基于神經網絡的疊合面粗糙度檢測方法研究

郭揚 殷粉芳

摘要：神經網絡是人工智能領域模仿動物神經系統的一種理論，成功應用于語音處理、圖像分析、自適應控制等領域?，F嘗試將神經網絡理論應用于疊合面粗糙度檢測，利用已有的大量經過專家判定的疊合面照片進行訓練，神經網絡可以自動檢測疊合面的粗糙度，與現有方法相比，基于神經網絡的檢測客觀迅速，提高了檢測過程的效率和檢測結果的準確性，符合建筑業轉型升級的趨勢。

關鍵詞：神經網絡;人工智能;疊合面粗糙度

0? ? 引言

神經網絡作為人工智能領域的一種理論，尚未廣泛應用到建筑工業化領域，本研究基于大量語音識別、圖像處理神經網絡的訓練經驗，將已經成熟的神經網絡理論應用到建筑工業化領域，以期加快檢測速度，提高檢測準確率。

中國目前的粗糙度檢驗普遍采用目測，國際上各國規范各不相同，國際混凝土修復組織（ICRI）推薦堆砂法，歐洲建議硅粉堆落法，日本建議觸針法，美國規范不直接檢測粗糙度，而按照處理工藝來區分粗糙度。這些方法一方面檢測時間長，嚴重影響了構件的運輸吊裝等施工效率，同時增加了大量的人工成本;另一方面，由于質量監督人員的各種主客觀原因，手工檢驗有時會存在檢驗結果誤差或數據造假的問題。本研究旨在探索一種粗糙度檢驗的客觀方法。

1? ? 基本問題

1.1? ? 粗糙度的合理標準

建筑工業化和土木工程加固中，與粗糙度直接相關的都是疊合面結合強度，合理的粗糙度定義應當反映結合強度，最為常用的平均值標準為：

方均根值標準為：

其都沒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應相同的粗糙度。本文旨在根據大量構件的試驗，提出較為符合結合強度的粗糙度標準。

1.2? ? 粗糙度對疊合面剪應力的影響

粗糙度直接決定了結合面剪應力的大小，我國規范缺乏對其的規定。

歐洲規范規定為：

考慮了粘合和摩擦的影響，參數根據平均值粗糙度R確定。

而美國規范規定為：

除了粘合和摩擦，式中最后一項考慮了鋼筋的銷栓作用，參數根據處理工藝來確定。

本研究將通過大量構件的試驗，分析出粗糙度對剪應力的影響。

2? ? 數據獲取

在江蘇某疊合板預制工廠，收集一萬張疊合面照片，采用supervised learning，根據專家對構件的人工判定將每張照片分為不同等級。本文分為三個等級，其中很粗糙（用數字1表示）、一般粗糙（用數字0表示）、不粗糙（用數字-1表示）作為神經網絡的基礎數據，下一步將增加到五個等級。機器學習界普遍認為一百萬個數據通常才能達到人工識別標準，本文的數據的確不足，下一步將進一步獲取數據。取不同等級的試件進行疊合面剪應力測試，將這些照片和對應等級作為神經網絡訓練的基礎，剪應力結果作為理論分析的基礎。

3? ? 神經網絡訓練

本文以專家的人工判定作為平整度等級標準訓練神經網絡。在網絡結構上，一方面借鑒經典神經網絡（如LeNet5、AlexNet、ZFNet、VGG16、GoogLeNet和ResNet）的結構，另一方面根據本課題的問題特點對網絡結構進行改進。最終網絡有六萬個節點（node），采用Rectified Linear Unit（ReLU）作為神經網絡的節點函數。在訓練過程中，采用隨機梯度下降法（stochastic gradient descent）和backpropagation方法確定網絡參數。

第0層（輸入層）：

以此類推，得到所有backward數據。

最終神經網絡可以輸出自動判定的誤差較低的平整度，并且根據平整度測試的結果，分析剪應力的影響因素。

4? ? 結語

建筑工業化可以有效推動建筑業轉型升級，近年來，國務院、住建部和各地方政府陸續出臺政策文件，大力引導和推動建筑工業化的發展，并有力地激發了市場需求。在建筑工業化政策引導下，預制混凝土構件被廣泛應用于工業與民用建筑及基礎設施建設中。與現澆混凝土相比，預制混凝土構件質量更有保障，對環境污染小，也節省了人工成本。但是，在帶來諸多好處的同時，也帶來了新的技術問題，其中粗糙度檢測很難實現。

本文通過神經網絡方法檢測疊合板的粗糙度，是人工智能在建筑工業化領域的應用，不失為有價值的嘗試，下一步將增加數據量及分級數量，爭取實現粗糙度的自動檢測。

[參考文獻]

[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

作者簡介：郭揚（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：結構工程。