返校有一段时间了，一些试验工作在家没法开展，从5月份返校到现在一直在补试验和补文章工作，由于大家都在补试验，搞得很多时候都在排队，特别是那些做疲劳的组，霸占着仪器好多天，好浪费时间。之前的那个基于无人机巡检图像的厂房桁架杆的腐蚀及剩余强度预测的前期验证项目，甲方把他们的桁架杆腐蚀试样也给我们寄了过来，做了几组测试后发现，问题不小。问题出在我们之前发表的工作是基于北科大公布的金属高湿盐雾环境的腐蚀图像及强度检测数据，他们的腐蚀图像都是标准拍摄的，即类似于证件照一样的形式。而无人机巡检的图像则是很多角度都有，如何将图像识别的基准对照点设置一致是一个难题。另外北科大的数据库所给出的金属腐蚀环境与厂房工业大气环境也不一样，金属腐蚀的深度、广度和破坏类型也不一样，我们用北科大的数据和甲方提供的样本杆取样做了测试对比，发现数据偏差很大，即杆件金属表面的腐蚀情况与剩余强度的数据是不知道的，是无法用北科大的数据预测我们的情况。调研了深度学习的方法，发现迁移学习应该是能够实现我们的目的，但还是需要一些直接的试验数据作为迁移学习的数据集的。和导师汇报了下，实际项目一定要准确，出了问题要负责，因此还是要得到尽可能多的真实可靠的数据。然后用深度学习的方法建立材料腐蚀与剩余强度间的预测模型，如果准确度超过90%的话，才可以应用。导师和甲方沟通让他们通过划痕测试的方法获得一批直接的数据，然后再用到我们的反演模型，推导出弹性模量和强度等指标。
项目的思路就变成了由当时预想的直接基于北科大数据对无人机巡检图像预测，变成了基于北科大的数据训练筛选表现最好的深度学习模型，然后将该模型进行迁移，用甲方提供的新的数据进行训练，并进行验证。最后就是开展无人机巡检拍摄，对图像进行处理，识别出腐蚀位置，通过机器学习模型对桁架杆的剩余强度进行预测。接下来，就是与甲方沟通并教会他们怎么做划痕测试了，想要得到靠谱的预测模型，这采集工作量着实不小。