【技術實現步驟摘要】
本專利技術涉及建筑設計，具體為一種基于深度學習的殼體結構裂縫檢測方法。
技術介紹
1、建筑設計逐步向復雜、多樣化的方向發展，給結構設計提出很多難題。尤其在自由曲面大跨空間結構中，結構力學性能的合理性起到決定方案成敗的作用。要實現滿足建筑意圖的自由曲面建筑，一方面需要保證結構力學性能的合理性，另一方面需要最大程度抑制施工難度、最大限度降低施工費用。
2、針對在實際工程中可能存在的需求，舉出了利用b樣條曲線創建直紋曲面多條導線的生成方法，以及不同次數導線的連接與導線的分支方法。在此基礎上探討了組合直紋面的導線與導線控制點的布置方案、不同次數的設定、根據導線分支的開洞手段，進一步研究了不同形式復雜直紋曲面初始殼體結構的生成方法。
3、現有的對深度學習的殼體結構裂縫的檢測方法大多通過alexnet對模型裂縫識別，但是對于裂縫的識別精確性較差，因此，亟需一種基于深度學習的殼體結構裂縫檢測方法。
技術實現思路
1、本部分的目的在于概述本專利技術的實施方式的一些方面以及簡要介紹一些較佳實施方式。在本部分以及本申請的說明書摘要和專利技術名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和專利技術名稱的目的模糊，而這種簡化或省略不能用于限制本專利技術的范圍。
2、鑒于上述和/或現有一種基于深度學習的殼體結構裂縫檢測方法中存在的問題，提出了本專利技術。
3、因此，本專利技術的目的是提供一種基于深度學習的殼體結構裂縫檢測方法，通過進行進行數據準備對數據進
4、為解決上述技術問題，根據本專利技術的一個方面，本專利技術提供了如下技術方案：
5、一種基于深度學習的殼體結構裂縫檢測方法，其包括：
6、s1、進行數據準備，創建訓練和驗證數據集，包括將樣本分配到訓練集和驗證集中，并對數據進行隨機打亂；
7、s2、進行模型加載與修改，以適應特定的應用場景和優化模型性能；
8、s3、進行設備設置，確定模型運行的設備，優先使用gpu以加速訓練和推理過程，包括優化器和損失函數設置和數據加載器配置；
9、s4、進行模型訓練，包括前向傳播、計算損失、反向傳播和優化器步驟，在每個epoch結束后，根據驗證集上的表現保存最佳模型權重并對新圖像進行裂縫檢測，使用訓練好的模型進行預測，并輸出裂縫類別；
10、s5、使用驗證集評估模型性能，計算精確率、召回率等指標，并可視化模型預測結果并進行模型改進。
11、作為本專利技術所述的一種基于深度學習的殼體結構裂縫檢測方法的一種優選方案，其中，所述步驟s1中，需要準備的數據包括圖像數據集、數據標注、數據預處理、圖像像素歸一化處理、數據集劃分、數據加載、數據集類別映射和預訓練模型權重。
12、作為本專利技術所述的一種基于深度學習的殼體結構裂縫檢測方法的一種優選方案，其中，所述步驟s3中，優化器和損失函數的設置包括定義損失函數和優化器，并設置學習率調度器以在訓練過程中調整學習率。
13、作為本專利技術所述的一種基于深度學習的殼體結構裂縫檢測方法的一種優選方案，其中，所述步驟s3中，數據加載器配置包括配置dataloader以批量加載數據，并設置適當的參數，如批量大小和是否打亂數據。
14、作為本專利技術所述的一種基于深度學習的殼體結構裂縫檢測方法的一種優選方案，其中，所述步驟s5中，對于模型推理步驟包括加載模型和進行圖像預處理，進入評估模式，將預處理后的圖像數據輸入模型進行推理并輸出解析，根據需要，對模型的輸出進行后處理后對推理結果進行展示。
15、作為本專利技術所述的一種基于深度學習的殼體結構裂縫檢測方法的一種優選方案，其中，所述步驟s5中，模型改進包括通過改進網絡結構，移除全連接層和平均池化層，引入混合擴張卷積，并在不同層之間加入空間通道注意力機制，以及使用多尺度特征融合，來提高裂縫檢測的性能。
16、與現有技術相比：通過進行進行數據準備對數據進行隨機打亂，并對設備進行充分設置后進行模型訓練，能夠通過學習裂縫的特征表示來實現高精度的裂縫檢測，減少人工檢測的需求，提高檢測效率,即使在復雜背景、低對比度等困難情況下，也能準確地檢測出裂縫,且深度學習模型可以使用針對不平衡數據的損失函數，以解決裂縫像素遠少于背景像素的問題，提高裂縫檢測的準確性。
本文檔來自技高網...【技術保護點】
1.一種基于深度學習的殼體結構裂縫檢測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于深度學習的殼體結構裂縫檢測方法，其特征在于，所述步驟S1中，需要準備的數據包括圖像數據集、數據標注、數據預處理、圖像像素歸一化處理、數據集劃分、數據加載、數據集類別映射和預訓練模型權重。
3.根據權利要求1所述的一種基于深度學習的殼體結構裂縫檢測方法，其特征在于，所述步驟S3中，優化器和損失函數的設置包括定義損失函數和優化器，并設置學習率調度器以在訓練過程中調整學習率。
4.根據權利要求1所述的一種基于深度學習的殼體結構裂縫檢測方法，其特征在于，所述步驟S3中，數據加載器配置包括配置DataLoader以批量加載數據，并設置適當的參數，如批量大小和是否打亂數據。
5.根據權利要求1所述的一種基于深度學習的殼體結構裂縫檢測方法，其特征在于，所述步驟S5中，對于模型推理步驟包括加載模型和進行圖像預處理，進入評估模式，將預處理后的圖像數據輸入模型進行推理并輸出解析，根據需要，對模型的輸出進行后處理后對推理結果進行展示。
6.根據權利
...【技術特征摘要】
1.一種基于深度學習的殼體結構裂縫檢測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于深度學習的殼體結構裂縫檢測方法，其特征在于，所述步驟s1中，需要準備的數據包括圖像數據集、數據標注、數據預處理、圖像像素歸一化處理、數據集劃分、數據加載、數據集類別映射和預訓練模型權重。
3.根據權利要求1所述的一種基于深度學習的殼體結構裂縫檢測方法，其特征在于，所述步驟s3中，優化器和損失函數的設置包括定義損失函數和優化器，并設置學習率調度器以在訓練過程中調整學習率。
4.根據權利要求1所述的一種基于深度學習的殼體結構裂縫檢測方法，其特征在于，所述步驟s3中，數據加載器配置包括...
【專利技術屬性】
技術研發人員：王昆，王勝，伏茂，安旭，吳楊洋，蔣偉，唐興勝，張成才，黃仁林，潘勝宇，
申請(專利權)人：中國建筑第七工程局有限公司，
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。