摘要：针对轻型结构快速装配需求,以箱式医疗应急建筑为例,提出一种基于BIM可视化编程的箱式房结构机器人智能建造方法。该方法通过BIM可视化编程算法确定各预制构件的安装顺序和定位,并基于RRT-Star算法生成机械臂安装各构件的作业路径参数。并通过仿真实验对预制构件安装顺序和定位BIM可视化算法以及安装路径障碍物规避RRT-Star算法进行了测试。结果表明,该智能建造方法能够为给定的轻型结构BIM确定合理的预制构件安装顺序,其中生成的各构件坐标值沿z轴、y轴、x轴以升序排列,符合结构在空间上从下到上、从左到右和从后到前的安装逻辑;该智能建造方法能够根据预制构件的刚体模型建立机械臂自动化安装作业的轨迹参数,实现了更适用于建筑应用场景的装配路径避障。

摘要：在工程实践和已有研究中,对于混凝土结构内部病害的无损检测,超声层析图像通常需要先验知识进行人工定性判读,较少应用于精确的量化检测。为此,提出一种基于阵列超声和特征融合神经网络的深度学习方法,用于钢筋混凝土结构内部裂缝的像素级无损检测。制作了预置内部裂缝的钢筋混凝土构件,并使用低频剪切超声波和换能器阵列扫查,获得阵列超声B扫描图像并构建数据集。建立了具有编码器-解码器架构的深度神经网络,并采用特征融合策略和残差模块优化该模型,使其与B扫描图像的语义结构更加兼容。通过配准,将独立局部预测图组合为断面的全局表征,以展示构件长度方向整个断面的裂缝位置、分布等全局信息。结果表明:训练、验证及测试集的F分数均高于70%,提出的特征融合深度神经网络可识别宽度低至1 mm的裂缝,裂缝长度量化的平均绝对百分误差为6.22%,证实了所提方法的有效性。

摘要：基于图像分析的裂缝自动检测识别一直是桥梁结构健康检测的热点问题之一。深度学习作为裂缝检测的重要解决方法,需要大量数据支持。公开数据集提供的小尺寸裂缝图像不足以解决超大尺寸细长裂缝图像的检测问题。提出一个基于特征金字塔深度学习网络的超大尺寸图像中细长裂缝的检测方法。通过对编码器提取的4个不同层次的特征图分别进行预测,网络能够实现对细小裂缝的高精度分割。试验使用120张大小为3264×4928像素的桥钢箱梁表面裂缝图像对特征金字塔网络进行训练、测试;并将获得的训练模型与通过双线性插值方法缩放图像至1600×2400像素和2112×3168像素两种规格生成的数据集训练后的模型进行对比。结果表明:该方法在对比测试中能够获得最高的裂缝检测交并比(IoU)为0.78,最低的Dice Loss为0.12。测试中,裂缝检测图像显示,缩放图像会导致部分裂缝信息的丢失,该方法能稳定地保留裂缝信息,并实现复杂背景下超大尺寸图像中细长裂缝的高精度自动检测。

摘要：为实现混凝土结构裂缝的自动化定位、宽度量化及扩展追踪,提出一种基于三维点云重建的混凝土结构裂缝定位及扩展追踪方法。首先通过无人机搭载高分辨率云台相机获取目标建筑物的图像集,再通过优化数据集与三维重建流程得到准确的建筑结构点云模型,并还原相机空间参数;然后提出视点定位算法,基于还原的相机空间参数求得拍摄裂缝的相机世界坐标,将裂缝图片与相机世界坐标绑定,基于图片索引裂缝的三维坐标,实现裂缝在点云模型中的自动定位;最后提出适用于混凝土结构的点云映射与配准算法,对裂缝宽度的扩展进行量化追踪。通过试验对服役期的大型混凝土建筑结构进行了可行性和精度验证。结果表明:所提出方法的三维模型重建的尺度平均误差小于3%,且可自动化定位结构裂缝的三维坐标,裂缝平均定位时间为38.09μs;通过进一步将整体模型与更新的裂缝点云集配准,可实现裂缝扩展信息(裂缝宽度)的准确追踪,试验相对误差小于8%。

摘要：针对混凝土结构病害识别类型单一、精度较低的现状,提出了基于残差网络和迁移学习的病害分类识别方法,通过构建多属性病害数据集,利用迁移学习优化残差网络模型,提出混凝土结构健康状态识别的多个任务。首先收集混凝土结构的病害状态图像,依次通过数据清洗、尺寸均一化、数据扩增和多人投票标注,最终得到包含6 680张图像的混凝土结构病害多属性数据集,并依据不同标注属性进行了相应训练集、验证集和测试集的划分;然后利用迁移学习对预训练的ResNet-34网络前3个部分进行参数冻结,后续2个部分的参数进行重新训练,并在模型末端添加新的参数,基于已构建的数据集进行训练;最后在提出的构件类别检测、剥落检测、病害检测和病害类别检测任务中,分别获得84.88%、98.56%、97.18%和85.34%的F1分数。结果表明:通过构建多属性标注的混凝土结构病害数据集训练深度学习模型,可较好地实现多场景特征下的病害识别效果;采用迁移学习技术可从开源数据中获取较好的特征提取效果;改进的ResNet-34网络可克服网络退化问题,并针对混凝土结构病害识别的多个任务获得较好的效果;相对于单一的混凝土结构病害识别,进行病害部位、程度、多类别的系统性检测,可为结构状态评估提供详细信息,更贴合工程实际需要。