方 亮, 周 云, 唐志泉

(1. 湖南大学 土木工程学院, 湖南 长沙 410082; 2. 湖南大学 工程结构损伤诊断湖南省重点实验室, 湖南 长沙 410082; 3. 湖南农业大学 水利与土木工程学院, 湖南 长沙 410128; 4. 湖南大学 信息科学与工程学院, 湖南 长沙 410082)

钢筋锈蚀是混凝土结构中长期存在的一种病害,它严重影响工程结构的受力性能,缩短结构的使用寿命,并造成巨大的经济浪费和严重的环境污染.据中国科学院“我国腐蚀状况及控制战略研究”重大咨询项目的研究结果,我国2014年的腐蚀成本高达2.1万亿元,相当于当年GDP的3.34%[1].建立钢筋混凝土结构锈蚀危机预警机制以及耐久性评估系统[2],一直是工程界致力解决的问题之一.在传统的锈蚀钢筋检测方法中,直接观测法[3]主要是凿去局部保护层并暴露出钢筋后,结合人工目测法评估锈蚀程度,工作效率低,主观性大;常用的物理或电化学无损检测方法,诸如:声发射法、红外热成像法、半电池电位法等,易受环境因素干扰产生误差,多用于钢筋锈蚀的定性评价[4].近年来,基于人工智能(AI)的深度学习理论及机器视觉技术在土木工程领域的应用取得了长足的发展[5],为解决混凝土结构锈蚀损伤诊断提供了新途径.许多研究人员在工程调查和试验研究基础上,利用混凝土保护层锈胀裂缝宽度与钢筋锈蚀程度之间的相关性,对钢筋锈蚀进行定量评估[3].冷艳玲等[6]建立了根据锈胀裂缝宽度预测钢筋锈蚀率的BP神经网络模型,将锈胀裂缝宽……