一种基于持续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。本发明专利技术的方法降低了数据存储总量以及运算成本，本发明专利技术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。图片数量低依赖的特点。图片数量低依赖的特点。

【技术实现步骤摘要】
一种基于持续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，尤其涉及一种基于持续深度学习的混凝土结构检测方法。

技术介绍

[0002]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。

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。
[0004]本专利技术的目的是通过以下技术方案来实现的：一种基于持续深度学习的混凝土结构检测方法，具体包括如下步骤：
[0005](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；
[0006](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；
[0007]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；
[0008](3)根据m个任务训练改进的神经网络，包括如下子步骤：
[0009](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；
[0010](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；
[0011](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；
[0012](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。
[0013]与现有技术相比，本专利技术具有如下有益效果：只使用一个模型就解决了混凝土结构检测多个任务的问题，这降低了运算成本，解决了不同任务之间需要不同神经网络的问题。与联合训练方法相比，该方法又减轻了深度学习模型对数据的依赖性，简化了网络训练的复杂性，提高了运算速度。与简单序列训练相比，该方法也不会产生灾难性遗忘问题，即不会因为进行下一个任务的学习就遗忘上一个任务学习到的特征。同时该方法对裂缝目标能够进行快速准确识别，具有更强的鲁棒性和泛化能力。本专利技术的混凝土结构检测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。相比于微调、复制及微调、特征提取、联合学习等方法，本专利技术的持续学习模型基于已经预训练的网络，网络收敛地更快，在有限数据集的情况下即可获得较强鲁棒性和泛化性。本专利技术采用了图像的预处理手段防止过度拟合，在持续学习的基础上进一步提高了模型的泛化能力和准确性。除此之外，任务训练顺序会对混凝土结构检测的准确度产生影响，本专利技术的模型可以通过训练获知最高精度的训练顺序，从而达到最好的训练效果。本专利技术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。
附图说明
[0014]图1是本专利技术提供的基于持续深度学习的混凝土结构检测方法流程图；
[0015]图2是本专利技术提供的混凝土结构裂缝损伤和构件类型图片分类图；图3是本专利技术提供的神经网络结构示意图；
[0016]图4是多种方法进行多任务学习的混凝土结构检测精度对比图；
[0017]图5是本专利技术提供的不同顺序下持续学习方法的混凝土结构检测精度对比图；
[0018]图6是多种方法进行多任务学习的混凝结构检测优越性对比图。
具体实施方式
[0019]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。
[0020]如图1为本专利技术基于持续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：
[0021](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，如图2，混凝土结构检测信息包括损伤等级评估、剥落状况检查、结构构件类型识别、损伤类型判别；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；损伤检查分为轻微损伤、重大损伤和无损伤；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、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，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。
[0022](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，改进的神经网络连接层如图3所示：全连接层中包含很多参数，在本专利技术中用θ
s
来表示全局参数(全连接层之前的参数)、用θ
o
表示全连接层中与旧任务连接的参数，用θ
n
表示全连接层中与新任务连接的参数。通过这种方式连接，可以实现多任务识别且不会造成之前任务识别精确度的过度下降。
[0023]其中，m表示任务的数量，i表示任务的索本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于持续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)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...

【专利技术属性】
技术研发人员：舒江鹏，张佳玮，周姝康，赵唯坚，
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：