CN105929024B - 混凝土缺陷智能化检测与定量识别方法 - Google Patents

Abstract

本发明公开一种混凝土缺陷智能化检测与定量识别方法，通过对混凝土试件的冲击回波信号样本采集以及信号降噪处理和特征值提取，构建出包括特征提取、缺陷检查、缺陷诊断以及缺陷定量和定位这几个分析组件的识别模型，通过该模型对待测混凝土进行检测识别；本发明针对现有混凝土缺陷检测技术的不足，在理论分析、数值模拟和模型试验的基础上，应用先进的信号处理和人工智能技术，充分挖掘测试信号特征信息，由此建立了基于小波分析和极限学习机的混凝土缺陷智能化快速检测与分类识别模型，该模型具有较好的分类识别性能，实现了对混凝土缺陷类型、性质和范围的智能化快速定量识别与评价，进一步提升了混凝土缺陷无损检测技术创新与应用水平。

Description

混凝土缺陷智能化检测与定量识别方法

技术领域

本发明涉及混凝土无损检测技术领域，具体是一种混凝土缺陷智能化检测与定量识别方法。

背景技术

混凝土是建设工程中使用最为普遍的结构材料之一，混凝土内部缺陷的存在往往会严重影响结构的承载力和耐久性。如何探测混凝土结构内部缺陷，并对缺陷的性质、位置及范围给予正确的识别和评价，成为当前的技术难点，也是国内外工程界和学术界共同关注的焦点。因此，为了能准确、客观、全面和快捷的对工程实体质量进行诊断和评估，有必要深入开展混凝土缺陷无损检测与快速评价技术的研究。

目前,混凝土缺陷无损检测的技术主要有超声脉冲、冲击回波以及探测雷达技术等。其中，在工程上被广泛应用并制定国家或行业技术标准的，目前只有超声脉冲法。超声波法具有测试穿透能力强，适应性好，操作方便及测试效率高等优点；但是，由于超声波法在测点布置上存在需要具备两个对测面的限制以及混凝土对高频超声波的强吸收和各向异性问等题，目前超声波法对混凝土缺陷检测的应用范围有限且精度不高，尚处于定性检测阶段。此外，探地雷达虽可以单面测试，但其发射的是电磁波，测试结果受内部配筋的影响较大。

混凝土缺陷检测与识别主要依赖于对测试信号的有效处理。当前对测试信号常用的处理方法是快速傅立叶变换。然而傅立叶变换作为一种处理平稳信号的时、频域单参数方法，分析具有典型非平稳特征的缺陷检测信号将表现出本质的不足，这在很大程度上限制了无损检测技术的发展。

混凝土缺陷检测与识别是建立在混凝土的某些性能特征与测试物理参量之间相关关系的基础上的，因而是一个复杂的模式识别问题。由于受到试验条件及材料性能等众多因素的影响，这种相关关系将表现出较为复杂的非线性特性，往往是一种复杂的非线性映射关系。而目前普遍采用的统计回归方法，是用确定的表达式来描述这种复杂的非线性关系，显然很难得到较好的逼近精度。同时，目前对测试信号的解释还是依靠专业技术人员通过人工手段进行分析和判别，当测试数据量很大时，在有限的时间内，人工方法将难以完成对测试信号的全面分析与判别工作，且分析结果受人为因素影响较大。这些都给最终快速、准确评价混凝土结构质量状况带来困难，评价结果的效率及可靠性难以保证。近年来，数据信息处理技术和人工智能技术的不断发展，为解决上述问题提供了有效途径。如专家系统、人工神经网络、支持向量机、极限学习机等均具有很强的非线性映射能力，特别适合于非线性模式识别，但目前的应用大都是通过简单的模型试验来获得训练样本，加之人工神经网络等算法自身存在泛化能力差以及对小样本测试环境的适应性弱等局限性，这在很大程度上影响了应用人工智能进行混凝土缺陷分类识别的有效性。

发明内容

本发明的目的在于提供混凝土缺陷智能化检测与定量识别方法，该方法能够实现对混凝土缺陷类型、性质和范围的智能化快速定量识别与评价，进一步提升混凝土缺陷无损检测技术创新与应用水平。

本发明解决其技术问题所采用的技术方案是：

混凝土缺陷智能化检测与定量识别方法，包括以下步骤：

a) 信号样本采集；采集一系列混凝土模型试件的冲击回波信号，混凝土模型试件包括有各种类型质量缺陷以及质量正常的试件；

b) 信号降噪处理；对采集的信号通过小波分解并对小波分解系数作用阈值，除去高频噪声分量，然后进行小波信号重构，得到降噪后的冲击回波信号；

c) 信号特征提取；将降噪处理后的冲击回波信号通过小波正交分解到不同层次的频带内，计算分解频带的特征值，构成混凝土测试信号特征参数数据库；

d) 构建分类识别模型；利用取得的混凝土测试信号特征参数数据库，建立基于小波分析和极限学习机的混凝土缺陷智能化快速检测与定量分类识别模型，并采用鲁棒性交叉验证法来训练和验证所述分类识别模型；

e)获取待检测混凝土的冲击回波信号，并将该冲击回波信号输入建立的分类识别模型中，通过分类识别模型进行信号特征提取、缺陷检查、诊断并输出识别结果。

进一步的，所述步骤b中采用4阶Symlets小波函数作为小波分解的基函数，同时采用自适应尺度的阈值量化，阈值门限的选取跟随小波分解的细节部分在各尺度上噪声统计特性的变化而变化。

进一步的，所述步骤c中的信号特征提取是选择步骤b中小波分解后包含表征分类模式信息的三个基础分量，分别从小波系数、重构波形和重构波频谱计算特征值。

进一步的，所述步骤d中建立的分类识别模型是使用极限学习机作为分类器，并应用五折交叉验证方法来训练、验证该分类识别模型以及评价该分类识别模型的分类识别性能，该分类识别模型包括特征提取、缺陷检查、缺陷诊断以及缺陷定量与定位四个分析组件。

本发明的有益效果是：

一、在信号样本采集方面，本发明根据土木工程中混凝土结构常见的质量缺陷，制作一系列含有不同类型和性质缺陷，例如空洞、裂缝、非密实体以及质量正常的混凝土模型试件，测试方法采用新近兴起的具有适合单面检测、检测深度大、受混凝土材料及结构状况差异性影响较小等优点的冲击回波法，同时，结合有限元建模，对复杂缺陷情况进行了数值模拟，这不仅为建立混凝土缺陷智能化快速检测与定量分类识别模型提供了丰富而具有代表性的训练样本，而且通过模型实验和数值模拟，深入研究了冲击应力波在混凝土中传播的基本特性及影响因素，极大地提高了测试信号样本采集的有效性；

二、在信号降噪处理方面，小波信号降噪的关键是选定合适的小波基函数和阈值，本发明应用了具有较强时域和频域局部化能力的4阶Symlets小波函数作为小波分解的基函数，同时采用了自适应尺度的阈值量化，其阈值门限的选取将根据小波分解的细节部分在不同尺度上噪声的统计特性的不同而不同，较之传统的固定阈值及其它阈值降噪，具有更好降噪效果；

三、在信号特征提取方面，本发明基于冲击回波可视化分析，应用Shannon熵标准和Sym4小波基对降噪后的冲击回波信号进行4层小波分解，得到8个频段的分解系数，选择其中包含表征分类模式信息的三个基础分量，分别从小波系数、重构波形和重构波频谱这几个方面计算特征值，得到31个特征值，较之已有的相关研究文献，本发明在多尺度分辨空间中提取了较为全面而丰富的缺陷信号的特征值，为实现对混凝土缺陷的类型、性质和范围的定量识别提供了更加充分和有效的特征信息；

四、在分类器设计方面，本发明使用了新近发展起来的极限学习机作为分类模型，与传统的人工神经网络等其它追求样本趋于无穷的分类算法相比，该机器学习方法不仅结构简单，而且具有训练参数少、学习速度快和泛化性能好等优点，尤其在小样本模式分类方面具有突出的优势，因此特别适合本发明中的分类建模问题。

综上所述，混凝土缺陷检测与识别是一个复杂的模式识别问题，采用常规的统计回归方法很难实现信号特征参量与缺陷状态之间较为复杂的非线性映射关系，同时分析结果受人为因素影响较大。此外，现有文献中提出的一些诸如基于专家系统、人工神经网络、支持向量机等方法的人工智能分类识别算法，目前的应用大都是通过简单的模型试验来获得训练样本，加之这些追求样本趋于无穷的分类算法自身存在泛化能力差以及对小样本测试环境的适应性弱等局限性，在很大程度上影响了混凝土缺陷分类识别的有效性。目前混凝土缺陷无损检测总体上仍处在定性阶段，且效率与精度均不够理想。

本发明针对现有的混凝土缺陷无损检测技术的不足，应用先进的信号处理和人工智能技术，在充分挖掘检测数据信息、有效地提取缺陷特征值的基础上，建立了基于小波分析和极限学习机的混凝土缺陷智能化快速识别检测模型，利用该模型实现了对混凝土缺陷类型、性质和范围的智能化快速定量识别与评价，进一步提升了混凝土缺陷无损检测技术创新与应用水平。

附图说明

下面结合附图和实施例对本发明进一步说明：

图1是本发明的原理流程示意图；

图2是本发明步骤b中冲击回波信号的小波分解系数曲线。

具体实施方式

如图1所示，本发明提供一种混凝土缺陷智能化检测与定量识别方法，包括以下步骤：

a) 信号样本采集；采集一系列混凝土模型试件的冲击回波信号，混凝土模型试件包括有各种类型质量缺陷以及质量正常的试件；

根据实际工程中混凝土结构常见的质量缺陷，以及现行混凝土试验规程的基本要求，按常用配合比、成型工艺及配筋设计，制作一系列含有不同类型和性质缺陷，例如空洞、裂缝、非密实体以及质量正常的混凝土模型试件，并应用冲击回波方法对这些模型试件进行检测试验研究，测试设备采用美国Impact-Echo公司的Impact-E冲击回波测试仪；通过模型实验，深入研究这冲击弹性应力波在混凝土中传播的基本特性及影响因素，并进一步分析验证不同的缺陷状态与其所对应的测试参量之间的相关关系；在此基础上，深入研究冲击回波法检测混凝土缺陷的检测机理，并对其可靠性和优越性进行试验验证；同时，模型试验成果可为所要构建的分类识别模型提供训练和测试样本，进而为建立基于小波分析和极限学习机的混凝土缺陷智能化快速检测与定量分类识别模型奠定基础；此外，在模型试验的基础上，结合有限元建模，针对复杂缺陷情况进行数值模拟试验，研究冲击应力波在混凝土介质中的传播规律及不同缺陷对声波频谱特性的影响，并为建立混凝土缺陷智能化快速检测与定量分类识别模型提供丰富而具有代表性的训练样本；

b) 信号降噪处理；对采集的信号通过小波分解并对小波分解系数作用阈值，除去高频噪声分量，然后进行小波信号重构，得到降噪后的冲击回波信号；

应用离散小波分析可将信号分解成一组对应于不同的时间和频率尺度的正交基；在分解的第一层次，将原始信号分解为近似系数和细节系数，近似系数被进一步分解可得到第二层次的近似和细节系数，重复这个过程，便可得到不同分解层次的近似和细节系数；近似部分是信号的高尺度、低频率分量；细节部分是低尺度、高频率分量，也是含噪分量；

信号的多分辨率正交小波分解和重构算法分别为：

公式（1）与（2）中，c_{j, k}为近似系数；d_{j, k} 为细节系数；h与g为一对正交的低通与高通滤波器组；j为分解层数；k=0, 1... L-1，L为离散采样点数；

信号降噪的过程分为如下三个步骤：

S1）信号的小波分解,选择合适的小波基并确定小波分解的层次将信号后进行小波分解，得到相应的小波分解系数；

S2）分解系数的阈值量化，选择合适的阈值和阈值函数对各分解尺度下的高频系数进行阈值量化处理，得到新的高频系数；

S3）信号的小波重构，根据小波分解的最底层低频系数和经过阈值量化处理后的各层高频系数进行一维信号的小波重构，获得降噪后的信号；

小波降噪的关键是选定合适的小波基和阈值，不同的小波基函数和阈值估计方法将产生不同的信号处理结果，这直接关系到信号降噪的质量；鉴于Symlets小波函数系具有较强的时域和频域的局部化能力及重构能力，本发明选用4阶Symlets小波函数作为小波分析的基函数，同时采用自适应尺度的阈值量化，其阈值门限的选取将根据小波分解的细节部分在不同尺度上噪声的统计特性的不同而不同；

c) 信号特征提取；将降噪处理后的冲击回波信号通过小波正交分解到不同层次的频带内，计算分解频带的特征值，构成混凝土测试信号特征参数数据库；

混凝土缺陷分类识别的关键在于如何将反映缺陷性质的特征信息从非平稳的回波信号中提取出来，并给予正确的解释；不同的缺陷其反射回波信号的重要特征如时域特征、频域特征、几何特征及统计特征等各不相同，根据这些不同的特征可以应用小波变换技术从采集到的冲击回波信号中提取特征值。

结合图2所示，本发明基于冲击回波可视化分析，应用Shannon熵标准和Sym4小波基对降噪后的冲击回波信号进行4层小波分解，得到8个频段的分解系数，图中S为原始信号，a1～a4是近似分量，d1～d4为细节分量；缺陷特征值的选取应尽可能使其包含表征分类特性的模式信息，分解后的信号的近似系数包含原始信号的轮廓特征信息，细节系数包含反映信号局部特征的细节信息。只要选择其中有代表性的分解区域分量进行特征提取，便可充分捕捉到原始冲击回波信号的重要特性，因此，本发明中选择了其中的a4、d4和a3作为进行特征提取的基础分量，并对这三个基础分量，应用特征计算函数，分别从其小波系数、重构波形和重构波的频谱这几个方面计算特征值，见表1所示；此外，对于a4分量，又提取了其重构波频谱中表征缺陷深度的频率或结构厚度的频率作为附加特征，这样共提取了31个特征值。

设x_n（n=1,2,…N）为时域信号；[p_i, f_i]，i=1,2,…,M是与其对应的频谱，p_i和f_i分别是频谱中第i个频点的幅值和频率。特征计算函数定义如下：

表1

d) 构建分类识别模型；利用取得的混凝土测试信号特征参数数据库，建立基于小波分析和极限学习机的混凝土缺陷智能化快速检测与定量分类识别模型，并采用鲁棒性交叉验证法来训练和验证所述分类识别模型；

本发明所建立的混凝土缺陷智能化快速检测与定量分类识别模型包括四个重要的分析组件，即特征提取、缺陷检查、缺陷诊断以及缺陷定量和定位。其中，特征提取是一个预处理步骤，其目的是为了从原始的冲击回波信号中获得较为显著的特征值，以实现更好的预测性能。缺陷检查、缺陷诊断及缺陷的定量与定位，则是该模型的核心分析组件。缺陷检查是基于所采集的测试信号数据来检查确定测试对象是否存在缺陷，如果发现缺陷，则进行缺陷诊断及缺陷的定量与定位，进一步确定缺陷的类型及确定缺陷的大小和位置；从机器学习建模的角度来看，缺陷检查是一个二元分类问题，而缺陷诊断、缺陷的定量和定位，则依赖于设定多少缺陷类型、缺陷大小和位置，是多元分类问题。本发明使用极限学习机作为分类器，此外为防止模型过度拟合，应用5折交叉验证方法来训练、验证该分类算法及评价其分类识别性能。与传统的人工神经网络等其它追求样本趋于无穷的分类算法相比，极限学习机不仅结构简单，而且具有训练参数少、学习速度快和泛化性能好等优点，尤其当训练样本的数目不大时，极限学习机是更为高效和有效的分类模型。其算法如下：

考虑一组个数为M的训练样本，(x _i , y _i ), x _i ∈R ^d , y _i ∈R，假设一个单层前馈神经网络隐层神经元的个数为N，每个隐含层神经元的激活函数是f，则网络的输出可以表示为：

公式（3）中w _i 和b _i 分别是隐层第i个神经元的权重和偏置；β _i 是输出权重；

为了减少预测和目标之间的误差，可有以下关系：

公式 （4）可简化表示为：

公式（4）与（5）中，β=（β _1… β _N ）^T；Y=（y _1… y _N ）^T；H是隐含层的输出矩阵，定义为：

输出权重β，可根据公式（5），由β=HY求得，其中HH的Moore-Penrose广义逆；

e)获取待检测混凝土的冲击回波信号，并将该冲击回波信号输入建立的分类识别模型中，通过分类识别模型进行信号特征提取、缺陷检查、诊断并输出识别结果。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制；任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同替换、等效变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (1)

1.混凝土缺陷智能化检测与定量识别方法，其特征在于，所述方法包括以下步骤：

a) 信号样本采集；采集一系列混凝土模型试件的冲击回波信号，混凝土模型试件包括有各种类型质量缺陷以及质量正常的试件；

b) 信号降噪处理；对采集的信号通过小波分解并对小波分解系数作用阈值，除去高频噪声分量，然后进行小波信号重构，得到降噪后的冲击回波信号；采用4阶Symlets小波函数作为小波分解的基函数，同时采用自适应尺度的阈值量化，阈值门限的选取跟随小波分解的细节部分在各尺度上噪声统计特性的变化而变化；

c) 信号特征提取；将降噪处理后的冲击回波信号通过小波正交分解到不同层次的频带内，计算分解频带的特征值，构成混凝土测试信号特征参数数据库；选择步骤b中小波分解后包含表征分类模式信息的三个基础分量，分别从小波系数、重构波形和重构波频谱计算特征值；

d) 构建分类识别模型；利用取得的混凝土测试信号特征参数数据库，建立基于小波分析和极限学习机的混凝土缺陷智能化快速检测与定量分类识别模型，并采用鲁棒性交叉验证法来训练和验证所述分类识别模型；使用极限学习机作为分类器，并应用五折交叉验证方法来训练、验证该分类识别模型以及评价该分类识别模型的分类识别性能，该分类识别模型包括特征提取、缺陷检查、缺陷诊断以及缺陷定量与定位四个分析组件；

e)获取待检测混凝土的冲击回波信号，并将该冲击回波信号输入建立的分类识别模型中，通过分类识别模型进行信号特征提取、缺陷检查、诊断并输出识别结果。