一种基于深度学习的混凝土结构损伤检测方法

技术领域

本发明涉及神经网络计算、混凝土结构损伤检测的技术领域，尤其涉及一种基于深度学习的混凝土结构损伤检测方法。

背景技术

混凝土作为传统的建筑材料具有应用广、施工方便、材料供应便利等诸多优点，混凝土结构高层建筑逐渐在我国兴起，但是混凝土结构的耐久性也会随着时间推移逐年下降，我国大多数的城镇建筑群落都是混凝土建筑，这些暴露于大气环境的混凝土结构受到各种因素的影响将会导致结构承载能力会有所改变，而在生产、运输、浇筑等过程中，其构件本身也有可能出现不达标的情况，一般混凝土结构的损伤检测方法是采用人工巡检方式，但目前的现有技术，效率不高，智能数据化程度低，且不少结构构件因其所处空间位置不利于一般的人工巡检，随着混凝土结构建筑的发展普及，人工巡检的方式将逐渐难以满足结构的检测需要。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于深度学习的混凝土结构损伤检测方法，能够解决当前混凝土结构损伤检测的刚需难题。

为解决上述技术问题，本发明提供如下技术方案：包括，架设摄像头拍摄被测构件，基于射线操作对所述被测构件进行放射观测，得到观测数据；预处理所述观测数据并收集历史混凝土构件损伤数据，形成观测损伤对比数据库；基于深度学习神经网络构建损伤检测模型，将所述观测数据作为所述损失检测模型的输入参数，将所述历史混凝土构件损伤数据作为对比参数进行迭代优化；分别利用洛伦兹曲线和混淆矩阵曲线对所述损伤检测模型的迭代优化进行过程评价，直至输出满足置信区间的检测数据时停止。

作为本发明所述的基于深度学习的混凝土结构损伤检测方法的一种优选方案，其中：得到所述观测数据包括，架设所述摄像头对准所述被测构件进行摄像；调整所述摄像头中相机的光圈和焦距，使得所述相机能完整清晰的观测并拍摄所述被测构件的损伤图像，将其显示于显示屏中；调整曝光时间和增益值，使所述被测构件处于被拍摄的合理位置，得到所述被测构件表面损伤的最佳图像。

作为本发明所述的基于深度学习的混凝土结构损伤检测方法的一种优选方案，其中：所述放射观测包括，基于所述射线操作通过控制终端调整无人机的方向、角度、以及射线端的电压、电流、焦点、拍摄时间参数，对所述被测构件进行所述放射观测。

作为本发明所述的基于深度学习的混凝土结构损伤检测方法的一种优选方案，其中：所述预处理包括，利用Lablemg对所述最佳图像中的损伤位置进行标注；结合损伤数据增强和图像归一化对标注进行清洗和框选处理；基于连续小波变换策略筛选处理后的数据，添加所述历史混凝土构件损伤数据，形成所述观测损伤对比数据库。

作为本发明所述的基于深度学习的混凝土结构损伤检测方法的一种优选方案，其中：构建所述损伤检测模型包括，

O

其中，∫()和g()为激活函数，U和V为参数矩阵，s

作为本发明所述的基于深度学习的混凝土结构损伤检测方法的一种优选方案，其中：利用注意力机制对所述损伤检测模型的Q值和所述观测损伤对比数据库的相似度进行加权求和，输出满足置信区间的所述检测数据，包括，比较所述Q值和所述观测损伤对比数据库的相似度；将得到的所述相似度进行归一化；计算归一化后的所述相似度的权重，对所有的观测值进行加权求和，得到经过Attention处理后的检测向量。

作为本发明所述的基于深度学习的混凝土结构损伤检测方法的一种优选方案，其中：进行所述过程评价包括，

Q＝XW

其中，W

作为本发明所述的基于深度学习的混凝土结构损伤检测方法的一种优选方案，其中：利用所述观测数据对所述被测构件进行损伤识别定位，包括，调取所述被测构件的初始化图案三维图像模型和实际空间对应模型；抽取所述初始化图案三维图像模型中多个特征点，使其代表所述被测构件的三维几何形态，并将所述多个特征点作为三维数字图像相关的基准；将基准模板在由拍摄及扫描到的图像进行语义分割，构建三维模型进行数字图像相关匹配，搜索抽取的特征点在当前三维模型中的位置，完成多特征点跟踪；对所述多特征点追踪过程进行机器学习和训练，优化追踪任务，直至特征点追踪满足要求；将所述三维模型转化为所述实际空间模型，并与初始化三维空间模型进行对比，得到所述被测构件的实际图像；根据所拍图片及射线底片成像扫描的结果，通过超声波定位方法，将无人机现所处的位置发送至终端中。

作为本发明所述的基于深度学习的混凝土结构损伤检测方法的一种优选方案，其中：将检测到的损伤识别信息进行在线监测与实时存储，包括，根据所述被测构件的监测要求制定数据采样频率和存储策略；将所述摄像头拍摄的照片及射线底片成像的扫描图片，利用以太网传回终端计算机，保存在所述计算机中；检查是否满足制定的采集策略和存储任务，循环检查，直至完成任务。

本发明的有益效果：本发明通过收集建筑混凝土结构的图像及射线成像数据和数据集标注，提升对于损伤的认知，将识别问题转化为机器视觉中的图像分类问题，通过发射探伤混凝土结构构件内部损伤与机器视觉探伤构件表面损伤相结合，对构件的检测更加全面，本发明为非接触式检测，可以避免人员放射安全问题，基于深度学习的算法，可以减小环境因素如光照等对探伤识别的干扰问题，数据实时计算处理存，实现智能化，数字化。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例所述的基于深度学习的混凝土结构损伤检测方法的流程示意图；

图2为本发明一个实施例所述的基于深度学习的混凝土结构损伤检测方法的深度学习神经网络的算法结构层示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1和图2，为本发明的第一个实施例，提供了一种基于深度学习的混凝土结构损伤检测方法，包括：

S1：架设摄像头拍摄被测构件，基于射线操作对被测构件进行放射观测，得到观测数据。其中需要说明的是，得到观测数据包括：

架设摄像头对准被测构件进行摄像；

调整摄像头中相机的光圈和焦距，使得相机能完整清晰的观测并拍摄被测构件的损伤图像，将其显示于显示屏中；

调整曝光时间和增益值，使被测构件处于被拍摄的合理位置，得到被测构件表面损伤的最佳图像。

进一步的，放射观测包括：

基于射线操作通过控制终端调整无人机的方向、角度、以及射线端的电压、电流、焦点、拍摄时间参数，对被测构件进行放射观测。

S2：预处理观测数据并收集历史混凝土构件损伤数据，形成观测损伤对比数据库。本步骤需要说明的是，预处理包括：

利用Lablemg对最佳图像中的损伤位置进行标注；

结合损伤数据增强和图像归一化对标注进行清洗和框选处理；

基于连续小波变换策略筛选处理后的数据，添加历史混凝土构件损伤数据，形成观测损伤对比数据库。

S3：基于深度学习神经网络构建损伤检测模型，将观测数据作为损失检测模型的输入参数，将历史混凝土构件损伤数据作为对比参数进行迭代优化。参照图2，其中还需要说明的是，构建损伤检测模型包括：

O

其中，∫()和g()为激活函数，U和V为参数矩阵，s

S4：分别利用洛伦兹曲线和混淆矩阵曲线对损伤检测模型的迭代优化进行过程评价，直至输出满足置信区间的检测数据时停止。本步骤还需要说明的是，

利用注意力机制对损伤检测模型的Q值和观测损伤对比数据库的相似度进行加权求和，输出满足置信区间的检测数据，包括：

比较Q值和观测损伤对比数据库的相似度；

将得到的相似度进行归一化；

计算归一化后的相似度的权重，对所有的观测值进行加权求和，得到经过Attention处理后的检测向量。

进一步的，进行过程评价包括：

Q＝XW

其中，W

优选的，本实施例还需要说明的是，利用观测数据对被测构件进行损伤识别定位，包括：

调取被测构件的初始化图案三维图像模型和实际空间对应模型；

抽取初始化图案三维图像模型中多个特征点，使其代表被测构件的三维几何形态，并将多个特征点作为三维数字图像相关的基准；

将基准模板在由拍摄及扫描到的图像进行语义分割，构建三维模型进行数字图像相关匹配，搜索抽取的特征点在当前三维模型中的位置，完成多特征点跟踪；

对多特征点追踪过程进行机器学习和训练，优化追踪任务，直至特征点追踪满足要求；

将三维模型转化为实际空间模型，并与初始化三维空间模型进行对比，得到被测构件的实际图像；

根据所拍图片及射线底片成像扫描的结果，通过超声波定位方法，将无人机现所处的位置发送至终端中。

再进一步的是，本实施例能够将检测到的损伤识别信息进行在线监测与实时存储，包括：

根据被测构件的监测要求制定数据采样频率和存储策略；

将摄像头拍摄的照片及射线底片成像的扫描图片，利用以太网传回终端计算机，保存在计算机中；

检查是否满足制定的采集策略和存储任务，循环检查，直至完成任务。

实施例2

为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例选择以传统的混凝土迁移学习识别检测方法与本发明方法进行对比测试，以科学论证的手段对比试验结果，验证本发明方法所具有的真实效果。

传统的混凝土迁移学习识别检测方法算法复杂，需要实时调整试算操作，不能离开人员，且成本较高，耗时较长，为验证本发明方法相对于传统方法具有较高的效率、较强的鲁棒性和适用性、较低的经济成本，本实施例中将采用传统的混凝土迁移学习识别检测方法和本发明方法分别对仿真平台的混凝土结构进行实时测量对比。

测试环境：(1)通过无人机搭载的摄像头拍摄混凝土结构相关图像，结合计算机进行图像预处理，获得待测样本100组；

(2)分别在MATLB仿真平台输入本发明方法的深度学习神经网络算法和传统方法的迁移学习算法的运行程序；

(3)观测显示界面输出的曲线对比信息，以表格的形式进行记录。

表1：检测误差和效率对比数据表。

参照表1，能够直观的看出，本发明方法相对于传统方法具有更为显著的有益效果，在相同的测试样本条件下，在时间效率和检测识别的准确度上都有明显的提升。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。