一种基于计算机视觉和深度学习的结构智能设计方法技术

本发明专利技术提出一种基于计算机视觉和深度学习的结构智能设计方法，包括外部截面轮廓设计与内部受力配筋设计两部分，分别建立了基于计算机视觉和深度学习的截面轮廓与内部配筋智能设计模型，针对结构截面轮廓生成图像可能存在的问题，比如总高度与原始样本存在较大误差、下翼板超出腹板、上翼板存在缺陷、板中部不连通等，基于数据拟合和图像形态学运算，重新调整生成的结构截面轮廓高度，并且使用闭运算调整截面轮廓；针对智能配筋设计结果进行了承载能力极限状态验算和正常使用极限验算；本发明专利技术无需耗费大量的人力和算力进行反复试算和迭代修改，提高了桥梁和建筑结构的设计效率以及自动化和智能化程度。及自动化和智能化程度。及自动化和智能化程度。

【技术实现步骤摘要】
一种基于计算机视觉和深度学习的结构智能设计方法


[0001]本专利技术所属的研究领域包括结构工程、桥梁工程，可以直接应用的
包括桥梁设计、结构设计、混凝土箱梁截面设计、钢筋混凝土楼板配筋设计等，具体地，涉及一种基于计算机视觉和深度学习的结构智能设计方法。

技术介绍

[0002]目前，我国桥梁或建筑建设的主要结构形式为钢筋混凝土结构。钢筋混凝土桥梁或建筑结构设计的普遍流程是首先收集重要的结构设计参数，然后运用商业软件建立结构模型、施加荷载进行有限元试算，最后根据实际工程需求和相关规范要求对构件尺寸和材料强度等级等参数进行调整修改，并且反复迭代试算直至满足要求。可以看出，传统结构设计方法过程繁琐、需要大量的人工干预、并且设计人员的主观意识和经验会直接影响到所设计的结构参数进而影响结构性能。
[0003]近年来，随着人工智能技术的蓬勃发展，计算机视觉和深度学习等先进技术具有巨大的潜力为结构设计赋能，从而实现结构设计的自动化和智能化。智能结构设计的优势在于：通过利用大量的现有工程设计图纸形成样本数据库，建立计算机视觉和深度学习网络等人工智本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于计算机视觉和深度学习的结构智能设计方法，其特征在于：所述方法具体包括以下步骤：步骤一：进行基于计算机视觉的结构截面设计，通过收集结构截面轮廓图像作为训练样本，由截面高度和下翼缘板宽度作为控制参数获得结构截面的简化图作为输入，结构截面轮廓完整图像作为输出，建立深度卷积神经网络模型；步骤二：针对步骤一生成结构截面轮廓图像，采用数据拟合和形态学闭运算的方法对所述结构截面轮廓图像进行后处理，获得更符合工程实际的新结构截面轮廓图像；步骤三：在获得步骤二生成的新结构截面轮廓图像后，进行基于深度学习的钢筋混凝土结构内部受力配筋设计，以结构尺寸、荷载信息、边界条件的基本设计参数作为输入，结构内部受力钢筋的等级、直径和间距作为输出，建立钢筋混凝土结构内部受力钢筋智能设计的深度卷积神经网络模型；步骤四：对步骤三建立的结构内部受力钢筋智能设计的深度卷积神经网络模型进行力学验算，所述力学验算包括弯曲应力和裂缝宽度，通过承载能力极限状态验算和正常使用极限验算，保证智能配筋设计方案的有效性。2.根据权利要求1所述方法，其特征在于：在步骤一中，步骤一一：对将DWG格式的结构设计图纸进行格式转换，获得结构截面轮廓图像，完成结构截面轮廓的智能设计；步骤一二：训练结构截面轮廓智能设计的深度卷积神经网络模型。3.根据权利要求2所述方法，其特征在于：所述获得结构截面轮廓图像的具体步骤为：S1：将DWG格式图纸中除结构轮廓以外的所有图层全部隐藏，按照实际工程结构的绘图比例，以一个像素点对应5cm
×
5cm的比例尺进行换算，将结构轮廓导出形成PNG文件，分辨率为360像素
×
240像素，背景为纯白色，结构轮廓线为黑色；S2：利用Photoshop软件将结构内部的钢筋混凝土部分用纯黑色填充，初步得到结构截面图像；S3：通过图像灰度阈值分割，设置灰度分割阈值为1，即所有灰度值大于等于1的像素点全部设置为255，为纯白色背景，消除原PNG图像中结构主体部分附近的噪声点；然后再次对结构内部进行纯黑色填充，经过处理后的PNG图像为黑白二值图像，像素灰度值为0或255；S4：利用matplotlib库生成结构截面轮廓的简化图，由截面高度和下翼缘板宽为控制参数，以结构轮廓截面的简化图作为输入，通过建立计算机视觉模型，自动输出完整的结构截面轮廓图像，完成结构截面轮廓的智能设计。4.根据权利要求2所述方法，其特征在于：所述训练结构截面轮廓智能设计的深度卷积神经网络模型的具体步骤为：反复堆叠3
×
3卷积层和2
×
2最大池化层，建立深度卷积神经网络模型；Input代表模型的输入层，尺寸为256
×
256
×
3，由360像素
×
240像素的结构轮廓截面简化图进行缩放得到；Conv代表卷积层，卷积核大小为3
×
3；Max Pooling代表最大池化层；FC代表全连接层；Dropout代表随机丢弃运算，用来抑制过拟合；Sigmoid代表激活函数；Output代表输出；采用动量梯度下降法训练所述深度卷积神经网络模型，即在随机梯度下降法的基础上
引入动量及动量系数，如下式所示：式中，v
j
表示模型第j次更新的动量，γ为动量系数，用于控制动量在模型优化过程中的影响；初始动量v1＝0；α为学习率，ω为模型参数，x,y代表输入和输出，代表由损失函数计算出的梯度：所述结构截面轮廓智能设计的深度卷积神经网络模型在30个迭代后达到99％的准确率。5.根据权利要求1所述方法，其特征在于：在步骤二中，所述结构截面轮廓图像的后处理过程具体包括以下步骤：首先对结构截面轮廓图像的高度进行重调整，将所生成结构截面轮廓图像与真实结构轮廓图像的相对误差记为error，相对误差与图像的宽高比和图像高度存在线性关系，公式为：error＝ah+br+c式中，error表示生成图像高度与原始图像高度的相对误差，h表示原始图像的轮廓高度，r表示原始图像的宽高比，a,b,c为待定系数；对于第i个数据样本点数据(h
i
,r
i
,error
i
)和总样本数量n，总误差S记为：然后根据最小二乘法原理进行平面拟合，总体误差S达到最小时有得到式中n为样本总数；由此计算得到待定系数a,b,c，并获得拟合平面方程：error＝
‑
0.00307h+0.31144r+0.1775最后，根据相对误差，对由深度卷积神经网络模型生成的图像高度做如下调整：式中h'为调整后的结构截面轮廓高度，h为由深度卷积神经网络模型直接生成的图像高度；在高度重调整后，基于形态学闭运算对结构截面轮廓图像进行外形调整；对生成的结构截面轮廓图像进行高度重调整和基于形态学闭运算后，生成的结构截面轮廓更符合实际工程。6.根据权利要求1所述方法，其特征在于：在步骤三中，步骤三一：获得结构内部配筋样本，提取相应的结构设计参数，得到深度卷积神经网络
模型的待学习样本；步骤三二：建立并训练结构内部受力钢筋智能设计的深度卷积神经网络模型。7.根据权利要求6所述方法，其特征在于：所述结构设计参数具体包括以下参数：结构混凝土强度等级：样本中所有图纸的混凝土强度等级均为C30；钢筋等级：样本中所有图纸的钢筋强度等级均为I级；结构的长度和宽度：将结构沿横向和沿纵向的边长分别作为长度和宽度；结构板厚：混凝土板厚为110毫米或120毫米；结构恒荷载：结构恒荷载包括结构自重和附着在结构上下表面的装饰构造层重量，由建筑结构的形式确定；由于样本集中混凝土强度等级均为...

【专利技术属性】
技术研发人员：李惠，徐阳，吴聿飏，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：