[发明专利]一种基于持续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持续深度学习的混凝土结构检测方法，该方法将收集混凝土结构裂缝和构件图像用于改进神经网络的训练，使得该神经网络能识别多个任务。本发明的方法降低了数据存储总量以及运算成本，本发明的混凝土结构检测方法具有运算快、低存储、高精度以及对图片数量低依赖的特点。

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，尤其涉及一种基于持续深度学习的混凝土结构检测方法。

背景技术

在我们的日常生活中，钢筋混凝土材料随处可见，它广泛运用于多种建筑物中。钢筋混凝土材料结合了混凝土的强度和钢筋的延性，是一种几乎完美的材料，但是在施工和使用过程中，钢筋混凝土材料构件还是难以避免地有可能出现裂缝：受拉裂缝、受剪裂缝、收缩裂缝等。这些裂缝的存在会造成整个结构承载能力下降、保护层脱落、钢筋锈蚀等问题。为了检测这些裂缝，以往的方法有：人工测量识别、传统机器视觉识别。很多民用基础设施都逐步接近其设计的预期寿命，人工测量识别会对测查人员以及周围的人员造成一定的安全隐患，不太安全，且费时费力，准确性也不高。传统的机器识别方法会因为图像的变化，严重影响检测结果，且对噪声比较敏感，抗干扰能力较差。总而言之，以往的方法存在大量影响其精确度的问题。随着深度学习的不断发展，结构监测和检测中识别任务的数量也一直在增加，又出现模型训练识别任务数量有限的问题。换句话说，十种不同的识别任务需要十种不同的神经网络，越来越大的损伤识别任务量可能导致参数数量的指数增长，以及耗时耗力的训练过程。

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持续深度学习的混凝土结构检测方法，该方法可以实现多个任务的识别，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：一种基于持续深度学习的混凝土结构检测方法，具体包括如下步骤：

(1)收集混凝土结构裂缝和构件图像，并标注混凝土结构检测信息，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裂缝和构件图像进行图像增强预处理，形成图像数据集；

(2)将ImageNet上预训练好的ResNet34模型的尾部全连接层的最后一层参数矩阵512×1000改成获得改进的神经网络；

其中，m表示任务的数量，i表示任务的索引，a_i表示任务类别数；

(3)根据m个任务训练改进的神经网络，包括如下子步骤：

(3.1)对全连接层中与当前任务连接的参数θ_n进行Kaiming初始化，并进行预训练，训练40个周期；随后将第一个任务从步骤(1)的图像数据集中选取符合该任务的图像集输入到步骤(2)的神经网络中，训练60个周期，完成第一个任务下对神经网络的训练；

(3.2)冻结全连接层中与旧任务连接的参数θ_o和全局参数θ_s，对全连接层中与当前任务连接的参数θ_n进行Kaiming初始化，并进行预训练，训练40个周期；随后将第二个任务从步骤(1)的图像数据集中选取符合该任务的图像集输入到步骤(2)的神经网络中，并采用SGD方法进行训练，训练60个周期，完成第二个任务下对神经网络的训练；

(3.3)重复步骤(3.2)，直至将第m个任务从步骤(1)的图像数据集中选取符合该任务的图像集训练神经网络，在训练的过程中，分别输入前m-1个任务的图像集，统计前m-1个任务的准确率并输出第m个任务的准确率，当所有任务的准确率达到80％以上时，完成对神经网络的训练；

(4)再次收集混凝土结构裂缝和构件图像，并重复步骤(1)的方法获得新裂缝图像数据集，将其输入到已经训练好的神经网络中，输出检测结果。