竹纤维改性合成混凝材料表面缺陷检测技术优化_邢羽琪.pdf

发明创新试验2023 年 2 月第 50 卷第 2 期doi:10.3969/j.issn.1001-5922.2023.02.031Vol.50 No.02，Feb.2023收稿日期:2022-10-11;修回日期:2023-02-08作者简介:邢羽琪(2001-)，女，本科，主要从事数据科学与大数据技术研究;E-mail:20202134050104 ymu edu cn。引文格式:邢羽琪 竹纤维改性合成混凝材料表面缺陷检测技术优化 J 粘接，2023，50(2):129-133竹纤维改性合成混凝材料表面缺陷检测技术优化邢羽琪(云南民族大学，云南 昆明650031)摘要:以黄麻纤维混凝土为研究对象，提出用卷积神经网络识别混凝土材料中的竹纤维，进而提高混凝土材料表面裂缝的准确率。首先，将采集到的黄麻纤维混凝土材料扫描图片进行数据增强，然后搭建DeepLabV3+的竹纤维快速识别网络，并对网络进行训练，最后输入采集的原始图片，对网络模型进行识别测试。结果表明，通过训练后得到的网络对竹纤维混凝土识别的ACC=81 7%，F1=78 3%，证明 DeepLabV3+深度学习网络模型对竹纤维混凝土材料具有较高的识别精准度，可用于实际的化工工业和工程缺陷检测中。关键词:纤维混凝土;竹纤维;深度学习;DeepLabV3+;识别准确率中图分类号:TQ353 4+2;TU528 572文献标志码:A文章编号:1001-5922(2023)02-0129-05Optimization of detection method on surface defectsof jute fiber concreteXING Yuqi(Yunnan University for Nationalities，Kunming 650031，China)Abstract:Taking jute fiber concrete as the research object，it is proposed to use DeepLabV3+network to identifychopped jute fibers in concrete materials，so as to improve the accuracy of surface cracks in jute concrete materialsFirst of all，the collected nano CT scanning pictures of jute fiber concrete material are enhanced，and then a rapid i-dentification network of chopped jute fiber of DeepLabV3+is built，and the network is trained Finally，the collectedoriginal pictures are input，and the network model is identified and tested The results show that ACC=99 3%，F1=80 4%，for the recognition of chopped jute fiber concrete by the network obtained after training，which provesthat DeepLabV3+deep learning network model has high recognition accuracy for chopped jute fiber concrete mate-rials，and can be used in the actual chemical industry and engineering defect detectionKey words:fiber concrete;jute fiber;deep learning;DeepLabV3+;recognition accuracy纤维混凝土是纤维和水泥基料组成的复合材料，具有抗压强度高、耐久性强等特点，被广泛应用于工程领域。一旦纤维混凝土材料中的纤维出现断裂等，会严重影响混凝土的性能。因此，加强度纤维921发明创新试验混凝土材料的识别成为思考和研究的热点。目前，针对纤维混凝土材料的识别问题，有学者采用深度学习技术对混凝土的内部石料组分进行清晰度还原，以此判断混凝土表面裂缝是否存在，并验证了算法的可行性与可靠性1;对 ASR 导致的混凝土材料损伤进行评估，得出深度学习算法能较为准确的对混凝土电镜损伤图像进行分类，进而辨别混凝土表面裂缝2;Uwanuakwa 等引入深度学习模型对粉煤灰混凝土碳化深度进行预测，试验结果表明该模型具有较高预测性，为识别粉煤灰混凝土表面裂缝提供了借鉴。深度学习被广泛应用在混凝土表面裂缝识别方面，但用于竹纤维混凝土表面裂缝的识别较少。因此，结合竹纤维混凝土在抗劈拉强度上的优势，提出一种基于 DeepLabV3+网络的识别实验方案，并对方案的可行性进行验证，以此为纤维混凝土表面裂缝的信息化识别提供参考，推进混凝土表面裂缝识别技术的深度应用。1试验方案1 1数据来源竹纤维是植物纤维混凝土最常用的纤维之一。目前，应用于混凝土的竹纤维的长度在 1 5 cm。除竹纤维以外，部分学者也将黄麻纤维应用到纤维混凝土中。本研究的目的是利用深度学习算法识别纤维混凝土表面裂缝中的竹纤维，因此前期准备工作中，准备一个高30 mm、直径 10 mm 的竹纤维混凝土圆柱体样品，并进行无损检测。扫描圆柱体样品的正、侧和水平 3 个方向，提取其核心部分的扫描图像，获得 2 000 张正向扫描图，图像大小均为(325 325 3)pixels;部分示例图像如图 1 所示。图 1纤维混凝土的断面图Fig 1Cross section of fiber concrete从图 1 可以看出，灰色的线条状组分是竹纤维。通过测量其直径 d=1 cm，长度 l=3 75 cm，密度 约为 2 17 g/cm2;白色的组分为密度最大的未水化水泥颗粒;黑色的组分为孔洞;与竹纤维灰度相近的是水泥砂浆基体，其密度约为 2 36 g/cm3。黄麻纤维灰度相近的是水泥砂浆基体，其密度约为 2 36 g/cm3。1 1 1数据标记为提高深度学习网络的泛化能力，引入 labelme标注软件，对每一张原始图像中的竹纤维进行标记，便于和快速识别模型的预测结果进行比较;经过标注后的标签图像如图 2 所示，其中白色的为竹纤维。(a)原始图象(b)标签图象图 2竹纤维标签图像Fig 2Jute fiber label image1 1 2数据增强为了提高快速识别的精准度，本文在前期准备工作中，对 2 000 张有效原始图像进行数据增强，最终获 得 6 000 张 有 效 特 征 图。其 中，训 练 集3 600 张，验证集 1 280 张，测试集 1 120 张。1 2试验方法参考文献 4的方法，构建 DeepLabV3+深度学习网络对竹纤维混凝土结构中的竹纤维直径进行识别，进而识别竹纤维混凝土表面的裂缝。1 2 1DeepLabV3+网络模型DeepLabV3+是语义分割技术目前能达到的最新技术。DeepLabV3+网络模型在传统 DeepLabV的基础上，增加了 Decoder 模块，构建了 Encoder Decoder 结构，并在主干网络 Xception 中增加空间金字塔模块(Atrous Spatial Pyramid Pooling，ASPP)，同时，为了增大感受野，在模型中加入了空洞卷积(Atrous Convolution)算法，从而避免传统卷积操作中卷积核增大、网络结构计算量庞大的缺点;因此，相比于传统模型，DeepLabV3+具有参数数量大，网络层次更深的优点，可对图像进行更精准的提取和识别，符合本文目标样本短切纤维所需要的不同大小感受野以及更深层次的网络结构要求。因此，以DeepLabV3+对纤维混凝土中的短切纤维进行识别和研究;DeepLabV3+网络模型如图 3 所示5-11。031发明创新试验图 3DeepLabV3+模型整体框架Fig 3Overall framework of DeepLabV3+model1 2 3DeepLabV3+网络识别步骤由图 3 可知，DeepLabV3+网络包括:Encoder、Xception(如图 4 所示)、ASPP 和 Decoder 这 4 个模块，其对纤维混凝土表面短切纤维的识别流程为:(1)在 Encoder 结构中，输入事先收集的黄麻纤维混凝土的初始图像，采用 Xception 对原始图像进行识别，提取短切黄麻纤维的图像特征;(2)随机从步骤(1)中提取的图像特征中，抓取一个低尺度特征图;(3)采用 Decoder 结构模块，对步骤(2)抓取的的特征图进行解码，提取边缘特征信息;(4)通过 ASPP 模块，将步骤(2)剩余的特征图从不同尺度进行分析，获取其基本特征信息;(5)对通过了 ASPP 模块的特征图进行降维，再次输入到解码器结构中;(6)通过解码器融合特征图与边缘特征的信息，输出预测结果;(7)对比原始图像和预测结果，计算二者之间的误差;(8)在寻找到局部最优解后，记一次训练完成;(9)重复步骤(1)(8)，直到获得模型的最优权重，停止重复，输出结果。1 3评价指标网络模型的评价指标是指对模型给出的预测结果进行计算，并给出相应的评价分数。评价指标可以衡量模型的好坏。本文对短切黄麻纤维单个标签进行分类，随后采用语义分割中最为常用的 3 个评价指标来对 DeepLabV3+网络模型的预测结果进行评价，分别为准确率(Accuracy)、交并比 Intersectionover Union(IoU)、F1。图 4主干网络 Xception 结构示意图Fig 4Schematic diagram of backbone networkXception structure1 3 1分类结果本文研究目标为短切黄麻纤维，为单个标签。其中，正样本标签以【+标签】表示，反之为【标签】;正样本分类以【+分类】表示，反之为【分类】，因此，分类结果:(1)TP=【+标签】+【+分类】;(2)FN=【+标签】+【分类】;(3)FP=【标签】+【+分类】;(4)TN=【标签】+【分类】。1 3 2准确率准确率(Accuracy)表示的是所有样本都正确分类的概率。在 DeepLabV3+网络中，即所有预测正确图像特征占总特征信息的比例。准确率越高，图像分割效果越好。将 1 3 1 的分类结果带入准确率的定义中，得到准确率计算公式12-20:Accuracy=TP+TNTP+TN+FP+FN(1)1 3 3F1 值F1 值是一个折中指标，是召回率和精确率的调和平均值。召回率指有多少预测结果被召回;精确131发明创新试验率指被召回的预测结果中有多少符合标签图像。召回率公式:R=TPTP+FN(2)精确率公式:P=TPTP+FP(3)F1 值计算公式:F1=2PRP+R=2TP2TP+FP+FN(4)2结果与分析2 1网络训练结果在 DeepLabV3+网络进行分类测试前，需要对其进行网络训练，以确保网络达到最优。结合DeepLabV3+网络的结构，选择用损失函数、参数率、优化器对网络进行训练。2 1 1损失函数设计为保证网络的收敛速度，引入损失函数。损失函数将真实标签值和模型预测值之间的差异用数值量化为一个非负函数，其公式:lit=yit yit(5)式中:lit表示 yit与yit之间在第 t 维的预测误差;yit表示第 i 个样本的真实标签值;yit表示第 i 个样本经过网络的预测值。结合纤维混凝土材料组分的特征，选用交叉熵损失函数来处理数据分类问题和图像分割，具体为:(1)针对离散数据的分类问题，设样本的标签值为 y 1，C，模型输出结果的条件概