[发明专利]一种基于深度学习的混凝土结构检测方法

说明书

本发明公开了一种基于深度学习的混凝土结构检测方法，该方法通过对混凝土结构损伤图像预处理形成裂缝图像数据集；将裂缝图像数据集输入改进的神经网络中进行训练，最后再次收集混凝土结构损伤图像，经预处理输入已经训练好的改进的神经网络模型中，输出混凝土结构损伤识别的分类结果。该方法减少了神经网络对混凝土裂缝图像数量的依赖性，降低了运算成本，并保留了深度学习神经网络能够快速准确识别目标的优点，具有更强的鲁棒性和泛化能力。

技术领域

本发明涉及钢筋混凝土结构裂缝损伤检测和构件分类领域，尤其涉及一种基于深度学习的混凝土结构检测方法。

背景技术

钢筋混凝土结构广泛用于生活中的各种建筑物中，且混凝土是目前工程上用量最大的一种建筑材料。钢筋混凝土结构构件在受拉、受剪、温度变化等外界或者内部条件的作用下，其在使用或在施工过程中会产生一些影响结构耐久性性、安全性、适用性的裂缝。而随着裂缝的开展，裂缝问题会造成保护层脱落、钢筋锈蚀、影响美观甚至降低结构承载能力等问题。为了检测这些裂缝，目前可以把检测方法分为人工测量识别、传统机器视觉识别(IPTS,边缘检测等)和现在基于深度学习的计算机视觉识别方法。传统人工检查方法的不足之处在于许多民用基础设施已经逐步接近其设计预期寿命，这对检查人员以及结构物周围的人员会产生一定的安全隐患问题，且费时费力，结果的准确性也不高。但IPTS识别方法会因为图像的变化而影响检测结果，即泛化性差，准确性低。边缘检测法在裂缝识别领域中效果较差，对噪声比较敏感，抗干扰能力较差，所以以往的方法或多或少存在着不可避免的影响检测结果准确性的问题；在过去的几十年，得益于计算机技术的发展进步，利用深度学习进行图像识别的研究有了很大的进步，取得了广泛的关注。土木工程领域的研究人员和工程师已经注意到将深度学习技术应用到裂缝检测的广阔前景，已经有许多利用深度学习技术进行裂缝识别的研究正在推进。本发明提出一种基于深度学习的混凝土结构检测方法，可以对混凝土裂缝和构件进行检测和分类：剥落状况检查、部件类型识别、损伤类型确定。

发明内容

针对现有技术存在的问题，本发明提供了一种基于深度学习的混凝土结构检测方法。该混凝土结构损伤识别分类方法采用迁移学习的方法，利用ResNet34模型，保持卷积神经网络前两个模块不变以提取基础性的特征，比如边缘、纹理等特征。后面的模块利用微调来实现自身任务需要的其他特征，同时迁移学习解决了之前深度学习需要大量数据进行卷积神经网络运算的问题。除此之外，本发明基于深度学习的混凝土结构损伤识别分类方法还加强了模型的泛化能力，避免了数据集的过拟合，大大减少深度学习对数据的需求，降低运算成本，且有较高的检测和识别能力。

本发明的目的是通过以下技术方案来实现的：一种基于深度学习的混凝土结构检测方法，具体包括如下步骤：

(1)构建裂缝图像数据集：收集混凝土结构构件裂缝图像，按照混凝土结构的构件类型和损坏情况，对收集的混凝土结构图像进行标注，获得图像标签，随后通过移位、反射、翻转、缩放和颜色抖动对收集的混凝土结构图像进行图像增强预处理，获得裂缝图像数据集；所述裂缝图像数据集分为训练集和测试集。

(2)改进神经网络：将ImageNet上预训练好的ResNet34模型作为基础，先去掉ResNet34模型尾端的全连接层，并将AdaptiveAvgPool2d层、AdaptiveMaxPool2d层并联在预训练好的ResNet34模型尾部，随后依次与BatchNorm1d层、Dropout层、中间全连接层串联，再重复接上一层BatchNorm1d层与Dropout层，最后连接与输出类别个数相等的全连接层，获得改进的神经网络。

(3)训练改进的神经网络：将步骤(1)中训练集输入步骤(2)改进的神经网络中进行训练，对步骤(2)改进的神经网络的参数用优化算法Adam以0.0001的学习率进行训练，在训练过程中冻结住预训练好的ResNet34模型的前两个Block的参数，并将测试集分批输入训练的神经网络中验证。当测试集的输出结果与所述图像标签比较，准确率达80％以上，且准确率收敛，即完成对改进的神经网络的训练。