以深度學習判別鋼筋與裂縫之敲擊回音雙譜

Abstract

" 敲擊回音法為現今最廣泛應用於檢測混凝土結構內部瑕疵的非破壞檢測方法之一，此法為透過一機械性外力敲擊結構表面以激發應力波，藉由位移感測器接收應力波在結構中反射至表面的位移訊號，並且將位移訊號透過傅立葉轉換得到頻譜，便可透過頻譜中的頻率尖峰判斷結構當中的缺陷位置。 然而，在一般的混凝土結構當中通常會含有鋼筋做為補強構件，而在敲擊回音的試驗當中鋼筋亦會產生回音訊號。因此，如何單純的以頻譜判斷出回音訊號是來自於裂縫或是鋼筋是非常困難的，且裂縫與鋼筋對於結構安全的影響是相反的。所以，如何判斷出回音訊號是來自於裂縫或是鋼筋成為敲擊回音法中一個非常重要的問題。 在本團隊過去的研究當中，曾經嘗試過利用雙譜分析方法來分類出結構當中含有裂縫或是鋼筋的訊號差異性。其中，雙譜分析法為高階統計(Higher Order Statistics, HOS)中的一種訊號處理方式，其特性在於檢測暫態訊號中的頻率關係及非線性行為，常被用於狀態監測、振動分析等領域當中。然而，在過去的研究當中，雖然能夠透過雙譜分析的方法觀察出裂縫與鋼筋在雙譜圖中的特徵差異，但是要如何訂定出分類的標準仍然是一個非常困難的問題。 隨著近年來電腦運算能力大幅提升，深度學習法比經被廣泛的應用於非常多不同的領域當中。其中，深度學習法當中的卷積神經網路(Convolutional Neural Network, CNN)更是一個圖像辨識非常重要的方法。在過去有許多廣為人知的經典案例，例如：貓狗辨識、手寫字體辨識…等，皆證明了卷積神經網路對於圖像特徵強化以及擷取並進行辨識的能力非常的良好。因此，本研究亦希望使用此方法對裂縫或鋼筋的雙譜圖進行分類。 在訓練 CNN 模型時需要非常大量的數據以利於模型對於圖像中不同種類的特徵進行擷取以及強化，尋找出裂縫與鋼筋雙譜圖中的差異性。因此，本研究將透過數值模擬方法模擬出大量的敲擊回音訊號，以有限元素法計算出在混凝土結構中含有 8~26 深的裂縫以及 3~15 深的鋼筋，並且考慮了三種不同的反射邊界條件，分別為半無限域(semi-infinite space)、有限厚度結構 (infinite plates)以及有限厚度及寬度結構(finite plates) ，最後對數據進行雙譜轉換後產生敲撃回音雙譜圖作為 CNN 模型之輸入影像。 本研究在進行 CNN 模型訓練時，嘗試對敲撃回音雙譜圖進行不同的圖像前處理，包括在時間域數據加入雜訊、改變雙譜最大時間延遲、採用不同色彩對應表以及採用不同能量正規化等。測試結果指出，訓練訊號不加雜訊、雙譜最大時間延遲設定為 512、色彩對應表設定為灰階、及對原始雙譜圖數值進行能量正規化可以達到最好的效果。 本研究亦嘗試以不同的數據集進行訓練，訓練集試體包括半無限域混凝土及 20 厚混凝土板，內含 10 、 12 深的裂縫、內含 5、 6 深的鋼筋之各種組合。測試結果顯示在以內含 10 、 12 深裂縫及 5、6 深鋼筋之 20 厚混凝土板的敲撃回音雙譜圖進行訓練，可以達到最好的效果。 在 CNN 模型架構的部分，本研究分別嘗試了 3~5 層的 CNN 架構，以及是否加入一層dropout 層進行訓練。結果顯示了 3 層的 CNN 模型架構有最好的結果，dropout 層的影響則因模型而異。 本研究所訓練之最佳 CNN 模型，辨識模擬裂縫回音雙譜圖之正確率為 100 %，辨識模擬鋼筋回音雙譜圖之正確率為 99.6 %，辨識實驗裂縫回音雙譜圖之正確率為 100 %，辨識實驗鋼筋回音雙譜圖之正確率為 88.6 %，若鋼筋之敲撃回音試驗改採更小尺寸之鋼珠敲擊源，正確率可再提升。在實務應用上，此CNN 模型應可作為混凝土檢測工程師的最佳輔具。 "