基于深度迁移学习的结构损伤检测研究.pdfVIP

摘 要 钢筋混凝土病害检测技术能够有效检测和预防混凝土建筑物的结构病害。深 度学习网络因其强大的学习能力，被广泛应用于土木工程领域。深度学习中影响 模型效果的常见因素便是训练数据不足，然而适用于深度学习数据集通常是稀缺 的，迁移学习作为一种新兴的工具，能有效的解决上述数据短缺问题。而深度迁 移学习正是通过深度神经网络来研究如何更好地利用其他领域（源域）的知识， 提高目标域的学习能力的重要工具。为此，本文提出采用基于模型和基于实例的 深度迁移学习算法用于解决土木领域病害识别问题，主要研究内容如下： 1) 针对混凝土表观病害图像数据集问题缺乏的问题，构建了一个包含裂 缝、露筋和泛碱三种病害类别的混凝土表观病害数据集，提出了一种基于模型的 深度迁移学习算法，用于混凝土表观病害的检测。该方法运用深度迁移学习技 术，将知识以模型结构以及参数作为载体进行迁移，通过修改模型结构以适应目 标任务，用以解决目标域数据集缺乏问题；在模型训练阶段，动态调整学习率大 小，并采用微调策略，对模型的参数进行更新，使模型适应于新的学习任务。实 验对比 ResNet18 、ResNet50 、VGG19 、VGG16 等主流深度学习网络模型，该算 法取得了最高准确率，为 98.86% 。用实拍的桥梁表观病害图像数据集进行测试， 该方法的整体病害识别准确率达到 88.33%，具有较高的病害识别准确率。 2) 为了进一步关注源域实例对目标域任务的影响，提出了基于联合实例加 权的深度迁移学习方法来充分利用源域实例，以此提升目标域病害识别准确率。 该方法使用联合实例权重策略，并使用最大均方差和 KL 散度两个不同的距离度 量指标进行结合来调整源域数据对模型训练的影响，最小化域之间的差异。适用 于目标任务的源实例的知识可以通过域优化过程进行转移，提高了目标域中混凝 土结构表观病害识别任务的性能。在三个公开裂缝数据集(CCIC、BCD 和 SDNET)上进行实验，所提出的方法较主流的深度学习模型均有一定的提升。其 中以 BCD 作为源域数据集，SDNET 数据集作为目标域数据集时提升最大，相较 于效果最好的 ResNet50 模型准确率提升了 2.08% ，最终准确率达到 92.28% 。 综上，本文针对土木工程领域内的结构表观病害检测，采用深度迁移学习算 法，提出了一种基于模型的迁移学习混凝土表观病害检测算法和一种基于联合实 例加权的深度迁移学习方法，有效地解决了在数据稀少的情况下对混凝土表观病 害检测问题。 关键词：结构表观病害，迁移学习，深度学习，图像分类，卷积神经网络 I 目 录 摘 要 I ABSTRACT II 第一章 绪论 1 1.1 研究背景与意义 1 1.2 结构表观病害检测发展概况 2 1.3 基于迁移学习的结构健康监测研究现状 4 1.4 本文的主要研究内容及创新点 7 1.4.1 主要研究工作 7 1.4.2 本文创新点 8 1.5 本文组织结构 9 第二章 深度学习及迁移学习相关理论 11 2.1 机器学习概述 11 2.1.1 传统机器学习概述 11 2.1.2 深度学习概述 12 2.2 卷积神经网络 15 2