|
文献速读 Cement Concrete Res. ：基于双重预修正深度学习策略的超高延性水泥基复合材料（ECC）多裂缝高精度自动化语义分割  题目 Highly accurate and automatic semantic segmentation of multiple cracks in engineered cementitious composites (ECC) under dual pre-modification deep-learning strategy 基于双重预修正深度学习策略的超高延性水泥基复合材料（ECC）多裂缝高精度自动化语义分割 关键词 语义分割；超高延性水泥基复合材料（ECC）；微裂缝；全卷积神经网络；深度学习 来源 出版年份：2023年 来源：Cement and Concrete Research 课题组：东南大学土木工程学院鲁聪课题组 研究背景 超高延性水泥基复合材料（ECC）是一种应变硬化水泥基材料，具有多缝开裂特性，其优异的延性和耐久性与裂缝数量和宽度密切相关。因此，高效、准确评估ECC裂缝对提供精确且全面的裂缝数量和宽度信息具有重要意义。相较于体视法和间接测量，图像分析具有无损且直接的优点。然而，传统图像分析方法存在易受噪声影响、通用性不足、预处理和手动设定阈值易受图像质量影响等不足。随着计算机视觉的发展，卷积神经网络已广泛应用于混凝土损伤和裂缝检测。然而，受网络结构原理限制，卷积神经网络无法实现端到端输出，且对输入图像尺寸有严格限制，同时学习成本昂贵。为此，研究人员于2015年提出了用于语义分割的全卷积神经网络。 研究出发点 全卷积神经网络在ECC应用中取得了较大进展，但仍存在以下不足：1）传统方法需对图像进行预处理（二值化和灰度处理等），仍需手工操作，无法实现端到端输出，自动化程度低；2）由于图像采集精度低，现有方法无法获得足够精确的微裂缝图像，与光学显微镜测试相比误差较大；3）由于ECC极细的微裂缝和更高的精度要求，现有模型并不适用于ECC，需对算法和网络结构进行专门设计。因此，需进行深入研究，以解决上述问题。 研究内容 本文提出了一种专门为ECC定制的高精度自动化微裂缝语义分割模型。具体为：建立了不同环境和测试条件下的ECC表面裂缝图像开放数据集；提出了一种基于ECC表面微裂缝图像特征的双重预修正深度学习策略，以构建像素级语义分割模型；对模型进行训练、微调和固化，并将裂缝定量分析应用于ECC轴拉试件。  图1数据集制备流程  图2语义分割网络结构设计  图3基准组模型梯度下降  图4 基准组裂缝与背景的类别准确率（（b）为（a）中灰色区域的放大图像）  图5基准组单元语义分割结果  图6不同交叉融合结构的模型性能  图7优化后的模型梯度下降  图8优化后模型类别准确率  图9最优性能下类别准确率对比（（b）为（a）中灰色区域的放大图像）  图10 单元语义分割结果对比 图11大尺寸无预处理图像及对应语义分割结果 图12陌生失焦图像及对应语义分割结果 图13多缝开裂过程监测 图14（a）裂缝数量与应变关系；（b）裂缝宽度与应变关系 图15裂缝宽度真实性验证 总结 本文开发了一种基于双重预修正深度学习策略的高精度自动化超高延性水泥基复合材料（ECC）多裂缝语义分割模型：建立了一个包含不同加载状态和环境条件的ECC裂缝表面图像开放数据集；基于ECC微裂缝特征，提出了自适应类别权重和难度平衡因子以修正目标函数并确保模型高度符合任务场景；比较了修正后模型与基准组性能，并验证其泛化性和鲁棒性；利用所提出方法进行了ECC多缝开裂定量分析。具体结论如下： （1）对模型特征进行交叉融合，显著提高其端到端性能：准确率、平均像素精度、平均交并比、平权交并比分别达99.79%、99.78%、98.82%和96.90%。 （2）所提出的双重预修正深度学习策略不仅将裂缝的类别准确率从92.28%提高至99.87%，且将背景类别准确率从92.28%提高至99.87%。 （3）所提出模型的像素精度为7 μm，解决了微裂缝不连续分割、复杂交错区域分割边缘不清晰、无法识别模糊微裂缝等问题；与人工显微测量相比，该模型最大相对误差小于2.0%。 （4）验证了所提出方法的泛化性和鲁棒性，对输入图像尺寸和用户经验没有要求；图像输入后全过程全自动，对于一张未经预处理的4016×6016图像，全过程耗时不到5 s。 （5）使用所提出方法对ECC多裂缝进行定量分析，可提供准确全面的信息；与传统图像处理方法相比，该方法可更加直观和准确地分辨每个微裂缝形态。 |
|
|
