在于，所述训练样本获取单元包括：
采集模块，用于从实验中获取混凝土样本的总裂缝条目、每条裂缝的最大宽度、每条裂缝的长度和混凝土样本的面积；
平均开裂面积计算模块，用于根据所述总裂缝条目、每条裂缝的最大宽度和每条裂缝的长度计算获得每条裂缝的平均开裂面积；
裂缝条目数计算模块，用于根据所述总裂缝条目和所述混凝土样本的面积计算获得单位面积的裂缝条目数；
总开裂面积获取模块，用于根据所述平均开裂面积和单位面积的裂缝条目数获得混凝土样本单位总开裂面积。
9.根据权利要求7所述的自密实混凝土早期裂缝预测装置，其特征在于，所述特征获取单元包括：
随机抽帧模块，用于对所述实验过程视频进行随机抽帧，抽帧间隔采用随机函数进行；
输入模块，用于将随机抽帧后获得的图像输入预先建立的R-CNN模型和LSTM模型。
10.根据权利要求6所述的自密实混凝土早期裂缝预测装置，其特征在于，所述随机抽帧单元包括：
抽帧间隔生成模块，用于利用随机函数随机生成抽帧间隔；
图像输入数据获取模块，用于按照所述抽帧间隔对所述测试过程视频和所述浇筑过程视频进行抽帧获得图像输入数据。
11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至5任一项所述的自密实混凝土早期裂缝预测方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至5任一项所述的自密实混凝土早期裂缝预测方法的步骤。
CN202210415054.9A 2022-04-20 2022-04-20 基于深度学习的自密实混凝土早期裂缝预测方法及装置 Pending CN114693669A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210415054.9A CN114693669A (zh) 2022-04-20 2022-04-20 基于深度学习的自密实混凝土早期裂缝预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210415054.9A CN114693669A (zh) 2022-04-20 2022-04-20 基于深度学习的自密实混凝土早期裂缝预测方法及装置

Publications (1)

Publication Number Publication Date
CN114693669A true CN114693669A (zh) 2022-07-01

Family

ID=82142971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210415054.9A Pending CN114693669A (zh) 2022-04-20 2022-04-20 基于深度学习的自密实混凝土早期裂缝预测方法及装置

Country Status (1)

Country Link
CN (1) CN114693669A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116389719A (zh) * 2023-06-07 2023-07-04 安元科技股份有限公司 基于轮询抽帧的视频分析抽帧送检优化系统及方法
CN117408168A (zh) * 2023-12-15 2024-01-16 中国石油大学(华东) 一种融合物理条件约束的压裂裂缝扩展快速预测方法
CN117521532A (zh) * 2024-01-05 2024-02-06 华侨大学 一种基于数值仿真的混凝土早龄期开裂风险预测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116389719A (zh) * 2023-06-07 2023-07-04 安元科技股份有限公司 基于轮询抽帧的视频分析抽帧送检优化系统及方法
CN116389719B (zh) * 2023-06-07 2023-08-15 安元科技股份有限公司 基于轮询抽帧的视频分析抽帧送检优化系统及方法
CN117408168A (zh) * 2023-12-15 2024-01-16 中国石油大学(华东) 一种融合物理条件约束的压裂裂缝扩展快速预测方法
CN117408168B (zh) * 2023-12-15 2024-03-15 中国石油大学(华东) 一种融合物理条件约束的压裂裂缝扩展快速预测方法
CN117521532A (zh) * 2024-01-05 2024-02-06 华侨大学 一种基于数值仿真的混凝土早龄期开裂风险预测方法
CN117521532B (zh) * 2024-01-05 2024-04-19 华侨大学 一种基于数值仿真的混凝土早龄期开裂风险预测方法

Similar Documents

Publication Publication Date Title
CN114693669A (zh) 基于深度学习的自密实混凝土早期裂缝预测方法及装置
Ebrahimkhanlou et al. Fractal and multifractal analysis of crack patterns in prestressed concrete girders
Pan et al. Finite-element analysis of chemical transport and reinforcement corrosion-induced cracking in variably saturated heterogeneous concrete
Zhang et al. Corrosion evolution of steel bars in RC structures based on Markov chain modeling
CN112365152A (zh) 一种输水隧洞全生命周期风险影响评估方法及系统
CN113158293A (zh) 建筑物安全性能评估方法及装置
Shakouri et al. A probabilistic framework to justify allowable admixed chloride limits in concrete
Tanaka et al. Remaining fatigue life assessment of damaged RC decks-Data assimilation of multi-scale model and site inspection
CN114239952B (zh) 一种关键性能指标的异常检测方法、装置、设备及介质
Van Coile et al. The mixed lognormal distribution for a more precise assessment of the reliability of concrete slabs exposed to fire
VASIC A multidisciplinary approach for the structural assessment of historical constructions with tie-rods
JP4604357B2 (ja) 補修コスト計算システム、補修コスト計算システムをコンピュータにより実現するためのプログラム、およびこのプログラムを記録したコンピュータ読取可能な記録媒体
Pellizzer et al. Influence of reinforcement's corrosion into hyperstatic reinforced concrete beams: a probabilistic failure scenarios analysis
CN115062393B (zh) 一种桥梁施工监测方法、装置、电子设备及介质
CN116556718A (zh) 一种建筑结构构件的修复方法、装置、设备和存储介质
Tsuda et al. Estimating markovian transition probabilities for bridge deterioration forecasting
Dubuc et al. Topological-based acoustic emission data analysis for passive corrosion monitoring in prestressed concrete structures
Podroužek et al. Spatial degradation in reliability assessment of ageing concrete structures
Miao et al. Modal analysis of a concrete highway bridge: Structural calculations and vibration-based results
Guo et al. A predictive Hidden semi-Markov Model for bridges subject to chloride-induced deterioration
Zhang et al. Estimation of load-carrying capacity of cracked RC beams using 3D digital twin model integrated with point clouds and images
Flint et al. A probabilistic framework for performance-based durability engineering
Anondho et al. Probabilistic duration calculation based on earned schedule approach
Seignol et al. A collective effort to propose practical guidance on the use of numerical models to re-assess AAR-affected structures
Izquierdo et al. Model trees and stepwise regressions for accurate in-plane shear strength predictions of partially grouted masonry walls

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