1、学术论文粘接书书书智能设计检测?年?月第?卷第?期?Academic papers研究报告专论基于深度神经网络的材料粘接裂缝识别何小华（烟台汽车工程职业学院，山东 烟台265500）摘要：针对传统裂缝识别方法准确率低的问题，研究基于深度神经网络，设计一个Crack-CNN裂缝识别模型。根据CNN神经网络结构，利用CNN的特征提取和学习能力特性，将CNN应用于材料粘接裂缝识别中，然后将裂缝定位和CNN网络相结合，构建Crack-CNN模型，将裂缝图像输入至该模型中，通过CNN网络提取裂缝特征，并进行卷积、池化操作，再利用激活函数和全连接层进行特征分类，最终输出裂缝分类结果。结果表明，相较于传统裂
2、缝识别模型，模型的训练和测试精度均保持在95%以上，模型的训练时间为3 825 s，远远低于VGG-13和ResNet模型。由此证明该模型性能好，可在材料粘接裂缝中取得较好的识别效果。关键词：材料粘结；裂缝识别；深度学习；神经网络；Crack-CNN中图分类号：TG492文献标志码：A文章编号：1001-5922（2023）03-0021-04Identification of material bond cracks basedon deep neural networksHE Xiaohua（Yantai Automobile Engineering Professional Colleg
3、e，Yantai 265500,Shandong China）Abstract:For the low accuracy of the traditional crack recognition method，we design a Crack-CNN crack recognition model based on the deep neural network.According to the CNN neural network structure，by means of the feature extraction and learning ability of CNN，CNN was
4、 applied to the identification of adhesive crack.After combining the crack location with CNN network to construct the CRACK-CNN model，the crack image was input into themodel，the crack feature was extracted by CNN network，and convolution and pooling were performed.Then，the activation function and ful
5、l-connection layer were used to classify the features，and finally the results of fracture classification were output.The experimental results show that compared with the traditional crack recognition model，the training and test accuracy of this model remains more than 95%，and the training time of th
6、e model is 3825s，farlower than the VGG-13 and ResNet models，which thus proves that the model has superior performance andachieves good recognition effect in material bond cracks.Keywords:material bonding；crack recognition；deep learning；neural network；Crack-CNN2023 年 3 月第 50 卷第 3 期doi:10.3969 j.issn.
7、1001-5922.2023.03.006Vol.50 No.03，Mar.2023收稿日期：2022-05-17；修回日期：2023-03-01作者简介：何小华（1981-），女，硕士，讲师，主要从事计算机网络技术、路由与交换技术研究；E-mail：WuS。引文格式：何小华.基于深度神经网络的材料粘接裂缝识别J.粘接，2023，50（3）：21-24.在建筑施工过程中，工程材料出现收缩、膨胀和裂缝等现象是较为常见的问题，其主要是由于温度、湿度和地基等外部条件的变化和不稳定造成的。材料粘接部分出现极小的裂缝对建筑物和公路等正常21书书书智能设计检测?年?月第?卷第?期?学术论文Academic
8、 papers粘接研究报告专论运行影响较小；但当裂缝逐渐增大，并超出标准范围时，可能出现路面坍塌等现象，由此造成安全事故。因此，及时发现材料粘接裂缝，对材料进行检查和维护，可以有效保障建筑物和人们的生命和财产安全。同时，对裂缝进行准确的识别和分类也是保证材料安全的重点。然而，当前现有的材料粘接裂缝识别方法存在识别准确率低和误差大的问题，不能很好的对裂缝进行精准识别。针对此问题，已有学者和专家进行了深入研究，针对桥梁裂缝，提出了基于深度学习的裂缝识别方法，采用神经网络学习对裂缝进行定位和分类，并根据相应的裂缝等级进行划分，可准确的识别出裂缝类型，该方法具有一定的可行性1；提出采用CNN算法对桥梁
9、裂缝特征进行提取，构建裂缝识别模型。结果表明，该模型很大程度上提升裂缝识别准确率和效率，并通过目标检测方法实现裂缝精准定位2；在卷积神经网络的基础上，对该网络进行改进，并提出基于改进CNN的混凝土桥梁裂缝检测算法，通过实验发现，相较于改进前的算法，改进后算法的识别率高达85.6%，提升了13.2%3。结合以上学者研究，提出将CNN神经网络应用于材料裂缝识别中，并构建Crack-CNN模型，探究该模型在材料粘接裂缝识别的效果。1卷积神经网络原理随着图像分类和故障识别等技术的应用需求，深度学习逐渐取得了较好的应用成果。图像定位和识别主要通过深度学习中的神经网络进行学习和提取实现。目前，常用的神经网
10、络为卷积神经网络CNN、长短期记忆神经网络LSTM等。其中，CNN由于其独特的结构特点，可实现深层特征提取，在图像识别、定位等方面的效果最好。CNN网络结构如图1所示，其主要分为卷积层、池化层，其中还包括激活层和全连接层4。输出全连接层 分类回归输入连续的卷积-池化结构图1卷积神经网络结构Fig.1Convolutional neural network structure从图1可以看出，该网络各层级间由神经元进行连接，在输入层中输入图像后，卷积层负责对图像进行卷积处理；之后将处理后的图像传输至池化层中进行池化操作，操作完成后，通过激活层进行映射处理并提取出图像特征，将该特征输出至全连接层，对
11、上层提取特征进行分类识别处理后，利用输出层将识别结果进行输出5。卷积运算是在网络中起着至关重要的作用，其主要通过各个函数的算子进行翻转、平移等操作。卷积层中存在多个卷积核，其利用卷积运算的方式对输入图像进行特征提取，将提取的特征进行整合处理后，即可得到某一部分的特征。卷积层的表达式为：z()xy=f()xy g()xy=mnf()x-my-n g()mn（1）式中：f表示输入图像；g表示卷积核；m、n均表示卷积核尺寸。在CNN神经网络中，激活层的主要作用是对输入图像和最终输出进行映射，其输入和输出大小稳定不变且相同6。常用激活函数Sigmoid、Tanh-Sigmoid和ReLU函数。3种函数
12、的表达式：f(x)=11+e-x（2）tanh()x=1-e-2x1+e2x（3）y=xifx00ifx0（4）3个激活函数中，Sigmoid和Tanh-Sigmoid函数在进行求解时可能出现梯度消失和弥散的问题，会降低模型的训练速度；而ReLU函数由于其内部饱和性较强，可有效解决以上2个激活函数出现的问题，并且该函数能够在一定程度上加快训练，缩短时间，更适用于神经网络中7。为避免网络出现过度拟合现象。采用池化层对传输的信息进行池化处理，之后再将利用全连接层进行特征分类，并采用计算出每个神经元间的误差值如下：y=WTx+b（5）x=Wyw=xyT（6）式中：yRm1和xRn1分别为神经元输出和
13、输入；WRnm为此神经元权值；b和分别代表最后一层的偏置参数和神经元8。对CNN进行学习和训练时，其通过前向和反向2种传播方式进行。前向传播负责正常输入和输出处理；反向传播则根据实际标准值，调节出现的误差值，将误差值控制在最低范围内，直至达到标准。前向传播的计算公式为：x=f()u（7）u=Wx-1+b（8）式中：为信息传输的当前层；x为此层的输出值；w为此层权值；b为此层偏置；f表示激活函数。反向传播中，其通过各层神经元不断地更新迭代后，求出每个层级的梯度值，从而计算出输出值与实际值间的误差。若损失函数表示为：En=12k=1C()tnk-ynk=12tn-yn2（9）式中：n表示输入数据；
14、c表示输出类别个数；t表示获取的正确输出值；y表示计算得到的值9。通过对权重矩阵进行不断地修正和调节后，将误差控制到最小。若计算出的结果不满足实际结果，则需反向进行计算，直至最终计算结果与实际结果误差达到最小10。2基于Crack-CNN的深度神经网络裂缝识别模型为更好地对材料粘接裂缝进行识别，将设计1个Crack-CNN的神经网络裂缝识别模型，将裂缝图像22学术论文粘接书书书智能设计检测?年?月第?卷第?期?Academic papers研究报告专论输入至CNN神经网络中，以提升裂缝识别效果。该模型架构如图2所示。图2Crack-CNN模型Fig.2Crack-CNN model以上模型中，
15、输入数据共有32个，每个数据的步长为1，原始输入图像分辨率和维度大小分别为150 mm150 mm3 mm和3 mm3 mm3 mm11，通过卷积、池化操作后将提取信息尺寸缩减到 1 mm1 mm512 mm大小，之后再将该特征传输至激活层中，通过激活函数对处理的信息进行裂缝检测和定位，最终完成模型裂缝识别12。为提升最终识别效果，避免模型训练时出现过度拟合的现象，将在模型中加入1个层级，即Dropout层。该层参数值为0.513。同时，由于CNN神经网络的深度不同，模型训练时，输入参数会由于深度的增加导致出现偏差等现场。因此，为避免出现这种状况，将通BN批规范化的方式将输入参数进行控制，将其
16、均值设置在0，方差设置在1的规范值内，从而扩大梯度范围，有效防止梯度消失14。在模型最终输出中，通过激活层中的激活函数对输入特征进行分类处理，结合CNN神经网络的特点，选用Sigmoid函数预测分类结果，可表示为：h()x=g()Tx=11+e-Tx0+1xl+mxm=i=1mixi=Tx（10）式中：x表示分类标签；表示分类概率15。分类工作表示为：P()y=1|x;=h()xP()y=0|x;=1-h()x（11）3实验结果与分析3.1实验环境为取得更好的实验结果，本次实验将分别在硬件和软件2个环境下进行实验。其中，硬件设备选用Inter XeonE5-2620V48 Core的CPU，内存大小为20 M；软件选择Ubuntul6.04LTS64的操作系统。编程语言选择较为常用的Python，模型框架为keras。3.2实验数据实验数据通过人工、实验室和无人机3种方式进行采集，采集对象为混凝土、桥梁等地面的裂缝图像共计850张。其中，人工采集数量为255张，无人机和实验室采集数量分别 410、185 张，分辨率大小分别为 4 5173 318（Pixel）、4 7323 257（P