張慶賀，陳 晨，袁 亮，張 通，方致遠(yuǎn)，李 翎，蔣博文

(1.安徽理工大學(xué) 深部煤礦采動(dòng)響應(yīng)與災(zāi)害防控國(guó)家重點(diǎn)實(shí)驗(yàn)室，安徽 淮南 232001；2.合肥綜合性國(guó)家科學(xué)中心 能源研究院，安徽 合肥 230031；3.安徽理工大學(xué) 土木建筑學(xué)院，安徽 淮南 232001；4.安徽理工大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，安徽 淮南 232001)

and recognition

由于地質(zhì)環(huán)境的復(fù)雜作用，天然巖體內(nèi)部存在大量復(fù)雜的節(jié)理裂隙，裂隙巖體失穩(wěn)大多由裂隙擴(kuò)展和貫通引發(fā)。裂隙擴(kuò)展規(guī)律和主動(dòng)監(jiān)測(cè)對(duì)裂隙巖體穩(wěn)定性至關(guān)重要。研究表明，含復(fù)雜裂隙巖石試件破壞過(guò)程中裂隙擴(kuò)展情況復(fù)雜多變，不同位置、不同尺寸的裂隙對(duì)試件破壞影響極為不同。外荷載作用下，僅一部分裂隙尖端萌生新裂紋，并在荷載作用下擴(kuò)展；而另一部分裂隙則基本不參與裂隙擴(kuò)展過(guò)程，復(fù)雜裂隙巖石試件的整體失穩(wěn)由這一部分動(dòng)態(tài)裂隙所主導(dǎo)。因此，超前性的快速精準(zhǔn)識(shí)別這類動(dòng)態(tài)裂隙對(duì)于評(píng)估結(jié)構(gòu)整體穩(wěn)定性十分重要。

數(shù)字圖像相關(guān)技術(shù)(Digital Image Correlation，DIC)是一種有效的非接觸式無(wú)損檢測(cè)技術(shù)，DIC技術(shù)使得試件表面應(yīng)變場(chǎng)測(cè)量成為現(xiàn)實(shí)，在裂隙巖石試驗(yàn)領(lǐng)域得到了廣泛重視和應(yīng)用。王本鑫等對(duì)不同角度預(yù)制節(jié)理的巖石試件進(jìn)行了單軸壓縮試驗(yàn)，通過(guò)DIC技術(shù)觀測(cè)分析試件裂紋萌生、擴(kuò)展和貫通過(guò)程。研究表明，DIC技術(shù)能記錄和顯示普通相機(jī)和人眼無(wú)法捕捉到的裂隙萌生前兆，并在目標(biāo)材料上可視化的顯示應(yīng)變集中位置。張科等利用3D打印技術(shù)，實(shí)現(xiàn)了裂隙網(wǎng)絡(luò)巖石試件的制備，并結(jié)合DIC方法對(duì)試件全局應(yīng)變場(chǎng)進(jìn)行測(cè)量，分析了裂隙網(wǎng)絡(luò)試件破裂特征。研究發(fā)現(xiàn)，在原生裂隙起裂前，裂隙尖端會(huì)產(chǎn)生應(yīng)變集中區(qū)域，更加直觀的反映出復(fù)雜裂隙試件的破裂規(guī)律，再次證明DIC技術(shù)是對(duì)裂隙萌生擴(kuò)展監(jiān)測(cè)的有效方法。雖然DIC技術(shù)在識(shí)別裂隙演化方面具有可靠性，但是含復(fù)雜裂隙的試件中，裂隙分布廣、數(shù)量多，在試件加載過(guò)程中，多條裂隙可能同時(shí)動(dòng)態(tài)擴(kuò)展和破裂，破壞過(guò)程中裂紋復(fù)雜多變，動(dòng)態(tài)裂隙的捕捉難以準(zhǔn)確高效。僅依賴試驗(yàn)人員觀察DIC云圖識(shí)別裂隙不僅效率低下，并且主觀性強(qiáng)、準(zhǔn)確性低。

隨著計(jì)算機(jī)技術(shù)和人工智能技術(shù)的快速發(fā)展，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法在許多領(lǐng)域展現(xiàn)出卓越的性能。KOU等結(jié)合深度神經(jīng)網(wǎng)絡(luò)和無(wú)錨特征選擇開(kāi)發(fā)了基于YOLO-V3的端到端鋼帶表面缺陷檢測(cè)模型，通過(guò)提高檢測(cè)模型的特征提取、特征傳播等，增強(qiáng)了網(wǎng)絡(luò)的表征能力，提高了帶鋼表面缺陷的檢測(cè)精度和速度。ZHANG等利用深度學(xué)習(xí)方法和增量隨機(jī)采樣(IRS)方法，提出了一種智能的濕損識(shí)別和定位方法，在檢測(cè)和定位瀝青路面濕損方面具有良好的性能和優(yōu)越性。MAJIDIFARD等采用深度學(xué)習(xí)方法來(lái)預(yù)測(cè)瀝青路面的路面破損，利用谷歌街景圖像和深度學(xué)習(xí)框架來(lái)自動(dòng)檢測(cè)、分類和分割9種類型的路面破損。在混凝土或巖石類材料裂隙智能識(shí)別方面，深度學(xué)習(xí)也可以從原始圖像中自動(dòng)提取高級(jí)語(yǔ)義信息，為裂隙智能識(shí)別提供新途徑。JU Huyan等提出了路面裂縫深度網(wǎng)絡(luò)架構(gòu)(CrackDN)，檢測(cè)具有復(fù)雜道路背景的密封和未密封裂縫，并對(duì)比了CrackDN、Faster-RCNN和SSD300三種智能檢測(cè)算法的性能。CUI Xiaoning，JIANG Yongqing和WEI Fujia等學(xué)者運(yùn)用智能檢測(cè)技術(shù)對(duì)混凝土損傷進(jìn)行分類識(shí)別和量化。SONG Ee Park等將深度學(xué)習(xí)技術(shù)與結(jié)構(gòu)光技術(shù)結(jié)合應(yīng)用到混凝土結(jié)構(gòu)表面的檢測(cè)和裂紋量化。在深度卷積神經(jīng)網(wǎng)絡(luò)算法的選擇上，YOLOv5算法是YOLO家族較新的框架，不少研究學(xué)者采用YOLOv5算法模型進(jìn)行目標(biāo)的智能檢測(cè)，研究發(fā)現(xiàn)，YOLOv5算法模型比傳統(tǒng)模型檢測(cè)快、精度高，可有效的提高目標(biāo)物的識(shí)別準(zhǔn)確率。

綜上所述，DIC技術(shù)對(duì)復(fù)雜裂隙巖石變形破壞過(guò)程中的早期微裂紋萌生和擴(kuò)展非常敏感，YOLOv5算法是一種檢測(cè)快、精度高的智能檢測(cè)識(shí)別算法，因此，DIC和YOLOv5結(jié)合可能是一種智能識(shí)別復(fù)雜裂隙巖石破壞的新方法。為此，筆者設(shè)計(jì)了含20條隨機(jī)裂隙的巖石試件破壞試驗(yàn)，采用DIC技術(shù)對(duì)試件變形破壞全過(guò)程進(jìn)行實(shí)時(shí)采集，并精細(xì)化地分析了每一條裂隙的發(fā)育發(fā)展過(guò)程。進(jìn)一步地，將試件應(yīng)變場(chǎng)演化云圖作為訓(xùn)練數(shù)據(jù)集，并基于YOLOv5算法進(jìn)行二次定義，來(lái)自動(dòng)智能識(shí)別試件中動(dòng)態(tài)裂隙演化情況，進(jìn)而對(duì)復(fù)雜裂隙巖石破壞過(guò)程進(jìn)行智能預(yù)警。

1 裂隙巖石試件破壞試驗(yàn)

1.1 復(fù)雜裂隙巖石試件的制備

3D打印技術(shù)(3D Printing,3DP)是近年來(lái)發(fā)展起來(lái)的一種快速成型技術(shù)，它以數(shù)字化模型為基礎(chǔ)，運(yùn)用塑料、膏體或粉末狀金屬等可黏合材料將三維數(shù)字模型通過(guò)逐層打印并堆積的方式構(gòu)造試驗(yàn)樣品，又稱作“增材制作”技術(shù)。在巖石力學(xué)試驗(yàn)領(lǐng)域，由于3DP技術(shù)具有成型精度高、制樣誤差小、可制作含復(fù)雜結(jié)構(gòu)的試驗(yàn)?zāi)Ｐ偷葍?yōu)勢(shì)，得到了廣泛的應(yīng)用。在含裂隙巖石試件打印成型方面，3DP技術(shù)大致劃分為兩大類:① 直接打印試件模型。如齊飛飛等采用人造石英砂和呋喃樹(shù)脂打印了尺寸為100 mm×100 mm×20 mm(高×寬×厚)的平行節(jié)理試樣；黃娜等采用光敏樹(shù)脂打印了考慮裂隙開(kāi)度的三維粗糙裂隙網(wǎng)絡(luò)DFN模型試樣;② 先利用水溶性材料打印裂隙模型，并利用水泥砂漿材料制作試件，再通過(guò)水溶性材料溶于水的特性剔除裂隙模型，生成含裂隙的水泥砂漿類巖石試件。如王本鑫等采用該方法制作了含粗糙交叉節(jié)理類巖石試件。本文采用第2種方法制作裂隙網(wǎng)絡(luò)類巖石模型試件。

1.1.1 裂隙網(wǎng)絡(luò)模型3D打印

研究表明，在實(shí)際工程中復(fù)雜裂隙網(wǎng)絡(luò)巖體中的裂隙分布、尺寸往往服從某種統(tǒng)計(jì)學(xué)規(guī)律。為此，筆者以我國(guó)西南地區(qū)瀾滄江上游河段的某水電站壩基巖體為研究原型，并基于蒙特卡洛原理編寫(xiě)了隨機(jī)裂隙生成的Python程序。利用該程序，在100 mm×100 mm范圍內(nèi)生成了20條隨機(jī)分布的裂隙。其中，裂隙寬度在0.8～1.0 mm服從正態(tài)分布，裂隙長(zhǎng)度在10～20 mm服從正態(tài)分布。生成后，將2D數(shù)字模型導(dǎo)入CAD和Solidworks軟件中，利用平面拉伸命令將20條裂隙向軸正向拉伸20 mm，生成3D數(shù)字模型。隨后，將3D數(shù)字模型保存成*.STL格式，得到可用于3D打印的數(shù)字模型。將3D打印數(shù)字模型導(dǎo)入3D打印機(jī)進(jìn)行裂隙打印。打印耗材為聚乙烯醇(PVA)，打印方法為熔融堆積法，精度為0.1 mm。上述流程如圖1(a)所示。

圖1 試件制作原理及流程Fig.1 Principle and process of specimen production

1.1.2 裂隙網(wǎng)絡(luò)巖石相似材料試件制備

水泥砂漿作為一種類巖石材料，具有成分可控、力學(xué)性能良好等優(yōu)點(diǎn)。根據(jù)文獻(xiàn)[9-11]的研究成果，水泥砂漿材料的力學(xué)參數(shù)及破壞形態(tài)與砂巖比較接近，因此選用水泥砂漿類巖石材料來(lái)近似模擬砂巖。制備方法如下：

(1)選用試件模具內(nèi)尺寸為100 mm×100 mm×20 mm(長(zhǎng)×寬×高)，將3D裂隙實(shí)體模型放置于模具內(nèi)，將材料質(zhì)量配比為普通硅酸鹽水泥∶砂∶水=1.0∶1.0∶0.4的水泥砂漿倒入模具，充分振蕩。

(2)27 h后拆除模具，并將試塊放入標(biāo)準(zhǔn)養(yǎng)護(hù)室中養(yǎng)護(hù)28 d。

(3)養(yǎng)護(hù)完成后，將試件放入清水中浸泡48 h，PVA材料自行溶解，形成裂隙網(wǎng)絡(luò)。

(4)將試件在常溫下自然干燥，用砂紙將制備好的試件打磨平整，在試塊一側(cè)先后噴白漆、黑漆來(lái)形成散斑場(chǎng)。其中，白漆為色底，黑漆顆粒自然落在白色底漆上，便于DIC設(shè)備采集和計(jì)算應(yīng)變場(chǎng)。

制作的裂隙網(wǎng)絡(luò)類巖石材料試件如圖1(b)所示，它與砂巖試件的力學(xué)參數(shù)見(jiàn)表1。

1.2 試驗(yàn)儀器

試驗(yàn)系統(tǒng)如圖2所示。其中，加載設(shè)備為濟(jì)南時(shí)代試金公司生產(chǎn)的伺服萬(wàn)能試驗(yàn)機(jī)，對(duì)試件施加位移荷載，荷載速率為0.3 mm/min。DIC單元采用VIC-2DSystem，采用雙目工業(yè)相機(jī)實(shí)時(shí)拍攝加載過(guò)程中試件表面散斑場(chǎng)的變化，相機(jī)的分辨率為2 560 像素×1 920像素，拍攝速率為10幀/s。拍攝時(shí)，采用LED冷光燈對(duì)試件表面進(jìn)行補(bǔ)光，使相機(jī)記錄的散斑圖像具有較高的清晰度。試件加載前，在試件上下兩端涂凡士林，以減小端部摩擦對(duì)試驗(yàn)的不利影響。

表1 類巖石材料與砂巖力學(xué)參數(shù)對(duì)比

圖2 試驗(yàn)系統(tǒng)Fig.2 Test system

1.3 試驗(yàn)結(jié)果與分析

1.3.1 試件力學(xué)特性

3個(gè)材料組分和裂隙分布相同的裂隙網(wǎng)絡(luò)類巖石試件的應(yīng)力-應(yīng)變曲線如圖3所示，可以看出，這3個(gè)試件的峰值強(qiáng)度和彈性模量基本一致，表明通過(guò)3D打印技術(shù)制備的試件力學(xué)性質(zhì)穩(wěn)定，具有很好的可重復(fù)性。

各試件的變形破裂特征大致相似，受篇幅所限，本文選取2號(hào)試件進(jìn)行分析。圖4(a)給出了應(yīng)力-應(yīng)變曲線上標(biāo)識(shí)點(diǎn)～所對(duì)應(yīng)時(shí)刻的裂紋擴(kuò)展情況。此外，將試驗(yàn)全過(guò)程中采集的數(shù)字散斑圖像導(dǎo)入數(shù)字圖像相關(guān)軟件Vic-2D中，計(jì)算得到圖4(b)試件加載過(guò)程中的應(yīng)變場(chǎng)。

圖3 應(yīng)力-應(yīng)變曲線Fig.3 Stress-strain curves

圖4 試件破壞情況及應(yīng)變場(chǎng)演化Fig.4 Damage to the specimen and strain field evolution

由圖3,4可以看出，含復(fù)雜裂隙分布的試件變形破裂過(guò)程大致可以劃分為4個(gè)階段：

(1)初始?jí)好茈A段(0～段)，與真實(shí)巖石試件類似，該階段試件內(nèi)部原生微缺陷被逐漸壓密，具有顯著的初期非線性變形特征。此時(shí)，試件中的預(yù)制裂隙未發(fā)生擴(kuò)展，試件應(yīng)變場(chǎng)相對(duì)均勻。

(2)近似線性階段(～段)，隨著荷載的增加，應(yīng)力-應(yīng)變曲線呈現(xiàn)近似線性增大。在點(diǎn)處，第17號(hào)裂隙處出現(xiàn)應(yīng)變集中，但對(duì)試件整體強(qiáng)度影響不大。

(3)裂紋萌生、擴(kuò)展階段(～段)，當(dāng)應(yīng)力增加至點(diǎn)，試件第2，3，11，12，14，17號(hào)裂隙處發(fā)生應(yīng)變集中和裂隙擴(kuò)展。點(diǎn)后，試件的應(yīng)力-應(yīng)變曲線出現(xiàn)第1次跌落，隨即試件內(nèi)部達(dá)到新的應(yīng)力平衡，應(yīng)力-應(yīng)變曲線小幅度上漲。當(dāng)應(yīng)力到達(dá)點(diǎn)時(shí)，左側(cè)裂隙完全貫通，近乎剝落。同時(shí)伴隨著新裂紋的產(chǎn)生，應(yīng)力-應(yīng)變曲線再次出現(xiàn)應(yīng)力跌落；之后，新的應(yīng)力平衡建立，應(yīng)力-應(yīng)變曲線繼續(xù)小幅上漲。由于試件內(nèi)部分布20條復(fù)雜裂隙，因此，在應(yīng)力達(dá)到峰值應(yīng)力之前，應(yīng)力-應(yīng)變曲線伴隨著多次應(yīng)力跌落和應(yīng)力重分布。在這一過(guò)程中，雖然試件萌生了一些新裂紋，但未出現(xiàn)貫通破裂面。

(4)峰后階段(～段)，當(dāng)應(yīng)力達(dá)到了峰值應(yīng)力點(diǎn)，新裂隙和原生裂隙貫通試件，試件承載力迅速下降，發(fā)生脆性破壞。表明裂隙網(wǎng)絡(luò)試件的破壞是新生裂紋萌發(fā)擴(kuò)展與原生裂隙搭接、貫通的過(guò)程。

1.3.2 動(dòng)態(tài)裂紋的局部應(yīng)變響應(yīng)

為了進(jìn)一步揭示單條裂隙擴(kuò)展對(duì)試件整體強(qiáng)度的影響，對(duì)20條裂隙發(fā)育、擴(kuò)展情況進(jìn)行精細(xì)化統(tǒng)計(jì)分析，見(jiàn)表2。

新生裂紋主要從預(yù)制裂隙尖端起裂，與附近其他預(yù)制裂隙尖端搭接或擴(kuò)展至試件邊緣，新生裂紋與加載方向的夾角見(jiàn)表4，其中軸正向(與加載方向平行)記為0°，角度沿順時(shí)針?lè)较蛟黾?。由?可見(jiàn)，傾角在[0°，360°]隨機(jī)分布，由于新生裂隙在預(yù)制裂隙之間搭接，因此，新生裂紋傾角大小與預(yù)制裂隙附近的其他裂隙位置及荷載加載方向有相關(guān)性。

表2 裂隙擴(kuò)展統(tǒng)計(jì)

表3 新生裂紋發(fā)育角度

結(jié)合圖4和表2,3可以發(fā)現(xiàn)單條裂隙對(duì)試件整體強(qiáng)度有重要影響。

(1)在初始?jí)好茈A段：試件應(yīng)變場(chǎng)相對(duì)均勻，僅少量原生裂隙尖端發(fā)生應(yīng)變集中，且應(yīng)變集中不明顯,基本不影響試件整體強(qiáng)度。

(2)在近似線性階段：在點(diǎn)處，預(yù)制裂隙2，3，11，12，14，17號(hào)裂隙端部開(kāi)始萌生新裂紋，應(yīng)變場(chǎng)云圖中出現(xiàn)覆蓋裂隙的深紅色應(yīng)變集中區(qū)域。同時(shí)，彈性階段結(jié)束，且多條裂紋是同時(shí)萌生的。

(3)裂紋萌生、擴(kuò)展階段：在點(diǎn)處，試件的左側(cè)1，2，3號(hào)預(yù)制裂隙開(kāi)始互相搭接，左側(cè)接近脫落，同時(shí)11號(hào)裂隙上端萌發(fā)的反翼裂紋與13號(hào)裂隙上端萌發(fā)的反翼裂紋搭接，11號(hào)裂隙下端的翼裂紋與12上端的反翼裂紋搭接，12號(hào)上端和14號(hào)下端產(chǎn)生的反翼裂紋搭接，17號(hào)下端和14號(hào)上端產(chǎn)生的翼裂紋搭接。應(yīng)變場(chǎng)云圖中上述裂隙位置都存在顯著變化，當(dāng)裂隙擴(kuò)展比較顯著時(shí)，新生裂紋的應(yīng)變數(shù)據(jù)丟失，應(yīng)變?cè)茍D不再顯示顏色。同時(shí)，應(yīng)力-應(yīng)變曲線也出現(xiàn)小幅度的應(yīng)力波動(dòng)。

(4)峰后階段：在點(diǎn)處，4號(hào)裂隙上端萌發(fā)向上擴(kuò)展的翼裂紋，6號(hào)裂隙下端產(chǎn)生的傾斜反翼裂紋與7號(hào)裂隙上端產(chǎn)生的翼裂紋搭接；點(diǎn)處，裂隙持續(xù)發(fā)育，4號(hào)裂隙上端的新生翼裂紋發(fā)育到試件邊緣，6號(hào)和7號(hào)裂隙的上端分別萌發(fā)傾斜反翼裂紋，13號(hào)裂隙中部萌發(fā)傾斜次生裂紋，14號(hào)裂隙下端的拉伸翼裂紋沿軸向擴(kuò)展，應(yīng)力-應(yīng)變曲線產(chǎn)生1.14 MPa的應(yīng)力降；點(diǎn)處，9號(hào)裂隙上端產(chǎn)生的翼裂紋與12號(hào)裂隙下端產(chǎn)生的反翼裂紋搭接，預(yù)制裂隙4，5，6，7，8，9，11，12，13，14，17之間相互搭接，組成一張復(fù)雜的裂隙網(wǎng)，產(chǎn)生應(yīng)力降，最終形成導(dǎo)致試件破壞的宏觀貫穿裂隙。

由單條裂隙擴(kuò)展統(tǒng)計(jì)分析、試件的強(qiáng)度規(guī)律以及DIC云圖可以看出，利用試件應(yīng)變場(chǎng)的演化規(guī)律，可以清楚追蹤試件裂紋擴(kuò)展與破壞的特征。在加載時(shí)，含復(fù)雜裂隙的試件中，每一條裂隙起裂前，總是首先出現(xiàn)應(yīng)變集中區(qū)域，并且應(yīng)變集中區(qū)域具有前兆性。在裂紋萌生、擴(kuò)展階段的初期可能同時(shí)有多條裂隙發(fā)生擴(kuò)展，裂紋萌生。擴(kuò)展階段的后期應(yīng)力發(fā)生小幅度的波動(dòng)，并且裂隙擴(kuò)展十分復(fù)雜。在峰后階段動(dòng)態(tài)裂隙萌發(fā)愈加密集，擴(kuò)展愈加復(fù)雜。這都給裂隙監(jiān)測(cè)帶來(lái)極大的挑戰(zhàn)。此外，含復(fù)雜裂隙分布的試件彈性階段結(jié)束時(shí)的應(yīng)力與峰值應(yīng)力比較接近，約為97%(為峰值應(yīng)力)，到達(dá)峰值應(yīng)力后，試件迅速破壞。因此，基于裂隙擴(kuò)展情況超前判斷試件承載性能非常重要。

2 基于YOLOv5的動(dòng)態(tài)裂隙智能檢測(cè)

從含復(fù)雜裂隙試件破壞的試驗(yàn)結(jié)果分析中得知，試件整體強(qiáng)度與單條裂隙擴(kuò)展具有重要關(guān)系，統(tǒng)計(jì)每一條裂隙的擴(kuò)展情況可以半定量地判定試件整體強(qiáng)度。然而，在含復(fù)雜裂隙的試件中，原生裂隙分布廣、數(shù)量多，試件在破壞過(guò)程中，多條原生裂隙在極短的時(shí)間內(nèi)同時(shí)破裂。因此，依賴試驗(yàn)人員肉眼觀察DIC云圖識(shí)別和統(tǒng)計(jì)動(dòng)態(tài)裂隙不能滿足頻率要求，并且主觀性強(qiáng)、準(zhǔn)確性低。基于深度學(xué)習(xí)的智能識(shí)別方法可以從DIC云圖中快速提取高級(jí)語(yǔ)義信息，為裂隙破壞智能識(shí)別提供新途徑。在深度卷積神經(jīng)網(wǎng)絡(luò)算法的選擇上，YOLOv5算法檢測(cè)快、精度高，可有效的提高目標(biāo)物的識(shí)別速度和準(zhǔn)確率。

2.1 目標(biāo)檢測(cè)算法YOLO

YOLO(You Only Look Once)是基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法。YOLO算法將目標(biāo)檢測(cè)任務(wù)看作單一的回歸預(yù)測(cè)問(wèn)題，直接從圖像像素中獲取邊界框坐標(biāo)和類別概率。它采用組合的卷積神經(jīng)網(wǎng)絡(luò)提取圖像的多尺度特征，然后經(jīng)過(guò)全連接網(wǎng)絡(luò)層進(jìn)行特征融合，并將圖像特征傳遞到預(yù)測(cè)層，最后處理網(wǎng)絡(luò)預(yù)測(cè)結(jié)果并對(duì)圖像特征進(jìn)行預(yù)測(cè)，并生成目標(biāo)邊界框和預(yù)測(cè)類別概率。YOLO算法的具體做法是將輸入圖像分成×個(gè)窗格，每個(gè)窗格用來(lái)檢測(cè)一個(gè)中心點(diǎn)落在該窗格的物體，因此窗格可以隱式地包含物體類別和背景信息。同時(shí)，每個(gè)窗格會(huì)預(yù)測(cè)到個(gè)邊界框(Bounding box)以及邊界框的置信度(Confidence score)。其中，邊界框是指以該窗格向外延伸的邊界框，若邊界框內(nèi)檢測(cè)到有目標(biāo)物體，則要預(yù)測(cè)其各類物體的概率。

2.2 YOLOv5算法框架和開(kāi)發(fā)

YOLOv5算法是YOLO系列中推理速度最強(qiáng)、模型大小最輕量的目標(biāo)檢測(cè)模型，其模型結(jié)構(gòu)如圖5所示。YOLOv5的Backbone階段采用Focus和CSPDarknet53結(jié)構(gòu)。其中，F(xiàn)ocus結(jié)構(gòu)對(duì)輸入目標(biāo)的維度進(jìn)行切片處理，減少目標(biāo)原始特征信息的丟失，并提高模型的計(jì)算速度，經(jīng)過(guò)一系列卷積操作得到不同尺寸的特征圖像。Neck特征融合階段采用FPN+PAN的結(jié)構(gòu)，對(duì)不同尺寸的特征圖像進(jìn)行采樣，將特征圖像處理成相同大小，然后進(jìn)行特征融合及卷積，得到3個(gè)具有更強(qiáng)特征表現(xiàn)能力的特征層。Prediction預(yù)測(cè)階段通過(guò)用Head模型預(yù)測(cè)最終結(jié)果，在網(wǎng)格中根據(jù)特征標(biāo)記錨定框，通過(guò)損失計(jì)算得出目標(biāo)類的概率和邊框最終位置。此外，YOLOv5使用GIOU loss作為邊界框的損失函數(shù)，使邊框的收斂效果既快又好。特征提取結(jié)構(gòu)CSPDarknet53是YOLOv5算法的核心，可識(shí)別輸入目標(biāo)類別和輸出位置，是圖像分類與定位相結(jié)合的算法。

圖5 YOLOv5算法模型結(jié)構(gòu)Fig.5 Structure diagram of YOLOv5 algorithm model

筆者提出了一種基于YOLOv5算法的智能檢測(cè)模型，結(jié)合DIC云圖和YOLOv5算法實(shí)現(xiàn)動(dòng)態(tài)裂隙的智能識(shí)別，目標(biāo)檢測(cè)過(guò)程如圖6所示。

圖6 試件動(dòng)態(tài)裂隙檢測(cè)識(shí)別Fig.6 Dynamic crack detection and identification of specimen

(1)將輸入的裂隙網(wǎng)絡(luò)圖劃分為×個(gè)單元格，每個(gè)單元格針對(duì)不同大小尺度的目標(biāo)生成先驗(yàn)框，識(shí)別目標(biāo)的中心落在某一個(gè)網(wǎng)格中，則由該網(wǎng)絡(luò)的先驗(yàn)框負(fù)責(zé)跟蹤識(shí)別該目標(biāo)。采用置信度表示該先驗(yàn)框中目標(biāo)分類概率及匹配目標(biāo)的性能。

=Pr(object)×IOU(pred，truth)

(1)

式中，Pr(object)為預(yù)測(cè)框內(nèi)對(duì)象概率，若預(yù)測(cè)框內(nèi)沒(méi)有目標(biāo)則為0，否則為1；IOU(pred，truth)為預(yù)測(cè)框(predicted box)與真實(shí)框(ground truth)的交并比。

(2)對(duì)劃分的裂隙圖像進(jìn)行歸一化處理，將歸一化后的裂隙數(shù)據(jù)集送到下層特征提取網(wǎng)絡(luò)進(jìn)行特征提取。

(3)設(shè)置預(yù)測(cè)框，分為大小不同的框，針對(duì)不同檢測(cè)目標(biāo)，計(jì)算預(yù)測(cè)框位置，即中心點(diǎn)坐標(biāo)。

(4)根據(jù)預(yù)測(cè)坐標(biāo)的偏移值，計(jì)算目標(biāo)中心點(diǎn)位置及預(yù)測(cè)框?qū)挾?、高度?/p>

(5)輸出目標(biāo)識(shí)別結(jié)果。

2.3 目標(biāo)檢測(cè)試驗(yàn)

2.3.1 軟件及硬件條件

所用計(jì)算機(jī)為臺(tái)式電腦，AMD Ryzen 9 3900X處理器、主頻3.80 GHz，內(nèi)存32GB，GeForceGTX 2080ti顯卡，12G顯存。Windows10，64位操作系統(tǒng)，采用python和pytorch搭建YOLOv5算法模型。

2.3.2 數(shù)據(jù)集

(1)數(shù)據(jù)集預(yù)處理。通過(guò)復(fù)雜裂隙試件破壞試驗(yàn)得到的應(yīng)變場(chǎng)演化云圖來(lái)建立深度學(xué)習(xí)數(shù)據(jù)集。共采集到應(yīng)變場(chǎng)云圖1 000張，約20 000條裂隙破壞形態(tài)的數(shù)據(jù)。智能算法對(duì)20 000條裂隙進(jìn)行訓(xùn)練和測(cè)試，其中，16 000條裂隙作為訓(xùn)練集，2 000條作為測(cè)試集。為了豐富數(shù)據(jù)集，本文在輸入端使用了Mosaic數(shù)據(jù)增強(qiáng)技術(shù)，如圖7所示。通過(guò)隨機(jī)縮放、隨機(jī)裁剪、隨機(jī)排布進(jìn)行拼接補(bǔ)充，增強(qiáng)了很多目標(biāo)物體樣本數(shù)據(jù)。Mosaic數(shù)據(jù)增強(qiáng)技術(shù)會(huì)把目標(biāo)物體變得更小，但最后會(huì)使得小尺寸的大目標(biāo)物體檢測(cè)的更加精準(zhǔn)，讓網(wǎng)絡(luò)的魯棒性更好，能夠有效的解決動(dòng)態(tài)裂隙檢測(cè)樣本中小目標(biāo)物體不足的問(wèn)題。

圖7 Mosaic數(shù)據(jù)增強(qiáng)原理Fig.7 Mosaic data enhancement principle

(2)裂隙分類。試驗(yàn)結(jié)果分析已經(jīng)得出某一條裂隙的初次起裂也會(huì)很大程度的影響整個(gè)巖體的強(qiáng)度，所以同步監(jiān)測(cè)全體裂隙并捕捉動(dòng)態(tài)裂隙是本文主要解決的問(wèn)題。為此，將不同階段的裂隙分為原生裂隙(Original Fissures,OF)、應(yīng)變集中區(qū)(Strain Concentration Areas,SCA)、新生裂隙(Emerging Fissures,EF)、交叉裂隙(Cross Fissure,CF)4類。4種類型如圖8所示，圖8(a)為試件中預(yù)制的原生裂隙；圖8(b)為在試件受載過(guò)程中應(yīng)變集中的區(qū)域，是新裂紋萌生的前兆；圖8(c)為在原生裂隙尖端新生的裂紋；圖8(d)為當(dāng)新生裂隙擴(kuò)展并與原生裂隙搭接而出現(xiàn)的交叉裂隙。

圖8 裂隙分類情況Fig.8 Classification of fissures

2.3.3 檢測(cè)結(jié)果

利用數(shù)據(jù)集進(jìn)行迭代訓(xùn)練。訓(xùn)練過(guò)程中，使用隨機(jī)梯度下降算法，批量大小為64，動(dòng)量為0.937，衰減為0.000 5，學(xué)習(xí)速率初始化為0.01。訓(xùn)練完成后，將測(cè)試集圖像輸入到已訓(xùn)練好的模型中，神經(jīng)網(wǎng)絡(luò)算法輸出目標(biāo)物預(yù)測(cè)框和置信度，得到了動(dòng)態(tài)裂隙檢測(cè)結(jié)果，如圖9所示。

由于試件整體強(qiáng)度與單條裂隙擴(kuò)展具有重要關(guān)系，特別是新生裂隙和交叉裂隙對(duì)試件整體強(qiáng)度影響最大。為此，智能識(shí)別算法重點(diǎn)識(shí)別并統(tǒng)計(jì)這兩大類裂隙，當(dāng)新生裂隙和交叉裂隙數(shù)量較多時(shí)，試件即將破壞。由此可以對(duì)試件整體強(qiáng)度和破壞進(jìn)行半定量的預(yù)警。

注：預(yù)測(cè)框4種顏色：橙、藍(lán)、紫、紅，分別對(duì)應(yīng)4種不同階段下的裂隙：原生裂隙(OF)、應(yīng)變集中區(qū)(SCA)、新生裂隙(EF)、交叉裂隙(CF)；預(yù)測(cè)框內(nèi)的數(shù)值為置信度。圖9 試件破壞過(guò)程中動(dòng)態(tài)裂隙檢測(cè)結(jié)果Fig.9 Dynamic crack detection results during specimen failure

2.4 算法評(píng)估

2.4.1 模型識(shí)別精度衡量指標(biāo)

本文選用、平均精度均值()和損失函數(shù)作為模型精度衡量指標(biāo)。其中,指標(biāo)都依賴于混淆矩陣(Confusion Matrix)、精確率(Precision)和召回率(Recall)的計(jì)算，網(wǎng)絡(luò)模型訓(xùn)練所得混淆矩陣如圖10所示。

圖10 識(shí)別模型混淆矩陣Fig.10 Identification of the model confusion matrix

分?jǐn)?shù)為結(jié)合精確率和召回率的一個(gè)綜合指標(biāo)，可以避免精確率和召回率相差較大的極端情況，能較好的反映整體，精確率為所有判別為正的樣品中實(shí)際為真的占比率，衡量模型對(duì)負(fù)樣本的識(shí)別能力；召回率為每一類分類的精確率，衡量模型對(duì)正樣本的識(shí)別能力，計(jì)算公式如式(2)～(4)所示。

(2)

(3)

(4)

式中，為模型預(yù)測(cè)為正的正樣本數(shù)量；為模型預(yù)測(cè)為正的負(fù)樣本數(shù)量；為模型預(yù)測(cè)為負(fù)的正樣本數(shù)量。

與平均精度()相關(guān)，其中@0.5為當(dāng)混淆矩陣IoU閾值取0.5時(shí)，針對(duì)某一類具有個(gè)正例的樣本，所有檢測(cè)結(jié)果按置信度進(jìn)行降序排列，每增加一個(gè)正例將對(duì)應(yīng)一個(gè)精確率()，對(duì)個(gè)求平均值即得該類的@0.5，計(jì)算公式為

(5)

@0.5定義為所有類的@0.5求均值，@0.5衡量模型精確率隨召回率變化趨勢(shì)，@0.5越高意味著模型越容易在高召回率下保持高準(zhǔn)確率，計(jì)算公式為

(6)

式中，為類別數(shù)。

采用廣義損失參數(shù)GIoU來(lái)評(píng)價(jià)模型，該特征反應(yīng)了檢測(cè)框與實(shí)際標(biāo)注框的重合率，其中GIoU損失值越小表示檢測(cè)收斂效果越好，計(jì)算公式如式(7)，(8)所示。

(7)

GIoU=1-GIoU

(8)

式中，GIoU為損失值；為輸出框(predict box)的面積；為真實(shí)框(ground truth)的面積；為2個(gè)框的最小閉包區(qū)域面積。

2.4.2 評(píng)價(jià)結(jié)果分析

基于構(gòu)建的動(dòng)態(tài)裂隙智能識(shí)別算法得到了精確率、召回率和曲線，如圖11所示。隨著迭代訓(xùn)練次數(shù)的增加，精確率和召回率逐漸增加，在迭代接近100次時(shí)，精確率和召回率曲線達(dá)到了平衡，平衡后的精確率和召回率都達(dá)到了80%以上，精確率均值為84%，召回率均值為89%。表明本算法檢測(cè)速度快、精度高。從衡量網(wǎng)絡(luò)整體性能的可以發(fā)現(xiàn)，都處于80%以上，最高達(dá)到了91%，表明模型高精度邊界擬合能力較強(qiáng)，表明本算法檢測(cè)效果較優(yōu)。

GIoU損失參數(shù)隨著迭代訓(xùn)練次數(shù)變化曲線如圖12所示。從訓(xùn)練結(jié)果可以看出，GIoU損失函數(shù)呈現(xiàn)下降趨勢(shì)，500次迭代訓(xùn)練后，GIoU損失值趨于擬合達(dá)到0.01左右，模型趨于穩(wěn)定，達(dá)到了整體最優(yōu)解。表明了該網(wǎng)絡(luò)模型的檢測(cè)收斂效果較優(yōu)。為了驗(yàn)證模型的識(shí)別效果，采用測(cè)試樣本集進(jìn)行訓(xùn)練，得到得分情況。4種類型相對(duì)應(yīng)的值分別為83%，89%，87%和85%，識(shí)別頻率為111 fps。在全局統(tǒng)計(jì)意義上來(lái)說(shuō)，4種裂隙類型識(shí)別的平均值達(dá)到86%，證明本算法能夠比較精準(zhǔn)的智能識(shí)別這4類動(dòng)態(tài)裂隙。

圖11 模型訓(xùn)練曲線Fig.11 Model training curves

圖12 GIoU損失函數(shù)曲線Fig.12 GIoU loss function curves

3 結(jié) 論

(1)含復(fù)雜裂隙試件破壞過(guò)程中往往伴隨多條動(dòng)態(tài)裂隙擴(kuò)展和貫通。DIC技術(shù)能夠?qū)崿F(xiàn)含復(fù)雜裂隙試件應(yīng)變場(chǎng)的定量獲取，實(shí)現(xiàn)對(duì)每條裂隙的直觀監(jiān)測(cè)。在每條原生裂隙起裂前，總是首先出現(xiàn)應(yīng)變集中區(qū)域，并且應(yīng)變集中區(qū)域具有前兆性，預(yù)示著新裂紋的萌生。

(2)試件整體強(qiáng)度與單條裂隙擴(kuò)展具有重要關(guān)系，新生裂紋產(chǎn)生后試件的彈性變形階段結(jié)束，彈性階段結(jié)束時(shí)的應(yīng)力與峰值應(yīng)力比較接近，約為97%(為峰值應(yīng)力)。裂隙擴(kuò)展階段出現(xiàn)多次應(yīng)力波動(dòng)，應(yīng)力波動(dòng)與交叉裂隙有重要關(guān)系。試件到達(dá)峰值應(yīng)力后，試件迅速破壞。統(tǒng)計(jì)每條裂隙的擴(kuò)展情況可以半定量的評(píng)估試件的整體強(qiáng)度。

(3)結(jié)合DIC方法對(duì)裂隙網(wǎng)絡(luò)巖石試件加載過(guò)程進(jìn)行全局應(yīng)變場(chǎng)測(cè)量，獲取的試件應(yīng)變場(chǎng)云圖作為樣本數(shù)據(jù)集，并結(jié)合試驗(yàn)得到的強(qiáng)度規(guī)律對(duì)裂隙破壞模式進(jìn)行了分類：原生裂隙、應(yīng)力集中區(qū)、新生裂隙和交叉裂隙。其中，交叉裂隙對(duì)試件整體強(qiáng)度影響最大。

(4)基于YOLOv5搭建了適用于識(shí)別復(fù)雜裂隙巖石試件動(dòng)態(tài)裂隙的智能檢測(cè)算法，檢測(cè)結(jié)果表明，該模型可以對(duì)動(dòng)態(tài)裂隙可以進(jìn)行智能精準(zhǔn)識(shí)別，基于裂隙類型可以智能判定每條裂隙的狀態(tài)，也可對(duì)動(dòng)態(tài)裂紋數(shù)量進(jìn)行智能統(tǒng)計(jì)。

(5)建立的動(dòng)態(tài)裂隙智能檢測(cè)模型檢測(cè)速度快、精度高，4種裂隙類型相對(duì)應(yīng)的分別為83%，89%，87%和85%，總體識(shí)別精度可達(dá)86%。本方法可以為含復(fù)雜裂隙巖石破壞的智能監(jiān)測(cè)和破壞預(yù)警提供新思路、新方法。