基于神经网络的叠合面粗糙度检测方法研究
2020-11-10郭扬殷粉芳
郭扬 殷粉芳
摘要:神经网络是人工智能领域模仿动物神经系统的一种理论,成功应用于语音处理、图像分析、自适应控制等领域。现尝试将神经网络理论应用于叠合面粗糙度检测,利用已有的大量经过专家判定的叠合面照片进行训练,神经网络可以自动检测叠合面的粗糙度,与现有方法相比,基于神经网络的检测客观迅速,提高了检测过程的效率和检测结果的准确性,符合建筑业转型升级的趋势。
关键词:神经网络;人工智能;叠合面粗糙度
0 引言
神经网络作为人工智能领域的一种理论,尚未广泛应用到建筑工业化领域,本研究基于大量语音识别、图像处理神经网络的训练经验,将已经成熟的神经网络理论应用到建筑工业化领域,以期加快检测速度,提高检测准确率。
中国目前的粗糙度检验普遍采用目测,国际上各国规范各不相同,国际混凝土修复组织(ICRI)推荐堆砂法,欧洲建议硅粉堆落法,日本建议触针法,美国规范不直接检测粗糙度,而按照处理工艺来区分粗糙度。这些方法一方面检测时间长,严重影响了构件的运输吊装等施工效率,同时增加了大量的人工成本;另一方面,由于质量监督人员的各種主客观原因,手工检验有时会存在检验结果误差或数据造假的问题。本研究旨在探索一种粗糙度检验的客观方法。
1 基本问题
1.1 粗糙度的合理标准
建筑工业化和土木工程加固中,与粗糙度直接相关的都是叠合面结合强度,合理的粗糙度定义应当反映结合强度,最为常用的平均值标准为:
方均根值标准为:
其都没有反映局部的变化和表面轮廓,所以截然不同的轮廓可能对应相同的粗糙度。本文旨在根据大量构件的试验,提出较为符合结合强度的粗糙度标准。
1.2 粗糙度对叠合面剪应力的影响
粗糙度直接决定了结合面剪应力的大小,我国规范缺乏对其的规定。
欧洲规范规定为:
考虑了粘合和摩擦的影响,参数根据平均值粗糙度R确定。
而美国规范规定为:
除了粘合和摩擦,式中最后一项考虑了钢筋的销栓作用,参数根据处理工艺来确定。
本研究将通过大量构件的试验,分析出粗糙度对剪应力的影响。
2 数据获取
在江苏某叠合板预制工厂,收集一万张叠合面照片,采用supervised learning,根据专家对构件的人工判定将每张照片分为不同等级。本文分为三个等级,其中很粗糙(用数字1表示)、一般粗糙(用数字0表示)、不粗糙(用数字-1表示)作为神经网络的基础数据,下一步将增加到五个等级。机器学习界普遍认为一百万个数据通常才能达到人工识别标准,本文的数据的确不足,下一步将进一步获取数据。取不同等级的试件进行叠合面剪应力测试,将这些照片和对应等级作为神经网络训练的基础,剪应力结果作为理论分析的基础。
3 神经网络训练
本文以专家的人工判定作为平整度等级标准训练神经网络。在网络结构上,一方面借鉴经典神经网络(如LeNet5、AlexNet、ZFNet、VGG16、GoogLeNet和ResNet)的结构,另一方面根据本课题的问题特点对网络结构进行改进。最终网络有六万个节点(node),采用Rectified Linear Unit(ReLU)作为神经网络的节点函数。在训练过程中,采用随机梯度下降法(stochastic gradient descent)和backpropagation方法确定网络参数。
第0层(输入层):
以此类推,得到所有backward数据。
最终神经网络可以输出自动判定的误差较低的平整度,并且根据平整度测试的结果,分析剪应力的影响因素。
4 结语
建筑工业化可以有效推动建筑业转型升级,近年来,国务院、住建部和各地方政府陆续出台政策文件,大力引导和推动建筑工业化的发展,并有力地激发了市场需求。在建筑工业化政策引导下,预制混凝土构件被广泛应用于工业与民用建筑及基础设施建设中。与现浇混凝土相比,预制混凝土构件质量更有保障,对环境污染小,也节省了人工成本。但是,在带来诸多好处的同时,也带来了新的技术问题,其中粗糙度检测很难实现。
本文通过神经网络方法检测叠合板的粗糙度,是人工智能在建筑工业化领域的应用,不失为有价值的尝试,下一步将增加数据量及分级数量,争取实现粗糙度的自动检测。
[参考文献]
[1] LECUN Y,BENGIO Y,HINTON G E.Deep Learning[J].Nature, 2015(521):436-444.
[2] HINTON G E,OSINDERO S,TEH Y.A fast learning algori-
thm for deep belief nets[J]..Neural Computation,2006,18(7):1527-1554.
[3] BISHOP C M.Pattern Recognition and Machine Learning[M].Springer,2006.
[4] HINTON G E,SALAKHUTDINOV R R.Reducing the dimension-
ality of data with neural networks[J].Science,2006, 313:504-507.
[5] MURPHY K P.Machine learning A Probabilistic Perspec-
tive[M].The MIT Press,2012.
[6] HINTON G E.To recognize shapes,first learn to gener-
ate images[J].Progress in Brain Research,2007,165: 535-547.
[7] HINTON G E.Learning Multiple Layers of Representation
[J].Trends in Cognitive Sciences,2007,11(10): 428-434.
收稿日期:2020-08-12
作者简介:郭扬(1988—),男,江苏徐州人,讲师,研究方向:楼宇智能化。
殷粉芳(1989—),女,河南周口人,讲师,研究方向:结构工程。