Page 21 - 2023年第54卷第6期

高所构建模型的泛化性。所构建的 ＲｅｓＮｅｔ － １０１模型输入图像大小为 ５１２ × ５１２，网络最后一层连接层神
经元为 ３个，以对应输出混凝土表面图像预测类别，即欠冲类、过冲类和合格类。ＲｅｓＮｅｔ模型网络结
构如图 ５所示。

图 ５ Ｒｅｓｎｅｔ结构图

３．２．２ 冲毛质量图像识别模型的构建 在建筑施工领域，尚无开源的混凝土表面冲毛图像数据集。因
此，本文通过现场拍摄混凝土表面冲毛图像，通过归纳总结其演变特征，将其划分为 ３个类别，即欠
冲类、过冲类以及合格类。建立的混凝土表面图像数据集中欠冲类、过冲类和合格类图像数量分别为
７００张，共计 ２１００张图像。本文将数据集随机划分为训练样本和测试样本，二者比例分别为 ０．８５和
０．１５。模型训练参 数如下：训练 １００个迭 代轮 次；采用 ａｄａｍ优 化 算 法，初 始 学 习 率 和 动 量 分 别 为
０．００１和 ０．９。运行物理环境为 Ｕｂｕｎｔｕ１６．０４操作系统，ＧＰＵ显卡型号为 ＮＶＩＤＩＡ ＧＴＸ３０９０，运行内存
１２８ＧＢ。基于 Ｔｅｎｓｏｒｆｌｏｗ框架进行模型的训练。
图 ６为模型训练过程中 ＲｅｓＮｅｔ的精度与损失函数变化曲线。随着训练迭代轮次的增加，模型的损
失函数曲线逐渐下降并趋向平稳，精度曲线逐渐上升最后趋于平稳，表明模型训练达到优越性能。常
用指标精确率 Ｐｒｅｃｉｓｉｏｎ、召回率 Ｒｅｃａｌｌ用于评估所提模型性能，所建立模型在测试数据集上平均分类
精度分别为 ９０．３１％和 ８９．７３％，表明模型性能优越，模型有效。

图 ６ 训练过程中精度与损失函数变化曲线

４ 工程实例

以中国西南地区白鹤滩水电站 ３００ｍ级特高拱坝仓面混凝土浇筑施工为例，根据智能冲毛系统组
成结构设计，进行智能冲毛装备的硬件生产及组装、和软件算法的研发；同时，现场开展各项试验，
以满足施工需求。检验智能冲毛系统在混凝土坝仓面复杂环境下施工的可行性和高效性，验证自动冲
毛、冲毛质量评价、收集废渣废水等各项功能的完备性。该混凝土坝为双曲拱坝，坝顶高程 ８３４．０ｍ，
３
最大坝高 ２８９．０ｍ，共分 ３１个坝段，大坝混凝土方量约 ８００万ｍ 。
４．１ 智能冲毛系统工作流程 智能冲毛装备工作流程如图 ７所示，智能冲毛装备启动后，通过机载感
知模块实现仓面环境信息、车体位置信息和冲毛施工参数信息的实时采集，基于 ＲＯＳ（ＲｏｂｏｔＯｐｅｒａｔｉｎｇ
Ｓｙｓｔｅｍ）系统 ［３３］ 分布式点对点通信机制实现多个传感器与控制器等节点之间的点对点松耦合链接，集
成并分析多源异构信息，划分仓面作业条带，完成智能冲毛装备路径规划。

— ６ ４ ９ —