基于RPC盖板破坏荷载的无损检测方法与流程

本申请涉及智能化检测，并且更具体地，涉及一种基于rpc盖板破坏荷载的无损检测方法。

背景技术：

1、目前，高速公路和市政道路沿线两侧的电缆槽盖板和人行道步板主要采用普通混凝土矩形盖板，主要原因在于普通钢筋混凝土矩形盖板的成本低，具有一定的经济性。但是，普通钢筋混凝土矩形盖板的抗压强度偏低，导致其结构承载能力差；并且普通钢筋混凝土矩形盖板存在耐久性差、韧性差等性能缺陷，随着大型承重车辆、特殊工程车辆越来越频繁使用以及人们生命安全意识的提高，普通混凝土矩形盖板已经无法满足时代发展对盖板性能的要求。

2、为了解决普通钢筋混凝土矩形盖板的上述问题，有研究人员选择利用活性粉末混凝(rpc)，即采用优质石灰石机制砂代替石英砂，在一定程度上提高盖板的强度性能。但是，制得的盖板对强度性能的提高是有限的，盖板的开裂荷载仍较低，仍然无法完全满足对盖板强度的要求。并且，关于rpc盖板的载荷-位移曲线，需要对rpc盖板进行破坏才能检测出。

3、因此，期望一种优化的基于rpc盖板破坏荷载的无损检测方案。

技术实现思路

1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于rpc盖板破坏荷载的无损检测方法，其获取待检测rpc盖板的x光探测图；采用基于深度学习的人工智能技术，挖掘rpc盖板的x光探测图中关于rpc盖板的破坏载荷隐含特征分布信息，基于此来进行rpc盖板的破坏载荷特征的精准表达。这样，可以提高rpc盖板的破坏荷载值的检测精准度，从而提高rpc盖板的载荷-位移曲线准确性。

2、第一方面，提供了一种基于rpc盖板破坏荷载的无损检测方法，其包括：

3、获取待检测rpc盖板的x光探测图；

4、对所述x光探测图进行图像分块处理以得到x光探测图像块的序列；

5、将所述x光探测图像块的序列中的x光探测图像块通过作为过滤器的卷积神经网络模型以得到x光探测图像块特征向量的序列；

6、将所述x光探测图像块特征向量的序列通过vit模型以得到解码特征向量；以及，将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示待检测rpc盖板的破坏荷载值。

7、在上述基于rpc盖板破坏荷载的无损检测方法中，将所述x光探测图像块的序列中的x光探测图像块通过作为过滤器的卷积神经网络模型以得到x光探测图像块特征向量的序列，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述x光探测图像块特征向量的序列，所述作为过滤器的卷积神经网络模型的第一层的输入为所述x光探测图像块的序列中的x光探测图像块。

8、在上述基于rpc盖板破坏荷载的无损检测方法中，将所述x光探测图像块特征向量的序列通过vit模型以得到解码特征向量，包括：使用所述vit模型对所述x光探测图像块特征向量的序列进行基于自注意力机制的全局上下文语义编码以得到多个x光探测图像块特征向量；以及，将所述多个x光探测图像块特征向量进行级联以得到所述解码特征向量。

9、在上述基于rpc盖板破坏荷载的无损检测方法中，将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示待检测rpc盖板的破坏荷载值，包括：使用所述解码器以如下解码公式对所述解码特征向量进行解码回归以得到所述解码值；其中，所述解码公式为：，表示所述解码特征向量，表示解码值，表示权重矩阵，表示偏置向量，表示矩阵乘。

10、在上述基于rpc盖板破坏荷载的无损检测方法中，还包括对所述作为过滤器的卷积神经网络模型、所述vit模型和所述解码器进行训练；其中，对所述作为过滤器的卷积神经网络模型、所述vit模型和所述解码器进行训练，包括：获取训练数据，所述训练数据包括待检测rpc盖板的训练x光探测图，以及，所述待检测rpc盖板的破坏荷载值的真实值；对所述训练x光探测图进行图像分块处理以得到训练x光探测图像块的序列；将所述训练x光探测图像块的序列中的训练x光探测图像块通过所述作为过滤器的卷积神经网络模型以得到训练x光探测图像块特征向量的序列；将所述训练x光探测图像块特征向量的序列通过所述vit模型以得到训练解码特征向量；将所述训练解码特征向量通过所述解码器以得到解码损失函数值；以及，基于所述解码损失函数值并通过梯度下降的方向传播来对所述作为过滤器的卷积神经网络模型、所述vit模型和所述解码器进行训练，其中，在所述训练的每一轮迭代中，对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代。

11、在上述基于rpc盖板破坏荷载的无损检测方法中，将所述训练解码特征向量通过所述解码器以得到解码损失函数值，包括：使用所述解码器以如下训练解码公式对所述训练解码特征向量进行解码回归以获得训练解码值；其中，所述训练解码公式为：，表示所述训练解码特征向量，表示训练解码值，表示训练权重矩阵，表示训练偏置向量，表示矩阵乘；以及，计算所述训练解码值和所述待检测rpc盖板的破坏荷载值的真实值之间的方差作为所述解码损失函数值。

12、在上述基于rpc盖板破坏荷载的无损检测方法中，在所述训练的每一轮迭代中，以如下优化公式对所述解码器的权重矩阵进行权重矩阵的空间正则化约束迭代；其中，所述优化公式为：

13、 ；

14、其中，是所述解码器的权重矩阵，是所述解码器的权重矩阵的转置矩阵，表示矩阵的frobenius范数，是偏置矩阵，表示矩阵乘法，表示矩阵加法，表示按位置点乘，表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，表示迭代后的所述解码器的权重矩阵。

15、与现有技术相比，本申请提供的基于rpc盖板破坏荷载的无损检测方法，其获取待检测rpc盖板的x光探测图；采用基于深度学习的人工智能技术，挖掘rpc盖板的x光探测图中关于rpc盖板的破坏载荷隐含特征分布信息，基于此来进行rpc盖板的破坏载荷特征的精准表达。这样，可以提高rpc盖板的破坏荷载值的检测精准度，从而提高rpc盖板的载荷-位移曲线准确性。

技术特征：

1.一种基于rpc盖板破坏荷载的无损检测方法，其特征在于，包括：

2.根据权利要求1所述的基于rpc盖板破坏荷载的无损检测方法，其特征在于，将所述x光探测图像块的序列中的x光探测图像块通过作为过滤器的卷积神经网络模型以得到x光探测图像块特征向量的序列，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：

3.根据权利要求2所述的基于rpc盖板破坏荷载的无损检测方法，其特征在于，将所述x光探测图像块特征向量的序列通过vit模型以得到解码特征向量，包括：

4.根据权利要求3所述的基于rpc盖板破坏荷载的无损检测方法，其特征在于，将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示待检测rpc盖板的破坏荷载值，包括：使用所述解码器以如下解码公式对所述解码特征向量进行解码回归以得到所述解码值；

5.根据权利要求4所述的基于rpc盖板破坏荷载的无损检测方法，其特征在于，将所述训练解码特征向量通过所述解码器以得到解码损失函数值，包括：

技术总结
一种基于RPC盖板破坏荷载的无损检测方法，其获取待检测RPC盖板的X光探测图；采用基于深度学习的人工智能技术，挖掘RPC盖板的X光探测图中关于RPC盖板的破坏载荷隐含特征分布信息，基于此来进行RPC盖板的破坏载荷特征的精准表达。这样，可以提高RPC盖板的破坏荷载值的检测精准度，从而提高RPC盖板的载荷‑位移曲线准确性。

技术研发人员：李正垣,邓爱民,聂良鹏,陈顺超,许鹏,袁胜涛,游鹏升,熊竑瑞,于跃
受保护的技术使用者：云南通衢工程检测有限公司
技术研发日：
技术公布日：2024/1/12