System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请属于混凝土材料和图像识别,尤其是涉及一种基于深度学习的uhpc中钢纤维分散性评估方法和装置。
技术介绍
1、超高性能混凝土(uhpc)是一种创新的水泥基复合材料,因其出色的工作性能、机械性能和耐久性而被广泛应用于工程结构中。高掺量的钢纤维大大提高了uhpc的机械性能,尤其是拉伸和弯曲性能。当uhpc受到拉力时,钢纤维在uhpc中起桥联作用,传递应力。而桥联作用受纤维在超高性能混凝土中的分布和取向影响显著。如何准确、便捷地获取纤维分布特征已成为解决此类问题的先决条件。
2、目前,分析超高强度混凝土中钢纤维分散的方法有很多,例如x-ct断层扫描、筛洗称重和图像处理等。其中x-ct断层扫描及三维重构虽然可以准确反映纤维的分散情况,但成本过高无法得到普遍使用;筛洗称重法虽然简便但是与真实的纤维分布偏差较大且无法获得纤维的取向角参数;图像分析法虽成本低、获得的结果准确,但其主观性强、操作繁杂。图像分析法的缺点具体体现在图像获取时对样品照片的质量要求高;图像处理过程中,阈值的选取具有很强的主观性,导致不同操作者的结果存在差异;此外,图像分析通常依赖于庞大的数据库,而构建庞大的数据库通常需要付出大量的人工劳动。
3、故,需要提出一种新的技术方案以克服上述技术问题,实现快速、准确的对uhpc中钢纤维的分散性进行评估。
技术实现思路
1、一种基于深度学习的uhpc中钢纤维分散性评估方法和装置,用于解决上述技术问题。基于深度学习框架对uhpc钢纤维图像进行像素级别的语义分
2、第一方面,本申请实施例提供了一种基于深度学习的uhpc中钢纤维分散性评估方法,包括以下步骤:
3、s1、获取uhpc图像数据集,对所述图像数据集中的各图像进行预处理,基于预处理后的图像数据集构建训练集和测试集;
4、s2、构建u-net语义分割模型,采用训练集对所述模型进行训练,并采用测试集进行测试,得到uhpc纤维识别模型;
5、s3、将待评估的uhpc图像输入uhpc纤维识别模型,得到纤维分布图像;其中,所述纤维分布图像为二值化图像,白色像素表示所识别到的纤维;
6、s4、去除所述纤维分布图像中的噪声,计算纤维分散系数。
7、其中,所述步骤s1中对所述图像数据集中的各图像进行预处理,具体包括:
8、对所述图像数据集中的各图像进行尺寸调整、灰度化处理,并切割为预定数量的子图像;其中,各子图像的尺寸相同;
9、对切割后的各子图像进行旋转。
10、其中,所述步骤s2中的u-net语义分割模型包括encoder结构和decoder结构,通过encoder结构提取语义特征信息,通过decoder结构进行分割预测。
11、其中,所述encoder结构包括4层下采样,所述decoder结构包括4层上采样,采用skip connection进行跳层连接,在上采样中融合下采样中的特征图。
12、其中,所述步骤s4中去除所述纤维分布图像中的噪声,具体包括:
13、s411、获取所述纤维分布图像中由白色像素点构成的各个连通域;
14、s412、计算所述各个连通域的面积;
15、s413、识别连通域面积小于预设阈值的连通域,得到小面积区域;
16、s414、将各小面积区域内各像素点的值设置为0。
17、其中,所述步骤s4中计算纤维分散系数,具体包括:
18、s421、将所述纤维分布图像划分为多个单元;
19、s422、统计各个单元内的纤维根数;
20、s423、采用如下公式计算纤维分散系数α:
21、
22、其中,n为划分的单元个数,xi为第i个单元内的纤维根数,x0为平均纤维根数。
23、第二方面,本申请实施例提供了一种基于深度学习的uhpc中钢纤维分散性评估装置,所述装置包括:
24、数据集获取模块,用于获取uhpc图像数据集,对所述图像数据集中的各图像进行预处理,基于预处理后的图像数据集构建训练集和测试集;
25、模型构建模块,用于构建u-net语义分割模型,采用训练集对所述模型进行训练,并采用测试集进行测试,得到uhpc纤维识别模型;
26、纤维识别模块,用于将待评估的uhpc图像输入uhpc纤维识别模型,得到纤维分布图像;其中,所述纤维分布图像为二值化图像,白色像素表示所识别到的纤维;
27、系数计算模块,用于去除所述纤维分布图像中的噪声,计算纤维分散系数。
28、本申请实施例与现有技术相比存在的有益效果是:
29、本专利技术提供了一种基于深度学习的uhpc中钢纤维分散性评估方法和装置,基于深度学习框架对uhpc钢纤维图像进行像素级别的语义分割,实现对纤维快速、准确的识别,并在计算纤维分散系数前对图像进行降噪处理,从而进一步提高了计算的准确度,使其对低质量图像仍然具有较为准确的计算结果。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的UHPC中钢纤维分散性评估方法,其特征在于,包括以下步骤:
2.如权利要求1所述的方法,其特征在于,所述步骤S1中对所述图像数据集中的各图像进行预处理,具体包括:
3.如权利要求1所述的方法,其特征在于,所述步骤S2中的U-Net语义分割模型包括Encoder结构和Decoder结构,通过Encoder结构提取语义特征信息,通过Decoder结构进行分割预测。
4.如权利要求3所述的方法,其特征在于,所述Encoder结构包括4层下采样,所述Decoder结构包括4层上采样,采用Skip Connection进行跳层连接,在上采样中融合下采样中的特征图。
5.如权利要求1所述的方法,其特征在于,所述步骤S4中去除所述纤维分布图像中的噪声,具体包括:
6.如权利要求5所述的方法,其特征在于,所述步骤S4中计算纤维分散系数,具体包括:
7.一种基于深度学习的UHPC中钢纤维分散性评估装置,其特征在于,所述装置包括:
【技术特征摘要】
1.一种基于深度学习的uhpc中钢纤维分散性评估方法,其特征在于,包括以下步骤:
2.如权利要求1所述的方法,其特征在于,所述步骤s1中对所述图像数据集中的各图像进行预处理,具体包括:
3.如权利要求1所述的方法,其特征在于,所述步骤s2中的u-net语义分割模型包括encoder结构和decoder结构,通过encoder结构提取语义特征信息,通过decoder结构进行分割预测。
4.如权利要求3所述的方法,其特征在...
【专利技术属性】
技术研发人员:申晨,杨长辉,余林文,耿波,张玥,李嵩林,
申请(专利权)人:重庆大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。