摘要
钢结构建筑在长期服役中必然会出现不同程度的锈蚀损伤，进而影响构件及建筑整体的力学性能和承载能力。随着大量的钢结构建筑投入使用，对带涂层的钢构件进行锈蚀检测和锈蚀等级评价愈发重要。尤其是对于大跨度钢结构建筑，其结构形式复杂，构件数量众多的特点，导致人工检测耗时耗力，检测效果不够准确。随着以深度学习为代表的计算机视觉技术的快速发展，为钢结构的锈蚀损伤检测评估提供了全新的路径。本文依托深度学习算法，对多光照环境下的钢结构建筑物涂层钢构件锈蚀评估量化进行了深入研究。 (1)在现有标准基础上，补充完善了适用于深度学习算法的涂层钢构件锈蚀评价指标。由于涂层钢表面的锈蚀损伤评价标准不统一，本文依据国内外相关标准，结合深度学习算法的特点，提出了新的锈蚀等级评价标准，可有效评价钢构件表面图像锈蚀损伤程度。 (2)基于MobileVit图像分类网络，针对多光照环境下涂层钢构件锈蚀图像，改进得到MobileVit-s锈蚀图像等级分类网络。首先，收集以钢结构厂房为代表的钢构件锈蚀图像，并筛选处理后制成锈蚀等级分类网络训练及验证所需的数据集。随后，在轻量化分类算法MobileVit的基础上进行优化，引入了空间归纳偏差、输入自适应加权和全局处理优势，得到了适用于涂层钢构件锈蚀等级分类的MobileVit-s算法。结果表明模型精度最高达到了91.2%。最后，为方便检测人员应用，制作了GUI界面，简化操作流程，便于移动端部署。 (3)基于YOLOv8s图像分割网络，针对多光照环境下涂层钢构件锈蚀图像，改进得到YOLOv8s-G锈蚀图像分割网络。首先，使用Labelme软件在图像中标注钢构件的锈蚀区域，并制成数据集用于网络训练与验证。随后，在YOLOv8s模型的基础上引进C2f-S模块和Mconcat模块，优化整体网络架构，得到YOLOv8s-G模型，与原始YOLOv8s相比，准确度提升了5.7%，证明了改进策略的有效性，并为锈蚀量化提供了像素级分割模板。 (4)基于YOLOv8s-G分割模板，提出了涂层钢构件锈蚀程度量化方法。首先，利用改进的YOLOv8s-G分割网络对图像中钢构件区域和锈蚀区域进行像素级分割。随后统计两者的像素值数量，计算得出图像中锈蚀面积占构件面积的比例，精准量化锈蚀程度。最后，前往工程现场收集锈蚀图像，使用测量工具、求积仪收集构件尺寸、锈蚀区域面积信息，对模型量化结果进行验证。 (5)通过涂层钢板的通电加速锈蚀试验，进一步验证锈蚀等级分类网络、锈蚀分割及量化算法的准确性。设计通电加速锈蚀涂层钢板试验，试验过程中采集多种工况条件下的钢板试件锈蚀图像，使用求积仪采集试件锈蚀面积信息。将试件锈蚀图像导入MobileVit-s算法、YOLOv8s-G算法、量化算法分别验证模型性能。
NETL