杨鹏程
（ 成都西南交大工程建设咨询监理有限责任公司 四川成都 610000 ）
摘要：在工程实际施工过程中，建设方或施工方仅侧重检测混凝土的内在性能，往往轻视甚至忽视对混凝土表观成型质量的检查。传统的混凝土表观成型质量的检测是通过目视检查的方式，对混凝土表观成型质量进行一个大致的判断。这种检测方法的标准不统一，检测过程中随意性和主观性大，且检测结果很难形成完整的检测报告和资料，对后续建筑结构的质量责任追查和检修维护造成极大的困难。本文对不同特征和类型的混凝土表观质量缺陷的成因进行了分析。然后对深度学习的理论基础进行了相关的概述，对卷积神经网络的结构以及相关组成进行了具体的介绍。最后，提出基于机器视觉的混凝土表观质量检测方法。
关键词：机器视觉；混凝土表观质量；检测方法；
1引言
在近几十年的时间里，房地产业的不断发展，混凝土材料的研发也在逐步跟进，高效稳定的混凝土材料也在相关研发中大量投放市场。同时，对混凝土内在性能的专业检测也在不断更新。住建部针对不同性能的混凝土材料的检测也颁布了相关的检测规范与标准。对混凝土内在力学性能检测要求已十分全面且完善，而混凝土表观成型质量的检测规范标准却很少。
在国家提出《中国建造2035战略研究》的背景下，部分房地产企业也相继开始对混凝土表观成型质量提出了相应的行业要求，甚至在某些大型公共建筑或重要工程中，更是需要严格的对混凝土表观成型质量进行监管，以满足更高的标准。
随着《中国建造 2035 战略研究》项目的启动，“智慧建造”不再是口号，而是实际的目标。以非接触式检测为代表的基于机器视觉技术的检测方法的发展，以快速化、无人化、智慧化等优点逐渐成为建筑行业智能检测的主流。同时，智能化检测技术的发展也弥补了传统检测方法的不足，是我国未来建筑业由人工机械向智能系统转型升级的一个重要的趋势。
2混凝土表观质量缺陷类型及成因分析
2.1 混凝土表观质量缺陷类型
在工程建设项目中，钢筋混凝土结构因其结构简单、价格低廉、坚固耐用且施工材料来源广泛等特点被大量应用于土木工程领域，其已成为现代建筑中最为重要的组成部分。但在混凝土结构施工的过程中，由于气候、施工工艺、养护环境和条件等因素的影响，常会引起部分的质量通病，从而影响建筑结构的安全性和耐久性。这些质量通病不一定能根除，但在施工过程中可以进行有效预防，或在通病形成后进行适当的检查修复，以此最大限度地消除质量通病，保证建筑结构的可靠、安全。常见的建筑主体结构混凝土表观质量缺陷大致分为以下几种：蜂窝、麻面、孔洞和拼缝漏浆（连接部位缺陷）。
2.2 混凝土表观质量缺陷成因分析
蜂窝形成的主要原因：模板与混凝土之间存在空隙面，出现少量浆液渗漏；振捣不足，混凝土不密实；混凝土坍落度小；混凝土下落后空气未及时排出。
麻面形成的主要原因：浇筑前，模板表面未清理；混凝土在未成型时过早地拆模；混凝土配合比不妥，水胶比过大，导致混凝土初凝后的水化反应激烈，水化热造成大量的水蒸气上涌，从而在混凝土表面与模板之间形成一层薄薄的蒸汽膜，影响混凝土的表观成型质量。
孔洞形成的主要原因：混凝土在浇筑过程中，遇到钢筋过密或存在预埋构件，导致下落不畅，不能填充结构内部，形成孔洞；混凝土中的粗骨料过大，或存在部分的泥块等其他杂物；混凝土浇筑一次下料过多，或下料过快，致使振捣范围不能覆盖浇筑区域，导致漏振，混凝土内部形成松散状态，出现孔洞现象。
拼缝漏浆形成的主要原因：模板之间的对接错位或偏移变形，工人支模时导致的模板连接处的错峰不细致，接口过大；模板上下对接位置加固不牢，混凝土涨模导致模板倾斜；模板安装后，摆置时间过长，干缩变形大；浇筑前未洒水或浇水湿润模板；施工时，振捣过于集中，且偏向于模板边缘，导致模板受力过大，产生相对位移，混凝土浆液流出。。
3. 机器视觉基础算法可行性分析
机器视觉主要采用卷积神经网络，卷积神经网络主要包含卷积层、池化层和全连接层，这三种特征层级。卷积神经网络本质上是改进的多层感知机，其与感知机不同的是层间连接并非全连接。卷积层在一般情况下与池化层组合出现，卷积和池化的过程主要目的是对输入的图像进行特征提取并适度降维。单一卷积层中包含多个卷积函数，称为卷积核。在二维图像中，卷积核表现为n×n的矩阵，在矩阵中的每个不同单元内元素的值即为卷积核的权值参数。卷积核以随机生成的窗口顺势滑动的方式对输入的图像进行全面的扫描，以此计算扫描区域与卷积核之间乘积核。池化层一般在卷积层之后，与卷积层共同作用。卷积层输出的图像的信息作为输入信息传递给池化层。池化层又称为聚合层或降采样层，其主要是对输入的图像特征信息进行聚合，从而完成对图像的降采样，以此对特征图像进行降维，防止出现过度拟合现象。在卷积神经网络输出层的前端存在一个或多个全连接层。全连接层构成多层感知机，主要是达到分类器的作用。全连接层上的每个节点与前一个池化层或卷积层中的节点相连，以此来搜集前端的输出结果，并提取图像的特征信息。因为层间节点逐点相连的特性，其参数量巨大。
4. 混凝土表观质量检测方法
通过上述对混凝土表观质量主要缺陷类型和成因的分析，以及以图像识别技术为基础的深度学习技术的发展，弥补了传统图像识别技术的不足，既能实现对不同类型的目标任务的检测识别，同时也能满足对不同类型检测目标的分类。鉴于此，本文采用以深度学习技术为核心，同时辅以传统图像识别技术的机器视觉检测方法，实现对不同类型的混凝土表观质量缺陷的识别与分类。
对于混凝土表观质量的检测主要分为图像前期的数据处理、后期的卷积神经网络的模型比选、网络模型训练方法中相关训练参数的设置以及工程实测这4个步骤。
（1）首先人为对采集的不同类型混凝土表观质量缺陷图像进行筛选，筛选出清晰，品质高的图像。然后对筛选出的图像进行图像预处理，提升图像的质量，增加图像的数量；
（2）在完成对所有图像质量提升和数量增广后，通过在不同的网络模型下进行基本的训练检测，比选出最优且检测效果最好的网络模型；
（3）在选取的网络模型中，输入所有图像数据，对数据集进行合理的分类。同时，选择合适的网络模型训练方法，对训练步骤中的学习率和迭代次数具体参数进行设置。最后根据检测识别与分类结果，合理的调整学习率参数和迭代次数；
（4）在完成上述所有流程后，为检验本方法是否可以满足实际检测要求。随机选择某一工程现场，在此工程现场对本方法进行实测，以确定本方法的实用价值以及需要优化的地方，并提出合理的改进方案。
5.结束语
本文对不同特征和类型的混凝土表观质量缺陷的成因进行了分析。然后对深度学习的理论基础进行了相关的概述，对卷积神经网络的结构以及相关组成进行了具体的介绍。最后，提出基于机器视觉的混凝土表观质量检测方法。
参考文献
[1]彭海涛. 基于图像分析技术的混凝土结构外观质量检测与评定[D]. 湖南大学, 2011.
[2]马永杰,李雪燕,宋晓凤. 基于改进深度卷积神经网络的交通标志识别[J]. 激光与光电子学进展, 2018, 55(12):250-257.
[3]柴雪松,朱兴永, 李健超,等. 基于深度卷积神经网络的隧道衬砌裂缝识别算法[J]. 铁道建筑,2018, 058(006):60-65.