邢羽琪
(云南民族大學(xué),云南 昆明 650031 )
纖維混凝土是纖維和水泥基料組成的復(fù)合材料,具有抗壓強(qiáng)度高、耐久性強(qiáng)等特點(diǎn),被廣泛應(yīng)用于工程領(lǐng)域。一旦纖維混凝土材料中的纖維出現(xiàn)斷裂等,會嚴(yán)重影響混凝土的性能。因此,加強(qiáng)度纖維混凝土材料的識別成為思考和研究的熱點(diǎn)。目前,針對纖維混凝土材料的識別問題,有學(xué)者采用深度學(xué)習(xí)技術(shù)對混凝土的內(nèi)部石料組分進(jìn)行清晰度還原,以此判斷混凝土表面裂縫是否存在,并驗(yàn)證了算法的可行性與可靠性[1];對ASR導(dǎo)致的混凝土材料損傷進(jìn)行評估,得出深度學(xué)習(xí)算法能較為準(zhǔn)確的對混凝土電鏡損傷圖像進(jìn)行分類,進(jìn)而辨別混凝土表面裂縫[2];Uwanuakwa等引入深度學(xué)習(xí)模型對粉煤灰混凝土碳化深度進(jìn)行預(yù)測,試驗(yàn)結(jié)果表明該模型具有較高預(yù)測性,為識別粉煤灰混凝土表面裂縫提供了借鑒。深度學(xué)習(xí)被廣泛應(yīng)用在混凝土表面裂縫識別方面,但用于竹纖維混凝土表面裂縫的識別較少。因此,結(jié)合竹纖維混凝土在抗劈拉強(qiáng)度上的優(yōu)勢,提出一種基于DeepLabV3+網(wǎng)絡(luò)的識別實(shí)驗(yàn)方案,并對方案的可行性進(jìn)行驗(yàn)證,以此為纖維混凝土表面裂縫的信息化識別提供參考,推進(jìn)混凝土表面裂縫識別技術(shù)的深度應(yīng)用。
竹纖維是植物纖維混凝土最常用的纖維之一。目前,應(yīng)用于混凝土的竹纖維的長度在1~5 cm。除竹纖維以外,部分學(xué)者也將黃麻纖維應(yīng)用到纖維混凝土中。本研究的目的是利用深度學(xué)習(xí)算法識別纖維混凝土表面裂縫中的竹纖維,因此前期準(zhǔn)備工作中,準(zhǔn)備一個高30 mm、直徑10 mm的竹纖維混凝土圓柱體樣品,并進(jìn)行無損檢測。掃描圓柱體樣品的正、側(cè)和水平3個方向,提取其核心部分的掃描圖像,獲得2 000張正向掃描圖,圖像大小均為(325×325×3)pixels;部分示例圖像如圖1所示。
圖1 纖維混凝土的斷面圖Fig.1 Cross section of fiber concrete
從圖1可以看出,灰色的線條狀組分是竹纖維。通過測量其直徑d=1 cm,長度l=3.75 cm,密度ρ約為2.17 g/cm2;白色的組分為密度最大的未水化水泥顆粒;黑色的組分為孔洞;與竹纖維灰度相近的是水泥砂漿基體,其密度約為2.36 g/cm3。
黃麻纖維灰度相近的是水泥砂漿基體,其密度約為2.36 g/cm3。
1.1.1數(shù)據(jù)標(biāo)記
為提高深度學(xué)習(xí)網(wǎng)絡(luò)的泛化能力,引入labelme標(biāo)注軟件,對每一張原始圖像中的竹纖維進(jìn)行標(biāo)記,便于和快速識別模型的預(yù)測結(jié)果進(jìn)行比較;經(jīng)過標(biāo)注后的標(biāo)簽圖像如圖2所示,其中白色的為竹纖維。
圖2 竹纖維標(biāo)簽圖像Fig.2 Jute fiber label image
1.1.2數(shù)據(jù)增強(qiáng)
為了提高快速識別的精準(zhǔn)度,本文在前期準(zhǔn)備工作中,對2 000張有效原始圖像進(jìn)行數(shù)據(jù)增強(qiáng),最終獲得6 000張有效特征圖。其中,訓(xùn)練集3 600張,驗(yàn)證集1 280張,測試集1 120張。
參考文獻(xiàn)[4]的方法,構(gòu)建DeepLabV3+深度學(xué)習(xí)網(wǎng)絡(luò)對竹纖維混凝土結(jié)構(gòu)中的竹纖維直徑進(jìn)行識別,進(jìn)而識別竹纖維混凝土表面的裂縫。
1.2.1DeepLabV3+網(wǎng)絡(luò)模型
DeepLabV3+是語義分割技術(shù)目前能達(dá)到的最新技術(shù)。DeepLabV3+網(wǎng)絡(luò)模型在傳統(tǒng)DeepLabV的基礎(chǔ)上,增加了Decoder模塊,構(gòu)建了Encoder- Decoder 結(jié)構(gòu),并在主干網(wǎng)絡(luò)Xception中增加空間金字塔模塊(Atrous Spatial Pyramid Pooling,ASPP),同時,為了增大感受野,在模型中加入了空洞卷積(Atrous Convolution)算法,從而避免傳統(tǒng)卷積操作中卷積核增大、網(wǎng)絡(luò)結(jié)構(gòu)計算量龐大的缺點(diǎn);因此,相比于傳統(tǒng)模型,DeepLabV3+具有參數(shù)數(shù)量大,網(wǎng)絡(luò)層次更深的優(yōu)點(diǎn),可對圖像進(jìn)行更精準(zhǔn)的提取和識別,符合本文目標(biāo)樣本短切纖維所需要的不同大小感受野以及更深層次的網(wǎng)絡(luò)結(jié)構(gòu)要求。因此,以DeepLabV3+對纖維混凝土中的短切纖維進(jìn)行識別和研究;DeepLabV3+網(wǎng)絡(luò)模型如圖3所示[5-11]。
圖3 DeepLabV3+模型整體框架Fig.3 Overall framework of DeepLabV3+model
1.2.3DeepLabV3+網(wǎng)絡(luò)識別步驟
由圖3可知,DeepLabV3+網(wǎng)絡(luò)包括:Encoder、Xception(如圖4所示)、ASPP和Decoder這4個模塊,其對纖維混凝土表面短切纖維的識別流程為:
圖4 主干網(wǎng)絡(luò)Xception結(jié)構(gòu)示意圖Fig.4 Schematic diagram of backbone network Xception structure
(1)在Encoder結(jié)構(gòu)中,輸入事先收集的黃麻纖維混凝土的初始圖像,采用Xception對原始圖像進(jìn)行識別,提取短切黃麻纖維的圖像特征;
(2)隨機(jī)從步驟(1)中提取的圖像特征中,抓取一個低尺度特征圖;
(3)采用Decoder結(jié)構(gòu)模塊,對步驟(2)抓取的的特征圖進(jìn)行解碼,提取邊緣特征信息;
(4)通過ASPP模塊,將步驟(2)剩余的特征圖從不同尺度進(jìn)行分析,獲取其基本特征信息;
(5)對通過了ASPP模塊的特征圖進(jìn)行降維,再次輸入到解碼器結(jié)構(gòu)中;
(6)通過解碼器融合特征圖與邊緣特征的信息,輸出預(yù)測結(jié)果;
(7)對比原始圖像和預(yù)測結(jié)果,計算二者之間的誤差;
(8)在尋找到局部最優(yōu)解后,記一次訓(xùn)練完成;
(9)重復(fù)步驟(1)~(8),直到獲得模型的最優(yōu)權(quán)重,停止重復(fù),輸出結(jié)果。
網(wǎng)絡(luò)模型的評價指標(biāo)是指對模型給出的預(yù)測結(jié)果進(jìn)行計算,并給出相應(yīng)的評價分?jǐn)?shù)。評價指標(biāo)可以衡量模型的好壞。本文對短切黃麻纖維單個標(biāo)簽進(jìn)行分類,隨后采用語義分割中最為常用的3個評價指標(biāo)來對DeepLabV3+網(wǎng)絡(luò)模型的預(yù)測結(jié)果進(jìn)行評價,分別為準(zhǔn)確率(Accuracy)、交并比Intersection over Union(IoU)、F1。
1.3.1分類結(jié)果
本文研究目標(biāo)為短切黃麻纖維,為單個標(biāo)簽。其中,正樣本標(biāo)簽以【+標(biāo)簽】表示,反之為【-標(biāo)簽】;正樣本分類以【+分類】表示,反之為【-分類】,因此,分類結(jié)果:
(1)TP=【+標(biāo)簽】+【+分類】;
(2)FN=【+標(biāo)簽】+【-分類】;
(3)FP=【-標(biāo)簽】+【+分類】;
(4)TN=【-標(biāo)簽】+【-分類】。
1.3.2準(zhǔn)確率
準(zhǔn)確率(Accuracy)表示的是所有樣本都正確分類的概率。在DeepLabV3+網(wǎng)絡(luò)中,即所有預(yù)測正確圖像特征占總特征信息的比例。準(zhǔn)確率越高,圖像分割效果越好。將1.3.1的分類結(jié)果帶入準(zhǔn)確率的定義中,得到準(zhǔn)確率計算公式[12-20]:
(1)
1.3.3F1值
F1值是一個折中指標(biāo),是召回率和精確率的調(diào)和平均值。召回率指有多少預(yù)測結(jié)果被召回;精確率指被召回的預(yù)測結(jié)果中有多少符合標(biāo)簽圖像。
(2)
(3)
(4)
在DeepLabV3+網(wǎng)絡(luò)進(jìn)行分類測試前,需要對其進(jìn)行網(wǎng)絡(luò)訓(xùn)練,以確保網(wǎng)絡(luò)達(dá)到最優(yōu)。結(jié)合DeepLabV3+網(wǎng)絡(luò)的結(jié)構(gòu),選擇用損失函數(shù)、參數(shù)率、優(yōu)化器對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。
2.1.1損失函數(shù)設(shè)計
為保證網(wǎng)絡(luò)的收斂速度,引入損失函數(shù)。損失函數(shù)將真實(shí)標(biāo)簽值和模型預(yù)測值之間的差異用數(shù)值量化為一個非負(fù)函數(shù),其公式:
(5)
結(jié)合纖維混凝土材料組分的特征,選用交叉熵?fù)p失函數(shù)來處理數(shù)據(jù)分類問題和圖像分割,具體為:
(1)針對離散數(shù)據(jù)的分類問題,設(shè)樣本的標(biāo)簽值為y∈{1,……,C},模型輸出結(jié)果的條件概率分布函數(shù)為f(x;θ)∈[0,1]C,則交叉熵?fù)p失函數(shù)公式為:
p(y=c|x;θ)=fc(x;θ)
(6)
(2)針對圖像分割問題,在預(yù)測結(jié)果輸出后,將所有像素點(diǎn)進(jìn)行分類,再引入交叉熵函數(shù),分別獲取每一個像素點(diǎn)的真實(shí)概率值和預(yù)測概率值,并計算二者之間差異的平均值。因此,設(shè)真實(shí)概率值為p(xij),預(yù)測概率值為q(xij),Loss為交叉熵?fù)p失函數(shù),樣本中像素總數(shù)為m。本文研究類別只有背景和纖維2種,所以類別個數(shù)為2,則得出函數(shù)公式:
(7)
2.1.2學(xué)習(xí)率設(shè)置
在網(wǎng)絡(luò)訓(xùn)練過程中,使用損失函數(shù)的梯度調(diào)整網(wǎng)絡(luò)權(quán)重的超參數(shù),被稱之為學(xué)習(xí)率。學(xué)習(xí)率在語義分割網(wǎng)絡(luò)模型構(gòu)建中至關(guān)重要,若學(xué)習(xí)率過大,會導(dǎo)致?lián)p失函數(shù)直接越過全局最優(yōu)點(diǎn);若學(xué)習(xí)率過小,則損失函數(shù)的變化速度過慢,導(dǎo)致網(wǎng)絡(luò)收斂復(fù)雜度大大增加,無法得到正確結(jié)果。因此,只有合理設(shè)置學(xué)習(xí)率是重點(diǎn)。為得到最適合本網(wǎng)絡(luò)的學(xué)習(xí)率,首先設(shè)置一個較大的學(xué)習(xí)率a,然后根據(jù)不同訓(xùn)練和迭代次數(shù)的增加,對學(xué)習(xí)率進(jìn)行動態(tài)衰減,防止越過全局最優(yōu)解。常見的衰減方式有指數(shù)衰減、余弦衰減、分段常數(shù)衰減等。本文則選用分段常數(shù)衰減進(jìn)行訓(xùn)練,得到圖5所示的結(jié)果。
圖5 3組不同初始學(xué)習(xí)率下訓(xùn)練集和Loss值Fig.5 Loss value of training set under three groups of different initial learning rates
從圖5可以看出,當(dāng)學(xué)習(xí)率為10-3時,DeepLabV3+網(wǎng)絡(luò)的Loss表現(xiàn)最好,其值最低;因此選定初始學(xué)習(xí)率為10-3。
2.1.3優(yōu)化器選擇
在設(shè)定好學(xué)習(xí)率后,需根據(jù)網(wǎng)絡(luò)梯度選擇不同的優(yōu)化器,以更新網(wǎng)絡(luò)參數(shù),從而促使模型輸出逼近或達(dá)到最優(yōu)值的目的。根據(jù)DeepLabV3+網(wǎng)絡(luò),選取Adam優(yōu)化器,該優(yōu)化器的特點(diǎn)是通過一階和二階矩估計動態(tài)來調(diào)整學(xué)習(xí)率,從而適用于不同類型的數(shù)據(jù)集,其具有應(yīng)用范圍廣、內(nèi)存需求小、計算簡單高效的優(yōu)點(diǎn)。
(13)
以獲取的3 600張為訓(xùn)練集,2張為一組同時輸入DeepLabV3+網(wǎng)絡(luò),得到DeepLabV3+網(wǎng)絡(luò)對竹纖維的識別結(jié)果,具體如圖6所示。
圖6 DeepLabV3+網(wǎng)絡(luò)模型的識別結(jié)果Fig.6 Recognition results of DeepLabV3+network model
從圖6可以看出, DeepLabV3+網(wǎng)絡(luò)模型從不同尺寸方向?qū)χ窭w維的特征進(jìn)行采集,準(zhǔn)確還原了竹纖維的邊界特征,保持了高分割精度,識別結(jié)果良好。
通過DeepLabV3+網(wǎng)絡(luò)的識別,得到在準(zhǔn)確率和F1值指標(biāo)的計算結(jié)果,具體如圖7所示。
圖7 不同評價指標(biāo)在數(shù)據(jù)集中的變化曲線Fig.7 Change curve of different evaluation indicators in the data set
從圖7可以看出,在最佳初始學(xué)習(xí)率下,準(zhǔn)確率ACC一直保持在較高的水平;F1值前期上升迅速,在20個周期前震蕩上升,20個周期后趨于穩(wěn)定。最終的計算結(jié)果準(zhǔn)確率為81.7%,F(xiàn)1值為78.3%,這表明DeepLabV3+網(wǎng)絡(luò)模型對竹纖維有著良好的識別性能。
本試驗(yàn)實(shí)現(xiàn)了DeepLabV3+網(wǎng)絡(luò)對黃麻纖維混凝土中的竹纖維的識別,為竹纖維混凝土表面裂縫的識別奠定了基礎(chǔ)。
(1)通過損失函數(shù)、參數(shù)率以及優(yōu)化器對DeepLabV3+網(wǎng)絡(luò)的訓(xùn)練,確保DeepLabV3+網(wǎng)絡(luò)輸入逼近和達(dá)到最優(yōu)值預(yù)測結(jié)果;
(2)通過試驗(yàn),得出DeepLabV3+網(wǎng)絡(luò)對竹纖維的識別,準(zhǔn)確率為81.7%,F(xiàn)1值為78.3%,這表明DeepLabV3+深度學(xué)習(xí)網(wǎng)絡(luò)模型能較為精準(zhǔn)的識別黃麻纖維混凝土中直徑大于14 mm的竹纖維,從而判斷竹纖維混凝土表面出現(xiàn)了裂縫。
通過本研究,其貢獻(xiàn)在于利用信息化的手段對竹纖維混凝土的識別提供了一種新手段。運(yùn)用這種方法,可將其推廣到工業(yè)技術(shù)中,以此為化學(xué)材料缺陷的識別和工程檢測提供新的參考。