基于神经网络的叠合面粗糙度检测方法研究

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。