公开(公告)号：CN114298145B

公开(公告)日：2024-07-09

申请号：CN202111388773.8

申请日：2021-11-22

Applicant: 三峡大学

Inventor： 张华 ,  张蕊 ,  余帆 ,  高张 ,  孙水发 ,  郑子昌

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06T7/11 ,  G06T7/136 ,  G06N3/0464 ,  G06N3/0985

Abstract: 基于深度学习的透水混凝土孔隙智能识别与分割方法，包括以下步骤：制备透水混凝土试样，对透水混凝土试样进行CT扫描得到试样的切片图像样本，作为初始数据集；对初始数据集进行标准化预处理、数据集标注、数据集增强，得到两组标准数据集；将标准数据集分割为训练集，验证集和测试集；构建Mask R‑CNN深度学习模型，在训练集上设置超参数并对模型进行模型训练，并通过验证集上的表现结果不断自动调整超参数，保存得到最优学习模型；将测试集中的图像输入到最优学习模型中进行孔隙智能识别与分割，输出得到孔隙分割掩模图，孔隙数目，孔隙面积和孔隙率，同时给出评价指标。本发明方法在精度和效率上得到大幅提升，且具有更强的鲁棒性和泛化能力。

公开(公告)号：CN117094947A

公开(公告)日：2023-11-21

申请号：CN202310867036.9

申请日：2023-07-14

Applicant: 三峡大学

Inventor： 张蕊 ,  郑子昌 ,  高张 ,  余帆 ,  李开朗

IPC: G06T7/00 ,  G06T7/11 ,  G06N3/0464 ,  G06N3/096 ,  G06V10/764

Abstract: 基于深度学习的透水混凝土切片扫描图像的三相结构分析方法，包括以下步骤：基于不同大小粒径的集料颗粒，制备染色的透水混凝土试件；切割和扫描获取透水混凝土切片图像，作为深度学习模型训练的原始图像数据集；基于深度学习模型Mask R‑CNN对切片图像进行孔隙和集料标注，形成孔隙、集料和水泥浆的初始图像数据集；采用数据集增强算法扩充初始图像数据集形成标准图像数据集；训练深度学习模型得到最优深度学习模型。将测试集中的透水混凝土切片图像，输入到最优深度学习模型中，进行透水混凝土三相的识别与分割并给出评价指标。本发明能同时提取透水混凝土中的集料、孔隙和水泥浆三相结构，并得到三相结构的定性定量分析结果，且大幅提升精度和效率。

公开(公告)号：CN116352871A

公开(公告)日：2023-06-30

申请号：CN202310178156.8

申请日：2023-02-28

Applicant: 三峡大学

Inventor： 余帆 ,  马冲 ,  刘杰 ,  李开朗 ,  张远 ,  蔡欢

IPC: B28B23/02 ,  B28B1/14 ,  C04B26/14 ,  C04B111/74

Abstract: 本发明提供一种水下无搅拌磁性钢筋混凝土制备施工方法，包括如下步骤：步骤一、制备磁性集料；步骤二、在地面根据构件大小尺寸绑扎钢筋，按照设计要求预制构件模板，随后将构件模板封装在钢筋骨架之外组成构件模具，将步骤一制备的磁性集料填入构件模具中，并初步成型形成预制骨架；步骤三、在水下根据设计要求整理出施工面，将步骤二制备的预制骨架吊入施工面，拆除预制骨架底部的构件模板，完成水下预埋和安装；步骤四、配制磁性浆液，将磁性浆液注入预制骨架中，磁性浆液固结后，拆除构件模板。该方法不需要进行骨料与水、水泥的搅拌，克服了普通混凝土抗水洗差、易污染环境、专用设备要求高等不足，能够在水中直接浇筑，不易发生分散与离析。

公开(公告)号：CN116332576A

公开(公告)日：2023-06-27

申请号：CN202310243074.7

申请日：2023-03-14

Applicant: 三峡大学

Inventor： 余帆 ,  蔡欢 ,  刘杰 ,  郭建祥 ,  李开朗 ,  张远 ,  马冲 ,  高雄

IPC: C04B28/00

Abstract: 本发明提供一种磁性混凝土制备及其裂隙修复工艺，包括如下步骤，步骤一、制备充磁液；步骤二、制备磁性集料，将陶粒放置在密闭容器中，注浆管和气管分别与高压注射装置和真空抽吸装置连接，将充磁液注入密闭容器中；步骤三、充磁；步骤四、制备磁性混凝土，将充磁磁性集料与水泥、砂和水混合，制成磁性混凝土，对混凝土构件容易产生裂隙的部位进行磁性混凝土浇筑；步骤五、将油性环氧树脂、固化剂、磁粉、粉煤灰、活性稀释剂以及偶联剂进行混合制备磁性浆液，当产生裂隙时，将磁性浆液注入裂隙中。该方法在易产生裂隙的位置进行磁性混凝土浇筑，产生裂隙后进行磁性浆液修补，实现定向修复，克服了传统修复浆液大量浪费且修复效果无法保障的难题。

公开(公告)号：CN116258689A

公开(公告)日：2023-06-13

申请号：CN202310106107.3

申请日：2023-02-13

Applicant: 三峡大学

Inventor： 张蕊 ,  张华 ,  余帆 ,  曹金露 ,  高张 ,  孙水发 ,  郑子昌

IPC: G06T7/00 ,  G06T7/62 ,  G06N3/0464 ,  G06N3/08 ,  G06T7/10 ,  G06T3/40

Abstract: 基于深度学习的集料颗粒识别和级配自动分析方法，包括以下步骤：制作集料的标准数据集，在训练集中训练深度学习模型Mask R‑CNN，得到该材质集料的深度学习模型的最优深度学习模型；根据集料中最小粒径组的识别精度和面积关系，确定符合精度要求的试验平台面积；基于大图像的分割与拼接技术，实现集料颗粒的自动识别与分割；计算集料颗粒的等效粒径，通过颗粒形状确定判定系数，计算集料中每个颗粒的等效粒径；计算集料颗粒的体积，根据颗粒的等效粒径划分，计算粒径范围内所有颗粒的质量占比。本发明方法能够实时输出集料的级配图像和级配数据，精度和效率大幅提升，可有效代替传统的筛分法。