当你走过一栋高楼时，是否想过墙体里的钢筋是否达标？传统检测方法需要“凿墙取样”，不仅破坏建筑，还可能影响结构安全。近日，埃及开罗大学科研团队在《Frontiers of Structural and Civil Engineering》发表论文，提出一种结合探地雷达（GPR）与深度学习的新方法，无需破损混凝土就能精准识别钢筋直径，准确率达97.6%，为建筑安全检测提供了“智能眼镜”。

从“盲人摸象”到“透视眼”：建筑检测的痛点与突破

混凝土中的钢筋如同人体骨骼，其直径和分布直接关系到建筑承重能力。传统检测常用“取芯法”——在墙体钻孔取样，这种方式如同“盲人摸象”，既破坏结构，又可能遗漏关键部位。而探地雷达（GPR）作为非破坏性检测技术，通过发射电磁波并接收反射信号成像，就像给混凝土做“CT扫描”，能呈现内部钢筋的位置和形态。但GPR数据解读依赖专家经验，信号中的“双曲线特征”（钢筋反射的典型形态）识别耗时且易出错，如同在复杂的“波形迷宫”中找线索。

为解决这一难题，研究团队引入YOLO v8深度学习模型。该模型如同“智能翻译官”，能自动从GPR图像中提取钢筋的双曲线特征并分类直径。与传统人工解读相比，AI模型将分析时间从几小时缩短至分钟级，且准确率显著提升。实验显示，YOLO v8在识别Ø12、Ø16、Ø18、Ø20四种常见钢筋直径时，平均精度（mAP）达97.6%，远超Faster R-CNN（43.86%）和YOLO v7（41.90%）。

四步“流水线”：AI如何给钢筋“量尺寸”？

研究团队设计的技术框架分为四个阶段，如同一条“智能检测流水线”：

1. 数据创建：制作含不同直径钢筋的混凝土试件，用GPR扫描生成原始数据，再通过Python脚本自动转换成图像，就像把“雷达信号”翻译成“可视化照片”。
2. 数据处理：对图像进行降噪、增强，比如用“直方图均衡化”技术提升对比度，让钢筋的双曲线特征更清晰，如同给模糊照片“调亮磨皮”。
3. 模型训练：用处理后的图像训练YOLO v8，让模型学会从复杂背景中锁定钢筋信号。团队对比了三种模型，发现YOLO v8的“注意力机制”能更好捕捉细微特征，就像经验丰富的工程师能从杂乱图纸中一眼找到关键数据。
4. 迁移学习：将训练好的模型应用于实际建筑检测，通过微调适应新场景。例如，针对埃及市场常见的Ø18钢筋，新增数据后模型准确率仍保持98.4%。

高楼“体检”新工具：从实验室到工地的跨越

这项技术已在实验室和实际建筑中验证效果。在含花岗岩、陶瓷等复杂表面的混凝土试件中，模型对Ø12钢筋的识别准确率达97.9%，Ø20达97%。更重要的是，它能应对建筑现场的“干扰挑战”——比如电磁噪音、密集钢筋的信号叠加，如同在热闹的集市中听清特定人的说话声。

研究团队指出，该方法可广泛应用于建筑验收、老旧结构评估等场景。例如，检测桥梁支座钢筋时，无需封闭交通即可完成，既节省成本又减少对公众生活的影响。不过，技术仍面临挑战：潮湿环境会干扰雷达信号，多层钢筋可能导致特征重叠。未来计划结合更多传感器数据，提升模型在复杂工况下的鲁棒性。

来源: FrontCIVlL