一种基于深度学习的混凝土结构检测方法技术

本发明专利技术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。具有更强的鲁棒性和泛化能力。具有更强的鲁棒性和泛化能力。

【技术实现步骤摘要】
一种基于深度学习的混凝土结构检测方法


[0001]本专利技术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。

技术介绍

[0002]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。本专利技术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。

技术实现思路

[0003]针对现有技术存在的问题，本专利技术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，本专利技术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。
[0004]本专利技术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：
[0005](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。
[0006](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。
[0007](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。
[0008](4)再次收集混凝土结构构件裂缝图像，并重复步骤(1)的方法获得新裂缝图像数据集，将其输入已经训练好的神经网络模型中，输出检测结果。
[0009]与现有技术相比，本专利技术具有如下有益效果：本专利技术采用在ImageNet上已训练好的ResNet34网络中的卷积层作为特征提取器，冻结该网络的前两个模块，这两个模块保持其对图像特征的提取，后续块的参数进行微调以提取所需的裂缝图像特征。连接Dropout层来随机盲化一些神经元，以避免当前数据集的过拟合。该混凝土结构损伤识别分类方法减少了深度学习模型对数据的依赖性，降低了运算成本，简化了网络训练的复杂性，降低了运算成本，能够对裂缝目标进行快速准确识别，具有更强的鲁棒性和泛化能力。本专利技术的混凝土结构损伤识别分类方法解决了混凝土裂缝深度学习模型对数据量需求较大的问题；相比于深度学习技术，本专利技术的深度迁移学习模型基于已经预训练的网络，网络收敛地更快，在有限数据集地情况下即可获得较强鲁棒性和泛化性。本专利技术还采用了Adam算法对原有的ResNet34网络进行了优化，采用了图像的预处理手段防止过度拟合，在迁移学习的基础上进一步提高了模型的泛化能力和准确性。
附图说明
[0010]图1是本专利技术提供的混凝土结构裂缝损伤图片分类和标注图；
[0011]图2是本专利技术提供的基于深度学习的混凝土结构检测方法流程图；
[0012]图3是本专利技术识别混凝土损伤存在时测试集和训练集随训练周期变化的准确率图；
[0013]图4是本专利技术识别混凝土损伤类型时测试集和训练集随训练周期变化的准确率图；
[0014]图5是本专利技术识别混凝土剥落时测试集和训练集随训练周期变化的准确率图；
[0015]图6是本专利技术识别混凝土构件时测试集和训练集随训练周期变化的准确率图；
[0016]图7是本专利技术导入数据集后所有检测识别任务的精确度、查准率、查全率、查准率和查全率综合度量指数F1图。
具体实施方式
[0017]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图，对本专利技术进行进一步详细说明。
[0018]如图2为本专利技术基于深度学习的混凝土结构检测方法流程图，具体包括如下步骤：
[0019](1)构建裂缝图像数据集：收集混凝土结构图像，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，如图1，所述图像标签分为剥落状况检查、部件类型识别、损伤类型确定；剥落状况检查包含剥落与否两种情况；部件类别识别包括墙、柱、梁三种构件；损伤检查分为有无损伤；损伤类别是在判断图像有损伤后再进行判别的，具体包括剪切裂缝、受弯裂缝、收缩裂缝、沉降裂缝、碱骨料裂缝、腐蚀裂缝。为了防止过度拟合从而提高模型性能，对收集混凝土结构图像进行移位、反射、翻转、缩放和颜色抖动的图像增强预处理，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。
[0020](2)改进神经网络：将ImageNet上预训练好的ResNet34模型作为基础，冻结其前面的两个模块以提取基础通用的低层特征，例如边缘、形状、角度等，这些特征可以在任务之间共享。后面的特征层可以根据当前所需的目标识别任务来微调。先去掉在ResNe本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的混凝土结构检测方法，其特征在于，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...

【专利技术属性】
技术研发人员：舒江鹏，赵唯坚，张佳玮，姬熠冉，
申请(专利权)人：浙江大学建筑设计研究院有限公司，
类型：发明
国别省市：