基于神經(jīng)網(wǎng)絡(luò)的疊合面粗糙度檢測(cè)方法研究

郭揚(yáng) 殷粉芳

摘要：神經(jīng)網(wǎng)絡(luò)是人工智能領(lǐng)域模仿動(dòng)物神經(jīng)系統(tǒng)的一種理論，成功應(yīng)用于語(yǔ)音處理、圖像分析、自適應(yīng)控制等領(lǐng)域。現(xiàn)嘗試將神經(jīng)網(wǎng)絡(luò)理論應(yīng)用于疊合面粗糙度檢測(cè)，利用已有的大量經(jīng)過(guò)專(zhuān)家判定的疊合面照片進(jìn)行訓(xùn)練，神經(jīng)網(wǎng)絡(luò)可以自動(dòng)檢測(cè)疊合面的粗糙度，與現(xiàn)有方法相比，基于神經(jīng)網(wǎng)絡(luò)的檢測(cè)客觀迅速，提高了檢測(cè)過(guò)程的效率和檢測(cè)結(jié)果的準(zhǔn)確性，符合建筑業(yè)轉(zhuǎn)型升級(jí)的趨勢(shì)。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);人工智能;疊合面粗糙度

0? ? 引言

神經(jīng)網(wǎng)絡(luò)作為人工智能領(lǐng)域的一種理論，尚未廣泛應(yīng)用到建筑工業(yè)化領(lǐng)域，本研究基于大量語(yǔ)音識(shí)別、圖像處理神經(jīng)網(wǎng)絡(luò)的訓(xùn)練經(jīng)驗(yàn)，將已經(jīng)成熟的神經(jīng)網(wǎng)絡(luò)理論應(yīng)用到建筑工業(yè)化領(lǐng)域，以期加快檢測(cè)速度，提高檢測(cè)準(zhǔn)確率。

中國(guó)目前的粗糙度檢驗(yàn)普遍采用目測(cè)，國(guó)際上各國(guó)規(guī)范各不相同，國(guó)際混凝土修復(fù)組織（ICRI）推薦堆砂法，歐洲建議硅粉堆落法，日本建議觸針?lè)ǎ绹?guó)規(guī)范不直接檢測(cè)粗糙度，而按照處理工藝來(lái)區(qū)分粗糙度。這些方法一方面檢測(cè)時(shí)間長(zhǎng)，嚴(yán)重影響了構(gòu)件的運(yùn)輸?shù)跹b等施工效率，同時(shí)增加了大量的人工成本;另一方面，由于質(zhì)量監(jiān)督人員的各種主客觀原因，手工檢驗(yàn)有時(shí)會(huì)存在檢驗(yàn)結(jié)果誤差或數(shù)據(jù)造假的問(wèn)題。本研究旨在探索一種粗糙度檢驗(yàn)的客觀方法。

1? ? 基本問(wèn)題

1.1? ? 粗糙度的合理標(biāo)準(zhǔn)

建筑工業(yè)化和土木工程加固中，與粗糙度直接相關(guān)的都是疊合面結(jié)合強(qiáng)度，合理的粗糙度定義應(yīng)當(dāng)反映結(jié)合強(qiáng)度，最為常用的平均值標(biāo)準(zhǔn)為：

方均根值標(biāo)準(zhǔn)為：

其都沒(méi)有反映局部的變化和表面輪廓，所以截然不同的輪廓可能對(duì)應(yīng)相同的粗糙度。本文旨在根據(jù)大量構(gòu)件的試驗(yàn)，提出較為符合結(jié)合強(qiáng)度的粗糙度標(biāo)準(zhǔn)。

1.2? ? 粗糙度對(duì)疊合面剪應(yīng)力的影響

粗糙度直接決定了結(jié)合面剪應(yīng)力的大小，我國(guó)規(guī)范缺乏對(duì)其的規(guī)定。

歐洲規(guī)范規(guī)定為：

考慮了粘合和摩擦的影響，參數(shù)根據(jù)平均值粗糙度R確定。

而美國(guó)規(guī)范規(guī)定為：

除了粘合和摩擦，式中最后一項(xiàng)考慮了鋼筋的銷(xiāo)栓作用，參數(shù)根據(jù)處理工藝來(lái)確定。

本研究將通過(guò)大量構(gòu)件的試驗(yàn)，分析出粗糙度對(duì)剪應(yīng)力的影響。

2? ? 數(shù)據(jù)獲取

在江蘇某疊合板預(yù)制工廠，收集一萬(wàn)張疊合面照片，采用supervised learning，根據(jù)專(zhuān)家對(duì)構(gòu)件的人工判定將每張照片分為不同等級(jí)。本文分為三個(gè)等級(jí)，其中很粗糙（用數(shù)字1表示）、一般粗糙（用數(shù)字0表示）、不粗糙（用數(shù)字-1表示）作為神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)數(shù)據(jù)，下一步將增加到五個(gè)等級(jí)。機(jī)器學(xué)習(xí)界普遍認(rèn)為一百萬(wàn)個(gè)數(shù)據(jù)通常才能達(dá)到人工識(shí)別標(biāo)準(zhǔn)，本文的數(shù)據(jù)的確不足，下一步將進(jìn)一步獲取數(shù)據(jù)。取不同等級(jí)的試件進(jìn)行疊合面剪應(yīng)力測(cè)試，將這些照片和對(duì)應(yīng)等級(jí)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練的基礎(chǔ)，剪應(yīng)力結(jié)果作為理論分析的基礎(chǔ)。

3? ? 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

本文以專(zhuān)家的人工判定作為平整度等級(jí)標(biāo)準(zhǔn)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。在網(wǎng)絡(luò)結(jié)構(gòu)上，一方面借鑒經(jīng)典神經(jīng)網(wǎng)絡(luò)（如LeNet5、AlexNet、ZFNet、VGG16、GoogLeNet和ResNet）的結(jié)構(gòu)，另一方面根據(jù)本課題的問(wèn)題特點(diǎn)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)。最終網(wǎng)絡(luò)有六萬(wàn)個(gè)節(jié)點(diǎn)（node），采用Rectified Linear Unit（ReLU）作為神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)函數(shù)。在訓(xùn)練過(guò)程中，采用隨機(jī)梯度下降法（stochastic gradient descent）和backpropagation方法確定網(wǎng)絡(luò)參數(shù)。

第0層（輸入層）：

以此類(lèi)推，得到所有backward數(shù)據(jù)。

最終神經(jīng)網(wǎng)絡(luò)可以輸出自動(dòng)判定的誤差較低的平整度，并且根據(jù)平整度測(cè)試的結(jié)果，分析剪應(yīng)力的影響因素。

4? ? 結(jié)語(yǔ)

建筑工業(yè)化可以有效推動(dòng)建筑業(yè)轉(zhuǎn)型升級(jí)，近年來(lái)，國(guó)務(wù)院、住建部和各地方政府陸續(xù)出臺(tái)政策文件，大力引導(dǎo)和推動(dòng)建筑工業(yè)化的發(fā)展，并有力地激發(fā)了市場(chǎng)需求。在建筑工業(yè)化政策引導(dǎo)下，預(yù)制混凝土構(gòu)件被廣泛應(yīng)用于工業(yè)與民用建筑及基礎(chǔ)設(shè)施建設(shè)中。與現(xiàn)澆混凝土相比，預(yù)制混凝土構(gòu)件質(zhì)量更有保障，對(duì)環(huán)境污染小，也節(jié)省了人工成本。但是，在帶來(lái)諸多好處的同時(shí)，也帶來(lái)了新的技術(shù)問(wèn)題，其中粗糙度檢測(cè)很難實(shí)現(xiàn)。

本文通過(guò)神經(jīng)網(wǎng)絡(luò)方法檢測(cè)疊合板的粗糙度，是人工智能在建筑工業(yè)化領(lǐng)域的應(yīng)用，不失為有價(jià)值的嘗試，下一步將增加數(shù)據(jù)量及分級(jí)數(shù)量，爭(zhēng)取實(shí)現(xiàn)粗糙度的自動(dòng)檢測(cè)。

[參考文獻(xiàn)]

[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

作者簡(jiǎn)介：郭揚(yáng)（1988—），男，江蘇徐州人，講師，研究方向：樓宇智能化。

殷粉芳（1989—），女，河南周口人，講師，研究方向：結(jié)構(gòu)工程。