基于深度可分离卷积神经网络的UHPC预制件质量检测方法技术

本发明专利技术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。本发明专利技术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。准确识别并进行评级。准确识别并进行评级。

【技术实现步骤摘要】
基于深度可分离卷积神经网络的UHPC预制件质量检测方法


[0001]本专利技术涉及预制件检测领域。更具体地说，本专利技术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。

技术介绍

[0002]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 Performance Concrete，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。
[0003]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。
[0004]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。
[0005]在已授权的专利技术专利【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。已授权的专利技术专利【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。已授权专利技术专利【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。
[0006]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。

技术实现思路

[0007]本专利技术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。
[0008]为了实现本专利技术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。
[0009]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。
[0010]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)=0.30f
R
(t)+0.59f
G
(t)+0.11f
B
(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，f
R
(t)表示迭代第t次时的红色通道像素矩阵，f
G
(t)表示迭代第t次时的绿色通道像素矩阵，f
B
(t)表示迭代第t次时的蓝色通道像素矩阵。
[0011]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。
[0012]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。
[0013]本专利技术至少包括以下有益效果：本专利技术用于对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。
[0014]进一步地，本专利技术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。
[0015]另外，本专利技术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。本文档来自技高网...

【技术保护点】

【技术特征摘要】
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)=0.30f
R
(t)+0.59f
G
(t)+0.11f
B
(t)其中，f(t)表示在迭代第t次时，待识别图像...

【专利技术属性】
技术研发人员：李丹，吴得川，毛强浪，徐耀东，赵兵，徐迅，
申请(专利权)人：西南科技大学，
类型：发明
国别省市：