基于Transformer深度学习网络的钢渣混凝土物相结构自动识别方法

《Engineering Applications of Artificial Intelligence》：Automatic identification method for phase structure of steel slag concrete based on deep learning network of transformer

　　

钢渣混凝土表现出令人满意的力学性能。钢渣混凝土中物相结构的分布与比例对水泥基复合材料的宏观力学性能起着决定性作用。由于钢渣混凝土骨料颜色深、粒径细，现有检测模型易出现漏检与误检问题。本文提出一种实例分割YOLO（You Only Look Once）-MASNet（Multi-scale Attention and Structure Network，多尺度注意力与结构网络）视觉骨干架构。该模型实现了结构建模、多尺度特征表征与高效推理的协同优化。其中，DSP（Dual-scale Structural Perception，双尺度结构感知）骨干网络通过状态空间建模与金字塔注意力融合增强细粒度骨料识别能力；QATransformer提升了高分辨率与长距离依赖下的稳定性与泛化性；BiFormer机制动态分配注意力至目标区域，减少背景冗余并保证准确高效的分割。实验结果表明，所提模型在计算效率上显著优于传统技术，精度（Precision）达98.80%、召回率（Recall）达91.50%、mAP50达95.90%、F1分数（F1-score）达94.93%。该方法为钢渣在混凝土中的工程应用提供了有力支撑。

本研究发表于《Engineering Applications of Artificial Intelligence》，针对钢渣混凝土物相结构识别难题，提出了一种基于Transformer深度学习网络的自动识别方法，旨在解决细骨料与微孔因颜色深、粒径小导致的漏检与误检问题，提升识别精度与稳定性，推动钢渣资源化利用与混凝土绿色可持续发展。

研究人员采用的关键技术方法包括：构建专用钢渣混凝土截面实例分割数据集（涵盖粗骨料、细骨料与孔隙三类目标），采用数据增强策略提升鲁棒性；设计DSP（Dual-scale Structural Perception）双尺度结构感知骨干网络，结合状态空间建模与金字塔注意力融合强化微目标建模能力；引入QATransformer模块解决高分辨率图像训练不稳定性与位置编码外推局限；集成BiFormer注意力机制抑制背景冗余干扰；基于PyTorch平台在NVIDIA A800-SXM4-80GB GPU完成模型训练与验证。

研究结果如下：

Sample preparation and initial dataset acquisition（样本制备与初始数据集获取）：研究人员指出高质量代表性数据集是模型精度的核心决定因素，因缺乏公开的钢渣混凝土截面专用数据集，故自主构建包含粗骨料、细骨料与孔隙的实例分割数据集。样本经金刚石切片机横向与纵向切割，确保切面平整，为模型训练提供可靠数据基础。

Implementation details（实施细节）：所有实验在Linux系统PyTorch超算平台完成，环境配置为Python 3.9.15与PyTorch 2.1.0，采用NVIDIA A800-SXM4-80GB GPU加速计算。研究人员统一各模型训练轮次并确保收敛，保证实验有效性。

Conclusions（结论）：基于改进Transformer实例分割模型的方法有效解决了细骨料与微孔因颜色深、粒径小导致的漏检与误检问题，显著提升了钢渣混凝土物相结构识别的精度与稳定性，展现出优异的工程适用性。

CRediT authorship contribution statement（作者贡献声明）：Chao Yin负责写作润色、初稿撰写与数据整理；Guanting Ye负责写作润色、软件开发、方法论设计与数据整理；Qing Jiang负责写作润色、 supervision、调研与基金获取；Donglin Zhang负责验证、调研与基金获取。

Declaration of competing interest（利益冲突声明）：作者声明不存在可能影响本研究客观性的已知竞争性财务利益或个人关系。

Acknowledgements（致谢）：研究获国家自然科学基金（52378152）与河南省科技研发项目（242102321023）资助，计算工作于合肥工业大学高性能计算平台完成。

讨论与结论翻译：基于改进的Transformer实例分割模型，本研究提出了一种用于钢渣混凝土物相结构自动识别的深度学习网络方法。该模型有效解决了因细骨料与微孔颜色深、粒径小导致的漏检与误检问题，显著提升了混凝土物相结构识别的精度与稳定性，展现出强大的工程应用潜力。研究成果为钢渣在混凝土中的规模化利用提供了关键技术支撑，有助于缓解天然砂石骨料短缺压力，推动建筑材料行业绿色可持续发展。