Conceitos essenciais
通过自建图像数据集和卷积神经网络模型,成功实现了平面杆件结构的运动学分析。尽管在附加测试集上的准确率还未达到人类专家水平,但93.7%的准确率已显示出该模型具有良好的泛化能力。未来通过扩大数据集规模和多样性,有望超越人类专家,在结构力学运动学分析领域具有一定的实用价值。
Resumo
本文探讨了使用卷积神经网络实现平面杆件结构运动学分析的方法。
首先介绍了结构力学中的运动学分析概念,包括几何稳定系统和几何不稳定系统的定义。然后介绍了卷积神经网络的基本原理,包括其在计算机视觉领域的应用优势。
作者自行构建了包含24个几何稳定和不稳定系统结构样例的图像数据集,通过3dsMax软件渲染、OpenCV进行数据增强,得到17496张训练、验证和测试图像。基于TensorFlow和Keras框架,作者构建并训练了一个6层卷积神经网络模型,在训练集、验证集和测试集上均达到100%的准确率。
为进一步验证模型的泛化能力,作者又构建了10个全新的结构样例,通过数据增强得到7290张附加测试集图像。模型在该附加测试集上的准确率为93.7%,表明模型已基本掌握了平面杆件结构运动学分析的相关知识,但仍未达到人类专家水平。
作者认为,通过扩大数据集规模和多样性,以及利用生成式深度学习技术自动生成更多结构样例,可进一步提升模型的泛化能力,使其有望超越人类专家,在结构力学运动学分析领域具有一定的实用价值。
此外,作者还尝试了可视化技术,包括可视化中间激活、卷积滤波器以及类激活热图,以解释卷积神经网络学习和识别结构特征的过程。作者还比较了使用预训练VGG16模型的特征提取和微调方法,发现自建模型的泛化能力更优。
Estatísticas
结构力学运动学分析数据集包含17496张图像,其中训练集50%、验证集25%、测试集25%。
附加测试集包含7290张全新结构样例图像。
模型在附加测试集上的准确率为93.7%。
Citações
"通过扩大数据集规模和多样性,以及利用生成式深度学习技术自动生成更多结构样例,可进一步提升模型的泛化能力,使其有望超越人类专家,在结构力学运动学分析领域具有一定的实用价值。"
"自建模型的泛化能力更优于使用预训练VGG16模型的特征提取和微调方法。"