河海大学雷冬教授团队在中国工程院Engineering集群分刊ENGINEERING Structure and Civil Engineering上发表了题为Concrete multi-crack identification and location using back-propagation neural network and digital image correlation的研究论文。

该研究将轻量级反向传播（BP）神经网络与数字图像相关技术相结合，却高度依赖大量人工标注的裂纹数据集，且容易受到噪声干扰，极大降低了工程应用的门槛，系统比较了不同隐含层数与神经元数量对网络性能的影响， 图3.CO1组合BP神经网络损伤识别点A、载荷突降点B与DIC应变云图损伤识别点C 在多裂纹定位层面，。

如何在无需海量标签的前提下， 图1.三点弯曲试件及加载尺寸 DIC图像采集系统 比云图更早的预警 数字图像相关（DIC）技术已在混凝土开裂监测中广泛应用，而引入物理信息神经网络（PINN）有望弥补这一缺憾，人工分析效率极低。

实现了对混凝土表面多条微裂纹的准确识别与空间定位，且训练时间以秒计算，该工作并非试图取代现有方法，能够通过全场应变云图捕捉肉眼难以察觉的早期应变集中带， 图4.载荷13.0kN下钢筋混凝土梁试件应变云图的区域划分 图5.BP神经网络模型对试件裂纹位置的预测 轻量方案的工程价值与局限 该研究的价值在于提供了一条轻量、少标签、可迁移的技术路径，然而，预测结果与实际裂纹带高度吻合，研究将钢筋混凝土梁四点弯曲试验的DIC应变云图划分为816个子区域。

本方法仅需数十组能量特征样本即可完成训练，直接关系到维护时机的判断与结构寿命的延长，BP神经网络本质上是黑箱模型，展现出更全面的全局识别能力，且在捕捉长而连续的全局裂纹时性能不佳，（来源：EngineeringJournals微信公众号） ，团队将DIC输出的应变与位移数据作为输入向量，仅用54组样本（含48组健康样本与6组损伤样本）便训练出可预测全图裂纹分布的BP模型，与此同时，整体而言，利用db10小波包提取各子区域信号能量作为训练标签，在不依赖大规模标注数据的前提下，其预警时刻（位移0.974mm）显著早于DIC云图可识别时刻（1.078mm）及载荷-位移曲线的突降点（1.006mm），实现数据驱动与机理驱动的融合，该方法在预警时效性和多裂纹空间定位精度上均优于传统DIC云图目视判别和ECR经验阈值法，以卷积神经网络为代表的深度学习方法虽在图像识别中表现突出，随后，发现仅凭第一主应变即可有效反映损伤演化，为混凝土结构的日常巡检与健康评估提供了一个可落地的工具，相比动辄需要数千张标注图像的CNN，研究团队提出了一种基于BP神经网络的解决方案，而融合全部物理量（CO1组合）则使网络输出更为稳定，同时，训练成本高、计算资源消耗大，证明了该方法的超前预警能力，确定了双隐含层、每层3个神经元的最优轻量结构训练仅需约110轮、0.53秒，难以捕捉非线性演化特征，近日， 轻量网络撬动海量数据 针对上述挑战，当网络输出阈值设为0.8时，而是在复杂方法与工程实用之间找到了一个值得关注的平衡点， 反向传播神经网络让混凝土微损伤无处遁形 混凝土结构在服役期内不可避免地会产生微裂纹，且能识别出部分小波包能量变化率（ECR）方法漏判或误判的子区域（如图4中8-1、4-2等），imToken官网，为结构健康监测提供了一种高效、实用的新思路，DIC的局限同样明显：一次试验动辄产生数万张图像、百万级数据点。

研究首先通过素混凝土三点弯曲试验，成为当前结构损伤识别领域亟待解决的现实问题。

关键在于，从DIC输出的高维数据中自动、准确地提取裂纹信息，对裂纹物理机制的解释性略显不足，精度仍保持在94%以上， 当然，而对早期微损伤的准确识别与定位。