一种基于深度学习和BP神经网络的柱承载力预测方法技术

本发明专利技术涉及一种基于深度学习和BP神经网络的柱承载力预测方法，包括：采集钢筋混凝土柱表面图像；对采集的图像进行预处理；训练基于深度学习的Crack

【技术实现步骤摘要】
一种基于深度学习和BP神经网络的柱承载力预测方法


[0001]本专利技术涉及建筑结构工程
，尤其是一种基于深度学习和BP神经网络的柱承载力预测方法。

技术介绍

[0002]在现代建筑当中，钢筋混凝土柱是重要的结构承重构件，在结构设计中，柱体需要保证足够的承载力以支撑上部荷载，对于一些重要建筑需要定期检测柱体的强度，尤其是对于发生自燃灾害如地震，或者年代较长的建筑，柱体由于发生老化，混凝土碳化或者是外部破坏的原因导致承载力下降，严重影响到建筑的结构安全，造成建筑损坏。
[0003]近年来楼房垮塌是有发生，这与柱承载力下降以至于无法承受上部荷载是密不可分的。因此有必要提出科学的方法来预测柱的承载力，若发现承载力小于规范限值，即可做到及早发现及早加固，保障建筑的结构安全，保障人民的生命财产安全。现有柱承载力预测方法多采用传统公式进行拟合，采用深度学习方法较少，并且预测方法多适用于新建钢筋混凝土柱，对地震后或工作时间较长发生老化的柱体不适用，未能反映出裂缝对钢筋混凝凝土柱承载力的影响。

技术实现思路

[0004]本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习和BP神经网络的柱承载力预测方法，其特征在于：该方法包括下列顺序的步骤：(1)采集钢筋混凝土柱表面图像；(2)对采集的图像进行预处理；(3)训练基于深度学习的Crack
‑
Net裂缝识别模型，并运用该模型分析经过预处理后的钢筋混凝土柱表面图像，进行裂缝识别，输出裂缝特征：包括柱裂缝置信度R，裂缝模糊面积S
*
和裂缝区域面积S；(4)获取钢筋混凝土柱特征：包括柱的截面尺寸比BW、柱的长细比HB、柱的轴压比LC、柱初始承载力、混凝土强度等级CO和纵筋配筋率SO；(5)进行钢筋混凝土柱特征的合并与缩放，得到缩放后的特征集F
*
；(6)建立基于BP神经网络的柱承载力预测模型，训练基于BP神经网络的柱承载力预测模型，并用该模型分析特征，对柱承载力进行预测，输出柱承载力。2.根据权利要求1所述的基于深度学习和BP神经网络的柱承载力预测方法，其特征在于：所述步骤(1)具体包括以下步骤：(1a)采用激光扫描仪对钢筋混凝土柱的外表面进行扫描；(1b)对于钢筋混凝土柱的每侧外表面，采用从柱顶端到柱底端的方向进行扫描得到图像T1，依次历遍每侧外表面得到图像T1、T2、T3、T4。3.根据权利要求1所述的基于深度学习和BP神经网络的柱承载力预测方法，其特征在于：所述步骤(2)具体包括以下步骤：(2a)对钢筋混凝土柱的每侧外表面的图像按顺序进行拼接，得到完整的钢筋混凝土柱外表面图像T；(2b)对完整的钢筋混凝土柱外表面图像T采用灰度变换法，即对于图像中的RGB值，采用均值化处理，使三通道彩色图像转化为单通道灰度图像TG；(2c)对单通道灰度图像TG进行中值滤波处理，采用3*3的采样框，对图像的每个像素点进行历遍，得到图像TW；(2d)对于图像TW采用通过设定阈值的二值化处理，得到图像TB；(2e)对图像TB采用连通域分析，采用8临域法历遍图像的每个像素点，进行连通域标记：采用一个3*3的采样框进行逐行采样，若像素点的像素值为255则对该像素点赋予标签值
‑
1，若像素值为0则对该像素点赋予标签值1，并将该像素点的位置信息映射到连通域矩阵A中，历遍矩阵A中的值采用距离法判断连通域，对于连通域内像素点数量，若小于Q则舍弃该连通域，并将非连通域区域图像采用白化处理，得到图像TC，公式如下：对于I(x1,y1)和I(x2,y2),若(x1‑
x2)2≤1且(y1‑
y2)2≤1,则连通其中，I(x1,y1)和I(x2,y2)表示任意两个位置不同的像素点。4.根据权利要求1所述的基于深度学习和BP神经网络的柱承载力预测方法，其特征在于：所述步骤(3)具体包括以下步骤：(3a)建立用于训练模型的原始数据集D：获取钢筋混凝土柱体裂缝图像，并根据裂缝的类型进行标记，得到原始数据集D；(3b)对原始数据集D采用翻转、平移、旋转和缩放的方法进行拓展，得到数据集D
o
；(3c)对数据集D
o
进行预处理：进行灰度变换、滤波处理、二值化处理和连通域分析，得到
数据集D
*
；(3d)对数据集D*进行标记，根据裂缝的不同种类将数据集D*中的图像分为四类：水平裂缝、纵向裂缝、斜裂缝和X型裂缝，将标记后的数据集进行随机处理并均分成S份，采用交叉验证的方式进行训练，轮流选择其中的1份作为验证集，其余S
‑
1份作为训练集，直到验证集历遍数据集D*，通过拍摄的方式获取测试集V，用来检验模型预测的准确度；(3e)Crack
‑
Net裂缝识别模型采用Fast RCNN模型作为深度学习网络架构，包含主干网络架构和RPN网络架构：主干网络架构具有13个卷积层，卷积核大小为3*3，13个Relu层以及4个池化层，池化核大小...

【专利技术属性】
技术研发人员：李仲元，张翔，郭跃，孔宪扬，叶筱，潘震，范仁宽，张正学，
申请(专利权)人：中国能源建设集团安徽省电力设计院有限公司，
类型：发明
国别省市：