1.引言

随着经济的发展, 土木建筑正向大型化,复杂化发展，大型桁架结构建筑在全国各地均有大量建设。桁架结构建筑通常作为厂房使用，在长时间的运行过程中，会出现结构杆件的腐蚀锈蚀。杆件的腐蚀状况与环境、湿度、温度以及有害介质存在有关。为了确保结构使用的安全性和耐久性，需要通过一定的技术手段对桁架结构杆件的腐蚀损伤状况和剩余强度进行识别检测。目前桁架结构的检测通常需要安排专业人员在现场进行，现场作业难度大，作业时间长，工作空间严重受限，同时对检测人员的专业知识水平高。近年来，随着深度学习的发展，基于无人机巡检和机器视觉识别算法的自动检测手段能够有效弥补传统建筑物检测的不足。另外基于无人机的便携式划痕仪可在图像自动识别的基础上，原位对杆件腐蚀敏感区域进行打磨并进行划痕测试，通过反演算法可直接获得杆件的剩余强度。该方案只需一套无人机集成设备，通过无人机巡检杆件腐蚀状态自动识别自动划痕测试程序，可直接对杆件腐蚀严重区域进行全自动剩余强度检测，该套方案高效无损，结果高保真。

2.项目目标

研发一套可对无人机巡检图像中杆件腐蚀状态评价指标进行自动识别的软件，并可自动对敏感区域进行剩余强度检测，完善腐蚀状态评价指标与剩余强度的标度律，建立杆件剩余强度与整体结构安全性的有限元评价模型，为桁架结构的安全服役提供参考。

3.研究内容如下：

（1）完善腐蚀状态评价指标与剩余强度之间的标度律

对无人机巡检图片进行人工标定，并采用无人机便携式划痕仪对标定图像对应区域进行原位除锈并进行划痕测试，获得腐蚀状态与剩余强度的对应关系，建立腐蚀状态评价指标与剩余强度之间的标度律。

（2）建立结构杆件剩余强度与结构安全性的自动有限元分析模型

对采集到的结构杆件进行定位，建立整体结构的有限元模型，并将获得的剩余强度和杨氏模型等信息代入到有限元模型中，完成安全稳定性分析，对结构的安全服役提供参考。

（3）建立无人机巡检图像中杆件腐蚀状态评价指标自动识别模型

量化杆件腐蚀特征，对无人机巡检图片数据集进行人工标注，采样轻量级SSD模型作为自动识别模型进行训练，训练过程如下：以深度学习训练过程为例，首先，我们输入经过预先处理的包含杆件腐蚀的图像，以用于对主模型进行第一部图像分类训练，直至模型趋于稳定收敛，可初步确定其网络参数，并增加接下来的模型训练的收敛速度。其次，根据初步训练结果进行参数设置，之后进行多目标图像分类训练，以增加模型对多目标检测的适应性。最后，将前两部训练好的模型导入监测模型基础网络框架当中，对监测模型进行迭代训练。

（4）研发可对无人机巡检图像中杆件腐蚀状态评价指标进行自动识别的软件

本文的总体研究方案主要分为七个步骤，如下：
（1） 根据杆件除锈前的腐蚀表面形貌与除锈后的腐蚀状态图片，研究一种基于深度学习的杆件表面腐蚀等级检测方法。
（2）根据杆件的无人机巡检图像数据集，研究基于深度学习的无人机巡检杆件腐蚀缺陷检测方法。
（3）基于无人机原位剩余强度测试平台，优化原位除锈和剩余强度测试方法。
（4）开发软件平台，并对无人机机巡图像中杆件腐蚀状态评价指标识别进行检验，确保杆件锈蚀率和杆件最大蚀坑深度达到精度求。
（5）根据杆件无人机巡检图像数据集，研究杆件剩余强度与杆件腐蚀状态评价指标的标定关系。
（6）开发成套软件，实现无人机自动巡检，自动识别杆件腐蚀区域，自动判别腐蚀状态评价等级，自动决策进行原位剩余强度测试。
（7）建立桁架结构有限元模型，基于关键杆件剩余强度数据，开展安全性实时评价。

5. 质量保证控制方法

项质量保证参照质量管理体系相关要求执行，项目实施方案合理可行，并通过评审，项目进行中加强沟通交流，确保本项目保质保量进行，分析计算过程可追溯，研究结论客观真实。具体如下：（1）工作正式启动前，结合结构和载荷特征，与甲方共同制定详细可行的建模约定，并在建模过程中定期核对和矫正；（2）参研人员具有较好的专业技术能力和工程经验，团队成员固定，确保对相关模型、要求和工具熟练掌握；（3）严格按照有限元模型的相关标准，开展逐级测试和修正，定期邀请技术负责人或技术总师进行评审或检查。

参考文献：
艾志久，含外腐蚀缺陷管道剩余强度及剩余寿命的分析，2016，材料保护》
赵新伟，《含腐蚀缺陷管道剩余强度的有限元法分析》，2021，油气储运
仇梓峰.基于计算机视觉的风机叶片表面损伤检测研究[D].北京交通大学,2019.