一种基于自注意力机制深度学习的桩长实时检测方法与流程

本发明涉及桩基工程，特别是一种基于自注意力机制深度学习的桩长实时检测方法。

背景技术：

1、桩基工程作为建筑工程的关键环节，扮演着不可或缺的角色，其作用是将上部建筑物的荷载通过承台或盖梁传递给桩体，进而传递到深处承载力较强的土(岩)层上，或将软弱土层挤密实以提高地基土的承载能力和密实度，基桩承载力主要由沉桩深度内的桩侧摩阻力以及桩端阻力承担，因此沉桩深度是影响地基承载力的重要因素之一。

2、由于桩长在桩基工程中的重要作用，预制桩沉桩深度是桩基工程施工质量重要评价指标之一。目前工程实践中桩长检测分为两部分，其一是利用水准仪观测桩身标识线沉桩前后的变化，该方法检测精度较高，是桩基施工过程标高控制的主要手段之一。但该方法需专业操作人员手动测量，人为主观因素对测量结果影响较大，同时无法做到桩长实时检测。另一种方法是利用超声波对桩长自动识别，潘仕海在《地质雷达在基桩检测中的应用》一文中通过工程实例介绍了用地质雷达确定既有基桩有效长度的过程，潘仕海基于雷达波在桩体和土两种介质中传播特性的不同，使用地质雷达探测桩土交界面与桩底界面，根据桩底集其相近两条深度时标线对应的波列号与波速确定桩底深度，该方法在对桩长13.4～13.6m左右的沉管灌注桩检测中，误差在0.2～1.8m；陈龙珠等在待检桩基附近钻检测孔，并在孔中利用三分量检波器检测由桩顶既有结构体激发所产生的纵波沿桩身向桩底传播，在波的传播过程中除了在桩身遇到波阻抗和桩底反射外，同时有部分地震波向桩侧土进行透射,利用地震波在桩身传播和波透射的特征规律和异常，从而通过旁孔井中传感器来检测桩身透射波首波的时间规律判断桩，该方法对直径1m的桩体检测时，与真实桩长相比仅偏小1％左右；孔德勇利用低应变反射波法在桩身完整性上检测快捷、费用低廉且结果可靠的优点，在此基础上，增加桩体混凝土波速检测以实现桩长检测，在对直径0.8m、桩长30m左右的c50钻孔灌注桩检测中，该方法仅需30分钟即可完成桩长检测，且检测误差为±0.5m。但该方法只可用于沉桩完成后的后验证环节，无法在施工过程中实时检测桩长变化。

3、因此，在沉桩施工过程中，通常需要投入大量人力实时监控施工过程中的桩长变化，由施工技术员在打桩前计算出沉桩深度，报监理方审核同意后交操作员施工，但是由于施工人员素质参差不齐，经常出现沉桩深度未达设计要求的情况，严重威胁着建筑质量和安全。而现有的研究都是针对于已埋入桩体的桩长检测，无法实现沉桩过程中桩长实时检测。经过发明人长期研究，发明了一种基于自注意力机制深度学习的桩长实时检测方法。

技术实现思路

1、本发明的目的在于克服现有技术的缺点，提供一种基于自注意力机制深度学习的桩长实时检测方法。

2、本发明的目的通过以下技术方案来实现：一种基于自注意力机制深度学习的桩长实时检测方法，包括以下步骤：

3、s1：将若干摄像头安装到施工现场，并采集现场图片和视频；

4、s2：构建目标识别模型对预制桩进行识别；

5、s3：构建目标追踪模型对预制桩进行实时检测跟踪；

6、s4：进行预制桩桩长测量。

7、优选的，步骤s1中，摄像头的拍摄角度与拍摄物体呈90°。

8、优选的，步骤s2中，目标识别模型包括图像编码器、提示编码器和图像解码器，图像编码器和提示编码器通过引入自注意力机制，先将视频帧信息矩阵x乘以对应深度学习模型权重矩阵w得到q、k和v三个高维矩阵，其中q为查询向量，k为键向量，v为值向量，再计算余弦相似度获得视频帧内不同物体注意力得分；图像编码器由深度卷积神经网络模型组成，图像编码器用于将高维注意力编码降维至与视频帧信息矩阵维度相同的标签矩阵，指示视频帧内目标预制桩的位置。

9、优选的，步骤s3中，目标追踪模型包括id编码器和id解码器，id编码器用于将步骤s2输出的视频帧标签矩阵通过卷积神经网络将标签矩阵嵌入到高维空间中，id解码器用于将过去帧中的目标信息通过长短期自注意力机制传播到当前帧中。

10、优选的，id解码器包括跟踪器和重建器，跟踪器通过长短期自注意力机制利用余弦相似度匹配已输入的长期历史帧与短期邻近帧和当前视频帧高维信息的注意力得分，重建器通过卷积神经网络将当前帧高维id编码降维至低维id编码。

11、优选的，步骤s4中，还包括以下步骤：

12、s41：设置标准比例尺，并将选择的图片转化为灰度图；

13、s42：进行高斯模糊和边缘检测；

14、s43：计算单位长度中的像素个数；

15、s44：计算物体轮廓的最小外接矩形，并获取四个顶点的坐标；

16、s45：根据四个顶点和单位长度中像素的个数计算被测量物体的宽和高。

17、本发明具有以下优点：本发明相较于传统的人工测量，通过将若干摄像头安装到施工现场采集现场图片和视频，并通过目标识别模型对预制桩进行识别以及目标追踪模型对预制桩进行实时检测跟踪，从而在采集视频后实时对桩长进行检测，简化了操作，同时减少了施工现场的复杂度，使其环境干扰较小，进而提高了精度。

技术特征：

1.一种基于自注意力机制深度学习的桩长实时检测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于自注意力机制深度学习的桩长实时检测方法，其特征在于：所述步骤s1中，摄像头的拍摄角度与拍摄物体呈90°。

3.根据权利要求1所述的基于自注意力机制深度学习的桩长实时检测方法，其特征在于：所述步骤s2中，所述目标识别模型包括图像编码器、提示编码器和图像解码器，所述图像编码器和所述提示编码器通过引入自注意力机制，先将视频帧信息矩阵x乘以对应深度学习模型权重矩阵w得到q、k和v三个高维矩阵，其中q为查询向量，k为键向量，v为值向量，再计算余弦相似度获得视频帧内不同物体注意力得分；所述图像编码器由深度卷积神经网络模型组成，所述图像编码器用于将高维注意力编码降维至与视频帧信息矩阵维度相同的标签矩阵，指示视频帧内目标预制桩的位置。

4.根据权利要求1所述的基于自注意力机制深度学习的桩长实时检测方法，其特征在于：所述步骤s3中，所述目标追踪模型包括id编码器和id解码器，所述id编码器用于将所述步骤s2输出的视频帧标签矩阵通过卷积神经网络将标签矩阵嵌入到高维空间中，所述id解码器用于将过去帧中的目标信息通过长短期自注意力机制传播到当前帧中。

5.根据权利要求4所述的基于自注意力机制深度学习的桩长实时检测方法，其特征在于：所述id解码器包括跟踪器和重建器，所述跟踪器通过长短期自注意力机制利用余弦相似度匹配已输入的长期历史帧与短期邻近帧和当前视频帧高维信息的注意力得分，所述重建器通过卷积神经网络将当前帧高维id编码降维至低维id编码。

6.根据权利要求1所述的基于自注意力机制深度学习的桩长实时检测方法，其特征在于：所述步骤s4中，还包括以下步骤：

技术总结
本发明公开了一种基于自注意力机制深度学习的桩长实时检测方法，包括以下步骤：S1：将若干摄像头安装到施工现场，并采集现场图片和视频；S2：构建目标识别模型对预制桩进行识别；S3：构建目标追踪模型对预制桩进行实时检测跟踪；S4：进行预制桩桩长测量。本发明的有益效果是：本发明相较于传统的人工测量，通过将若干摄像头安装到施工现场采集现场图片和视频，目标识别模型对预制桩进行识别以及目标追踪模型对预制桩进行实时检测跟踪，并引入长短期自注意力机制使模型适应复杂的施工现场环境，实现预制桩沉桩过程中对桩长实时监测。

技术研发人员：黎宏武,吴巍,卢思量,韩超,唐自强,谷开新,刘永浩,范舟,孙科,孔硕颖,戚顺超
受保护的技术使用者：国网江苏省电力有限公司建设分公司
技术研发日：
技术公布日：2024/3/4