论文部分内容阅读
框架混凝土结构因其稳定性和耐久性好,且建造养护成本低廉等优点,被广泛地应用于现代土木工程项目中。混凝土作为建筑主体结构最外侧的保护材料,不仅保护着建筑物免受外部风雪侵蚀,同时也保护着结构内部的钢筋。在工程实际施工过程中,建设方或施工方仅侧重检测混凝土的内在性能,往往轻视甚至忽视对混凝土表观成型质量的检查。传统的混凝土表观成型质量的检测是通过目视检查的方式,对混凝土表观成型质量进行一个大致的判断。这种检测方法的标准不统一,检测过程中随意性和主观性大,且检测结果很难形成完整的检测报告和资料,对后续建筑结构的质量责任追查和检修维护造成极大的困难。成型质量不合格的混凝土表观对建筑结构的影响很大,不仅降低了混凝土的强度,还极易造成渗漏,腐蚀结构内部钢筋,甚至影响结构的耐久性和使用年限。因此,探索寻求一种更加直接、全面、高效、便捷、自动化程度高的混凝土表观成型质量检测方法具有重要的现实意义。通过高像素手机采集不同工程现场的混凝土表观质量成型的缺陷图像,以图像识别技术为基础,以深度学习技术为支撑。通过卷积神经网络对采集的图像进行自我的学习,实现对混凝土表观蜂窝、麻面、孔洞以及拼缝漏浆这4种主要缺陷类型的检测识别与分类。同时,将所述检测方法在工程现场进行实地测试。主要完成如下工作:(1)首先对华东区域混凝土结构的施工和养护工艺进行阐述,以及调研江苏地区的混凝土表观成型主要存在的几种缺陷类型,并介绍卷积神经网络基础算法的可行性。同时对混凝土表观质量检测方法研究的总体架构流程进行设计。(2)在完成总体方法设计之后,随机采集江苏地区某5个工程现场4种不同类型的混凝土表观成型质量缺陷图像。随后对采集的图像进行预处理,以去除图像中多余的干扰信息。图像预处理的方法包括:1)基于Mask匀光的图像亮度平衡处理,以平衡图像亮度;2)基于霍夫(Hough)变换的圆形检测,以检测提取图像中的圆形区域;3)基于连通区域标记算法的圆形态减除方法,以减除检测出的圆形区域。在完成上述图像预处理后发现,采集的图像中的圆形套管被减除,且图像的亮度和色彩信息得到较好的平衡。同时,在完成图像预处理后,对采集的图像数量进行适当增广。增广方法包括:1)基于几何变换的图像数据扩增方法;2)基于颜色空间变换的图像数据扩增方法。以此来扩充图像的数量,以方便后续卷积神经网络对图像特征的提取检测。完成上述对图像质量和数量的处理后,对图像进行了缺陷区域的手动标注,并将标注的图像在3种不同网络模型的卷积神经网络中进行测试。经测试发现Faster R-CNN网络结构模型的检测结果最佳,准确率均超60%。(3)基于上述不同卷积神经网络的测试结果,在Faster R-CNN网络结构模型下对混凝土表观成型质量进行了检测。首先,对学习率和迭代次数进行了设置,同时将所有处理完成的图像作为成数据集,并分为训练集和测试集。在设定的参数条件下对数据集进行了训练、识别、分类。经测试,在实验室环境下的混凝土麻面缺陷的检测识别率为28%,分类准确率为85%。孔洞的检测识别率为74%,分类准确率为94%。蜂窝的检测识别率为60%,分类准确率为92%。拼缝漏浆的检测识别率为75%,分类准确率为93%。除麻面外,其余3种缺陷的检测识别率均超60%,分类准确率均超90%,其检测结果具有一定的可靠性和实用性。(4)为测试研究方法在实际工程中的可靠性和实用性,基于上述方法,并结合实际工程现场,对某一在建工程中的不同种类的建筑主体结构的混凝土表观成型质量进行了测试。在同一工程现场采集了不同种类的建筑主体结构的混凝土表观成型质量图像,并对图像按上述方法中处理方式,对图像质量和数量进行了处理。再在处理完成的基础上,进行检测识别与分类。在工程实测的检测结果中发现,本方法相比于传统检测方法,不仅检测方式更加便捷、简单,检测速率快,辅以无人机还可以实现对建筑外立面和超高处混凝土表观成型质量的检测。尽管检测识别的准确率仅为70%左右,但在全面检测的基础上,其真实的检出率远超传统人工抽检。与此同时,由于真实工程环境复杂,其采集的图像中的干扰因素较多,导致在检测分类过程中,误检分类的情况较多,检测分类率不足60%。这是由于工程环境特征和算法的不足等多种因素所导致。基于上述工程实测中出现的不足,提出了未来改进和探究的方向。