小样本结构损伤识别的任务感知元学习方法

作     者：范云蕾 

作者单位：哈尔滨工业大学 

学位级别：硕士

导师姓名：徐阳

授予年度：2022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：结构多类型损伤识别 小样本 任务重要性 元学习 语义分割 

摘      要：土木基础设施在服役期间不可避免地发生损伤积累和结构抗力劣化,及时识别早期结构损伤对结构服役性能至关重要。基于动力反演的模态方法高度依赖有限测点监测信息,对早期表面微小损伤不敏感;基于传统计算机视觉和深度神经网络的损伤识别方法精度严重依赖训练样本数量和不同类型样本完备性,而实际场景中难以获取充足样本且人工标注成本昂贵。针对上述问题,本文研究了面向有限监督条件的小样本结构损伤图像辨识的任务感知元学习方法。主要研究内容如下:提出了复杂形态实际结构损伤语义分割的改进Deep Lab V3+模型。首先,采用Mobile Net V2作为模型的骨干网络,通过深度可分离卷积和瓶颈残差模块来解耦空间与通道的相互作用,降低模型参数和计算复杂度;其次,设计了改进空洞卷积金字塔池化模块,基于并行连接空洞卷积获取输入图像多尺度感受野;最后,针对损伤图像前景背景比例不平衡问题,设计了基于Dice损失和Focal损失的分段综合损失函数用于不同训练阶段模型优化。交叉验证试验结果表明,所提改进Deep Lab V3+模型对复杂形态混凝土裂纹的平均m Io U达到77.6%,保证精度的前提下,平均识别时间和参数量分别降低了39.2%和91.5%;通过对带有钢筋暴露的混凝土剥落与主缆腐蚀剥落损伤图像重新训练验证了改进Deep Lab V3+模型的鲁棒性,平均m Io U分别达到59.8%和68.1%。提出了小样本结构多类型损伤语义分割的任务重要性感知元学习方法。首先,建立了基于MAML(Model-Agnostic Meta-Learning)的元学习双层优化架构,包括基于任务的内核模型参数优化和基于元批次的外层元学习机优化;其次,提出了基于损伤图像高层级特征密度聚类的元批次任务生成算法,设计了以融合欧氏距离和Jaccard距离的相似度度量为聚类指标的元批次任务及查询池构建方法;最后,提出了基于元批次查询池测试误差的任务重要性感知方法,控制外层元学习机优化方向倾向于更重要的任务,并设计了针对不同误差放大效应的任务重要性感知函数形式。结果表明,所提方法在小样本训练数据集上对结构多类型损伤的平均m Io U达到75.7%,优于传统内核模型(如U-Net)和普通元学习方法(MAML),平均识别精度分别提高了2.0%和9.7%。同时验证了所提方法对多类型混合损伤和新出现损伤的迁移识别能力,相较普通元学习方法,平均识别精度分别提高了5.0%和5.1%。