張慶賀，陳 晨，袁 亮，張 通，方致遠，李 翎，蔣博文

(1.安徽理工大學 深部煤礦采動響應與災害防控國家重點實驗室，安徽 淮南 232001；2.合肥綜合性國家科學中心 能源研究院，安徽 合肥 230031；3.安徽理工大學 土木建筑學院，安徽 淮南 232001；4.安徽理工大學 計算機科學與工程學院，安徽 淮南 232001)

and recognition

由于地質(zhì)環(huán)境的復雜作用，天然巖體內(nèi)部存在大量復雜的節(jié)理裂隙，裂隙巖體失穩(wěn)大多由裂隙擴展和貫通引發(fā)。裂隙擴展規(guī)律和主動監(jiān)測對裂隙巖體穩(wěn)定性至關(guān)重要。研究表明，含復雜裂隙巖石試件破壞過程中裂隙擴展情況復雜多變，不同位置、不同尺寸的裂隙對試件破壞影響極為不同。外荷載作用下，僅一部分裂隙尖端萌生新裂紋，并在荷載作用下擴展；而另一部分裂隙則基本不參與裂隙擴展過程，復雜裂隙巖石試件的整體失穩(wěn)由這一部分動態(tài)裂隙所主導。因此，超前性的快速精準識別這類動態(tài)裂隙對于評估結(jié)構(gòu)整體穩(wěn)定性十分重要。

數(shù)字圖像相關(guān)技術(shù)(Digital Image Correlation，DIC)是一種有效的非接觸式無損檢測技術(shù)，DIC技術(shù)使得試件表面應變場測量成為現(xiàn)實，在裂隙巖石試驗領(lǐng)域得到了廣泛重視和應用。王本鑫等對不同角度預制節(jié)理的巖石試件進行了單軸壓縮試驗，通過DIC技術(shù)觀測分析試件裂紋萌生、擴展和貫通過程。研究表明，DIC技術(shù)能記錄和顯示普通相機和人眼無法捕捉到的裂隙萌生前兆，并在目標材料上可視化的顯示應變集中位置。張科等利用3D打印技術(shù)，實現(xiàn)了裂隙網(wǎng)絡(luò)巖石試件的制備，并結(jié)合DIC方法對試件全局應變場進行測量，分析了裂隙網(wǎng)絡(luò)試件破裂特征。研究發(fā)現(xiàn)，在原生裂隙起裂前，裂隙尖端會產(chǎn)生應變集中區(qū)域，更加直觀的反映出復雜裂隙試件的破裂規(guī)律，再次證明DIC技術(shù)是對裂隙萌生擴展監(jiān)測的有效方法。雖然DIC技術(shù)在識別裂隙演化方面具有可靠性，但是含復雜裂隙的試件中，裂隙分布廣、數(shù)量多，在試件加載過程中，多條裂隙可能同時動態(tài)擴展和破裂，破壞過程中裂紋復雜多變，動態(tài)裂隙的捕捉難以準確高效。僅依賴試驗人員觀察DIC云圖識別裂隙不僅效率低下，并且主觀性強、準確性低。

隨著計算機技術(shù)和人工智能技術(shù)的快速發(fā)展，基于深度學習的目標檢測方法在許多領(lǐng)域展現(xiàn)出卓越的性能。KOU等結(jié)合深度神經(jīng)網(wǎng)絡(luò)和無錨特征選擇開發(fā)了基于YOLO-V3的端到端鋼帶表面缺陷檢測模型，通過提高檢測模型的特征提取、特征傳播等，增強了網(wǎng)絡(luò)的表征能力，提高了帶鋼表面缺陷的檢測精度和速度。ZHANG等利用深度學習方法和增量隨機采樣(IRS)方法，提出了一種智能的濕損識別和定位方法，在檢測和定位瀝青路面濕損方面具有良好的性能和優(yōu)越性。MAJIDIFARD等采用深度學習方法來預測瀝青路面的路面破損，利用谷歌街景圖像和深度學習框架來自動檢測、分類和分割9種類型的路面破損。在混凝土或巖石類材料裂隙智能識別方面，深度學習也可以從原始圖像中自動提取高級語義信息，為裂隙智能識別提供新途徑。JU Huyan等提出了路面裂縫深度網(wǎng)絡(luò)架構(gòu)(CrackDN)，檢測具有復雜道路背景的密封和未密封裂縫，并對比了CrackDN、Faster-RCNN和SSD300三種智能檢測算法的性能。CUI Xiaoning，JIANG Yongqing和WEI Fujia等學者運用智能檢測技術(shù)對混凝土損傷進行分類識別和量化。SONG Ee Park等將深度學習技術(shù)與結(jié)構(gòu)光技術(shù)結(jié)合應用到混凝土結(jié)構(gòu)表面的檢測和裂紋量化。在深度卷積神經(jīng)網(wǎng)絡(luò)算法的選擇上，YOLOv5算法是YOLO家族較新的框架，不少研究學者采用YOLOv5算法模型進行目標的智能檢測，研究發(fā)現(xiàn)，YOLOv5算法模型比傳統(tǒng)模型檢測快、精度高，可有效的提高目標物的識別準確率。

綜上所述，DIC技術(shù)對復雜裂隙巖石變形破壞過程中的早期微裂紋萌生和擴展非常敏感，YOLOv5算法是一種檢測快、精度高的智能檢測識別算法，因此，DIC和YOLOv5結(jié)合可能是一種智能識別復雜裂隙巖石破壞的新方法。為此，筆者設(shè)計了含20條隨機裂隙的巖石試件破壞試驗，采用DIC技術(shù)對試件變形破壞全過程進行實時采集，并精細化地分析了每一條裂隙的發(fā)育發(fā)展過程。進一步地，將試件應變場演化云圖作為訓練數(shù)據(jù)集，并基于YOLOv5算法進行二次定義，來自動智能識別試件中動態(tài)裂隙演化情況，進而對復雜裂隙巖石破壞過程進行智能預警。

1 裂隙巖石試件破壞試驗

1.1 復雜裂隙巖石試件的制備

3D打印技術(shù)(3D Printing,3DP)是近年來發(fā)展起來的一種快速成型技術(shù)，它以數(shù)字化模型為基礎(chǔ)，運用塑料、膏體或粉末狀金屬等可黏合材料將三維數(shù)字模型通過逐層打印并堆積的方式構(gòu)造試驗樣品，又稱作“增材制作”技術(shù)。在巖石力學試驗領(lǐng)域，由于3DP技術(shù)具有成型精度高、制樣誤差小、可制作含復雜結(jié)構(gòu)的試驗模型等優(yōu)勢，得到了廣泛的應用。在含裂隙巖石試件打印成型方面，3DP技術(shù)大致劃分為兩大類:① 直接打印試件模型。如齊飛飛等采用人造石英砂和呋喃樹脂打印了尺寸為100 mm×100 mm×20 mm(高×寬×厚)的平行節(jié)理試樣；黃娜等采用光敏樹脂打印了考慮裂隙開度的三維粗糙裂隙網(wǎng)絡(luò)DFN模型試樣;② 先利用水溶性材料打印裂隙模型，并利用水泥砂漿材料制作試件，再通過水溶性材料溶于水的特性剔除裂隙模型，生成含裂隙的水泥砂漿類巖石試件。如王本鑫等采用該方法制作了含粗糙交叉節(jié)理類巖石試件。本文采用第2種方法制作裂隙網(wǎng)絡(luò)類巖石模型試件。

1.1.1 裂隙網(wǎng)絡(luò)模型3D打印

研究表明，在實際工程中復雜裂隙網(wǎng)絡(luò)巖體中的裂隙分布、尺寸往往服從某種統(tǒng)計學規(guī)律。為此，筆者以我國西南地區(qū)瀾滄江上游河段的某水電站壩基巖體為研究原型，并基于蒙特卡洛原理編寫了隨機裂隙生成的Python程序。利用該程序，在100 mm×100 mm范圍內(nèi)生成了20條隨機分布的裂隙。其中，裂隙寬度在0.8～1.0 mm服從正態(tài)分布，裂隙長度在10～20 mm服從正態(tài)分布。生成后，將2D數(shù)字模型導入CAD和Solidworks軟件中，利用平面拉伸命令將20條裂隙向軸正向拉伸20 mm，生成3D數(shù)字模型。隨后，將3D數(shù)字模型保存成*.STL格式，得到可用于3D打印的數(shù)字模型。將3D打印數(shù)字模型導入3D打印機進行裂隙打印。打印耗材為聚乙烯醇(PVA)，打印方法為熔融堆積法，精度為0.1 mm。上述流程如圖1(a)所示。

圖1 試件制作原理及流程Fig.1 Principle and process of specimen production

1.1.2 裂隙網(wǎng)絡(luò)巖石相似材料試件制備

水泥砂漿作為一種類巖石材料，具有成分可控、力學性能良好等優(yōu)點。根據(jù)文獻[9-11]的研究成果，水泥砂漿材料的力學參數(shù)及破壞形態(tài)與砂巖比較接近，因此選用水泥砂漿類巖石材料來近似模擬砂巖。制備方法如下：

(1)選用試件模具內(nèi)尺寸為100 mm×100 mm×20 mm(長×寬×高)，將3D裂隙實體模型放置于模具內(nèi)，將材料質(zhì)量配比為普通硅酸鹽水泥∶砂∶水=1.0∶1.0∶0.4的水泥砂漿倒入模具，充分振蕩。

(2)27 h后拆除模具，并將試塊放入標準養(yǎng)護室中養(yǎng)護28 d。

(3)養(yǎng)護完成后，將試件放入清水中浸泡48 h，PVA材料自行溶解，形成裂隙網(wǎng)絡(luò)。

(4)將試件在常溫下自然干燥，用砂紙將制備好的試件打磨平整，在試塊一側(cè)先后噴白漆、黑漆來形成散斑場。其中，白漆為色底，黑漆顆粒自然落在白色底漆上，便于DIC設(shè)備采集和計算應變場。

制作的裂隙網(wǎng)絡(luò)類巖石材料試件如圖1(b)所示，它與砂巖試件的力學參數(shù)見表1。

1.2 試驗儀器

試驗系統(tǒng)如圖2所示。其中，加載設(shè)備為濟南時代試金公司生產(chǎn)的伺服萬能試驗機，對試件施加位移荷載，荷載速率為0.3 mm/min。DIC單元采用VIC-2DSystem，采用雙目工業(yè)相機實時拍攝加載過程中試件表面散斑場的變化，相機的分辨率為2 560 像素×1 920像素，拍攝速率為10幀/s。拍攝時，采用LED冷光燈對試件表面進行補光，使相機記錄的散斑圖像具有較高的清晰度。試件加載前，在試件上下兩端涂凡士林，以減小端部摩擦對試驗的不利影響。

表1 類巖石材料與砂巖力學參數(shù)對比

圖2 試驗系統(tǒng)Fig.2 Test system

1.3 試驗結(jié)果與分析

1.3.1 試件力學特性

3個材料組分和裂隙分布相同的裂隙網(wǎng)絡(luò)類巖石試件的應力-應變曲線如圖3所示，可以看出，這3個試件的峰值強度和彈性模量基本一致，表明通過3D打印技術(shù)制備的試件力學性質(zhì)穩(wěn)定，具有很好的可重復性。

各試件的變形破裂特征大致相似，受篇幅所限，本文選取2號試件進行分析。圖4(a)給出了應力-應變曲線上標識點～所對應時刻的裂紋擴展情況。此外，將試驗全過程中采集的數(shù)字散斑圖像導入數(shù)字圖像相關(guān)軟件Vic-2D中，計算得到圖4(b)試件加載過程中的應變場。

圖3 應力-應變曲線Fig.3 Stress-strain curves

圖4 試件破壞情況及應變場演化Fig.4 Damage to the specimen and strain field evolution

由圖3,4可以看出，含復雜裂隙分布的試件變形破裂過程大致可以劃分為4個階段：

(1)初始壓密階段(0～段)，與真實巖石試件類似，該階段試件內(nèi)部原生微缺陷被逐漸壓密，具有顯著的初期非線性變形特征。此時，試件中的預制裂隙未發(fā)生擴展，試件應變場相對均勻。

(2)近似線性階段(～段)，隨著荷載的增加，應力-應變曲線呈現(xiàn)近似線性增大。在點處，第17號裂隙處出現(xiàn)應變集中，但對試件整體強度影響不大。

(3)裂紋萌生、擴展階段(～段)，當應力增加至點，試件第2，3，11，12，14，17號裂隙處發(fā)生應變集中和裂隙擴展。點后，試件的應力-應變曲線出現(xiàn)第1次跌落，隨即試件內(nèi)部達到新的應力平衡，應力-應變曲線小幅度上漲。當應力到達點時，左側(cè)裂隙完全貫通，近乎剝落。同時伴隨著新裂紋的產(chǎn)生，應力-應變曲線再次出現(xiàn)應力跌落；之后，新的應力平衡建立，應力-應變曲線繼續(xù)小幅上漲。由于試件內(nèi)部分布20條復雜裂隙，因此，在應力達到峰值應力之前，應力-應變曲線伴隨著多次應力跌落和應力重分布。在這一過程中，雖然試件萌生了一些新裂紋，但未出現(xiàn)貫通破裂面。

(4)峰后階段(～段)，當應力達到了峰值應力點，新裂隙和原生裂隙貫通試件，試件承載力迅速下降，發(fā)生脆性破壞。表明裂隙網(wǎng)絡(luò)試件的破壞是新生裂紋萌發(fā)擴展與原生裂隙搭接、貫通的過程。

1.3.2 動態(tài)裂紋的局部應變響應

為了進一步揭示單條裂隙擴展對試件整體強度的影響，對20條裂隙發(fā)育、擴展情況進行精細化統(tǒng)計分析，見表2。

新生裂紋主要從預制裂隙尖端起裂，與附近其他預制裂隙尖端搭接或擴展至試件邊緣，新生裂紋與加載方向的夾角見表4，其中軸正向(與加載方向平行)記為0°，角度沿順時針方向增加。由表3可見，傾角在[0°，360°]隨機分布，由于新生裂隙在預制裂隙之間搭接，因此，新生裂紋傾角大小與預制裂隙附近的其他裂隙位置及荷載加載方向有相關(guān)性。

表2 裂隙擴展統(tǒng)計

表3 新生裂紋發(fā)育角度

結(jié)合圖4和表2,3可以發(fā)現(xiàn)單條裂隙對試件整體強度有重要影響。

(1)在初始壓密階段：試件應變場相對均勻，僅少量原生裂隙尖端發(fā)生應變集中，且應變集中不明顯,基本不影響試件整體強度。

(2)在近似線性階段：在點處，預制裂隙2，3，11，12，14，17號裂隙端部開始萌生新裂紋，應變場云圖中出現(xiàn)覆蓋裂隙的深紅色應變集中區(qū)域。同時，彈性階段結(jié)束，且多條裂紋是同時萌生的。

(3)裂紋萌生、擴展階段：在點處，試件的左側(cè)1，2，3號預制裂隙開始互相搭接，左側(cè)接近脫落，同時11號裂隙上端萌發(fā)的反翼裂紋與13號裂隙上端萌發(fā)的反翼裂紋搭接，11號裂隙下端的翼裂紋與12上端的反翼裂紋搭接，12號上端和14號下端產(chǎn)生的反翼裂紋搭接，17號下端和14號上端產(chǎn)生的翼裂紋搭接。應變場云圖中上述裂隙位置都存在顯著變化，當裂隙擴展比較顯著時，新生裂紋的應變數(shù)據(jù)丟失，應變云圖不再顯示顏色。同時，應力-應變曲線也出現(xiàn)小幅度的應力波動。

(4)峰后階段：在點處，4號裂隙上端萌發(fā)向上擴展的翼裂紋，6號裂隙下端產(chǎn)生的傾斜反翼裂紋與7號裂隙上端產(chǎn)生的翼裂紋搭接；點處，裂隙持續(xù)發(fā)育，4號裂隙上端的新生翼裂紋發(fā)育到試件邊緣，6號和7號裂隙的上端分別萌發(fā)傾斜反翼裂紋，13號裂隙中部萌發(fā)傾斜次生裂紋，14號裂隙下端的拉伸翼裂紋沿軸向擴展，應力-應變曲線產(chǎn)生1.14 MPa的應力降；點處，9號裂隙上端產(chǎn)生的翼裂紋與12號裂隙下端產(chǎn)生的反翼裂紋搭接，預制裂隙4，5，6，7，8，9，11，12，13，14，17之間相互搭接，組成一張復雜的裂隙網(wǎng)，產(chǎn)生應力降，最終形成導致試件破壞的宏觀貫穿裂隙。

由單條裂隙擴展統(tǒng)計分析、試件的強度規(guī)律以及DIC云圖可以看出，利用試件應變場的演化規(guī)律，可以清楚追蹤試件裂紋擴展與破壞的特征。在加載時，含復雜裂隙的試件中，每一條裂隙起裂前，總是首先出現(xiàn)應變集中區(qū)域，并且應變集中區(qū)域具有前兆性。在裂紋萌生、擴展階段的初期可能同時有多條裂隙發(fā)生擴展，裂紋萌生。擴展階段的后期應力發(fā)生小幅度的波動，并且裂隙擴展十分復雜。在峰后階段動態(tài)裂隙萌發(fā)愈加密集，擴展愈加復雜。這都給裂隙監(jiān)測帶來極大的挑戰(zhàn)。此外，含復雜裂隙分布的試件彈性階段結(jié)束時的應力與峰值應力比較接近，約為97%(為峰值應力)，到達峰值應力后，試件迅速破壞。因此，基于裂隙擴展情況超前判斷試件承載性能非常重要。

2 基于YOLOv5的動態(tài)裂隙智能檢測

從含復雜裂隙試件破壞的試驗結(jié)果分析中得知，試件整體強度與單條裂隙擴展具有重要關(guān)系，統(tǒng)計每一條裂隙的擴展情況可以半定量地判定試件整體強度。然而，在含復雜裂隙的試件中，原生裂隙分布廣、數(shù)量多，試件在破壞過程中，多條原生裂隙在極短的時間內(nèi)同時破裂。因此，依賴試驗人員肉眼觀察DIC云圖識別和統(tǒng)計動態(tài)裂隙不能滿足頻率要求，并且主觀性強、準確性低。基于深度學習的智能識別方法可以從DIC云圖中快速提取高級語義信息，為裂隙破壞智能識別提供新途徑。在深度卷積神經(jīng)網(wǎng)絡(luò)算法的選擇上，YOLOv5算法檢測快、精度高，可有效的提高目標物的識別速度和準確率。

2.1 目標檢測算法YOLO

YOLO(You Only Look Once)是基于卷積神經(jīng)網(wǎng)絡(luò)的目標檢測算法。YOLO算法將目標檢測任務看作單一的回歸預測問題，直接從圖像像素中獲取邊界框坐標和類別概率。它采用組合的卷積神經(jīng)網(wǎng)絡(luò)提取圖像的多尺度特征，然后經(jīng)過全連接網(wǎng)絡(luò)層進行特征融合，并將圖像特征傳遞到預測層，最后處理網(wǎng)絡(luò)預測結(jié)果并對圖像特征進行預測，并生成目標邊界框和預測類別概率。YOLO算法的具體做法是將輸入圖像分成×個窗格，每個窗格用來檢測一個中心點落在該窗格的物體，因此窗格可以隱式地包含物體類別和背景信息。同時，每個窗格會預測到個邊界框(Bounding box)以及邊界框的置信度(Confidence score)。其中，邊界框是指以該窗格向外延伸的邊界框，若邊界框內(nèi)檢測到有目標物體，則要預測其各類物體的概率。

2.2 YOLOv5算法框架和開發(fā)

YOLOv5算法是YOLO系列中推理速度最強、模型大小最輕量的目標檢測模型，其模型結(jié)構(gòu)如圖5所示。YOLOv5的Backbone階段采用Focus和CSPDarknet53結(jié)構(gòu)。其中，F(xiàn)ocus結(jié)構(gòu)對輸入目標的維度進行切片處理，減少目標原始特征信息的丟失，并提高模型的計算速度，經(jīng)過一系列卷積操作得到不同尺寸的特征圖像。Neck特征融合階段采用FPN+PAN的結(jié)構(gòu)，對不同尺寸的特征圖像進行采樣，將特征圖像處理成相同大小，然后進行特征融合及卷積，得到3個具有更強特征表現(xiàn)能力的特征層。Prediction預測階段通過用Head模型預測最終結(jié)果，在網(wǎng)格中根據(jù)特征標記錨定框，通過損失計算得出目標類的概率和邊框最終位置。此外，YOLOv5使用GIOU loss作為邊界框的損失函數(shù)，使邊框的收斂效果既快又好。特征提取結(jié)構(gòu)CSPDarknet53是YOLOv5算法的核心，可識別輸入目標類別和輸出位置，是圖像分類與定位相結(jié)合的算法。

圖5 YOLOv5算法模型結(jié)構(gòu)Fig.5 Structure diagram of YOLOv5 algorithm model

筆者提出了一種基于YOLOv5算法的智能檢測模型，結(jié)合DIC云圖和YOLOv5算法實現(xiàn)動態(tài)裂隙的智能識別，目標檢測過程如圖6所示。

圖6 試件動態(tài)裂隙檢測識別Fig.6 Dynamic crack detection and identification of specimen

(1)將輸入的裂隙網(wǎng)絡(luò)圖劃分為×個單元格，每個單元格針對不同大小尺度的目標生成先驗框，識別目標的中心落在某一個網(wǎng)格中，則由該網(wǎng)絡(luò)的先驗框負責跟蹤識別該目標。采用置信度表示該先驗框中目標分類概率及匹配目標的性能。

=Pr(object)×IOU(pred，truth)

(1)

式中，Pr(object)為預測框內(nèi)對象概率，若預測框內(nèi)沒有目標則為0，否則為1；IOU(pred，truth)為預測框(predicted box)與真實框(ground truth)的交并比。

(2)對劃分的裂隙圖像進行歸一化處理，將歸一化后的裂隙數(shù)據(jù)集送到下層特征提取網(wǎng)絡(luò)進行特征提取。

(3)設(shè)置預測框，分為大小不同的框，針對不同檢測目標，計算預測框位置，即中心點坐標。

(4)根據(jù)預測坐標的偏移值，計算目標中心點位置及預測框?qū)挾?、高度?/p>

(5)輸出目標識別結(jié)果。

2.3 目標檢測試驗

2.3.1 軟件及硬件條件

所用計算機為臺式電腦，AMD Ryzen 9 3900X處理器、主頻3.80 GHz，內(nèi)存32GB，GeForceGTX 2080ti顯卡，12G顯存。Windows10，64位操作系統(tǒng)，采用python和pytorch搭建YOLOv5算法模型。

2.3.2 數(shù)據(jù)集

(1)數(shù)據(jù)集預處理。通過復雜裂隙試件破壞試驗得到的應變場演化云圖來建立深度學習數(shù)據(jù)集。共采集到應變場云圖1 000張，約20 000條裂隙破壞形態(tài)的數(shù)據(jù)。智能算法對20 000條裂隙進行訓練和測試，其中，16 000條裂隙作為訓練集，2 000條作為測試集。為了豐富數(shù)據(jù)集，本文在輸入端使用了Mosaic數(shù)據(jù)增強技術(shù)，如圖7所示。通過隨機縮放、隨機裁剪、隨機排布進行拼接補充，增強了很多目標物體樣本數(shù)據(jù)。Mosaic數(shù)據(jù)增強技術(shù)會把目標物體變得更小，但最后會使得小尺寸的大目標物體檢測的更加精準，讓網(wǎng)絡(luò)的魯棒性更好，能夠有效的解決動態(tài)裂隙檢測樣本中小目標物體不足的問題。

圖7 Mosaic數(shù)據(jù)增強原理Fig.7 Mosaic data enhancement principle

(2)裂隙分類。試驗結(jié)果分析已經(jīng)得出某一條裂隙的初次起裂也會很大程度的影響整個巖體的強度，所以同步監(jiān)測全體裂隙并捕捉動態(tài)裂隙是本文主要解決的問題。為此，將不同階段的裂隙分為原生裂隙(Original Fissures,OF)、應變集中區(qū)(Strain Concentration Areas,SCA)、新生裂隙(Emerging Fissures,EF)、交叉裂隙(Cross Fissure,CF)4類。4種類型如圖8所示，圖8(a)為試件中預制的原生裂隙；圖8(b)為在試件受載過程中應變集中的區(qū)域，是新裂紋萌生的前兆；圖8(c)為在原生裂隙尖端新生的裂紋；圖8(d)為當新生裂隙擴展并與原生裂隙搭接而出現(xiàn)的交叉裂隙。

圖8 裂隙分類情況Fig.8 Classification of fissures

2.3.3 檢測結(jié)果

利用數(shù)據(jù)集進行迭代訓練。訓練過程中，使用隨機梯度下降算法，批量大小為64，動量為0.937，衰減為0.000 5，學習速率初始化為0.01。訓練完成后，將測試集圖像輸入到已訓練好的模型中，神經(jīng)網(wǎng)絡(luò)算法輸出目標物預測框和置信度，得到了動態(tài)裂隙檢測結(jié)果，如圖9所示。

由于試件整體強度與單條裂隙擴展具有重要關(guān)系，特別是新生裂隙和交叉裂隙對試件整體強度影響最大。為此，智能識別算法重點識別并統(tǒng)計這兩大類裂隙，當新生裂隙和交叉裂隙數(shù)量較多時，試件即將破壞。由此可以對試件整體強度和破壞進行半定量的預警。

注：預測框4種顏色：橙、藍、紫、紅，分別對應4種不同階段下的裂隙：原生裂隙(OF)、應變集中區(qū)(SCA)、新生裂隙(EF)、交叉裂隙(CF)；預測框內(nèi)的數(shù)值為置信度。圖9 試件破壞過程中動態(tài)裂隙檢測結(jié)果Fig.9 Dynamic crack detection results during specimen failure

2.4 算法評估

2.4.1 模型識別精度衡量指標

本文選用、平均精度均值()和損失函數(shù)作為模型精度衡量指標。其中,指標都依賴于混淆矩陣(Confusion Matrix)、精確率(Precision)和召回率(Recall)的計算，網(wǎng)絡(luò)模型訓練所得混淆矩陣如圖10所示。

圖10 識別模型混淆矩陣Fig.10 Identification of the model confusion matrix

分數(shù)為結(jié)合精確率和召回率的一個綜合指標，可以避免精確率和召回率相差較大的極端情況，能較好的反映整體，精確率為所有判別為正的樣品中實際為真的占比率，衡量模型對負樣本的識別能力；召回率為每一類分類的精確率，衡量模型對正樣本的識別能力，計算公式如式(2)～(4)所示。

(2)

(3)

(4)

式中，為模型預測為正的正樣本數(shù)量；為模型預測為正的負樣本數(shù)量；為模型預測為負的正樣本數(shù)量。

與平均精度()相關(guān)，其中@0.5為當混淆矩陣IoU閾值取0.5時，針對某一類具有個正例的樣本，所有檢測結(jié)果按置信度進行降序排列，每增加一個正例將對應一個精確率()，對個求平均值即得該類的@0.5，計算公式為

(5)

@0.5定義為所有類的@0.5求均值，@0.5衡量模型精確率隨召回率變化趨勢，@0.5越高意味著模型越容易在高召回率下保持高準確率，計算公式為

(6)

式中，為類別數(shù)。

采用廣義損失參數(shù)GIoU來評價模型，該特征反應了檢測框與實際標注框的重合率，其中GIoU損失值越小表示檢測收斂效果越好，計算公式如式(7)，(8)所示。

(7)

GIoU=1-GIoU

(8)

式中，GIoU為損失值；為輸出框(predict box)的面積；為真實框(ground truth)的面積；為2個框的最小閉包區(qū)域面積。

2.4.2 評價結(jié)果分析

基于構(gòu)建的動態(tài)裂隙智能識別算法得到了精確率、召回率和曲線，如圖11所示。隨著迭代訓練次數(shù)的增加，精確率和召回率逐漸增加，在迭代接近100次時，精確率和召回率曲線達到了平衡，平衡后的精確率和召回率都達到了80%以上，精確率均值為84%，召回率均值為89%。表明本算法檢測速度快、精度高。從衡量網(wǎng)絡(luò)整體性能的可以發(fā)現(xiàn)，都處于80%以上，最高達到了91%，表明模型高精度邊界擬合能力較強，表明本算法檢測效果較優(yōu)。

GIoU損失參數(shù)隨著迭代訓練次數(shù)變化曲線如圖12所示。從訓練結(jié)果可以看出，GIoU損失函數(shù)呈現(xiàn)下降趨勢，500次迭代訓練后，GIoU損失值趨于擬合達到0.01左右，模型趨于穩(wěn)定，達到了整體最優(yōu)解。表明了該網(wǎng)絡(luò)模型的檢測收斂效果較優(yōu)。為了驗證模型的識別效果，采用測試樣本集進行訓練，得到得分情況。4種類型相對應的值分別為83%，89%，87%和85%，識別頻率為111 fps。在全局統(tǒng)計意義上來說，4種裂隙類型識別的平均值達到86%，證明本算法能夠比較精準的智能識別這4類動態(tài)裂隙。

圖11 模型訓練曲線Fig.11 Model training curves

圖12 GIoU損失函數(shù)曲線Fig.12 GIoU loss function curves

3 結(jié) 論

(1)含復雜裂隙試件破壞過程中往往伴隨多條動態(tài)裂隙擴展和貫通。DIC技術(shù)能夠?qū)崿F(xiàn)含復雜裂隙試件應變場的定量獲取，實現(xiàn)對每條裂隙的直觀監(jiān)測。在每條原生裂隙起裂前，總是首先出現(xiàn)應變集中區(qū)域，并且應變集中區(qū)域具有前兆性，預示著新裂紋的萌生。

(2)試件整體強度與單條裂隙擴展具有重要關(guān)系，新生裂紋產(chǎn)生后試件的彈性變形階段結(jié)束，彈性階段結(jié)束時的應力與峰值應力比較接近，約為97%(為峰值應力)。裂隙擴展階段出現(xiàn)多次應力波動，應力波動與交叉裂隙有重要關(guān)系。試件到達峰值應力后，試件迅速破壞。統(tǒng)計每條裂隙的擴展情況可以半定量的評估試件的整體強度。

(3)結(jié)合DIC方法對裂隙網(wǎng)絡(luò)巖石試件加載過程進行全局應變場測量，獲取的試件應變場云圖作為樣本數(shù)據(jù)集，并結(jié)合試驗得到的強度規(guī)律對裂隙破壞模式進行了分類：原生裂隙、應力集中區(qū)、新生裂隙和交叉裂隙。其中，交叉裂隙對試件整體強度影響最大。

(4)基于YOLOv5搭建了適用于識別復雜裂隙巖石試件動態(tài)裂隙的智能檢測算法，檢測結(jié)果表明，該模型可以對動態(tài)裂隙可以進行智能精準識別，基于裂隙類型可以智能判定每條裂隙的狀態(tài)，也可對動態(tài)裂紋數(shù)量進行智能統(tǒng)計。

(5)建立的動態(tài)裂隙智能檢測模型檢測速度快、精度高，4種裂隙類型相對應的分別為83%，89%，87%和85%，總體識別精度可達86%。本方法可以為含復雜裂隙巖石破壞的智能監(jiān)測和破壞預警提供新思路、新方法。