CN109469112A - 基于支持向量机的桩身缺陷严重程度自动识别方法 - Google Patents

Abstract

本发明提供了一种基于支持向量机的桩身缺陷严重程度自动识别方法，对多根缺陷桩基进行超声波透射法检测，对各测点的超声检测信号的特征参量进行了提取，并对各测点的缺陷严重程度进行了标识，获得了若干组不同特征参量组合的数据样本，然后利用支持向量机针对不同的特征参量组合的数据样本进行训练得到了识别模型，利用识别模型对工程桩的声波透射法检测数据进行桩身缺陷严重程度识别验证。本发明可对声波透射法桩基完整性检测的数据进行快速的自动识别，得到桩身各测点的缺陷严重程度，且准确性更高。

Description

基于支持向量机的桩身缺陷严重程度自动识别方法

技术领域

本发明涉及桩基础检测技术领域，尤其是涉及一种基于支持向量机的桩身缺陷严重程度自动识别方法。

背景技术

随着我国基础建设的蓬勃发展，桩基础在公路及铁路桥梁、港口码头、海上采油平台、高层建筑、重型厂房以至核电站等工程中大量采用。但由于桩基础属于地下隐蔽工程，往往会因为施工工艺不成熟、地质条件复杂、施工队伍水平差、质量量控制不严等因素的影响，导致桩基施工过程中出现缩颈、扩径、裂纹、夹泥、沉渣甚至断桩等质量问题，必须会影响到桩基的承载力，从而影响上部结构的安全性。因此，在桩基施工完成后，对其桩身完整性进行检测成为必然，由于超声透射法具有便捷、迅速、缺陷反映灵敏度高、缺陷检测范围广等优点，从而被广泛用于桩身完整性的检测。

目前，在所有现行的行业及地方桩基完整性检测规程中，超声透射法都根据平测和(或)斜测时所接收的信号的物理量(首波声时、幅度和频率、波形)的变化，利用数理统计的方法并结合个人的经验对缺陷位置、缺陷程度进行定性的或经验性的判定。这种方法受人的经验因素影响很大，其测量准确性对检测人员的水平依赖很大，而且也不利于检测的自动化、智能化，显然已不适应现代工程检测需要。

发明内容

本发明的目的在于提供一种基于支持向量机的桩身缺陷严重程度自动识别方法，以解决现有技术中存在的至少一个技术问题。

为解决上述技术问题，本发明提供的一种基于支持向量机的桩身缺陷严重程度自动识别方法，包括：采用支持向量机的分析方法对多个不同的特征参量组合的数据样本进行了训练和验证后得到的识别模型，利用识别模型对桩基完整性检测的桩身各测点的缺陷严重程度进行识别；

所述特征参量包括：

1)测点波速与平均波速之比p_v，i，其中

式中：v_i———第i个测点的声速(km/s)；

v_m——根据《建筑基桩检测技术规范(JGJ106-2014)》计算的声速平均值(km/s)；

2)测点波幅与平均波幅之差δ_A，i，其中

δ_A，i＝A_i-A_m (3)

式中：A_m——根据《超声法检测混凝土缺陷技术规程(CECS 21：2000)》计算的波幅平均值(dB)；

A_i——第i个测点相对波幅值(dB)；

3)测点信号能量与最大能量之比p_E，i，其中

式中：E_i——第i个测点信号的能量；

E_max——最大测点信号能量；

4)第j层分解上最大的相对能量Max T_j，以及第j层分解上，最大相对能量Max T_j所对应的节点序号(i)；

其中，相对能量T为超声检测信号经过小波包分解提取的n个不同分解层的多个节点(信号频带)上的信号相对能量；T_j，i为第j分解层第i个节点的信号相对能量；E_j，i表示第j层的第i个节点的重构信号对应的能量；E_j为第j层的总能量；

j＝0，1，2，...，n，n为分解层数；i＝0，1，2，...，2^j-1。；

进一步地，还包括：对多根缺陷桩基进行超声波透射法检测，从桩身各测点的超声检测信号中提取所述特征参量并对各测点的缺陷严重程度进行标识，进而获得所述特征参量的数据样本，采用支持向量机的分析方法对数据样本进行了训练和验证后得到的识别模型。

其中，支持向量机的分析方法为：采用LibSVM工具包(为现有技术)，利用工具包中的相关函数对特征参量的数据样本进行训练和验证，得到识别桩基完整性检测的桩身缺陷严重程度的模型文件，然后利用该模型文件，使用LibSVM工具包的预测函数，输入工程桩桩身各测点的特征参量，对各测点的缺陷严重程度进行自动识别。

进一步地，训练和验证时，利用若干种不同的寻找最优参数的方法得到最优惩罚因子及核函数的γ值，然后分别使用多项式核函数、径向基核函数进行训练与预测，得到不同的训练与预测结果，选取预测结果最优的寻找最优参数的方法和核函数(多项式核函数或者径向基核函数)构建所述识别模型。

进一步地，利用识别模型对工程桩的检测数据进行缺陷严重程度识别验证时，利用超声波透射法对工程桩进行检验获得桩身各测点的所述的特征参量，调用LibSVM中的所述识别模型及预测函数对工程桩所有剖面的所有测点的缺陷严重程度进行预测(或识别)，获得每个测点的异常程度指数，并在曲线图上绘制异常程度指数曲线。

其中，工程桩基桩身各测点的缺陷严重程度以异常程度指数标识，异常程度指数0、1、2、3分别表示无缺陷、轻微缺陷、明显缺陷、严重缺陷。

进一步地，利用多项式核函数或者径向基核函数对所述数据样本进行训练及预测。

进一步地，使用easy.py或者grid.py(LibSVM工具包)进行训练与预测。

进一步地，n＝3-10，即分解层数为3-10层。

超声检测信号经N层小波包分解后，得到信号在不同频段内的特征信息，即原超声检测信号的能量被分解到2N个正交频带上，信号在各频带上的能量总和与原超声检测信号的能量一致，每个频段内的超声检测分解信号表征原超声检测信号在该频率范围内的特征信息。

采用上述技术方案，本发明具有如下有益效果：

本发明提供的一种声波透射法桩基完整性检测的桩身缺陷严重程度识别的方法，可对声波透射法桩基完整性检测的数据进行快速的自动识别，得到桩身各测点的缺陷严重程度，且准确性更高。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为三层小波包分解树结构；

图2为模型桩布置图；

图3为Z1#模型桩异常程度指数曲线；

图4为Z6#模型桩异常程度指数曲线；

图5为R1-3#工程桩异常程度指数曲线；

图6为R1-6#工程桩异常程度指数曲线；

图7为X2-07-3#工程桩异常程度指数曲线。

具体实施方式

下面结合具体的实施方式对本发明做进一步的解释说明。

实施例1

本实施例提供的本发明提供的一种基于支持向量机的桩身缺陷严重程度自动识别方法，对多根缺陷桩基进行超声波透射法检测，对各测点的超声检测信号的特征参量进行了提取，并对各测点的缺陷严重程度进行了标识，获得了若干组不同特征参量组合的数据样本，然后利用支持向量机针对不同的特征参量组合的数据样本进行训练得到了识别模型，利用识别模型对工程桩的声波透射法检测数据进行桩身缺陷严重程度识别验证；具体而言，采用支持向量机的分析方法对多个不同的特征参量组合的数据样本进行了训练和验证后得到的识别模型，利用识别模型对桩基完整性检测的桩身各测点的缺陷严重程度进行识别；

其中，特征参量数量为5个，具体包括：

1)测点波速与平均波速之比p_v，i，其中

式中：v_i——第i个测点的声速(km/s)；

v_m——根据《建筑基桩检测技术规范(JGJ106-2014)》计算的声速平均值(km/s)；

2)测点波幅与平均波幅之差δ_A，i，其中

δ_A，i＝A_i-A_m (3)

式中：A_m——根据《超声法检测混凝土缺陷技术规程(CECS21：2000)》计算的波幅平均值(dB)；

A_i——第i个测点相对波幅值(dB)；

3)测点信号能量与最大能量之比p_E，i，其中

式中：E_i——第i个测点信号的能量；

E_max——最大测点信号能量；

4)第i节点上最大的相对能量(Max T_i)；

相对能量T为超声检测信号经过小波包分解提取的n个不同分解层的多个节点(信号频带)上的信号相对能量；

其中T_j，i为第j分解层第i个测点的信号相对能量，E_j，i表示第j层的第i个节点的重构信号对应的能量；E_j为第j层的总能量；j＝0，1，2，...，n，n为分解层数；i＝0，1，2，...，2^j-1。

5)第j层分解上，最大相对能量(Max T_j)所对应的节点序号(i)。

其中，在本实施例中，N＝5，即分解层数为5层。超声检测信号经N层小波包分解后，得到信号在不同频段内的特征信息，即原超声检测信号的能量被分解到2N个正交频带上，信号在各频带上的能量总和与原超声检测信号的能量一致，每个频段内的超声检测分解信号表征原超声检测信号在该频率范围内的特征信息。

通过超声波透射法检测，获得上述检测信号的特征参量的5000个样本，利用支持向量机针对不同的特征参量组合的数据样本进行训练及验证后获得识别模型。

其中，支持向量机为现有技术，具体为：采用LibSVM工具包，输入特征参量构成的数据样本，利用工具包中的相关函数对特征参量的数据样本进行训练和验证，得到识别桩基完整性检测的桩身缺陷严重程度的模型文件，然后利用该模型文件，使用LibSVM工具包的预测函数，输入工程桩桩身各测点的特征参量，对各测点的缺陷严重程度进行自动识别。

训练和验证时，利用若干种不同的寻找最优参数的方法得到最优惩罚因子及核函数的γ值，然后分别使用多项式核函数、径向基核函数进行训练与预测，得到不同的训练与预测结果，选取预测结果最优的寻找最优参数的方法和核函数(多项式核函数或者径向基核函数)构建所述识别模型。

识别验证时，利用超声波透射法对工程桩进行检验获得所有剖面各测点所述的特征参量，调用LibSVM中的所述识别模型及预测函数对工程桩所有剖面的所有测点的缺陷严重程度进行预测(或识别)，获得每个测点的异常程度指数，并在曲线图上绘制异常程度指数曲线。

其中，工程桩基桩身各测点的缺陷严重程度以异常程度指数标识，异常程度指数0、1、2、3分别表示无缺陷、轻微缺陷、明显缺陷、严重缺陷。

本发明提供的一种声波透射法桩基完整性检测的桩身缺陷严重程度识别的方法，可对声波透射法桩基完整性检测的数据进行快速的自动识别，得到桩身各测点的缺陷严重程度，且准确性更高。

理论基础

1.小波变换与小波包变换

(一)小波变换

小波变换是一种信号的时间-尺度(时间-频率)分析方法，它具有多分辨率分析的特点，而且在时频两域都具有表征信号局部特征的能力，是一种窗口大小固定不变但其形状可改变、时间窗和频率窗都可以改变的时频局部化分析方法。即在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，很适合于探测正常信号中夹带的瞬态反常现象并展示其成份，所以被誉为分析信号的显微镜，利用小波变换进行缺陷信号的检测与诊断具有良好的效果。

对于任意函数x(t)∈L²(R)的连续小波变换定义为：

其中b为平移因子，a为尺度因子。数学上的内积表示的是x(t)与Ψ_a，b(t)相似程度的大小，当尺度a增大时，表示的是以伸展了的Ψ(t)波形去观察x(t)；当度a减小时，表示是以压缩了的Ψ(t)波形去观察x(t)的局部。可以说，尺度因子与地图中的比例因子类似，大的比例(尺度)因子用来看信号的全局，而小的比例(尺度)因子用来看信号的局部细节。

一维信号x(t)作连续小波变换成为二维的W_x(a，b)以后，信息是有冗余的，尽管这些冗余性在某些方面是有益的，但是在实际应用中通常是将连续小波变换中的参数a，b进行离散化，即离散小波变换。原始信号经过小波变换后表现为不同子频带分量之和。对原信号的局部时频分析就表现为对那些子频带内的时域分量的分析。由此可知，小波变换并不像傅里叶变换那样将时域信号表示为若干精确的频率分量之和，而是将其表示为若干描述子频带的时域分量之和。

(二)小波包变换

小波包是由Coifman等人引入的，他们在正交小波基的基础上提出了正交小波包的概念。后来又进一步发展到半正交小波包及广义小波包。

正交小波变换在分解过程中只是对信号的低频部分做进一步分解，而对信号的高频部分(细节部分)不再继续分解，因此小波变换能够很好地表示以低频信息为主要成份的信号，但是它对包含大量细节信息的信号不能很好地分解和表示。与小波变换不同的是，小波包变换在对信号的低频部分进行分解同时还对信号的高频部分进行更精细的分解，并且这种分解既没有冗余，也没有疏漏，所以对包含中、高频信息的振动信号能够提供比小波变换更好的时频局部化分析能力。

小波包变换对信号低频部分进行分解，同时对高频部分也进行分解，还以一个三层的分解进行说明，其小波包分解树结构如图1所示。其中，A表示低频，D表示高频，末尾的序号数表示小波包分解的层数(即尺度数)。分解具有如下关系：

S＝AAA3+DAA3+ADA3+DDA3+AAD3+DAD3+ADD3+DDD3

从信号滤波的角度分析，正交小波分解是把被分析信号通过一个低通和一个高通滤波器进行滤波，分别得到一组低频信号和一组高频信号，且对低频信号继续这样的分解。分解过程中每次分解得到的低频和高频信号的长度都是原信号长度的一半，可看作是滤波之后进行了“隔点采样”，其分解得到的结果既不会冗余，也不会损失原信号的任何信息。小波分析对高频段信号频率分辨率较低，而对低频段信号时间分辨率较低，针对这一缺点，提出了一种更为精细的小波包分析方法。小波包分析能将频带进行多层次划分，并对小波分析中没有细分的高频部分进一步分解，从而提高时频分辨率。

2.支持向量机

SVM(Support Vector Machines)方法是20世纪90年代初Vapnik等人根据统计学习理论提出的一种新的机器学习方法，它以结构风险最小化原则为理论基础，通过适当地选择函数子集及该子集中的判别函数，使学习机器的实际风险达到最小，保证了通过有限训练样本得到的小误差分类器，对独立测试集的测试误差仍然较小。

支持向量机的基本思想是：首先，在线性可分情况下，在原空间寻找两类样本的最优分类超平面。在线性不可分的情况下，加入了松弛变量进行分析，通过使用非线性映射将低维输入空间的样本映射到高维属性空间使其变为线性情况，从而使得在高维属性空间采用线性算法对样本的非线性进行分析成为可能，并在该特征空间中寻找最优分类超平面。其次，它通过使用结构风险最小化原理在属性空间构建最优分类超平面，使得分类器得到全局最优，并在整个样本空间的期望风险以某个概率满足一定上界。

其突出的优点表现在：(1)基于统计学习理论中结构风险最小化原则和VC维理论，具有良好的泛化能力，即由有限的训练样本得到的小的误差能够保证使独立的测试集仍保持小的误差。(2)支持向量机的求解问题对应的是一个凸优化问题，因此局部最优解一定是全局最优解。(3)核函数的成功应用，将非线性问题转化为线性问题求解。(4)分类间隔的最大化，使得支持向量机算法具有较好的鲁棒性。由于SVM自身的突出优势，因此被越来越多的研究人员作为强有力的学习工具，以解决模式识别、回归估计等领域的难题。

基于统计学习理论的支持向量机(SVM)是一种有坚实理论基础的新颖的小样本学习方法，被认为是目前解决小样本的分类问题的最佳方法，可以不象神经网络的结构设计需要依赖于设计者的经验知识和先验知识。与神经网络相比，支持向量机方法具有更坚实的数学理论基础，可以有效地解决有限样本条件下的高维数据模型构建问题，并具有泛化能力强、收敛到全局最优、维数不敏感等优点。本项目的目标——对缺陷严重程度及桩身完整性类别进行自动识别，考虑到缺陷桩的数据样本非常少，属于小样本，所以决定在本项目中使用支持向量机技术。

3.模型桩制作及缺陷桩数据收集

本实施例的关键技术之一就是缺陷特征的提取，通过对已有的超声透射法检测基桩完整性的海量数据进行分析、归纳、总结，对不同种类的缺陷的特征进行提取得到完整性检测数据样本。

为了对缺陷特征数据样本加以验证、完善，得到一套完善的缺陷基桩完整性检测数据样本，需要建立不同种类缺陷混凝土模型桩，然后进行超声透射法检测，并对其检测数据进行深入分析。为此，在密云基地制作了10根模型桩，每根桩包含不同类型(断桩、夹砂、夹泥、桩底沉渣、离析、声测管周围存在低速介质(包管)及声测管倾斜等)、不同尺寸的缺陷，并将缺陷埋设在桩身不同的位置。

为保证桩内缺陷的制作，本次模型桩采用人工挖孔工艺成孔，结合密云基地的地质情况(10m以下卵石较大，孔深尽可能浅)、同时考虑到实验工作的需要(桩长尽可能大)，确定实际桩长均为12m，采用C30商品混凝土进行干孔浇注。如图2所示模型桩布置图，共制作完成4根直径1500mm(埋设4根声测管)、6根直径1200mm(埋设3根声测管)的模型桩，每根桩均包含至少两种类型的缺陷。

在模型桩制作好后，使用ZBL-U5700多通道超声测桩仪对基地所有模型桩的所有剖面进行平测及斜测，测试时的测线间距为0.1m。

此外，为了加大缺陷桩基数据样本数量，提高缺陷严重程度及桩身完整性自动识别的精度，向多个桩基质量检测单位广泛征集，最终收集到100余根缺陷桩的超声透射法检测数据用于后期的研究。

4.缺陷严重程度识别

4.1特征参量的提取

为了对缺陷严重程度进行识别，首先须先对大量的缺陷桩基的检测数据进行深入分析，寻找一种或多种能够表征缺陷严重程度的特征参量，为此，以超声波的传播理论为基础，阅读大量的文献资料，借鉴机械行业利用振动信号进行缺陷诊断方面的经验，最终确定了4种(共9个)可能用于识别缺陷严重程度的特征参量。

1)测点声速与剖面声速平均值之比

测点声速值与剖面声速平均值之比与声速异常程度之间有较好的相关性，为此，将“测点声速值与剖面声速平均值之比”作为缺陷识别的特征参量是可行的。

测点声速与剖面声速平均值之比为：

式中：v_i——第i个测点的声速(km/s)；

v_m——根据《建筑基桩检测技术规范(JGJ106-2014)》计算的声速平均值(km/s)；

2)首波幅度与幅度平均值之差

测点波幅值与剖面幅度平均值之差与波幅异常程度之间有较好的相关性，因此将“测点波幅值与剖面幅度平均值之差”作为缺陷识别的特征参量之一。

测点幅度与剖面幅度平均值之差为：

δ_A，i＝A_i-A_m (3)

式中：A_m——根据《超声法检测混凝土缺陷技术规程(CECS 21：2000)》计算的波幅平均值(dB)；

A_i——第i个测点相对波幅值(dB)；

3)测点信号能量与最大信号能量之比

将缺陷桩及完整桩的各测点的能量与最大能量之比绘制成能量曲线后进行研究，发现当测点能量与最大能量之比值低于某一值时，则该测点为可疑点，可能存在缺陷，而且该比值越小，则表示缺陷越严重，所以用此比值作为缺陷严重程度自动识别是可行的。

测点信号能量与最大信号能量之比为：

式中：E_i——第i个测点信号的能量；

E_max——最大信号能量；

4)小波包分解后各频带信号的能量分布

与完好测点的超声信号相比，有缺陷的测点的超声信号能量在一些特定的频带内将显示出显著的不同。这是因为缺陷会衰减或增强特定频带的响应信号的一些成份。也就是说，缺陷能引起某些频带超声检测信号能量的增加，或者另外某些频带超声检测信号能量的减少。因此，在各频率成份的信号的能量中，包含着丰富的缺陷信息，某种或某几种频率成份能量的改变即代表了缺陷严重程度不同。利用这一特征就可以建立能量变化与缺陷严重程度的映射关系，得到表征缺陷严重程度的特征向量。

信号经N层小波包分解后，可以得到信号在某一频段内的特征信息，即原信号的能量被分解到2N个正交频带上，信号在各频带上的能量总和与原信号的能量是一致的，每个频带内的信号可以表征原信号在该频率范围内的特征信息。

设(j，i)表示小波包分解中的第j层的第i个节点，E_j，i表示第j层的第i个节点的能量，X_j，i表示第j层的第i个节点小波包的分解系数，S_j，i表示第j层的第i个节点的重构信号，则信号S_j，i对应的能量E_j，i可表示为

其中j＝0，1，2，...，N，i＝0，1，2，...，2^j-1，j为分解层数，M为离散点的个数。第j层的总能量E_j可表示为

以各小波包频带相对能量为元素可以构造一个特征向量T_j，公式如下所示：

则为信号经小波包分解后第j层中各个频带的小波包能量分布，且

在超声透射法检测桩基完整性时，换能器所发射的超声波信号主频为50kHz左右，因此，在进行小波包分解时，仅需要得到60kHz以下的信号能量，所以根据超声信号采样频率的不同，对其进行不同层数的分解，从而得到频带分别为[0，9.765625kHz)、[9.765625kHz，19.53125kHz)、[19.53125kHz，29.296875kHz)、[29.296875kHz，39.0625kHz)、[39.0625kHz，48.828125kHz)、[48.828125kHz，58.59375kHz)的6个能量分布值。

4.2训练与预测

对基地的10根模型桩及实际工程中检测并验证过的40根缺陷桩进行特征参量提取，最终得到50个参量文件。手动编辑特征参量文件，对基地的每根模型桩、每个剖面的每个测点的缺陷严重程度(缺陷严重程度以异常程度指数标识，指数0、1、2、3分别表示无缺陷、轻微缺陷、明显缺陷、严重缺陷)进行人工判断并标记类别号。

由于异常程度指数为0的数据样本数量较多，而异常程度指数为1、2、3的数据样本数量较少，为增加其样本数量，40根工程桩仅针对缺陷部位测点进行严重程度的人工判断并标记类别号，然后将标记过的测点数据合并到参量文件中，最后一共得到6432组样本数据(其中，异常程度指数为3的样本数量为752组，异常程度指数为2的样本数量为546组、异常程度指数为1的样本数量为508组，余下的为异常程度指数为0的样本)。

对于不同的特征参量组合(详见表1)，将样本数据中不同数量的数据提取出来作为训练和预测数据，利用不同的寻找最优参数的方法，得到最优惩罚因子及核函数的γ值，然后分别使用多项式核函数、径向基核函数进行训练与预测，得到不同的训练与预测结果(见表2)。经过对比分析，5种特征参量的组合在训练样本数量为5000时，使用径向基核函数进行训练与验证得到的效果最优(训练与预测准确率的平均值较高，接近93％，且训练与预测准确率的差值绝对值较小)，其训练模型文件将用于对超声检测桩基所有剖面的所有测点的缺陷严重程度进行预测(识别)。

表1特征参量组合表

表2训练及预测结果对比表

SVM缺陷严重程度识别在桩基检测中应用

在MFC程序中，利用训练得到的模型文件，调用LibSVM的相关函数对超声检测桩基所有剖面的所有测点的缺陷严重程度进行预测(识别)，获得每个测点的异常程度指数，并在曲线图上绘制异常程度指数曲线。

对基地的10根模型桩进行分析，得到其异常程度指数曲线，可以直观地发现10根桩埋设缺陷的位置的异常程度指数为2或3，即存在明显或严重缺陷，与设计基本吻合。受篇幅所限，图3-7仅列出基地模型桩中的两根桩的异常程度指数曲线(曲线图最右侧的红色曲线)。

此外，对163根工程桩进行分析，得到其异常程度指数曲线，由于受篇幅所限，仅列出其中3根桩的曲线图，如图5-7所示。R1-3#桩的1-3剖面在桩底存在明显缺陷(异常程度指数为2)，其他两剖面在桩底存在轻微缺陷(异常程度指数为1)；1-6#桩在4米附近有两个剖面存在严重缺陷(异常程度指数为3)，1个剖面存在轻微缺陷(异常程度指数为1)，3个剖面在桩头均存在轻微缺陷(异常程度指数为1)；X2-07-3#桩的三个剖面均在7米至9米之间存在严重缺陷(异常程度指数为3)。人工判断的异常程度与自动识别的异常程度基本一致。

本文提出了一种小波包分析与支持向量机(SVM)分类器相结合的声波透射法桩基完整性检测缺陷严重程度自动识别的方法。缺陷的识别可以利用传统的声参量(首波声时、波幅、频率)及超声波形等，现行的各种行业检测规范中，大多使用波速、波幅参量进行定性判断，而没有充分利用超声波形，因此，在研究缺陷严重程度的自动识别方法时，除了使用传统的测点波速与平均波速之比、测点波幅与平均波幅之差作为特征参量之外，提出了两种新的特征参量：

1)测点信号能量与最大能量之比作为缺陷严重程度识别的特征参量；

2)采用小波包分析对超声检测信号提取6个不同频带的信号能量分布作为特征特征参量。

对近50根缺陷桩基的检测信号的9个特征参量进行了提取与标识，获得了6400多组数据样本，然后针对不同的特征参量组合、不同数量的训练及验证数据样本、不同的寻找最优参数的方法、不同的核函数进行了训练与验证对比分析，最终得出5种特征参量的组合在训练样本数量为5000时，使用径向基核函数进行训练与验证得到的效果最优。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (6)

1.一种基于支持向量机的桩身缺陷严重程度自动识别方法,其特征在于，包括：采用支持向量机的分析方法对多个不同的特征参量组合的数据样本进行了训练和验证后得到的识别模型，利用识别模型对桩基完整性检测的桩身各测点的缺陷严重程度进行识别；

所述特征参量包括：

1)测点波速与平均波速之比p_v,i，其中

式中：v_i——第i个测点的声速；

v_m——根据《建筑基桩检测技术规范(JGJ106-2014)》计算的声速平均值；

2)测点波幅与平均波幅之差δ_A,i，其中

δ_A,i＝A_i-A_m (3)

式中：A_m——根据《超声法检测混凝土缺陷技术规程(CECS 21:2000)》计算的波幅平均值；

A_i——第i个测点相对波幅值；

3)测点信号能量与最大能量之比p_E,i，其中

式中：E_i——第i个测点信号的能量；

E_max——最大测点信号能量；

4)第i节点上最大的相对能量MaxT_i，以及第i节点上，最大相对能量MaxT_i所对应的分解层序号；

其中，相对能量T为超声检测信号经过小波包分解提取的n个不同分解层的多个节点上的信号相对能量；T_j，i为第j分解层第i个节点的信号相对能量；E_j，i表示第j层的第i个节点的重构信号对应的能量；E_j为第j层的总能量；

j＝0，1，2，…，n，n为分解层数；i＝0，1，2，…，2^j-1；

2.根据权利要求1所述的桩身缺陷严重程度自动识别方法，其特征在于，还包括：对多根缺陷桩基进行超声波透射法检测，从桩身各测点的超声检测信号中提取所述特征参量并对其缺陷严重程度进行标识，进而获得所述特征参量的数据样本，采用支持向量机的分析方法对数据样本进行了训练和验证后得到的识别模型。

3.根据权利要求1所述的桩身缺陷严重程度自动识别方法，其特征在于，所述支持向量机的分析方法为：

采用LibSVM工具包，利用工具包中的相关函数对特征参量的数据样本进行训练和验证，得到识别桩基完整性检测的桩身缺陷严重程度的模型文件，然后利用该模型文件，使用LibSVM工具包的预测函数，输入工程桩桩身各测点的特征参量，对各测点的缺陷严重程度进行自动识别。

4.根据权利要求1所述的桩身缺陷严重程度自动识别方法，其特征在于，训练和验证时，利用若干种不同的寻找最优参数的方法得到最优惩罚因子及核函数的γ值，然后分别使用多项式核函数、径向基核函数进行训练与预测，得到不同的训练与预测结果，选取预测结果最优的寻找最优参数的方法和核函数构建所述识别模型。

5.根据权利要求1所述的桩身缺陷严重程度自动识别方法，其特征在于，利用多项式核函数或者径向基核函数对所述数据样本进行训练及预测。

6.根据权利要求1所述的桩身缺陷严重程度自动识别方法，其特征在于，使用easy.py或者grid.py进行训练与预测。