基于阵列超声和特征融合神经网络的钢筋混凝土结构内部裂缝检测

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。