CN105929024B - 混凝土缺陷智能化检测与定量识别方法 - Google Patents
混凝土缺陷智能化检测与定量识别方法 Download PDFInfo
- Publication number
- CN105929024B CN105929024B CN201610257187.2A CN201610257187A CN105929024B CN 105929024 B CN105929024 B CN 105929024B CN 201610257187 A CN201610257187 A CN 201610257187A CN 105929024 B CN105929024 B CN 105929024B
- Authority
- CN
- China
- Prior art keywords
- defect
- concrete
- classification
- signal
- identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/045—Analysing solids by imparting shocks to the workpiece and detecting the vibrations or the acoustic waves caused by the shocks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4445—Classification of defects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0232—Glass, ceramics, concrete or stone
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
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
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,cj, k为近似系数;dj, 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xn(n=1,2,…N)为时域信号;[pi, fi],i=1,2,…,M是与其对应的频谱,pi和fi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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610257187.2A CN105929024B (zh) | 2016-04-21 | 2016-04-21 | 混凝土缺陷智能化检测与定量识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610257187.2A CN105929024B (zh) | 2016-04-21 | 2016-04-21 | 混凝土缺陷智能化检测与定量识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105929024A CN105929024A (zh) | 2016-09-07 |
CN105929024B true CN105929024B (zh) | 2018-08-14 |
Family
ID=56836044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610257187.2A Active CN105929024B (zh) | 2016-04-21 | 2016-04-21 | 混凝土缺陷智能化检测与定量识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105929024B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169469B (zh) * | 2017-06-02 | 2020-06-19 | 南京理工大学 | 一种基于机器学习的mimo雷达的材料识别方法 |
CN107193001B (zh) * | 2017-06-05 | 2020-04-14 | 广西大学 | 基于探地雷达的岩溶隧道不良地质预报专家系统及实现方法 |
CN107328868B (zh) * | 2017-06-27 | 2019-06-07 | 福州大学 | 一种快速识别陶瓷涂层失效类型的声发射信号分析方法 |
CN107316300B (zh) * | 2017-07-17 | 2020-12-15 | 杭州盈格信息技术有限公司 | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 |
CN107506861B (zh) * | 2017-08-25 | 2021-04-16 | 广东工业大学 | 一种短期风速预测方法、装置及系统 |
CN107703210A (zh) * | 2017-08-31 | 2018-02-16 | 北京金风慧能技术有限公司 | 工件识别方法及装置 |
CN108154289A (zh) * | 2017-12-10 | 2018-06-12 | 中科钢研节能科技有限公司 | 一种产品质量因素信息自动分析系统与自动分析方法 |
CN108519400B (zh) * | 2018-02-06 | 2022-01-18 | 温州市交通工程试验检测有限公司 | 一种预应力梁灌浆饱满度智能检测方法及系统 |
CN108470163B (zh) * | 2018-03-16 | 2022-11-01 | 石家庄铁道大学 | 轨道道岔板离缝病害检测方法及终端设备 |
CN108491931B (zh) * | 2018-03-29 | 2023-12-19 | 四川升拓检测技术股份有限公司 | 一种基于机器学习提高无损检测精度的方法 |
CN108680645B (zh) * | 2018-04-12 | 2020-11-24 | 石家庄铁道大学 | 轨道道岔板离缝病害识别方法及终端设备 |
CN108519442B (zh) * | 2018-04-13 | 2020-10-09 | 中国石油天然气第七建设有限公司 | 基于化波抑制法的超声波探伤方法及系统 |
CN108844856B (zh) * | 2018-07-04 | 2023-08-15 | 四川升拓检测技术股份有限公司 | 基于冲击弹性波和机器学习的套筒灌浆缺陷无损检测方法 |
CN109190272B (zh) * | 2018-09-13 | 2023-04-18 | 四川升拓检测技术股份有限公司 | 基于弹性波和机器学习的混凝土结构缺陷检测方法 |
CN109577393B (zh) * | 2019-01-25 | 2020-10-13 | 天津大学 | 基桩检测中超声波形首波智能判读方法和系统 |
CN110045015B (zh) * | 2019-04-18 | 2021-09-07 | 河海大学 | 一种基于深度学习的混凝土结构内部缺陷检测方法 |
CN110440728B (zh) * | 2019-05-31 | 2020-09-11 | 特斯联(北京)科技有限公司 | 一种探测回波智能分析的建筑结构安全监测方法及系统 |
CN110133105A (zh) * | 2019-05-31 | 2019-08-16 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种水浸混凝土强度的非接触式无损检测方法 |
CN110956618B (zh) * | 2019-11-25 | 2022-06-21 | 中国兵器科学研究院宁波分院 | 一种基于变异系数法的ct图像小缺陷定量方法 |
CN111783616B (zh) * | 2020-06-28 | 2024-03-26 | 北京瓦特曼科技有限公司 | 一种基于数据驱动自学习的无损检测方法 |
CN112014476A (zh) * | 2020-09-04 | 2020-12-01 | 山东大学 | 一种碳纤维复合材料制造缺陷分类、定量评估方法及系统 |
CN112302061A (zh) * | 2020-09-29 | 2021-02-02 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 低应变基桩完整性检测信号的智能化快速解释方法 |
CN112557500B (zh) * | 2020-11-05 | 2022-01-28 | 中国水利水电科学研究院 | 水下弹性波全波场无损检测系统及方法 |
CN114371222B (zh) * | 2022-01-17 | 2023-11-03 | 上海电子信息职业技术学院 | 基于modwpt系数平方熵与rf的陶瓷制品结构缺陷声波检测方法 |
CN114737621A (zh) * | 2022-04-02 | 2022-07-12 | 襄阳东磊检测技术服务有限公司 | 一种基于桩外跨孔的无损基桩检测方法 |
CN116399948B (zh) * | 2023-04-26 | 2023-11-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种水闸混凝土底板局部脱空监测方法及系统 |
CN116893222B (zh) * | 2023-08-29 | 2024-04-09 | 铁正检测科技有限公司 | 基于人工智能的铁路隧道混凝土缺陷冲击回声波检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1828286A (zh) * | 2005-02-28 | 2006-09-06 | 交通部公路科学研究所 | 一种用超声波检测结构混凝土缺陷的定量判断并直观显示的方法 |
CN103499643A (zh) * | 2013-10-24 | 2014-01-08 | 交通运输部公路科学研究所 | 预应力管道压浆饱满度状况的定量检测装置和方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008309622A (ja) * | 2007-06-14 | 2008-12-25 | Applied Research Kk | コンクリート構造物の診断方法及びその装置 |
US20130220017A1 (en) * | 2012-02-23 | 2013-08-29 | Sung Kim | Non-destructive inspection apparatus for detecting internal defect of concrete structure using ultrasonic waves |
JP6144038B2 (ja) * | 2012-11-27 | 2017-06-07 | 片倉 景義 | 非接触音響検査装置および非接触音響検査方法 |
-
2016
- 2016-04-21 CN CN201610257187.2A patent/CN105929024B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1828286A (zh) * | 2005-02-28 | 2006-09-06 | 交通部公路科学研究所 | 一种用超声波检测结构混凝土缺陷的定量判断并直观显示的方法 |
CN103499643A (zh) * | 2013-10-24 | 2014-01-08 | 交通运输部公路科学研究所 | 预应力管道压浆饱满度状况的定量检测装置和方法 |
Non-Patent Citations (7)
Title |
---|
基于小波分析与神经网络的混凝土缺陷超声定量检测;张立新 等;《无损检测》;20091231;第31卷(第1期);全文 * |
基于小波分解与极限学习机的光伏电站辐照度短期预测研究;张俊蔚;《青海电力》;20151231;第34卷(第4期);全文 * |
基于小波分解和极限学习机的短期风速组合预测研究;汪小明 等;《可再生能源》;20150831;第33卷(第8期);全文 * |
基于小波变换和支持向量机的超声缺陷检测研究;朱红莲;《中国优秀硕士学位论文全文数据库》;20111231;全文 * |
基于小波-极限学习机的短期风电功率预测;黄庭 等;《控制工程》;20110531;第18卷;全文 * |
小波分析与人工神经网络结合对混凝土缺陷超声信号识别的应用;张立新 等;《燕山大学学报》;20080531;第32卷(第3期);全文 * |
混凝土缺陷智能化快速检测与定量识别技术研究;张景奎 等;《科学技术与工程》;20160731;第16卷(第19期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105929024A (zh) | 2016-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105929024B (zh) | 混凝土缺陷智能化检测与定量识别方法 | |
CN106990018B (zh) | 一种预应力混凝土梁灌浆密实度智能识别方法 | |
CN106226407B (zh) | 一种基于奇异谱分析的超声回波信号在线预处理方法 | |
CN103245907B (zh) | 一种模拟电路故障诊断方法 | |
CN109101910B (zh) | 一种基于噪声甄别的大地电磁信号去噪方法 | |
CN111811617B (zh) | 一种基于短时傅里叶变换和卷积神经网络的液位预测方法 | |
CN112001270B (zh) | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 | |
Legendre et al. | Neural classification of Lamb wave ultrasonic weld testing signals using wavelet coefficients | |
CN104090033B (zh) | 基于ebsd图谱的粗晶材料fdtd超声检测仿真模型建立方法 | |
CN109858408A (zh) | 一种基于自编码器的超声信号处理方法 | |
Virupakshappa et al. | A multi-resolution convolutional neural network architecture for ultrasonic flaw detection | |
Yang et al. | Comparative study of ultrasonic techniques for reconstructing the multilayer structure of composites | |
Chapon et al. | Deconvolution of ultrasonic signals using a convolutional neural network | |
CN110501122A (zh) | 一种基于聚类的压力容器自适应泄漏检测方法 | |
Sun et al. | Development of frequency-mixed point-focusing shear horizontal guided-wave EMAT for defect inspection using deep neural network | |
Zhang et al. | Underground object characterization based on neural networks for ground penetrating radar data | |
Barkataki et al. | Classification of soil types from GPR B scans using deep learning techniques | |
CN109632973A (zh) | 一种基于多尺度匹配追踪的超声回波信号提取方法 | |
CN112990082A (zh) | 一种水声脉冲信号的检测识别方法 | |
CN107632010A (zh) | 一种结合激光诱导击穿光谱对钢铁样品的定量方法 | |
CN110057918B (zh) | 强噪声背景下的复合材料损伤定量识别方法及系统 | |
Li et al. | Non-destructive detection on the egg crack based on wavelet transform | |
CN101109732A (zh) | 基于模糊平面特征的超声无损检测回波信号分类方法 | |
CN110458071A (zh) | 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法 | |
Wang et al. | The optimal wavelet threshold de-nosing method for acoustic emission signals during the medium strain rate damage process of concrete |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |