CN117011295A - 基于深度可分离卷积神经网络的uhpc预制件质量检测方法 - Google Patents
基于深度可分离卷积神经网络的uhpc预制件质量检测方法 Download PDFInfo
- Publication number
- CN117011295A CN117011295A CN202311278035.7A CN202311278035A CN117011295A CN 117011295 A CN117011295 A CN 117011295A CN 202311278035 A CN202311278035 A CN 202311278035A CN 117011295 A CN117011295 A CN 117011295A
- Authority
- CN
- China
- Prior art keywords
- neural network
- quality detection
- model
- uhpc
- convolutional neural
- 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
- 239000011374 ultra-high-performance concrete Substances 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000002156 mixing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 13
- 238000010276 construction Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 239000004567 concrete Substances 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于深度可分离卷积神经网络的UHPC预制件质量检测方法,涉及预制件试验检测领域,包括:采用图像和声波两种方式对破坏的UHPC预制件分别进行信息采集,以通过一一对应的图片样本和声波样本构建样本数据集;基于样本数据集中的训练集,采用深度可分离卷积神经网络搭建UHPC预制件的质量检测模型,并确定模型参数以及模型中神经网络的损失函数;采用测试集对质量检测模型进行验证、优化,以得到具备自动识别图片特征能力的分类器模型,将模型部署在服务器上实现对待测UHPC预制件的质量检测。本发明提供一种基于深度可分离卷积神经网络的UHPC预制件质量检测方法,用于对UHPC装配式预制件表面和内部缺陷的快速准确识别并进行评级。
Description
技术领域
本发明涉及预制件检测领域。更具体地说,本发明涉及一种基于深度可分离卷积神经网络的UHPC预制件质量检测方法。
背景技术
近年来UHPC装配式预制件因具有极高的耐久性和强度,在制造时采用模具精确控制构件的尺寸和形状,使得产品具有较高的精度和一致性等特点,在国内外得到了大力发展和推广。UHPC装配式预制件是使用超高性能混凝土(Ultra-High PerformanceConcrete,UHPC)在工厂内预先制备的构件,然后在现场进行机械组装或安装。常见的UHPC装配式预制件包括墙板、梁、柱、楼梯、桥面板和桥墩等。利用这种建筑方式可以使建筑结构更为牢固耐久,而且具有更好的防火性能和抗震性能,从而被广泛地应用于高层建筑、工业厂房和公共建筑等领域。
然而,UHPC装配式预制件在生产过程中也会遇到一些常见的问题和挑战,对于装配式HUPC结构而言,预制构件及其连接部分的施工质量是影响整体结构抗震安全性能和长期使用性能的关键。如果处理不好,轻则引起接缝发生开裂渗漏,影响正常使用和耐久性;重则会引起连接缝传力机制失效,导致结构安全事故发生。裂缝缺陷是预制构件表面缺陷类型十分常见的一种,对于提高产品质量和降低建设成本来说,准确地进行裂缝缺陷检测具有非常重要的作用。
由于UHPC装配式预制件在运输过程或使用不同年限后的性能是实时变化的,所以在安装前或不同阶段要进行质量检测。目前主要采用人工识别检测、传感器检测进行性能检测和图像处理算法检测。然而,人工识别检测在数据采集方面需要投入巨大的人力成本和时间成本,而且容易导致数据监测不及时的情况。为此有人提出使用传感器设备进行实时监测,但是不同种类的传感器仅能采集单独的一种数据类型,因此监测装配式混凝土构件的性能指标时常常无法完全覆盖。如果需要监测全面的性能指标,就需要同时使用更多不同种类的传感器,这无疑将增加巨大的成本。图像处理算法检测方法主要针对同一材质和纹理背景图像进行裂缝检测。但目前的方法尚无法直接对彩色图像进行裂缝检测。
在已授权的发明专利【CN 115422638 A】一种装配式混凝土构件的性能预测方法中,使用机器视觉算法对装配式混凝土构件的外观损伤信息进行预测模型训练,将预测结果通过人机交互系统展现后进行重新设计。该方法仅采用单一的截面分析法构建基础数据库,只适用于推算结构的受力状态,不能用于计算结构的变形和位移,具有一定的局限性。已授权的发明专利【CN 113269718 A】一种基于深度学习的混凝土预制构件裂缝检测方法,采集裂缝图像并进行人工标注,然后搭建卷积神经网络模型进行训练、验证和测试。此方法相较于传统的人工检测方法,降低了人工成本并提高了检测的精度。但是该方法参数数量较多、计算程序极其复杂,并且不适用于移动设备和边缘计算设备。已授权发明专利【CN114813731 A】一种装配式建筑连接节点质量的智能检测方法中,使用深度学习分类模型框架,对套筒内部灌浆饱满性和钢筋插入状态的图片进行采集并进行训练。工人可直接使用单目内窥镜来拍摄套筒内部的情况并通过可视化界面进行结果判断。此方法虽操作简单但适用范围较窄,并且,此方法仅检测装配式建筑节点前期安装时的施工质量,对节点的后期损坏程度无法作出评价。遇到不同构件时还需要钻孔,容易加深制件原有的质量问题,导致检测不准确。
基于此,研究UHPC装配式预制件施工质量控制与检测技术对于保证装配式建筑的安全性、适用性和耐久性意义重大。
发明内容
本发明的一个目的是解决至少上述问题和/或缺陷,并提供至少后面将说明的优点。
为了实现本发明的这些目的和其它优点,提供了一种基于深度可分离卷积神经网络的UHPC预制件质量检测方法,包括:
步骤一,采用图像和声波两种方式对破坏的UHPC预制件分别进行信息采集,以通过一一对应的图片样本和声波样本构建样本数据集,且所述样本数据集基于UHPC预制件的破坏程度赋予类别标签,完成等级分类;
步骤二,基于样本数据集中的训练集,采用深度可分离卷积神经网络搭建UHPC预制件的质量检测模型,并确定模型参数以及模型中神经网络的损失函数;
步骤三,采用测试集对质量检测模型进行验证、优化,以得到具备自动识别图片特征能力的分类器模型,将模型部署在服务器上实现对待测UHPC预制件的质量检测。
优选的是,在步骤一中,所述样本数据集在划分成训练集和测试集之前,还包括对样本数据集中的各原始图片数据通过数据增强技术进行预处理。
优选的是,所述预处理被配置为采用灰度化加权平均法实现;
其中,在处理过程中,对RGB三分量中的灰度化调和参数分别设定为0 .30,0 .59和0 .11,则灰度化加权平均式为:
f(t)=0.30fR(t)+0.59fG(t)+0.11fB(t)
其中,f(t)表示在迭代第t次时,待识别图像f灰度化后的像素矩阵;t表示迭代次数,在选用RGB颜色空间作为模型的输入变量时,fR(t)表示迭代第t次时的红色通道像素矩阵,fG(t)表示迭代第t次时的绿色通道像素矩阵,fB(t)表示迭代第t次时的蓝色通道像素矩阵。
优选的是,在步骤一中,所述等级分类的方式是通过Sigmoid函数进行归一化分类标签的方式实现;
在采用二元交叉熵损失函数进行多分类任务训练中,其损失函数的公式如下:
其中,N p 表示训练预处理图片样本集合中的数量,N c 表示待测样品图片样本集合的数量,y i,j 为训练预处理图片i对于待测样品图片的真值,若j与i的类别标签相同则为1,不相同则为0,P i,j 为训练预处理图片i被模型预测属于类别j的概率。
优选的是,深度可分离卷积神经网络的应用方法为:
在深度卷积时,输入特征图的每个通道独立地与一个卷积核进行卷积,生成一个与输入通道数量相同的中间特征图;
将一个1x1的卷积核应用于上一步得到的中间特征图的每个通道,最终生成输出特征图完成逐点卷积。
本发明至少包括以下有益效果:本发明用于对UHPC装配式预制件表面和内部缺陷的快速准确识别并进行评级,相对于现有技术而言,通过声波采集,声波弹回的频率可以得到结构的变形和位移,因此可以解决已授权现有技术中不能用于计算结构的变形和位移的问题。
进一步地,本发明采用深度可分离卷积神经网络其优势在于显著减少了参数数量和计算复杂度,可以在保持良好性能的前提下,大大降低计算成本。因此可以解决现有技术中方法参数数量较多、计算程度极其复杂的问题。
另外,本发明采用图片与声波法能对装配式建筑全阶段进行质量检测,可以解决现有技术中仅检测装配式建筑节点前期安装时的施工质量。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明UHPC装配式预制件质量检测及方法的处理流程示意图;
图2示出了本发明的一种人机交互界面示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
一种基于深度可分离卷积神经网络的UHPC装配式预制件质量检测及方法,用于对UHPC装配式预制件表面和内部缺陷的快速准确识别并进行评级,该方法的步骤包括:
步骤一、选取市面上常用配比的UHPC试件,将试件进行不同的程度破坏,利用多图像宏观拍摄法收集若干张不同尺度的内部状态图片,同时采集对不同破坏程度的UHPC装配式预制件的声波并与上述拍摄的图像数据进行对应,将采集的含有裂缝的图像和相对应的声波图像样本进行预处理,构对预处理后的图片进行标注分类,以构造图像样本数据集。
步骤二、搭建基于深度可分离卷积神经网络的UHPC装配式预制件质量检测模型,确定模型参数、模型中采用的神经网络的损失函数,用于对采集的不同照片和声波进行聚类分析,通过外观和声波两种对应图片的联合判断,更加精确的UHPC预制件的质量问题进行判断。
在这个步骤中,先利用数据增强技术对原始图像数据集进行数据增强处理,得到增强处理后的数据集,将图像样本数据集按7:3的比例划分为训练集和测试集,首先对测试集进行ABCD四个等级分类(同一配合比下,对不同破坏程度的构件进行分类),且四个等级的分类区间由人工确定;
然后设置网络模型参数,采用二元交叉熵损失函数对训练集的预处理图像进行训练,得到优化的模型;
同时对于以上分类问题,使用Sigmoid函数进行归一化分类标签。采用二元交叉熵损失函数进行多分类任务训练,其损失函数公式如下:
其中,N p 表示训练预处理图片样本集合中的数量,N c 表示待测样品图片样本集合的数量,y i,j 为训练预处理图片i对于待测样品图片的真值,若j与i的类别标签相同则为1,不相同则为0,P i,j 为训练预处理图片i被模型预测属于类别j的概率。
步骤三、通过损失函数进行训练优化,将模型性能训练优化至最佳。
将训练好的具备自动识别图片特征能力的分类器模型部署在服务器上(手机、平板等),作为一项智能识别服务供调用。
步骤四、当工人完成图片采集后,这些图片会自动上传至服务器并调用智能识别服务进行处理,完成对检测结果的分析、统计和展示。
在实际的应用中,深度可分离卷积分为两个步骤。首先是深度卷积(DepthwiseConvolution),在这个阶段,输入特征图的每个通道独立地与一个卷积核进行卷积,生成一个与输入通道数量相同的中间特征图。然后是逐点卷积(Pointwise Convolution),这一步中,将一个1x1的卷积核应用于上一步得到的中间特征图的每个通道,最终生成输出特征图。本方案中,采用深度可分离卷积的主要优势在于显著减少了参数数量和计算复杂度,相比于普通卷积,深度可分离卷积可以在保持类似性能的前提下,大大降低计算成本。这使得深度可分离卷积非常适合用于移动设备和边缘计算设备,这些设备的计算能力和内存有限。
在具体实施时,如图1所示,本发明的工作流程如下所述:
一、将超声波检测仪进行改装,在超声波仪器的端口处安装一个可拍照的摄像头,组装成超声波检测与拍照一体化设计的便携式一体机。
二、选取市面上常用配合比的UHPC试件,将试件进行不同的程度破坏并作为样本集。利用便携式一体机收集通过图像收集和声波收集并行的方式,得到若干张不同尺度的内外部状态图片。
三、将采集的含有裂缝的外观图像和相对应的声波图像样本进行预处理,然后再进行图像样本等级分类标注,以构造图像样本数据集。为了获得较为清晰的灰度图片,本实例采用灰度化加权平均法对数据集进行预处理得到较清晰的图像。由于人眼对绿色的敏感最高,对蓝色敏感最低,所以对RGB三分量进行加权平均能得到较合理的灰度图像,故设定灰度化调和参数分别为0 .30,0 .59和0 .11,具体公式为:
f(t)=0.30fR(t)+0.59fG(t)+0.11fB(t)
其中,f(t)表示在t迭代时待识别图像f灰度化后的像素矩阵;t表示迭代次数,在选用RGB颜色空间作为模型的输入变量时,fR(t)表示迭代第t次时的红色通道像素矩阵,fG(t)表示迭代第t次时的绿色通道像素矩阵,fB(t)表示迭代第t次时的蓝色通道像素矩阵。
四、搭建基于深度可分离卷积神经网络的UHPC装配式预制件质量检测模型,确定模型参数、模型中采用的神经网络的损失函数,用于对采集的不同照片和声波聚类分析。
五、通过损失函数进行训练优化,将模型性能训练优化至最佳。将训练好的具备自动识别图片特征能力的分类器模型部署在服务器上(手机、平板等),作为一项智能识别服务供调用。
六、通过人机交互系统将性能预测结果展示出来,如图2所示的人机交互界面,人机交互界面的右侧为监测人员拍照后上传外观与声波图片,确定后进行等级评定;人机交互界面的左侧可以直接展示出性能预测模型得到的模型预测-响应图。可根据模型预测-响应图中构件性能实际值与预测值的接近度判断模型在验证集上的预测性能。
深度可分离卷积常用于轻量级神经网络的设计(如MobileNet系列),以在计算资源有限的设备上实现高效的性能。
以上方案只是一种较佳实例的说明,但并不局限于此。在实施本发明时,可以根据使用者需求进行适当的替换和/或修改。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言,可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (5)
1.一种基于深度可分离卷积神经网络的UHPC预制件质量检测方法,其特征在于,包括:
步骤一,采用图像和声波两种方式对破坏的UHPC预制件分别进行信息采集,以通过一一对应的图片样本和声波样本构建样本数据集,且所述样本数据集基于UHPC预制件的破坏程度赋予类别标签,完成等级分类;
步骤二,基于样本数据集中的训练集,采用深度可分离卷积神经网络搭建UHPC预制件的质量检测模型,并确定模型参数以及模型中神经网络的损失函数;
步骤三,采用测试集对质量检测模型进行验证、优化,以得到具备自动识别图片特征能力的分类器模型,将模型部署在服务器上实现对待测UHPC预制件的质量检测。
2.如权利要求1所述的基于深度可分离卷积神经网络的UHPC预制件质量检测方法,其特征在于,在步骤一中,所述样本数据集在划分成训练集和测试集之前,还包括对样本数据集中的各原始图片数据通过数据增强技术进行预处理。
3.如权利要求1所述的基于深度可分离卷积神经网络的UHPC预制件质量检测方法,其特征在于,所述预处理被配置为采用灰度化加权平均法实现;
其中,在处理过程中,对RGB三分量中的灰度化调和参数分别设定为0 .30,0 .59和0.11,则灰度化加权平均式为:
f(t)=0.30fR(t)+0.59fG(t)+0.11fB(t)
其中,f(t)表示在迭代第t次时,待识别图像f灰度化后的像素矩阵;t表示迭代次数,在选用RGB颜色空间作为模型的输入变量时,fR(t)表示迭代第t次时的红色通道像素矩阵,fG(t)表示迭代第t次时的绿色通道像素矩阵,fB(t)表示迭代第t次时的蓝色通道像素矩阵。
4.如权利要求1所述的基于深度可分离卷积神经网络的UHPC预制件质量检测方法,其特征在于,在步骤一中,所述等级分类的方式是通过Sigmoid函数进行归一化分类标签的方式实现;
在采用二元交叉熵损失函数进行多分类任务训练中,其损失函数的公式如下:
其中,N p 表示训练预处理图片样本集合中的数量,N c 表示待测样品图片样本集合的数量,y i,j 为训练预处理图片i对于待测样品图片的真值,若j与i的类别标签相同则为1,不相同则为0,P i,j 为训练预处理图片i被模型预测属于类别j的概率。
5.如权利要求1所述的基于深度可分离卷积神经网络的UHPC预制件质量检测方法,其特征在于,深度可分离卷积神经网络的应用方法为:
在深度卷积时,输入特征图的每个通道独立地与一个卷积核进行卷积,生成一个与输入通道数量相同的中间特征图;
将一个1x1的卷积核应用于上一步得到的中间特征图的每个通道,最终生成输出特征图完成逐点卷积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311278035.7A CN117011295B (zh) | 2023-10-07 | 2023-10-07 | 基于深度可分离卷积神经网络的uhpc预制件质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311278035.7A CN117011295B (zh) | 2023-10-07 | 2023-10-07 | 基于深度可分离卷积神经网络的uhpc预制件质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117011295A true CN117011295A (zh) | 2023-11-07 |
CN117011295B CN117011295B (zh) | 2024-01-23 |
Family
ID=88571306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311278035.7A Active CN117011295B (zh) | 2023-10-07 | 2023-10-07 | 基于深度可分离卷积神经网络的uhpc预制件质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117011295B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495210A (zh) * | 2024-01-02 | 2024-02-02 | 衡水烨通建设工程有限公司 | 公路混凝土施工质量管理系统 |
CN117491142A (zh) * | 2024-01-02 | 2024-02-02 | 西南科技大学 | 快速检测花岗岩颗粒表面破碎特征的方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090229363A1 (en) * | 2006-06-02 | 2009-09-17 | Bam Bundesanstalt Fur Material-Forschung Und- Prufung | Method for Detecting and Classifying Defects in Building Components by Means of Ultrasound |
CN110175658A (zh) * | 2019-06-26 | 2019-08-27 | 浙江大学 | 一种基于YOLOv3深度学习的混凝土裂缝识别方法 |
US20200175352A1 (en) * | 2017-03-14 | 2020-06-04 | University Of Manitoba | Structure defect detection using machine learning algorithms |
CN111458357A (zh) * | 2020-04-21 | 2020-07-28 | 江苏省建筑工程质量检测中心有限公司 | 一种装配式混凝土结构大型竖向节点施工质量的无损检测系统及检测方法 |
CN111724358A (zh) * | 2020-06-11 | 2020-09-29 | 华中科技大学 | 基于图像和卷积神经网络的混凝土质量检测方法及系统 |
CN113096085A (zh) * | 2021-04-01 | 2021-07-09 | 武汉理工大学 | 基于两阶段卷积神经网络的集装箱表面损伤检测方法 |
KR102279142B1 (ko) * | 2020-12-30 | 2021-07-20 | (주)이피에스엔지니어링 | 초음파 탐상기법을 이용한 콘크리트배관의 결함 검출방법 |
CN113269718A (zh) * | 2021-04-15 | 2021-08-17 | 安徽大学 | 一种基于深度学习的混凝土预制构件裂缝检测方法 |
CN113536924A (zh) * | 2021-06-14 | 2021-10-22 | 河海大学 | 一种钢纤维混凝土结构内部损伤类型检测方法 |
CN115165910A (zh) * | 2022-06-13 | 2022-10-11 | 上海建工集团股份有限公司 | 一种基于图像识别的混凝土表观质量缺陷检测系统及方法 |
CN115356397A (zh) * | 2022-08-23 | 2022-11-18 | 福建农林大学 | 基于声音信号的钢管混凝土结构脱空缺陷诊断方法及装置 |
CN115661032A (zh) * | 2022-09-22 | 2023-01-31 | 北京工业大学 | 一种适用于复杂背景的路面病害智能检测方法 |
CN116029555A (zh) * | 2023-03-22 | 2023-04-28 | 西南科技大学 | 基于轻量化神经网络的桥梁风险识别预警系统及应用方法 |
-
2023
- 2023-10-07 CN CN202311278035.7A patent/CN117011295B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090229363A1 (en) * | 2006-06-02 | 2009-09-17 | Bam Bundesanstalt Fur Material-Forschung Und- Prufung | Method for Detecting and Classifying Defects in Building Components by Means of Ultrasound |
US20200175352A1 (en) * | 2017-03-14 | 2020-06-04 | University Of Manitoba | Structure defect detection using machine learning algorithms |
CN110175658A (zh) * | 2019-06-26 | 2019-08-27 | 浙江大学 | 一种基于YOLOv3深度学习的混凝土裂缝识别方法 |
CN111458357A (zh) * | 2020-04-21 | 2020-07-28 | 江苏省建筑工程质量检测中心有限公司 | 一种装配式混凝土结构大型竖向节点施工质量的无损检测系统及检测方法 |
CN111724358A (zh) * | 2020-06-11 | 2020-09-29 | 华中科技大学 | 基于图像和卷积神经网络的混凝土质量检测方法及系统 |
KR102279142B1 (ko) * | 2020-12-30 | 2021-07-20 | (주)이피에스엔지니어링 | 초음파 탐상기법을 이용한 콘크리트배관의 결함 검출방법 |
CN113096085A (zh) * | 2021-04-01 | 2021-07-09 | 武汉理工大学 | 基于两阶段卷积神经网络的集装箱表面损伤检测方法 |
CN113269718A (zh) * | 2021-04-15 | 2021-08-17 | 安徽大学 | 一种基于深度学习的混凝土预制构件裂缝检测方法 |
CN113536924A (zh) * | 2021-06-14 | 2021-10-22 | 河海大学 | 一种钢纤维混凝土结构内部损伤类型检测方法 |
CN115165910A (zh) * | 2022-06-13 | 2022-10-11 | 上海建工集团股份有限公司 | 一种基于图像识别的混凝土表观质量缺陷检测系统及方法 |
CN115356397A (zh) * | 2022-08-23 | 2022-11-18 | 福建农林大学 | 基于声音信号的钢管混凝土结构脱空缺陷诊断方法及装置 |
CN115661032A (zh) * | 2022-09-22 | 2023-01-31 | 北京工业大学 | 一种适用于复杂背景的路面病害智能检测方法 |
CN116029555A (zh) * | 2023-03-22 | 2023-04-28 | 西南科技大学 | 基于轻量化神经网络的桥梁风险识别预警系统及应用方法 |
Non-Patent Citations (5)
Title |
---|
HAI LIU等: "Reverse time migration of acoustic waves for imaging based defects detection for concrete and CFST structures", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》, vol. 117, pages 210 - 220 * |
余凯: "钻孔声波及全景图像在灌浆质量检测中的应用", 《价值工程》, vol. 37, no. 26, pages 150 - 151 * |
宋雄彬等: "基于相控阵超声成像法的装配式钢筋混凝土构件缺陷检测技术应用研究", 《广州建筑》, vol. 55, no. 1, pages 38 - 43 * |
李丹等: "玄武岩纤维混凝土抗弯冲击的声发射特性研究", 《武汉理工大学学报》, vol. 35, no. 4, pages 84 - 89 * |
蒋剑等: "水下桥墩体内缺陷检测与定位的方法研究", 《中国测试》, vol. 44, no. 9, pages 29 - 34 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495210A (zh) * | 2024-01-02 | 2024-02-02 | 衡水烨通建设工程有限公司 | 公路混凝土施工质量管理系统 |
CN117491142A (zh) * | 2024-01-02 | 2024-02-02 | 西南科技大学 | 快速检测花岗岩颗粒表面破碎特征的方法 |
CN117495210B (zh) * | 2024-01-02 | 2024-03-12 | 衡水烨通建设工程有限公司 | 公路混凝土施工质量管理系统 |
CN117491142B (zh) * | 2024-01-02 | 2024-03-12 | 西南科技大学 | 快速检测花岗岩颗粒表面破碎特征的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117011295B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117011295B (zh) | 基于深度可分离卷积神经网络的uhpc预制件质量检测方法 | |
CN107480611B (zh) | 一种基于深度学习卷积神经网络的裂缝识别方法 | |
WO2020119103A1 (zh) | 基于深度学习的航空发动机孔探图像损伤智能识别方法 | |
Chen et al. | A self organizing map optimization based image recognition and processing model for bridge crack inspection | |
CN111666617B (zh) | 基于对抗生成网络的剪力墙结构布置方法和装置 | |
CN108537215A (zh) | 一种基于图像目标检测的火焰检测方法 | |
CN113868750B (zh) | 基于深度机器学习的建筑地震损伤和剩余能力评价方法 | |
CN111127449A (zh) | 一种基于编码器-解码器的自动化裂缝检测方法 | |
CN112734739B (zh) | 一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法 | |
CN109948527B (zh) | 基于集成深度学习的小样本太赫兹图像异物检测方法 | |
Dogan et al. | Detection of damages caused by earthquake and reinforcement corrosion in RC buildings with Deep Transfer Learning | |
CN113158829A (zh) | 一种基于EfficientDet网络的深度学习矿石大小测量方法及预警系统 | |
KR20230056807A (ko) | 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템 및 그 방법 | |
CN111199539A (zh) | 一种基于集成神经网络的裂缝检测方法 | |
CN116861361B (zh) | 一种基于图像-文本多模态融合的大坝形变评估方法 | |
Mishra et al. | Artificial intelligence-assisted visual inspection for cultural heritage: State-of-the-art review | |
Lee et al. | Predicting Concrete Compressive Strength Using Deep Convolutional Neural Network Based on Image Characteristics. | |
CN113159052A (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 | |
CN116994066A (zh) | 一种基于改进的目标检测模型的尾绳检测系统 | |
CN116486231A (zh) | 一种基于改进YOLOv5的混凝土裂缝检测方法 | |
CN112507854B (zh) | 一种基于自适应识别网络的车间人员信息采集和识别方法 | |
CN117392043A (zh) | 一种基于深度学习的钢板表面缺陷视频检测方法及系统 | |
CN112949666B (zh) | 一种剥锌机故障阴极板图像识别方法 | |
CN111738324A (zh) | 一种基于分频卷积的多频率和多尺度融合的自动化裂缝检测方法 | |
Osman et al. | Pavement crack classification using deep convolutional neural network |
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 |