基于卷积神经网络的砌体墙震后破坏评估

作     者：NAV RAJ BHATT 

作者单位：哈尔滨工业大学 

学位级别：硕士

导师姓名：李惠

授予年度：2020年

学科分类：08[工学] 081402[工学-结构工程] 081304[工学-建筑技术科学] 0813[工学-建筑学] 0814[工学-土木工程] 

主      题：计算机视觉 地震损伤评估 砌体结构 卷积神经网络 梯度加权类激活映射 

摘      要：建筑物震后损伤评估是地震灾害损失评估、震后恢复和重建工作的重要内容之一。建筑物震后损伤评估要现场找出结构损伤或破坏位置并对其进行分类统计和分析,它不仅提供了有关任何结构中损坏构件的数量和类别的重要信息,还帮助我们发现导致损坏的可能的结构缺陷。传统的损伤评估技术包括由工程师或专家对每个受损结构进行目视检查,这种检查方式不仅危险、耗时,而且需要大量熟练人力。基于计算机视觉的结构损伤识别技术已经成为结构监测和检测领域中一个极为先进和创新的研究方向,并逐渐受到了土木工程研究人员的关注。计算机视觉技术的主要优点是非接触、远距离、高精度、更大的覆盖范围以及可通过移动设备和无人机进行识别。本论文主要研究更易受地震影响的砌体结构的损伤评估。首先,本论文对卷积神经网络（CNN）理论进行了回顾和讨论,分析了迁移学习,超参数调试,卷积可视化等算法。同时,对砌体结构墙体在地震中可能发生的多类损伤（如对角裂缝、拐角分离、分层和平面外破坏等）进行了分类。其次,本文提出了一种通过在Image Net数据集上预先训练的VGG16模型上应用微调和转移学习而构建的深度CNN模型架构。梯度加权类激活映射（GradCAM）技术用于解决损坏的定位问题。最后,将本论文的方法应用于砌体结构墙体的损伤评估,对具有不同网络参数的多个模型在训练、测试和验证集结果进行了对比分析,并给出了基于GradCAM注意力机制的损伤定位图。结果表明,所提出模型的整体性能在表征和定位损伤方面表现出良好的一致性和鲁棒性。论文的结果证明了该模型在实际应用中的可行性。