竹纤维改性合成混凝材料表面缺陷检测技术优化

2023-03-09邢羽琪

粘接 2023年2期

邢羽琪

(云南民族大学，云南昆明 650031 )

纤维混凝土是纤维和水泥基料组成的复合材料，具有抗压强度高、耐久性强等特点，被广泛应用于工程领域。一旦纤维混凝土材料中的纤维出现断裂等，会严重影响混凝土的性能。因此，加强度纤维混凝土材料的识别成为思考和研究的热点。目前，针对纤维混凝土材料的识别问题，有学者采用深度学习技术对混凝土的内部石料组分进行清晰度还原，以此判断混凝土表面裂缝是否存在，并验证了算法的可行性与可靠性[1]；对ASR导致的混凝土材料损伤进行评估，得出深度学习算法能较为准确的对混凝土电镜损伤图像进行分类，进而辨别混凝土表面裂缝[2]；Uwanuakwa等引入深度学习模型对粉煤灰混凝土碳化深度进行预测，试验结果表明该模型具有较高预测性，为识别粉煤灰混凝土表面裂缝提供了借鉴。深度学习被广泛应用在混凝土表面裂缝识别方面，但用于竹纤维混凝土表面裂缝的识别较少。因此，结合竹纤维混凝土在抗劈拉强度上的优势，提出一种基于DeepLabV3+网络的识别实验方案，并对方案的可行性进行验证，以此为纤维混凝土表面裂缝的信息化识别提供参考，推进混凝土表面裂缝识别技术的深度应用。

1 试验方案

1.1 数据来源

竹纤维是植物纤维混凝土最常用的纤维之一。目前，应用于混凝土的竹纤维的长度在1～5 cm。除竹纤维以外，部分学者也将黄麻纤维应用到纤维混凝土中。本研究的目的是利用深度学习算法识别纤维混凝土表面裂缝中的竹纤维，因此前期准备工作中，准备一个高30 mm、直径10 mm的竹纤维混凝土圆柱体样品，并进行无损检测。扫描圆柱体样品的正、侧和水平3个方向，提取其核心部分的扫描图像，获得2 000张正向扫描图，图像大小均为(325×325×3)pixels；部分示例图像如图1所示。

图1 纤维混凝土的断面图Fig.1 Cross section of fiber concrete

从图1可以看出，灰色的线条状组分是竹纤维。通过测量其直径d=1 cm，长度l=3.75 cm,密度ρ约为2.17 g/cm2；白色的组分为密度最大的未水化水泥颗粒;黑色的组分为孔洞;与竹纤维灰度相近的是水泥砂浆基体，其密度约为2.36 g/cm3。

黄麻纤维灰度相近的是水泥砂浆基体，其密度约为2.36 g/cm3。

1.1.1数据标记

为提高深度学习网络的泛化能力，引入labelme标注软件，对每一张原始图像中的竹纤维进行标记，便于和快速识别模型的预测结果进行比较；经过标注后的标签图像如图2所示，其中白色的为竹纤维。

图2 竹纤维标签图像Fig.2 Jute fiber label image

1.1.2数据增强

为了提高快速识别的精准度，本文在前期准备工作中，对2 000张有效原始图像进行数据增强，最终获得6 000张有效特征图。其中，训练集3 600张，验证集1 280张，测试集1 120张。

1.2 试验方法

参考文献[4]的方法，构建DeepLabV3+深度学习网络对竹纤维混凝土结构中的竹纤维直径进行识别，进而识别竹纤维混凝土表面的裂缝。

1.2.1DeepLabV3+网络模型

DeepLabV3+是语义分割技术目前能达到的最新技术。DeepLabV3+网络模型在传统DeepLabV的基础上，增加了Decoder模块，构建了Encoder- Decoder 结构，并在主干网络Xception中增加空间金字塔模块(Atrous Spatial Pyramid Pooling，ASPP)，同时，为了增大感受野，在模型中加入了空洞卷积(Atrous Convolution)算法，从而避免传统卷积操作中卷积核增大、网络结构计算量庞大的缺点；因此，相比于传统模型，DeepLabV3+具有参数数量大，网络层次更深的优点，可对图像进行更精准的提取和识别，符合本文目标样本短切纤维所需要的不同大小感受野以及更深层次的网络结构要求。因此，以DeepLabV3+对纤维混凝土中的短切纤维进行识别和研究；DeepLabV3+网络模型如图3所示[5-11]。

图3 DeepLabV3+模型整体框架Fig.3 Overall framework of DeepLabV3+model

1.2.3DeepLabV3+网络识别步骤

由图3可知，DeepLabV3+网络包括：Encoder、Xception(如图4所示)、ASPP和Decoder这4个模块，其对纤维混凝土表面短切纤维的识别流程为：

图4 主干网络Xception结构示意图Fig.4 Schematic diagram of backbone network Xception structure

(1)在Encoder结构中，输入事先收集的黄麻纤维混凝土的初始图像，采用Xception对原始图像进行识别，提取短切黄麻纤维的图像特征；

(2)随机从步骤(1)中提取的图像特征中，抓取一个低尺度特征图；

(3)采用Decoder结构模块，对步骤(2)抓取的的特征图进行解码，提取边缘特征信息；

(4)通过ASPP模块，将步骤(2)剩余的特征图从不同尺度进行分析，获取其基本特征信息；

(5)对通过了ASPP模块的特征图进行降维，再次输入到解码器结构中；

(6)通过解码器融合特征图与边缘特征的信息，输出预测结果；

(7)对比原始图像和预测结果，计算二者之间的误差；

(8)在寻找到局部最优解后，记一次训练完成；

(9)重复步骤(1)～(8)，直到获得模型的最优权重，停止重复，输出结果。

1.3 评价指标

网络模型的评价指标是指对模型给出的预测结果进行计算，并给出相应的评价分数。评价指标可以衡量模型的好坏。本文对短切黄麻纤维单个标签进行分类，随后采用语义分割中最为常用的3个评价指标来对DeepLabV3+网络模型的预测结果进行评价，分别为准确率(Accuracy)、交并比Intersection over Union(IoU)、F1。

1.3.1分类结果

本文研究目标为短切黄麻纤维，为单个标签。其中，正样本标签以【+标签】表示，反之为【-标签】；正样本分类以【+分类】表示，反之为【-分类】，因此，分类结果：

(1)TP=【+标签】+【+分类】；

(2)FN=【+标签】+【-分类】；

(3)FP=【-标签】+【+分类】；

(4)TN=【-标签】+【-分类】。

1.3.2准确率

准确率(Accuracy)表示的是所有样本都正确分类的概率。在DeepLabV3+网络中，即所有预测正确图像特征占总特征信息的比例。准确率越高，图像分割效果越好。将1.3.1的分类结果带入准确率的定义中，得到准确率计算公式[12-20]：

(1)

1.3.3F1值

F1值是一个折中指标，是召回率和精确率的调和平均值。召回率指有多少预测结果被召回；精确率指被召回的预测结果中有多少符合标签图像。

(2)

(3)

(4)

2 结果与分析

2.1 网络训练结果

在DeepLabV3+网络进行分类测试前，需要对其进行网络训练，以确保网络达到最优。结合DeepLabV3+网络的结构，选择用损失函数、参数率、优化器对网络进行训练。

2.1.1损失函数设计

为保证网络的收敛速度，引入损失函数。损失函数将真实标签值和模型预测值之间的差异用数值量化为一个非负函数，其公式：

(5)

结合纤维混凝土材料组分的特征，选用交叉熵损失函数来处理数据分类问题和图像分割，具体为：

(1)针对离散数据的分类问题，设样本的标签值为y∈{1,……,C}，模型输出结果的条件概率分布函数为f(x;θ)∈[0,1]C，则交叉熵损失函数公式为：

p(y=c|x;θ)=fc(x;θ)

(6)

(2)针对图像分割问题，在预测结果输出后，将所有像素点进行分类，再引入交叉熵函数，分别获取每一个像素点的真实概率值和预测概率值，并计算二者之间差异的平均值。因此，设真实概率值为p(xij)，预测概率值为q(xij)，Loss为交叉熵损失函数，样本中像素总数为m。本文研究类别只有背景和纤维2种，所以类别个数为2，则得出函数公式：

(7)

2.1.2学习率设置

在网络训练过程中，使用损失函数的梯度调整网络权重的超参数，被称之为学习率。学习率在语义分割网络模型构建中至关重要，若学习率过大，会导致损失函数直接越过全局最优点；若学习率过小，则损失函数的变化速度过慢，导致网络收敛复杂度大大增加，无法得到正确结果。因此，只有合理设置学习率是重点。为得到最适合本网络的学习率，首先设置一个较大的学习率a，然后根据不同训练和迭代次数的增加，对学习率进行动态衰减，防止越过全局最优解。常见的衰减方式有指数衰减、余弦衰减、分段常数衰减等。本文则选用分段常数衰减进行训练，得到图5所示的结果。