[发明专利]基于深度学习图像识别的套筒灌浆密实度判别方法

说明书

本发明公开了基于深度学习图像识别的套筒灌浆密实度判别方法，解决了现有的套筒灌浆密实度判别方法检测耗时费力，检测成本较高而识别率不高的问题。本发明包括S1：通过敲击方式获取套筒各个测试点的波形图作为样本数据，共采集套筒灌浆密实度数据信息1200个训练样本数据；S2：对套筒灌浆密实度数据样本进行预处理，形成weka支持的arff文件；S3：构建套筒灌浆密实度深度学习网络模型，设置该深度学习网络模型的训练参数，根据步骤S2预处理后的arff文件输入到该深度学习网络模型的输入层进行模型训练，从而获得训练好的套筒灌浆密实度深度学习网络模型；S4：根据模型实时进行套筒灌浆密实度判别。

技术领域

本发明涉及套筒灌浆密实度判别技术领域，具体涉及基于深度学习图像识别的套筒灌浆密实度判别方法。

背景技术

预制装配式混凝土结构(简称PC，Prefabricated Concrete)，是以预制混凝土构件为主要构件，经装配、连接，结合部分现浇而形成的混凝土结构。PC工程在当今世界建筑领域中，作为新兴的绿色环保节能型建筑在海外得到较普遍运用。我国在近年来也得到了长足的进展，特别是住建部于2014年颁布了《装配式混凝土结构技术规程》(JGJ1-2014)，标志着该领域在我国已进入快速发展期。

其中，其中的钢筋套筒连接，以及套筒连接的灌浆密实度也直接影响到结构的承载力，是最为关键的质量要点之一。在JGJ1-2014中，要求对其进行全数检测。

但是，套筒灌浆料饱满度检测是非常困难的，尽管业内提出了X射线工业CT法、预埋传感器法、预埋钢丝拉拔法、X射线胶片成像法等方法，但其各有适用范围和特点，检测成本较高，还无法实际应用。传统方法主要是基于冲击弹性波测点的波形图人工判断套筒灌浆密实度，人工判断取决于很多因素包括工程师的经验、工程的地区差异等等，很难将这一标准复制、延续。

套筒的类型各种各样，使用传统机器学习方法用于套筒灌浆料饱满度检测时，往往需要采用手工设计特征，基于好的特征可以极大提高识别的性能，现有技术主要依靠设计者的先验知识，很难利用大数据的优势，由于依赖手工调参数，特征的设计中只允许出现少量的参数；另外，手工设计出有效的特征是一个相当漫长的过程，而回顾计算机视觉发展的历史，往往需要五到十年才能出现一个受到广泛认可的好的特征；并且在传统机器学习过程中特征和分类是分开的。然而，在套筒灌浆料饱满度检测时靠手动完成设计特征，且需要大量领域专业知识，耗时费力，成本较高，并且最终的判别效率并不高。因此，需要一种简单高效的套筒灌浆密实度判别方法。

发明内容

本发明所要解决的技术问题是：现有的套筒灌浆密实度判别方法检测耗时费力，检测成本较高而识别率不高，本发明提供了解决上述问题的基于深度学习图像识别的套筒灌浆密实度判别方法，利用大数据把深度学习思想应用到套筒灌浆密实度判别上，通过深度学习方法从大数据中自动学习特征，而非采用手工设计的特征，把特征和分类结合在一起，获取足够的训练样本以及合适的分类器就能达到相当的精度，极大的提高了套筒灌浆密实度的判断精度，同时有效的排除了人为因素，降低了成本，是一种非常有前途的判断方法；本发明给套筒灌浆密实度的判别提供了一种新思路。

本发明通过下述技术方案实现：

基于深度学习图像识别的套筒灌浆密实度判别方法，该方法包括以下步骤：

S1：通过敲击方式获取套筒各个测试点的波形图作为样本数据，共采集套筒灌浆密实度数据信息得到1200个样本，并将这1200个样本作为训练样本，其中密实样本和空样本各600个；

S2：对套筒灌浆密实度数据样本进行预处理，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}