【技術實現步驟摘要】
本專利技術涉及結構健康監測領域，具體來說，涉及一種基于深度學習的多層次復合結構損傷識別方法及系統。
技術介紹
1、結構健康監測是工程領域中的一個重要研究方向，尤其在橋梁、隧道、建筑物和大型基礎設施中，結構損傷的及時檢測和預防具有至關重要的意義。隨著基礎設施的老化及環境影響的加劇，如地震、風載、腐蝕等因素，結構出現損傷和退化的風險逐漸增高。如果不及時發現并修復這些損傷，可能導致嚴重的安全隱患，甚至引發災難性后果。因此，如何高效、準確地進行結構損傷檢測成為工程界亟待解決的問題。
2、傳統的結構損傷檢測方法主要依賴于人工檢測和監測設備，如超聲波檢測、紅外檢測、激光掃描等。這些方法雖然在一定程度上能夠發現結構損傷，但存在以下幾個主要問題：第一，人工檢測往往依賴于檢測人員的經驗，容易受到主觀因素影響，導致誤判或漏判；第二，傳統的檢測方法效率低，尤其是在面對大型結構或復雜環境時，難以進行全面、快速的檢測；第三，常規方法難以實現自動化，耗費大量的人力、物力，并且由于設備限制，難以實時監控結構健康狀態。
3、近年來，隨著計算機視覺和深度學習技術的快速發展，基于圖像處理的自動化結構損傷檢測技術逐漸受到關注。深度學習通過大量數據的訓練，能夠提取圖像中的高級特征并進行自動識別，展現出遠超傳統方法的潛力。相比于傳統方法，基于深度學習的結構損傷檢測具有以下顯著優勢：
4、1、自動化程度高：深度學習算法能夠自動處理從圖像采集到特征提取的整個過程，極大地減少了對人工經驗的依賴。通過大量的圖像數據進行訓練，深度學習模型能夠更
5、2、高效且精準：在經過充分訓練后，深度學習模型能夠在較短的時間內處理大量圖像數據，完成復雜結構的損傷分析。特別是在識別微小損傷特征時，深度學習的表現遠優于傳統方法。
6、3、多任務處理：深度學習不僅可以用于圖像分類，還能夠結合目標檢測和語義分割技術，實現對損傷的多維度識別。通過這些技術，深度學習不僅能判定損傷的類型，還可以精確定位損傷的具體位置和形狀，獲取損傷的邊界信息，為后續的修復決策提供更加精確的數據支持。
7、然而，現有的基于深度學習的結構損傷檢測方法仍面臨一些挑戰。首先，結構損傷種類繁多，包括裂縫、剝落、腐蝕、變形等，不同類型的損傷形態、尺度差異較大。單一的深度學習模型往往難以同時應對所有類型的損傷，現有的深度學習方法在檢測復雜損傷時，存在一定的局限性。其次，深度學習模型通常需要大量的計算資源，尤其是在處理高清圖像數據時，訓練和推理的計算成本較高。此外，在實際應用中，尤其是需要進行實時監控的場景下，如何在保證檢測精度的同時提高運算速度，仍是亟待解決的問題。此外，深度學習模型的性能依賴于數據集的多樣性和質量，訓練數據和實際場景可能存在一定差距。在不同環境條件下(如光照變化、角度不同等)，模型的表現可能不穩定，泛化能力有待提升。
8、針對相關技術中的問題，目前尚未提出有效的解決方案。
技術實現思路
1、針對相關技術中的問題，本專利技術提出一種基于深度學習的多層次復合結構損傷識別方法及系統，以克服現有相關技術所存在的上述技術問題。
2、為此，本專利技術采用的具體技術方案如下：
3、根據本專利技術的一個方面，提供了一種基于深度學習的多層次復合結構損傷識別方法，該方法包括以下步驟：
4、s1、獲取工程領域多層次復合結構的結構損傷數據集，基于結構損傷數據集依次構建一級損傷識別模型和二級損傷識別模型，并對一級損傷識別模型和二級損傷識別模型依次進行訓練；
5、s2、基于訓練完成后的一級損傷識別模型，對結構損傷數據集中的圖像數據進行一級損傷識別，并基于一級損傷識別結果將所述結構損傷數據集中的圖像數據劃分為無損傷圖像數據集與有損傷圖像數據集；
6、s3、基于訓練完成后的二級損傷識別模型，對有損傷圖像數據集中的圖像數據進行二級損傷識別，獲得二級損傷識別結果。
7、進一步的，獲取工程領域多層次復合結構的結構損傷數據集，基于結構損傷數據集依次構建一級損傷識別模型和二級損傷識別模型，并對一級損傷識別模型和二級損傷識別模型依次進行訓練包括以下步驟：
8、s11、從數據集上獲取工程領域多層次復合結構的圖像數據，建立結構損傷數據集；
9、s12、對結構損傷數據集中的圖像數據進行預處理；
10、s13、對預處理后的結構損傷數據集中所有圖像數據進行標注，獲取一級與二級結構損傷數據集，并根據預設標準將一級與二級結構損傷數據集劃分為相應的訓練集與驗證集，二級結構損傷數據集包括目標與分割結構損傷數據集；
11、s14、基于深度學習算法，構建一級損傷識別模型及二級損傷識別模型，二級損傷識別模型包括目標檢測模型與語義分割模型；
12、s15、利用一級結構損傷數據集的訓練集對一級損傷識別模型進行訓練；
13、s16、利用二級結構損傷數據集中的訓練集對二級損傷識別模型進行訓練。
14、進一步的，對結構損傷數據集中的圖像數據進行預處理包括以下步驟：
15、s121、對結構損傷數據集中的樣本數據執行圖像縮放操作；
16、s122、對圖像縮放操作后的樣本數據進行色彩調整，以修改樣本數據的色彩屬性；
17、s123、對色彩修改后的樣本數據進行旋轉校正，并對旋轉校正后的樣本數據進行降噪處理。
18、進一步的，基于深度學習算法，構建一級損傷識別模型及二級損傷識別模型，二級損傷識別模型包括目標檢測模型與語義分割模型包括以下步驟：
19、s141、根據深度學習算法，設計resnet-50架構，并基于resnet-50架構構建圖像分類模型，所述圖像分類模型為一級損傷識別模型；
20、s142、根據深度學習算法，設計yolo-v8架構，并基于yolo-v8架構構建目標檢測模型；
21、s143、根據深度學習算法，設計deeplab語義分割網絡架構，并基于deeplab語義分割網絡架構構建語義分割模型。
22、進一步的，利用一級結構損傷數據集的訓練集對一級損傷識別模型進行訓練包括以下步驟：
23、s151、將一級結構損傷數據集的訓練集輸入至圖像分類模型，通過圖像分類模型的深層網絡結構逐層提取圖像特征；
24、s152、基于提取的圖像特征，在深層網絡結構的末端通過全連接層與激活函數進行分類預測，并利用二分類交叉熵損失函數評估圖像分類模型的收斂性；
25、s153、利用反向傳播算法與梯度下降算法更新圖像分類模型的參數；
26、s154、重復執行步驟s151至步驟s153，直至達到預設的停止條件，得到損傷分類結果。
27、進一步的，二分類交叉熵損失函數的公式為：
28、
29、式中，loss(1)表示圖像分類模型的總損失值；
30、n本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的多層次復合結構損傷識別方法，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述的一種基于深度學習的多層次復合結構損傷識別方法，其特征在于，所述獲取工程領域多層次復合結構的結構損傷數據集，基于結構損傷數據集依次構建一級損傷識別模型和二級損傷識別模型，并對一級損傷識別模型和二級損傷識別模型依次進行訓練包括以下步驟：
3.根據權利要求2所述的一種基于深度學習的多層次復合結構損傷識別方法，其特征在于，所述對結構損傷數據集中的圖像數據進行預處理包括以下步驟：
4.根據權利要求3所述的一種基于深度學習的多層次復合結構損傷識別方法，其特征在于，所述基于深度學習算法，構建一級損傷識別模型及二級損傷識別模型，所述二級損傷識別模型包括目標檢測模型與語義分割模型包括以下步驟：
5.根據權利要求4所述的一種基于深度學習的多層次復合結構損傷識別方法，其特征在于，所述利用一級結構損傷數據集的訓練集對一級損傷識別模型進行訓練包括以下步驟：
6.根據權利要求5所述的一種基于深度學習的多層次復合結構損傷識別方法，其特征在于，所
7.根據權利要求6所述的一種基于深度學習的多層次復合結構損傷識別方法，其特征在于，所述利用二級結構損傷數據集中的訓練集對二級損傷識別模型進行訓練包括以下步驟：
8.根據權利要求7所述的一種基于深度學習的多層次復合結構損傷識別方法，其特征在于，所述目標檢測損失函數的公式為：
9.根據權利要求8所述的一種基于深度學習的多層次復合結構損傷識別方法，其特征在于，所述像素級交叉熵損失函數的公式為：
10.一種基于深度學習的多層次復合結構損傷識別系統，用于實現權利要求1-9中任一項所述的基于深度學習的多層次復合結構損傷識別方法，其特征在于，該系統包括模型構建與訓練模塊、一級損傷識別模塊及二級損傷識別模塊；
...【技術特征摘要】
1.一種基于深度學習的多層次復合結構損傷識別方法，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述的一種基于深度學習的多層次復合結構損傷識別方法，其特征在于，所述獲取工程領域多層次復合結構的結構損傷數據集，基于結構損傷數據集依次構建一級損傷識別模型和二級損傷識別模型，并對一級損傷識別模型和二級損傷識別模型依次進行訓練包括以下步驟：
3.根據權利要求2所述的一種基于深度學習的多層次復合結構損傷識別方法，其特征在于，所述對結構損傷數據集中的圖像數據進行預處理包括以下步驟：
4.根據權利要求3所述的一種基于深度學習的多層次復合結構損傷識別方法，其特征在于，所述基于深度學習算法，構建一級損傷識別模型及二級損傷識別模型，所述二級損傷識別模型包括目標檢測模型與語義分割模型包括以下步驟：
5.根據權利要求4所述的一種基于深度學習的多層次復合結構損傷識別方法，其特征在于，所述利用一級結構...
【專利技術屬性】
技術研發人員：王杰惠，李勇，張鳳亮，龔貴清，馬立平，
申請(專利權)人：深圳大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。