论文部分内容阅读
混凝土是一种特殊的天然缺陷复杂材料,混凝土内部破损特征检测是混凝土细观结构破损演化机理研究的重要方面。传统方法中对于混凝土CT图像损伤特征的研究很大程度受到噪声的干扰,影响了孔洞及裂纹的识别效果。卷积神经网络对于图像中噪声及形变具有一定程度的不变形,根据不同的任务需求自动地学习有用的特征,帮助算法完成检测和识别的任务,并具有更强的表达目标能力。因此本文采用了改进的卷积神经网络算法对孔洞及裂纹进行了检测研究,分别以Faster R-CNN模型为代表的基于候选区域提取,和以YOLO模型为代表的基于回归的检测进行了研究,主要内容包括:(1)在原始Faster R-CNN的基础上,以深度残差网络ResNet-101及ResNet-50作为检测算法的主框架,将特征金字塔网络(Feature Pyramid Network,FPN)和ROI Align引入到Faster R-CNN网络结构中对混凝土CT图像中孔洞及裂纹进行检测。利用特征金字塔网络生成高质量的金字塔特征图,并使用ROI Align解决感兴趣区域池化中量化操作引起区域不匹配的问题。试验表明,改进的ResNet-101+FPN+ROI Align和ResNet-50+FPN+ROI Align检测准确率分别达到了87.08%和81.36%,分别提高了4.74和3.12个百分点,但是对于单张图片的检测时间,相较于原始算法慢。(2)以YOLOv3模型为基础,将k-means算法和批再规范化处理(Batch Renormalization)算法加入YOLOv3网络用于混凝土CT图像中孔洞及裂纹的目标检测。使用k-means算法获得大小和形状合适的Anchor Box,并使用批再规范化处理解决网络层数多,计算量偏大可能导致地过拟合现象。试验表明,YOLOv3算法能一次性预测多个边界框的位置和类别,将目标检测变成一个回归问题,增加了检测速度,达到平均每张检测时间0.0672s,但由于没有区域提取机制,仅网格回归导致目标定位不精确,使得YOLOv3的检测精度下降。本文以Faster R-CNN模型和YOLOv3模型为核心,分别结合新的理论成果,提出了改进的Faster R-CNN检测算法及改进的YOLOv3检测算法应用在混凝土损伤特征检测中。在理论研究的基础上结合工程应用背景,为混凝土细观破损机理研究提供了一定的技术支撑。