[发明专利]一种基于Yolo网络和DIC技术的混凝土内部损伤预测方法

权利要求书

1.一种基于Yolo网络和DIC技术的混凝土内部损伤预测方法，其特征在于，包括以下步骤：

步骤S1、构建多个梁的损伤模型和多个柱的损伤模型，通过Python处理模型，获得已经损伤的混凝土梁和混凝土柱的表面位移云图，并设置表面位移云图的大小，根据调整过大小后的已经损伤的混凝土梁和混凝土柱的表面位移云图，构建位移云图样本库；

步骤S2、在Darknet-19特征提取网络的基础上进行改进，引入三维交并比概念，并将其应用于深度学习的训练中，构建一种新的经过优化的Yolo神经网络模型；新的经过优化的Yolo神经网络模型中的损失函数中增加了三维交并比预测误差Loss_IoU的影响；

步骤S3、基于步骤S2中新的经过优化的Yolo神经网络模型，通过位移云图样本库训练新的经过优化的Yolo神经网络模型；

步骤S4、利用步骤S3中通过位移云图样本库训练的经过优化的Yolo神经网络模型，识别出的混凝土内部损伤位置和深度，完成混凝土内部损伤的预测。

2.根据权利要求1所述的一种基于Yolo网络和DIC技术的混凝土内部损伤预测方法，其特征在于，步骤S1中，利用Abaqus构建多个梁的损伤模型和多个柱的损伤模型。

3.根据权利要求1所述的一种基于Yolo网络和DIC技术的混凝土内部损伤预测方法，其特征在于，新的经过优化的Yolo神经网络模型包括第一至第五卷积层、第一至第五池化层、第六卷积层和第七卷积层；其中，第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、第五卷积层、第五池化层、第六卷积层、第七卷积层是依次顺序连接的。

4.根据权利要求3所述的一种基于Yolo网络和DIC技术的混凝土内部损伤预测方法，其特征在于，步骤S2中，经过优化的Yolo神经网络模型在不增加参数与模型复杂度的条件下指数级扩大卷积的视野。

5.根据权利要求3所述的一种基于Yolo网络和DIC技术的混凝土内部损伤预测方法，其特征在于，步骤S2中，第五池化层的步长为1，第一至第四池化层的步长为2。

6.根据权利要求1所述的一种基于Yolo网络和DIC技术的混凝土内部损伤预测方法，其特征在于，步骤S2中，新的经过优化的Yolo神经网络模型中的损失函数通过如下的方法构建：

损失函数LOSS具体如下：

Loss＝Loss_xy+Loss_wh+Loss_oc+Loss_noc+Loss_c+Loss_d+Loss_IoU

其中，Loss_xy为中心坐标预测误差，其中Loss_wh为宽高坐标预测误差，Loss_oc为含物体边界框置信预测误差，Loss_noc为不含物体边界框的置信预测误差，Loss_c为类别预测误差，Loss_d为深度坐标预测误差，Loss_IoU为三维交并比预测误差；

其中，S²为网格的数量，B为预测框的数量，为参数，若第i个网络中第j个框负责待检测物体的预测，则取1；若第i个网络中第j个框不负责待检测物体的预测，则取0，IoU为交并比预测值，为交并比真实值。