Page 12 - 2022年第53卷第6期

3.2 混凝土表面图像识别模型的建立 在建筑施工领域，尚无开源的混凝土振捣表面图像数据集。

因此，本文通过现场拍摄混凝土振捣过程中表面图像，通过归纳总结其演变特征，将其划分为3个阶
段，即混凝土表面图像分为不合格类、过渡类以及合格类3个类别。建立的混凝土表面图像数据集中
不合格类、过渡类和合格类图像数量分别为 5056、4476和 5474张，共计 10 056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200个迭代
轮次（即完整数据集输入模型训练的过程）；采用 SGD 优化算法，初始学习率和动量分别为 0.001 和
0.9；批处理大小为 32。运行物理环境为 Ubuntu 16.04操作系统，GPU 显卡型号为 NVIDIA TITAN XP，
运行内存128 GB。基于Keras框架进行模型的训练。
图 8 为模型训练过程中原始 ResNet-50 和改进 ResNet-50 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。相比于原始 ResNet-50，改进的 ResNet-50 训练曲线波动小，测试样本的
精度和损失函数曲线均表现更优，且模型未有过拟合现象。常用指标 ［28］ 精确率 Precision、召回率 Re⁃
call 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 98.36% 和 98.33%，表
明模型性能优越，模型有效。

（a） 精度曲线 （b） 损失函数曲线
图8 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300 m级特高拱坝仓面混凝土浇筑施工为例，对振捣机器人系统的
功能进行现场验证。该混凝土坝为双曲拱坝，坝顶高程 834.0 m，最大坝高 289.0 m，共分 31个坝段，
大坝混凝土方量约 800 万 m 。现场混凝土浇筑采用人工驾驶振捣台车施工为主，钢筋网及模板周边
3
等区域以人工振捣作业为辅的方式开展施工。根据振捣机器人系统组成结构设计，进行振捣机器人
系统软件和硬件的研发，振捣试验区域及振捣机器人本体实物如图9所示。

（a） 混凝土振捣试验工程面貌 （b） 振捣机器人本体实物图
图9 振捣机器人系统现场试验

—638 —