Page 89 - 无损检测2024年第八期

王 晨：
基于机器视觉的装配式建筑混凝土结构损伤检测

计算，这18个通道的数据被重新组合为2个通道，分
别表示需要检测的目标与背景和网络的分类数。接
着，使用Softmax层计算检测框中目标存在的概率。
在SmoothL1回归分支中，数据经过卷积操作后转换
为36个通道，每个通道对应于4×9个锚点的位置信
息 [15] 。然后，利用Smooth L1层预测目标检测框的
中心坐标、宽度和高度。这种分支不仅提高了网络
的非线性表达能力，还使其在处理不同任务时更加
稳定可靠。 图 3 混凝土结构损伤检测试验现场
在训练RPN时，需要尽量减少Ground truth中
且对环境的影响较小。
目标边界框与预测边界框间的差异，提高重叠度。
接着对采集的建筑混凝土图像实施滤波处理，
因此将其损失函数设置为
处理结果如图4所示。
L ( , , ,uu r r i ∗ ) = 1 ∑ L cls ( ,uu i ∗ ) +
∗
M
i
i
i
i
cls i
rr
∗
ϑ 1 u L ( , i ∗ )
i
i
M reg
reg
（6）
∗
式中：u 为在锚中检测目标的对应预测概率；u 为
i
i
输入混凝土图像的Ground truth；r 为锚与预测目标
i
∗
检测框的几何差异；r 为锚中的推荐检测框与
i
Ground truth中目标边界框间的几何差异；M 为分 图 4 装配式建筑混凝土图像滤波处理结果
cls
类的归一化常数； ( ,L uu ∗ ) 为 Softmax分类的损
cls i i 最后利用设计的Faster R-CNN模型实施建筑的
失；M 为回归的归一化 常数；ϑ 为平衡参数；
reg 混凝土结构损伤检测。在检测中，随机选取20%作
L ( ,rr ∗ ) 为 SmoothL1 回 归 的 损失；i 为 各 mini- 为测试图像，另外80%作为训练图像。
reg i i
batch的索引值。 训练时，Fast R-CNN与RPN的参数设置情况
Fast R-CNN分为两个主要分支：回归分支与分 如下：① 权重衰减为0. 0001；② 动量为0. 8；③ 初
类分支。在分类分支中，全连接层之后是Softmax层， 始学习率为0. 1；④ 训练迭代次数为50 000次。
用于对预测边界框中的目标实施分类。而在回归分 当完成40 000次迭代后，学习率衰减为初始学
支中，使用Softmax层和另一个全连接层来计算预测 习率的1/10。
边界框的位置，Fast R-CNN的损失函数由回归损失 随后测试噪声环境下笔者设计方法对于有污渍
与分类损失构成。 表面、阴影表面、粗糙表面的混凝土结构损伤的检测
性能。在试验中，采用超声脉冲损伤检测方法与基
2 混凝土结构损伤检测试验
于超声阵列的结构损伤检测方法共同实施测试，并
2.1 试验过程 分别用方法A、方法B来表示，以简化后续表述。
利用设计的基于机器视觉的混凝土结构损伤检 2.2 测试结果分析
测方法实施某装配式建筑混凝土结构损伤检测，测 对于有污渍的混凝土表面，笔者设计方法与方
试设计方法的检测性能。混凝土结构损伤检测试验 法A、方法B在噪声环境下的检测结果如图5所示。
现场如图3所示。 由图 5 可见，在噪声环境下，对于有污渍的混凝土
在噪声环境下，首先利用设计的机器视觉采集 表面，笔者设计方法的检测结果准确，而方法 A、
装置实施装配式建筑的混凝土图像采集并将其作为 方法 B 的检测结果存在误差，证明了设计方法的
数据集。选择一栋两层高的装配式建筑作为试验对 鲁棒性与检测性能的优越性。
象，该建筑采用预制混凝土构件实施装配，整体结构 在噪声环境下，对于阴影混凝土表面，笔者设
采用框架结构体系。整个建筑的装配化程度较高， 计方法与方法 A、方法 B 的检测结果如图 6 所示。
51
2024 年 第 46 卷 第 8 期
无损检测