基于一維堆疊卷積自編碼器的分布式應(yīng)變裂縫檢測(cè)①

嚴(yán)國(guó)萍,陳 禹,李雨沖,閆昭帆

(長(zhǎng)安大學(xué) 信息工程學(xué)院,西安 710064)

橋梁裂縫的產(chǎn)生和發(fā)展往往體現(xiàn)橋梁的健康狀態(tài),全面、盡早、準(zhǔn)確地發(fā)現(xiàn)表面裂縫對(duì)橋梁安全運(yùn)營(yíng)具有重大意義.傳統(tǒng)上利用超聲波、X射線、紅外線等傳感器來(lái)識(shí)別土木結(jié)構(gòu)內(nèi)部或表面是否存在裂縫,它們本質(zhì)上是點(diǎn)式傳感器,很難一次性測(cè)量出全尺度信息[1,2].近年來(lái),基于布里淵時(shí)域分析(BOTDA)的光纖傳感器被廣泛應(yīng)用[3].分布式光纖傳感器能夠以厘米級(jí)的空間分辨率一次測(cè)量獲取橋梁數(shù)百甚至上千米全尺度表面上的分布式應(yīng)變.在分布式光纖傳感器所測(cè)得的分布式應(yīng)變數(shù)據(jù)中,裂縫區(qū)域會(huì)表現(xiàn)為異常,通過(guò)檢測(cè)分布式應(yīng)變的異常來(lái)發(fā)現(xiàn)橋梁表面裂縫.在測(cè)量過(guò)程中為了測(cè)量更多的應(yīng)變細(xì)節(jié),通常會(huì)配置盡量小的空間分辨率,所以測(cè)得應(yīng)變數(shù)據(jù)的信噪比(SNR)較低,導(dǎo)致源自裂縫損傷處的應(yīng)變異常難以被發(fā)現(xiàn)[4].在早期,異常模式發(fā)現(xiàn)是基于概率統(tǒng)計(jì)模型來(lái)實(shí)現(xiàn)的[5].使用統(tǒng)計(jì)學(xué)方法來(lái)實(shí)現(xiàn)異常檢測(cè)必須要確定適合數(shù)據(jù)的分布模型,設(shè)置模型參數(shù),但實(shí)際情況是,往往無(wú)法知道數(shù)據(jù)集所遵循的標(biāo)準(zhǔn)分布類型,或許數(shù)據(jù)本身就不服從任何的標(biāo)準(zhǔn)分布.此外改進(jìn)的基于距離的異常點(diǎn)檢測(cè)算法、基于密度的局部異常點(diǎn)檢測(cè)算法[6–8].它們以歐氏距離作為異常評(píng)判標(biāo)準(zhǔn),但這兩種方法在面對(duì)海量數(shù)據(jù)時(shí),計(jì)算復(fù)雜度高,具有潛在的局限性.隨著模式識(shí)別領(lǐng)域中深度學(xué)習(xí)方法的迅速發(fā)展,深度學(xué)習(xí)算法開(kāi)始被應(yīng)用到異常檢測(cè)中來(lái)[9],如基于神經(jīng)網(wǎng)絡(luò)的方法,此方法采用自適應(yīng)學(xué)習(xí)算法對(duì)異常活動(dòng)和非異常活動(dòng)進(jìn)行特征提取,訓(xùn)練結(jié)束后提供待測(cè)數(shù)據(jù)進(jìn)行異常檢測(cè)[10,11].此方法不需要對(duì)原始數(shù)據(jù)作統(tǒng)計(jì)假設(shè),有很好的抗干擾能力.自動(dòng)編碼器(AutoEncoder,AE)是典型的神經(jīng)網(wǎng)絡(luò)之一,它可以被看作是一個(gè)三層全連接網(wǎng)絡(luò),具有出色的抗噪聲特征表征能力[12,13].但是當(dāng)數(shù)據(jù)更加復(fù)雜時(shí),單層編碼器無(wú)法有效的提取復(fù)雜數(shù)據(jù)的特征.因此,Hinton等[14]將多個(gè)AE逐層堆疊構(gòu)成一個(gè)堆疊自編碼器用于對(duì)高維數(shù)據(jù)進(jìn)行降維和特征提取.卷積神經(jīng)網(wǎng)絡(luò)是一類前向傳播的神經(jīng)網(wǎng)絡(luò),通過(guò)若干個(gè)卷積核挖掘特征的局部相關(guān)性,卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了權(quán)值共享,降低了深度神經(jīng)網(wǎng)絡(luò)的計(jì)算代價(jià)并且更易于訓(xùn)練[15,16].卷積神經(jīng)網(wǎng)絡(luò)多被利用于處理圖像,但是最近的一些研究也將其引入到對(duì)序列數(shù)據(jù)的挖掘中[17,18].

受此啟發(fā),本文充分挖掘到自動(dòng)編碼器自動(dòng)提取高質(zhì)量特征表征的能力,卷積神經(jīng)網(wǎng)絡(luò)可以利用多個(gè)卷積核提取多個(gè)特征.所以,結(jié)合自動(dòng)編碼器與卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì),本文提出一種基于一維堆疊卷積自編碼器(Stacking Convolutional AutoEncoder,SCAE)的分類檢測(cè)方法來(lái)處理低信噪比的分布式應(yīng)變裂縫檢測(cè).該方法首先將應(yīng)變序列標(biāo)準(zhǔn)化后劃分為等長(zhǎng)的子序列,所有的子序列可以分為兩類,一類是從存在裂縫的結(jié)構(gòu)表面獲得的裂縫應(yīng)變子序列(CS),另一類是從正常的結(jié)構(gòu)表面獲得的非裂縫子序列(NS),然后利用SCAE對(duì)這些子序列進(jìn)行自適應(yīng)的特征提取,最后將SCAE提取的特征作為Softmax分類器的輸入來(lái)進(jìn)行分類,以達(dá)到檢測(cè)的目的.微小裂縫檢測(cè)是基于CS/NS二元分類的結(jié)果實(shí)現(xiàn)的.該方法在人為制造微小裂縫的15米工字鋼梁上進(jìn)行了驗(yàn)證.

1 模型與算法

本文設(shè)計(jì)的基于一維堆疊卷積自編碼器的分布式應(yīng)變裂縫檢測(cè)過(guò)程的具體算法流程如圖1,圖中數(shù)據(jù)預(yù)處理部分的虛線框表示子序列截取,特征提取部分的橢圓虛線框表示池化窗口,矩形虛線表示卷積核.

圖1 所提出方法的3個(gè)部分

第1部分為數(shù)據(jù)預(yù)處理部分,將分布式光纖傳感器感測(cè)到的應(yīng)變序列進(jìn)行標(biāo)準(zhǔn)化,使用滑動(dòng)窗口將其截取為多個(gè)子序列,作為第2部分的輸入樣本數(shù)據(jù).

第2部分為特征提取部分,此部分由一維堆疊卷積自編碼器的3個(gè)卷積層(Conv)和3個(gè)池化層(Pool)構(gòu)成,用以提取輸入子序列具有噪聲魯棒性和高分辨率特征,并將其輸入第3部分.

第3部分為分類部分,將提取到的高分辨率的特征表征輸入Softmax分類器,得到兩個(gè)概率,p(crack|x)表示當(dāng)前特征表征判斷為裂縫的概率,p(noncrack|x)表示當(dāng)前特征表征判斷為非裂縫的概率,根據(jù)兩個(gè)概率的大小,來(lái)判斷是否該子序列為裂縫.

1.1 數(shù)據(jù)預(yù)處理

本文首先采用模式識(shí)別中常用的z-score標(biāo)準(zhǔn)化方法對(duì)采集的分布式光纖應(yīng)變數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化,其公式為:是獨(dú)立測(cè)量中的第i個(gè)分布式應(yīng)變序列.μi為Si的均值;σi為Si的標(biāo)準(zhǔn)差.S?i則為Si標(biāo)準(zhǔn)化后的數(shù)據(jù).

由于應(yīng)變序列數(shù)據(jù)點(diǎn)與點(diǎn)之間并不獨(dú)立,很多異常都是存在于子序列中,所以本文關(guān)注應(yīng)變序列子序列的異常檢測(cè),運(yùn)用具有固定長(zhǎng)度的滑動(dòng)窗口,把應(yīng)變序列分為若干子序列進(jìn)行異常檢測(cè),該方法不僅能夠觀測(cè)單個(gè)數(shù)據(jù)點(diǎn)的異常情況,還可對(duì)整個(gè)應(yīng)變序列中所有子序列進(jìn)行異常檢測(cè).正樣本選取以裂縫點(diǎn){80,200,362,482}為中心的樣本視為最佳正樣本,步長(zhǎng)為1,滑動(dòng)窗口大小為24,將距離最佳正樣本最近的7個(gè)樣本標(biāo)記為正樣本,其他數(shù)據(jù)全部標(biāo)記為負(fù)樣本.具體的樣本擴(kuò)增情況圖2所示.

圖2 樣本擴(kuò)增

1.2 一維卷積堆疊自編碼器(SCAE)

自動(dòng)編碼器是一種無(wú)監(jiān)督的神經(jīng)網(wǎng)絡(luò)模型,它可以學(xué)習(xí)到輸入數(shù)據(jù)的隱含特征,這稱為編碼,同時(shí)用學(xué)習(xí)到的新特征重構(gòu)出原始輸入數(shù)據(jù),稱之為解碼.單層AE可以被認(rèn)為是一個(gè)三層全連接神經(jīng)網(wǎng)絡(luò),分別為輸入層,隱藏層,輸出層.卷積自編碼器(Convolutional AutoEncoder,CAE)其核心思想是將AE中全連接網(wǎng)絡(luò)換為卷積神經(jīng)網(wǎng)絡(luò).一維堆疊卷積自編碼器由多個(gè)一維CAE分層堆疊而成,前一個(gè)CAE編碼器的輸出為后一個(gè)CAE的輸入,第一個(gè)CAE的輸入為預(yù)處理后應(yīng)變子序列.一維卷積自編碼器可以獲取噪聲魯棒性強(qiáng),可判別性高的特征,主要是因?yàn)槠淠Ｐ投询B起來(lái)的深層結(jié)構(gòu)與單層自動(dòng)編碼器相比,具有更強(qiáng)的特征表征能力.每一層CAE的編碼器對(duì)輸入數(shù)據(jù)進(jìn)行映射,解碼器對(duì)編碼數(shù)據(jù)進(jìn)行映射,映射后的數(shù)據(jù)是輸入數(shù)據(jù)的近似.解碼器和編碼器同時(shí)訓(xùn)練,不斷的最小化重構(gòu)誤差,得到最優(yōu)模型.此外其網(wǎng)絡(luò)模型采用了卷積神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)相比于全連接網(wǎng)絡(luò)的優(yōu)勢(shì)在于它采用了局部連接、參數(shù)共享、多個(gè)卷積核、池化.局部連接主要是卷積層的節(jié)點(diǎn)和其前一層的部分節(jié)點(diǎn)相連接,用來(lái)學(xué)習(xí)局部特征,這種局部連接的方式減少了大量的參數(shù)數(shù)量,加快了學(xué)習(xí)速率;參數(shù)共享是指每一個(gè)卷積核在遍歷整個(gè)數(shù)據(jù)時(shí),卷積核的參數(shù)不變,這樣的機(jī)制最大的作用就是很大限度地減少了運(yùn)算量;使用多個(gè)卷積核是因?yàn)橐粋€(gè)核的參數(shù)是固定的,其提取的特征也會(huì)單一化,使用多個(gè)卷積核有利于提取多特征;池化層其實(shí)是一個(gè)下采樣的過(guò)程,主要是為了降低維度并保留特征的有效信息,減小過(guò)擬合,同時(shí)提高模型的容錯(cuò)性.

圖3是由兩個(gè)CAE堆疊的SCAE模型,其中X為第一個(gè)CAE的輸入,其大小為w×1.圖中左邊虛線框部分,每一個(gè)卷積和池化表示一次CAE的編碼過(guò)程.其公式如下所示:

圖3 一維堆疊卷積自編碼

上式中,Xi=hi?1,2(i=1,2,···,n),當(dāng)i=1 時(shí),Xi=X.hi,1,hi,2分 別表示為第i個(gè)編碼器中卷積后的數(shù)據(jù)和池化后的數(shù)據(jù),hi,2也是第i個(gè)編碼器輸出的特征;?表示卷積;W為卷積核,其大小為kw×1,數(shù)目為kn;b為偏置向量;sf為激活函數(shù);p ool表示池化.圖中右邊虛線框部分表示一次CAE的解碼過(guò)程.解碼的具體過(guò)程如下:

上式中,為輸入Xi的重構(gòu)數(shù)據(jù);和為第i個(gè)卷積自編碼器解碼過(guò)程中的第一個(gè)卷積的偏置和卷積核;和為第i個(gè)卷積自編碼器解碼過(guò)程中第二次卷積的偏置和卷積核,其中卷積核的數(shù)量為1,因此最終重構(gòu)出的大小與輸入Xi一致;上采樣得到的特征為;sg是解碼器中的激活函數(shù),與編碼器中一致.本文使用ReLu函數(shù)作為激活函數(shù).

單層CAE模型的目標(biāo)是最小化輸入數(shù)據(jù)Xi與重構(gòu)數(shù)據(jù)的誤差,其損失函數(shù)如下所示:

其中,i表示堆疊卷積自編碼器中第i個(gè)CAE,M表示訓(xùn)練過(guò)程中輸入樣本的總數(shù).

1.3 Softmax分類器

Softmax是一個(gè)基于概率的多類分類器[19].數(shù)據(jù)集{(z1,y1),(z2,y2),···,(zM,yM)}中共包含M個(gè)樣本,分為K個(gè)類別,對(duì)于給定的輸入樣本zm,Softmax分類器會(huì)基于式(7)判斷屬于每一類別的概率,輸出一個(gè)分類標(biāo)簽ym.

其中,om是輸入zm的輸出類別;w=[w1,w2,···,wK]T是模型的參數(shù),需要通過(guò)訓(xùn)練數(shù)據(jù)來(lái)優(yōu)化;對(duì)概率分布進(jìn)行歸一化,使得所有類別的概率和為1.

1.4 預(yù)訓(xùn)練和微調(diào)算法

用于二分類的一維SCAE和Softmax中的卷積核的權(quán)重和自由參數(shù)都是需要調(diào)整的.本文采用預(yù)訓(xùn)練和微調(diào)來(lái)調(diào)整其參數(shù).預(yù)訓(xùn)練分為兩個(gè)階段,第一個(gè)階段是對(duì)堆疊自編碼器中的3個(gè)CAE單獨(dú)訓(xùn)練,訓(xùn)練目標(biāo)是最小化公式(6)中的損失函數(shù).第二階段是將訓(xùn)練好的3個(gè)單層CAE以圖3方式堆疊起來(lái),再對(duì)Softmax進(jìn)行預(yù)訓(xùn)練.通過(guò)最小化交叉熵函數(shù)L2對(duì)其優(yōu)化.

其中,M表示數(shù)據(jù)集中共包含M個(gè)樣本,K表示類別,zm為一維SCAE輸出的第m個(gè)子序列的特征,w=[w1,w2,···,wK]T為Softmax回歸模型的自由參數(shù).在預(yù)訓(xùn)練之后,對(duì)整個(gè)模型進(jìn)行微調(diào),以重新優(yōu)化SCAE中所有編碼器以及Softmax分類器的自由參數(shù).本文中微調(diào)是將一維SCAE中各CAE編碼器和Softmax作為一個(gè)整體去微調(diào)它們的自由參數(shù).通過(guò)最小化交叉熵函數(shù)L3對(duì)其優(yōu)化.

整個(gè)模型為oi=H(Xm;Θ),Θ為模型中所有需要訓(xùn)練的的參數(shù),Xm為 輸入的第m個(gè)子序列.

2 實(shí) 驗(yàn)

2.1 實(shí)驗(yàn)數(shù)據(jù)

本文中使用的數(shù)據(jù)由實(shí)驗(yàn)室搭建試驗(yàn)臺(tái)采集,實(shí)驗(yàn)臺(tái)由工字梁、分布式光纖應(yīng)變傳感器和光納儀組成,如圖4所示.

圖4 實(shí)驗(yàn)臺(tái)布局示意圖

工字梁鋼結(jié)構(gòu)由三段長(zhǎng)度分別為4.575 m、5.85 m和4.575 m的工字鋼拼接而成,兩個(gè)拼接接頭處有張口寬度可調(diào)的人造裂縫,通過(guò)在工字鋼結(jié)構(gòu)兩端施加配重,微小裂縫的裂縫張口寬度(COD)會(huì)相應(yīng)的從0逐漸增加.分布式光纖傳感器一去一回平行地粘附在鋼結(jié)構(gòu)上表面,由此每個(gè)裂縫被獨(dú)立感測(cè)兩次,分布式應(yīng)變數(shù)據(jù)呈現(xiàn)4個(gè)裂縫損傷.

本文中的分布式應(yīng)變測(cè)量分為2個(gè)組,設(shè)置為兩個(gè)不同的空間分辨率(SR),分別為10 cm和20 cm.其中兩個(gè)分組中又各分為5個(gè)case,一共10個(gè)case,每個(gè)case中獨(dú)立測(cè)量20次,具體測(cè)得的裂縫張口寬度見(jiàn)表1.

表1 鋼梁應(yīng)變測(cè)量的10種情況

2.2 數(shù)據(jù)預(yù)處理

首先采用1.1節(jié)中z-score標(biāo)準(zhǔn)化方法對(duì)采集的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化,標(biāo)準(zhǔn)化后如圖5所示,圖5(a)是分布式應(yīng)變序列case3,case5,case7獨(dú)立測(cè)量20條數(shù)據(jù)中的其中1條,圖5(b)是對(duì)3條應(yīng)變序列標(biāo)準(zhǔn)化后的序列數(shù)據(jù).

圖5 標(biāo)準(zhǔn)化的分布式應(yīng)變序列

使用1.1節(jié)中樣本擴(kuò)增的方法對(duì)數(shù)據(jù)樣本進(jìn)行擴(kuò)增,經(jīng)過(guò)數(shù)據(jù)樣本擴(kuò)增之后,一共得到108 400個(gè)子序列樣本,其中正樣本子序列有5120個(gè),負(fù)樣本子序列有103 280個(gè).把擴(kuò)增后子序列取40%作為訓(xùn)練集,20%作為驗(yàn)證集,40%作為測(cè)試集,用于本文模型的訓(xùn)練、驗(yàn)證與測(cè)試.

2.3 模型參數(shù)設(shè)置

在模型中主要的參數(shù)設(shè)置如表2所示,主要包括卷積自編碼器中每個(gè)卷積層中的卷積核大小、卷積核數(shù)量以及步長(zhǎng).池化層中池化窗口大小以及步長(zhǎng).

表2 模型參數(shù)設(shè)置

(1)輸入為24×1的一維分布式應(yīng)變子序列;

(2)網(wǎng)絡(luò)共有3個(gè)卷積層,其卷積核數(shù)目為分別為64、128和256,卷積核大小均為 3 ×1,卷積層中,步長(zhǎng)為1,同時(shí)兩側(cè)進(jìn)行大小為1的零填充,因此每層卷積后的尺寸與輸入尺寸相同;

(3)網(wǎng)絡(luò)共有3個(gè)池化層,每層使用平均池化,池化窗口大小均為2×1.池化層中,步長(zhǎng)為2,因此每次池化后輸出尺寸是輸入尺寸的1/2;

(4)卷積后的特征要經(jīng)過(guò)Flatten過(guò)程,將得到的多特征圖“壓平”為一個(gè)一維序列.將其輸入Softmax分類器分類.

2.4 模擬鋼梁實(shí)驗(yàn)結(jié)果及分析

預(yù)訓(xùn)練和微調(diào)兩個(gè)過(guò)程都是通過(guò)最小化損失函數(shù)來(lái)得到最優(yōu)自由參數(shù).預(yù)訓(xùn)練過(guò)程是單獨(dú)調(diào)整各個(gè)CAE以及Softmax的自由參數(shù).微調(diào)是把SCAE 中各CAE編碼器和Softmax作為一個(gè)整體去調(diào)整自由參數(shù).自由參數(shù)調(diào)整的準(zhǔn)確性體現(xiàn)在迭代過(guò)程中,損失不斷降低,趨于收斂時(shí)得到的自由參數(shù)是最優(yōu)的.圖6是微調(diào)過(guò)程中,訓(xùn)練集(train)和驗(yàn)證集(val)的損失變化曲線,實(shí)線表示訓(xùn)練集的損失變化曲線,虛線表示驗(yàn)證集損失變化曲線.本文設(shè)置的微調(diào)迭代次數(shù)為400次,從圖中可以看出,迭代240次后,訓(xùn)練集和驗(yàn)證集的損失已經(jīng)慢慢趨于穩(wěn)定,運(yùn)用了早停法(early stopping)策略實(shí)際迭代288次,保留迭代288次后的參數(shù)作為最優(yōu)模型參數(shù).早停法是驗(yàn)證集在訓(xùn)練好的模型的表現(xiàn),當(dāng)驗(yàn)證集連續(xù)迭代幾次后,損失增大,停止訓(xùn)練,這樣就能避免繼續(xù)訓(xùn)練導(dǎo)致過(guò)擬合的問(wèn)題.

圖6 微調(diào)損失變化

t-SNE算法是一種典型的降維和數(shù)據(jù)可視化的方法[20,21].為了直觀的看出一維堆疊自編碼器模型參數(shù)調(diào)整的準(zhǔn)確性以及在訓(xùn)練好的模型中所提取特征的可分辨性.本文使用t-SNE算法將輸出特征可視化到二維空間,圖7是t-SNE可視化圖,圖中*是正樣本,o是負(fù)樣本,圖7(a)是對(duì)原始輸入樣本數(shù)據(jù)可視化,可以看出,正負(fù)樣本混合在一起;圖7(b)是對(duì)一維堆疊卷積自編碼器第3個(gè)CAE輸出特征的可視化,可以看出,經(jīng)過(guò)深層網(wǎng)絡(luò)訓(xùn)練后,正負(fù)樣本的特征可辨識(shí)分離度變得明顯.因此,所提出的基于SCAE的模型具有提取可識(shí)別特征的能力.

圖7 t-SNE可視化圖

將測(cè)試集送入訓(xùn)練好的模型中進(jìn)行分類檢測(cè).為了說(shuō)明本文方法相較于全連接網(wǎng)絡(luò)的優(yōu)勢(shì)和預(yù)訓(xùn)練對(duì)檢測(cè)結(jié)果的影響.將本文方法與堆疊自編碼器(SAE)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的檢測(cè)結(jié)果進(jìn)行了比較,其比較結(jié)果如表3所示,本文CNN的結(jié)構(gòu)與SCAE的結(jié)構(gòu)相同,但在其訓(xùn)練過(guò)程中,沒(méi)有進(jìn)行預(yù)訓(xùn)練的階段只有對(duì)整體進(jìn)行了微調(diào).SAE是由3個(gè)AE堆疊起來(lái),在訓(xùn)練過(guò)程中,對(duì)每一層AE進(jìn)行預(yù)訓(xùn)練,預(yù)訓(xùn)練的過(guò)程分為兩個(gè)階段,第一個(gè)階段是對(duì)每一層的AE獨(dú)立訓(xùn)練,優(yōu)化參數(shù).第二個(gè)階段對(duì)3個(gè)一維AE逐一訓(xùn)練后將AE堆疊起來(lái),并利用堆疊后隱藏層輸出的特征對(duì)Softmax進(jìn)行預(yù)訓(xùn)練.最后對(duì)整體進(jìn)行微調(diào).表中兩種方法所使用的訓(xùn)練集、驗(yàn)證集以及測(cè)試集相同.

表3 不同深度學(xué)習(xí)方法比較

表3中FN為假陰性,表示裂縫子序列被檢測(cè)為非裂縫,FP為假陽(yáng)性,表示為非裂縫子序列被檢測(cè)為裂縫,FP與FN出現(xiàn)的總和記為Error.Acc為準(zhǔn)確率,表示預(yù)測(cè)正確的樣本的占總樣本數(shù)的比重.從表中可以看出本文方法準(zhǔn)確率最高.

本文方法用于微小裂縫檢測(cè),因此假陰性(FN)很重要.從表中可以看出有22個(gè)裂縫子序列誤檢為非裂縫,將分類后的結(jié)果定位到光纖應(yīng)變序列.當(dāng)SR=10 cm時(shí)有16個(gè)檢錯(cuò)的子序列出現(xiàn)的case3的第二和第三個(gè)裂縫部分,有3個(gè)檢錯(cuò)的子序列出現(xiàn)在case3的第四個(gè)個(gè)裂縫上,有3個(gè)檢錯(cuò)的子序列出現(xiàn)在case5的第二個(gè)個(gè)裂縫上.其他的case中,所有的裂縫子序列都被正確的檢測(cè).當(dāng)SR=20 cm時(shí),所有的裂縫都被正確的檢測(cè).結(jié)果表明,本文方法能夠有效的檢測(cè)微裂縫,但性能受空間分辨率的影響.

3 總結(jié)

本文針對(duì)具有人為裂縫工字鋼梁表面上的分布式應(yīng)變,提出了一種基于一維堆疊自編碼器的微小裂縫檢測(cè)方法.該方法將裂縫檢測(cè)當(dāng)作一種二分類問(wèn)題.通過(guò)逐層堆疊3個(gè)CAE來(lái)構(gòu)建深度SCAE模型,利用該模型從分段的應(yīng)變子序列中自動(dòng)提取高質(zhì)量判別性高的特征表征.將Softmax附加至最后一個(gè)CAE后,以特征表征作為輸入,對(duì)原始輸入應(yīng)變子序列做出分類決策.實(shí)驗(yàn)結(jié)果驗(yàn)證了本文方法的有效性,其檢測(cè)性能受空間分辨率的影響,當(dāng)SR為20 cm時(shí),可以準(zhǔn)確檢測(cè)出23 μm及以上的微小裂縫,取得好的檢測(cè)效果.但當(dāng)SR=10 cm時(shí),因?yàn)閿?shù)據(jù)信噪比較低,對(duì)COD為23 μm的微小裂縫無(wú)法完全檢測(cè).因此在未來(lái)的工作中探索如何消除空間分辨率對(duì)裂縫檢測(cè)的影響是必要的.