[發明專利]基于深度學習圖像識別的套筒灌漿密實度判別方法

在審

• 申請號: 201910870663.1
• 申請日: 2019-09-16
• 公開（公告）號: CN110569917A
• 公開（公告）日: 2019-12-13
• 發明（設計）人: 張應遷;吳佳曄;李科;王紅印;馮源;賈其松;蘇亞軍
• 申請（專利權）人: 四川升拓檢測技術股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 51220 成都行之專利代理事務所(普通合伙)
• 代理人: 李朝虎

本發明公開了基于深度學習圖像識別的套筒灌漿密實度判別方法，解決了現有的套筒灌漿密實度判別方法檢測耗時費力，檢測成本較高而識別率不高的問題。本發明包括S1：通過敲擊方式獲取套筒各個測試點的波形圖作為樣本數據，共采集套筒灌漿密實度數據信息1200個訓練樣本數據；S2：對套筒灌漿密實度數據樣本進行預處理，形成weka支持的arff文件；S3：構建套筒灌漿密實度深度學習網絡模型，設置該深度學習網絡模型的訓練參數，根據步驟S2預處理后的arff文件輸入到該深度學習網絡模型的輸入層進行模型訓練，從而獲得訓練好的套筒灌漿密實度深度學習網絡模型；S4：根據模型實時進行套筒灌漿密實度判別。

技術領域

本發明涉及套筒灌漿密實度判別技術領域，具體涉及基于深度學習圖像識別的套筒灌漿密實度判別方法。

背景技術

預制裝配式混凝土結構(簡稱PC，Prefabricated Concrete)，是以預制混凝土構件為主要構件，經裝配、連接，結合部分現澆而形成的混凝土結構。PC工程在當今世界建筑領域中，作為新興的綠色環保節能型建筑在海外得到較普遍運用。我國在近年來也得到了長足的進展，特別是住建部于2014年頒布了《裝配式混凝土結構技術規程》(JGJ1-2014)，標志著該領域在我國已進入快速發展期。

其中，其中的鋼筋套筒連接，以及套筒連接的灌漿密實度也直接影響到結構的承載力，是最為關鍵的質量要點之一。在JGJ1-2014中，要求對其進行全數檢測。

但是，套筒灌漿料飽滿度檢測是非常困難的，盡管業內提出了X射線工業CT法、預埋傳感器法、預埋鋼絲拉拔法、X射線膠片成像法等方法，但其各有適用范圍和特點，檢測成本較高，還無法實際應用。傳統方法主要是基于沖擊彈性波測點的波形圖人工判斷套筒灌漿密實度，人工判斷取決于很多因素包括工程師的經驗、工程的地區差異等等，很難將這一標準復制、延續。

套筒的類型各種各樣，使用傳統機器學習方法用于套筒灌漿料飽滿度檢測時，往往需要采用手工設計特征，基于好的特征可以極大提高識別的性能，現有技術主要依靠設計者的先驗知識，很難利用大數據的優勢，由于依賴手工調參數，特征的設計中只允許出現少量的參數；另外，手工設計出有效的特征是一個相當漫長的過程，而回顧計算機視覺發展的歷史，往往需要五到十年才能出現一個受到廣泛認可的好的特征；并且在傳統機器學習過程中特征和分類是分開的。然而，在套筒灌漿料飽滿度檢測時靠手動完成設計特征，且需要大量領域專業知識，耗時費力，成本較高，并且最終的判別效率并不高。因此，需要一種簡單高效的套筒灌漿密實度判別方法。

發明內容

本發明所要解決的技術問題是：現有的套筒灌漿密實度判別方法檢測耗時費力，檢測成本較高而識別率不高，本發明提供了解決上述問題的基于深度學習圖像識別的套筒灌漿密實度判別方法，利用大數據把深度學習思想應用到套筒灌漿密實度判別上，通過深度學習方法從大數據中自動學習特征，而非采用手工設計的特征，把特征和分類結合在一起，獲取足夠的訓練樣本以及合適的分類器就能達到相當的精度，極大的提高了套筒灌漿密實度的判斷精度，同時有效的排除了人為因素，降低了成本，是一種非常有前途的判斷方法；本發明給套筒灌漿密實度的判別提供了一種新思路。

本發明通過下述技術方案實現：

基于深度學習圖像識別的套筒灌漿密實度判別方法，該方法包括以下步驟：

S1：通過敲擊方式獲取套筒各個測試點的波形圖作為樣本數據，共采集套筒灌漿密實度數據信息得到1200個樣本，并將這1200個樣本作為訓練樣本，其中密實樣本和空樣本各600個；

S2：對套筒灌漿密實度數據樣本進行預處理，形成weka支持的arff文件，arff文件格式如下：

@relation image

@attribute filename string

@attribute class{sound,void}