CN110458028A - 一种基于地质雷达的隧道衬砌典型病害自动辨识方法 - Google Patents
一种基于地质雷达的隧道衬砌典型病害自动辨识方法 Download PDFInfo
- Publication number
- CN110458028A CN110458028A CN201910631001.9A CN201910631001A CN110458028A CN 110458028 A CN110458028 A CN 110458028A CN 201910631001 A CN201910631001 A CN 201910631001A CN 110458028 A CN110458028 A CN 110458028A
- Authority
- CN
- China
- Prior art keywords
- signal
- disease
- data
- tunnel
- automatic 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
Abstract
本发明提供了一种基于地质雷达的隧道衬砌典型病害自动辨识方法,用以解决地质雷达成像精度低、衬砌病害辨识困难的问题。所述自动辨识方法对典型衬砌病害数据进行去噪处理并存储,对处理后的雷达数据进行读取,并在时域、频域两方面选取出最大振幅AT、能量ET、频谱标准差ST三个病害特征,使用支持向量机建立二分类模型对病害信号和正常信号进行区分,并对模型精度进行验证。本发明解决了人工解译过程中效率低下问题,同时将低维数据映射到高维空间中,方便构建二分类超平面,通过核函数建立二分类模型辨识精度较高,对病害信号进行有效区分,有效提高了图像解译的精度。
Description
技术领域
本发明属于地质雷达与隧道安全领域,特别涉及一种基于地质雷达的隧道衬砌典型病害自动辨识方法。
背景技术
隧道工程是道桥市政设施及工矿企业中的常见工程种类。由于隧道涉及道桥运输及工矿生产的安全,需要对隧道的使用状况进行实时监督和安全预警。在隧道状况中,隧道衬砌是反映隧道是否正常的一个重要参数,辨识隧道衬砌典型病害是对隧道安全性监管的重要方面。目前,通常采用地质雷达(Groundpenetrating Radar,GPR)对隧道状况进行实时跟踪。
地质雷达作为一种无损检测技术主要依靠对雷达回波信号进行处理以识别地下埋设目标,处理的手段主要为成像技术。通过信号处理和成像将雷达信号转换为雷达图像,并最终依靠专家进行图像的解译。
但是,现有技术中依靠专家对雷达图像进行解译的方案对专家的依赖程度比较大,解译结果的准确度和精度取决于专家的水平和素质,主观性强。同时,当数据量较大时对专业人员的数量要求也较大,所需解译时间长,无法实现对所监测对象如隧道衬砌的实时监管。
发明内容
为了提高地质雷达的成像精度和实时性,克服隧道衬砌典型病害辨识困难的问题,本发明提供了一种基于地质雷达的隧道衬砌典型病害自动辨识方法,提高对隧道衬砌地质雷达数据的解译效率,提高图像精度和准确度。
为了实现上述目的,本发明采取了如下技术方案。
本发明提供了一种基于地质雷达的隧道衬砌典型病害自动辨识方法,所述方法包括以下步骤:
步骤S1,对典型衬砌病害数据进行去噪处理,并存储处理完的数据;
步骤S2,对处理后的雷达数据进行读取,并在时域、频域两方面进行病害信号特征提取,得到最大振幅AT、能量ET、频谱标准差ST三个辨识特征;
步骤S3,基于支持向量机理论,结合核函数建立SVM样本集和二分类模型,并对模型精度进行验证。
上述方案中,所述雷达数据,至少包括空洞病害和/或不密实病害数据;
所述去噪处理,通过REFLEXW软件完成;所述存储数据,以‘.asc’格式存储;
所述对雷达数据的读取,通过Matlab软件完成。
上述方案中,所述步骤S1中的具体操作包括以下步骤:
步骤S11,首先通过一维滤波,进行去直流漂移;
步骤S12,然后通过静校正,进行移动开始时间;
步骤S13,然后通过增益,进行能量衰减
步骤S14,然后通过二维滤波,进行抽取平均道;
步骤S15,然后通过一维滤波,进行巴特沃斯带通滤波;
步骤S16,最后通过二维滤波,进行滑动平均,将最终处理完的数据进行存储。
上述方案中,所述步骤S2中的数据读取的具体步骤包括:
在REFLEXW软件目录组文件中的‘ASCII’文件夹下找到导出文件,并在Matlab软件中调用readasc.m文件进行读取,然后将读取到的数据信息存储到多维矩阵中;调用imread函数将病害雷达图导入Matlab软件,进而读取出正常信号和病害信号;从矩阵中提取出雷达信号,并将得到的雷达信号实现数据的可视化。
上述方案中,所述实现雷达数据的可视化,利用plot函数来完成。
上述方案中,所述步骤S2中的时域特征提取的具体步骤包括:从波形图上可以得到单道信号的最大振幅值AT以及该点所对应的时间深度;对单道信号的振幅值的平方求和得到电磁波能量ET。
上述方案中,所述步骤S2中的频域特征提取的具体步骤包括:将提取出的雷达信号的离散数据点通过离散傅里叶变换转换为频谱图,所述离散傅里叶变换转换公式如下:
式(1)-(2)中,n为信号长度,即采样点数;Xi为单道信号幅值;为幅值平均数;ST为频谱标准差。
上述方案中,所述步骤S3中的建立SVM样本集的具体步骤包括:
分别从病害区域及其相邻非病害区域中各抽取N道信号,将抽取得到的2N道信号分为两组,组成信号集合Ω;其中,前N信号为病害信号,后N道信号为正常信号,并将信号进行编号;分别计算三个辨识特征:单道信号最大振幅AT、能量ET和频谱标准差ST。
上述方案中,所述步骤S3中构建二分类模型及模型精度验证的具体步骤包括:
分别取编号1-N/2和N+1-3N/2的信道数组成训练集svmtrain,取编号N/2-N和3N/2+1-2N的信道数组成测试集svmtest;将训练集svmtrain进行归一化处理,再用训练集生成的训练规则对测试集svmtest进行归一化。
上述方案中,所述归一化处理,进一步包括:采用核函数对训练集svmtest进行SVM训练,采用交叉验证,利用gridregression.py软件包搜索最优惩罚系数C和核函数参数g;基于所得二分类模型,对测试集svmtest进行测试和预测。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例的基于地质雷达的隧道衬砌典型病害自动辨识方法,对典型衬砌病害数据进行去噪处理并存储,利用Matlab软件对处理后的雷达数据进行读取,并在时域、频域两方面选取出最大振幅AT、能量ET、频谱标准差ST三个病害特征,使用支持向量机建立二分类模型对病害信号和正常信号进行区分,并对模型精度进行验证。本发明实施例解决了人工解译过程中效率低下问题,,同时将低维数据映射到高维空间中,方便构建二分类超平面,通过核函数建立的二分类模型辨识精度较高,对病害信号进行有效区分,有效提高了图像解译的精度。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明实施例基于地质雷达的隧道衬砌典型病害自动辨识方法流程示意图;
图2为本发明应用实例中信号道数标示图;
图3为本发明应用实例的4道病害信号的波形图;
图4为本发明应用实例的3道正常信号的波形图;
图5为本发明应用实例的病害信号频谱图;
图6为本发明应用实例的正常信号频谱图;
图7为本发明实施例中空洞病害信号与正常信号特征值分布示意图;
图8为本发明实施例中不密实病害信号与正常信号特征值分布示意图;
图9为本发明实施例中对空洞病害数据建立测试集svmtest的预测结果;
图10为本发明实施例中对不密实病害数据建立测试集svmtest的预测结果;
图11为本发明实施例中对空洞病害的自动辨识结果;
图12为本发明实施例中对不密实病害自动辨识结果。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明实施例提供了一种基于地质雷达的隧道衬砌典型病害自动辨识方法,通过对处理后的衬砌雷达数据进行特征提取和自动辨识,最终实现了对衬砌典型病害的精准辨识。所述自动辨识方法首先使用REFLEXW软件对隧道衬砌原始雷达数据进行处理与存储,然后基于MATLAB软件对处理后的单道雷达信号进行特征提取得到最大振幅AT、能量ET、频谱标准差ST三个辨识特征。最后结合支持向量机理论构建样本集和二分类模型,并对模型精度进行验证,最终实现了对隧道衬砌典型病害的精准辨识。本发明实施例的自动辨识方法解决了病害辨识效率低下和解译结果精度低两个关键问题,为隧道衬砌的质量检测提供了理论依据。
在一个实施例中,提供了一种基于地质雷达的隧道衬砌典型病害自动辨识方法,图1所示为本实施例所述基于地质雷达的隧道衬砌典型病害自动辨识方法流程示意图。如图1所示,所述方法包括以下步骤:
步骤S1,对典型衬砌病害数据进行去噪处理,并存储处理完的数据。
优选的,所述去噪处理,通过REFLEXW软件完成;所述存储数据,以‘.asc’格式存储。
步骤S2,对处理后的雷达数据进行读取,并在时域、频域两方面进行病害信号特征提取,得到最大振幅AT、能量ET、频谱标准差ST三个辨识特征。
优选地,本步骤中所述对雷达数据的读取,通过Matlab软件完成。
步骤S3,基于支持向量机理论,结合核函数建立SVM样本集和二分类模型,并对模型精度进行验证。
在一个实施例中,所述步骤S1中的具体操作包括以下步骤:
步骤S11,首先通过一维滤波,进行去直流漂移;
步骤S12,然后通过静校正,进行移动开始时间;
步骤S13,然后通过增益,进行能量衰减
步骤S14,然后通过二维滤波,进行抽取平均道;
步骤S15,然后通过一维滤波,进行巴特沃斯带通滤波;
步骤S16,最后通过二维滤波,进行滑动平均,将最终处理完的数据进行存储。
在本实施例中,分别对空洞病害和不密实病害的雷达数据进行处理,并通过REFLEXW软件将最后处理完的雷达数据以‘.asc’格式进行存储。
在一个实施例中,所述步骤S2中的数据读取的具体步骤包括:在REFLEXW软件目录组文件中的‘ASCII’文件夹下找到导出文件,并在Matlab软件中调用readasc.m文件进行读取,然后将读取到的数据信息存储到多维矩阵中;调用imread函数将病害雷达图导入Matlab软件,进而读取出正常信号和病害信号;从矩阵中提取出雷达信号,并将得到的雷达信号利用plot函数实现数据的可视化。
图2为本实施例中应用实例的信号道数标示图。在本应用实例中,空洞病害数据共包含389道信号,每道信号包含479个采样点,所得矩阵规模为479×389。在所述步骤S203中,空洞A、B、C、D中心点的信号道数分别为21、128、224、334,在四个空洞中心点之间分别读取一道正常信号73、187、283。将提取出的7到信号利用plot函数实现数据的可视化。
在一个实施例中,所述步骤S2中的时域特征提取的具体步骤包括:从波形图上可以得到单道信号的最大振幅值AT以及该点所对应的时间深度;对单道信号的振幅值的平方求和得到电磁波能量ET。
基于图2所示的应用实例,得到4道病害信号和3道正常信号的波形图,图3所示为本应用实例的4道病害信号的波形图,图4所示为本应用实例的3道正常信号的波形图。如图3和图4所示,从中得到信号的最大振幅值AT;进一步对单道信号的振幅值的平方求和得到电磁波能量ET。
在一个实施例中,所述步骤S2中的频域特征提取的具体步骤包括:将提取出的雷达信号的离散数据点通过离散傅里叶变换转换为频谱图,所述离散傅里叶变换转换公式如下:
式(1)-(2)中,n为信号长度,即采样点数;Xi为单道信号幅值;为幅值平均数;ST为能量谱标准差。
基于图2所示的应用实例,将7道信号的离散数据点经过傅里叶变化得到相应的频谱图,图5为本应用实例的病害信号频谱图;图6为本应用实例的正常信号频谱图。如图5和图6所示,频谱图中信号的离散程度反映了区分病害信号和正常信号的识别特征。标准差可以有效反映信号在频域上的离散程度,相比于方差来说结果更加直观易懂。理论上病害信号的频谱标准差小于正常信号,因此可以将频谱图中信号的离散程度当做区分病害信号和正常信号的识别特征。
图7为本实施例中空洞病害信号与正常信号特征值分布示意图;图8为本实施例中不密实病害信号与正常信号特征值分布示意图。如图7和图8所示,本实施例的衬砌病害自动辨识方法可有效的提取病害数据与正常数据的特征值。
在一个实施例中,所述步骤S3中的建立SVM样本集的具体步骤包括:分别从病害区域及其相邻非病害区域中各抽取N道信号,将抽取得到的2N道信号分为两组,组成信号集合Ω;其中,前N信号为病害信号,后N道信号为正常信号,并将信号进行编号;分别计算三个辨识特征:单道信号最大振幅AT、能量ET和频谱标准差ST。
基于图2所示的应用实例,从病害区域及其相邻非病害区域中各抽取40道信号,将抽取得到的80道信号分为两组,组成信号集合Ω;其中,前40道信号为病害信号,后40道信号为正常信号,并将信号进行编号。
以信号集合Ω构成样本集Cn,前40道信号为病害信号,样本标签为“1”,后40道信号为正常信号,样本标签为“-1”;分别取最大振幅AT、能量ET和频谱标准差ST为样本特征,表达式如下:
Cn=[An,En,Sn](1≤n≤40,标签“1”;41≤n≤80,标签“-1”)
在本应用实例中,将试验测得空洞病害的雷达数据根据信号的水平分布,从四个空洞病害位置处各抽取10道信号,再从四个空洞病害相邻非病害区域抽取40道信号,将抽取得到的80道信号分为两组,组成信号集合Ω。
在一个实施例中,所述步骤S3中构建二分类模型及模型精度验证的具体步骤包括:
分别取编号1-N/2和N+1-3N/2的信道数组成训练集svmtrain,取编号N/2-N和3N/2+1-2N的信道数组成测试集svmtest。将训练集svmtrain进行归一化处理,再用训练集生成的训练规则对测试集svmtest进行归一化。
基于图2所示的应用实例,分别取编号1-20和41-60的信道数组成训练集svmtrain,取编号21-40和61-80的信道数组成测试集svmtest。
优选地,采用RBF核函数对训练集svmtest进行SVM训练,采用交叉验证,利用gridregression.py软件包搜索最优惩罚系数C和核函数参数g。基于所得二分类模型,对测试集svmtest进行测试和预测。测试集预测结果精度达到90%时可以进行自动辨识。
图9为对空洞病害数据建立测试集svmtest的预测结果,图10为对不密实病害数据建立测试集svmtest的预测结果。如图9所示,对空洞病害数据的预测结果精度为95%,如图10所示,对不密实病害数据的预测结果为92.5%;测试集实际分类结果和预测结果精度基本一致,表明训练所得二分类模型有着较强的病害信号分辨能力,可以进行接下来的病害识别。
图11为对空洞病害的自动辨识结果,图12为对不密实病害自动辨识结果。如图11和图12所示,采用本实施例基于地质雷达的隧道衬砌典型病害自动辨识方法,可以有效的对隧道衬砌的空洞病害、不密实病害进行有效、精确的识别。
由以上技术方案可以看出,本发明实施例基于地质雷达的隧道衬砌典型病害自动辨识方法,可以解决人工解译过程中效率低下问题,提升图像解译的效率;利用Matlab软件对处理后的雷达数据进行读取,并在时域、频域两方面选取出最大振幅AT、能量ET、频谱标准差ST三个可以对病害信号进行有效区分的病害特征,可以为对后续的病害辨识提供有效的辨识依据,提高辨识结果精度;使用支持向量机建立二分类模型对病害信号和正常信号进行区分,核函数可以将低维数据映射到高维空间中,方便构建二分类超平面。同时,通过核函数如RBF核函数建立的二分类模型辨识精度较高,可以有效解决图像解译中的精度较低问题。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本领域普通技术人员可以理解:实施例中的装置中的部件可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的部件可以合并为一个部件,也可以进一步拆分成多个子部件。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于地质雷达的隧道衬砌典型病害自动辨识方法,其特征在于,所述方法包括以下步骤:
步骤S1,对典型衬砌病害数据进行去噪处理,并存储处理完的数据;
步骤S2,对处理后的雷达数据进行读取,并在时域、频域两方面进行病害信号特征提取,得到最大振幅AT、能量ET、频谱标准差ST三个辨识特征;
步骤S3,基于支持向量机SVM理论,结合核函数建立SVM样本集和二分类模型,并对模型精度进行验证,利用所述二分类模型进行隧道衬砌典型病害的自动辨识。
2.根据权利要求1所述的隧道衬砌典型病害自动辨识方法,其特征在于,
所述雷达数据,至少包括空洞病害和/或不密实病害数据;
所述去噪处理,通过REFLEXW软件完成;所述存储数据,以‘.asc’格式存储;
所述对雷达数据的读取,通过Matlab软件完成。
3.根据权利要求1或2所述的隧道衬砌典型病害自动辨识方法,其特征在于,所述步骤S1中的具体操作包括以下步骤:
步骤S11,首先通过一维滤波,进行去直流漂移;
步骤S12,然后通过静校正,进行移动开始时间;
步骤S13,然后通过增益,进行能量衰减
步骤S14,然后通过二维滤波,进行抽取平均道;
步骤S15,然后通过一维滤波,进行巴特沃斯带通滤波;
步骤S16,最后通过二维滤波,进行滑动平均,将最终处理完的数据进行存储。
4.根据权利要求1或2所述的隧道衬砌典型病害自动辨识方法,其特征在于,所述步骤S2中的数据读取的具体步骤包括:
在REFLEXW软件目录组文件中的‘ASCII’文件夹下找到导出文件,并在Matlab软件中调用readasc.m文件进行读取,然后将读取到的数据信息存储到多维矩阵中;调用imread函数将病害雷达图导入Matlab软件,进而读取出正常信号和病害信号;从矩阵中提取出雷达信号,并将得到的雷达信号实现数据的可视化。
5.根据权利要求4所述的隧道衬砌典型病害自动辨识方法,其特征在于,所述实现雷达数据的可视化,利用plot函数来完成。
6.根据权利要求1或2所述的隧道衬砌典型病害自动辨识方法,其特征在于,所述步骤S2中的时域特征提取的具体步骤包括:从波形图上可以得到单道信号的最大振幅值AT以及该点所对应的时间深度;对单道信号的振幅值的平方求和得到电磁波能量ET。
7.根据权利要求1或2所述的隧道衬砌典型病害自动辨识方法,其特征在于,所述步骤S2中的频域特征提取的具体步骤包括:将提取出的雷达信号的离散数据点通过离散傅里叶变换转换为频谱图,所述离散傅里叶变换转换公式如下:
式(1)-(2)中,n为信号长度,即采样点数;Xi为单道信号幅值;为幅值平均数;ST为频谱标准差。
8.根据权利要求1或2所述的隧道衬砌典型病害自动辨识方法,其特征在于,所述步骤S3中的建立SVM样本集的具体步骤包括:
分别从病害区域及其相邻非病害区域中各抽取N道信号,将抽取得到的2N道信号分为两组,组成信号集合Ω;其中,前N信号为病害信号,后N道信号为正常信号,并将信号进行编号;分别计算三个辨识特征:单道信号最大振幅AT、能量ET和频谱标准差ST。
9.根据权利要求8所述的隧道衬砌典型病害自动辨识方法,其特征在于,所述步骤S3中构建二分类模型及模型精度验证的具体步骤包括:
分别取编号1-N/2和N+1-3N/2的信道数组成训练集svmtrain,取编号N/2-N和3N/2+1-2N的信道数组成测试集svmtest;将训练集svmtrain进行归一化处理,再用训练集生成的训练规则对测试集svmtest进行归一化。
10.根据权利要求9所述的隧道衬砌典型病害自动辨识方法,其特征在于,所述归一化处理,进一步包括:采用核函数对训练集svmtest进行SVM训练,采用交叉验证,利用gridregression.py软件包搜索最优惩罚系数C和核函数参数g;基于所得二分类模型,对测试集svmtest进行测试和预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910631001.9A CN110458028A (zh) | 2019-07-12 | 2019-07-12 | 一种基于地质雷达的隧道衬砌典型病害自动辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910631001.9A CN110458028A (zh) | 2019-07-12 | 2019-07-12 | 一种基于地质雷达的隧道衬砌典型病害自动辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110458028A true CN110458028A (zh) | 2019-11-15 |
Family
ID=68481166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910631001.9A Pending CN110458028A (zh) | 2019-07-12 | 2019-07-12 | 一种基于地质雷达的隧道衬砌典型病害自动辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458028A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021174857A1 (zh) * | 2020-03-03 | 2021-09-10 | 长安大学 | 沥青路面水损害识别模型构建方法、识别方法及系统 |
CN116203557A (zh) * | 2023-03-06 | 2023-06-02 | 北京交通大学 | 一种基于探地雷达的传统石砌墙体内部残损及异常物无损辨识方法 |
CN117079268A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种道路内部病害三维数据集构建方法及其使用方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109782274A (zh) * | 2019-01-31 | 2019-05-21 | 长安大学 | 一种基于探地雷达信号时频统计特征的水损害识别方法 |
-
2019
- 2019-07-12 CN CN201910631001.9A patent/CN110458028A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109782274A (zh) * | 2019-01-31 | 2019-05-21 | 长安大学 | 一种基于探地雷达信号时频统计特征的水损害识别方法 |
Non-Patent Citations (3)
Title |
---|
中国地球物理学会编: "《中国地球物理 2006》", 31 October 2006 * |
卢宾宾: "《R语言空间数据处理与分析实践教程》", 31 October 2018 * |
高永涛等: "基于GPR反射波信号多维分析的隧道病害智能辨识", 《工程科学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021174857A1 (zh) * | 2020-03-03 | 2021-09-10 | 长安大学 | 沥青路面水损害识别模型构建方法、识别方法及系统 |
CN116203557A (zh) * | 2023-03-06 | 2023-06-02 | 北京交通大学 | 一种基于探地雷达的传统石砌墙体内部残损及异常物无损辨识方法 |
CN116203557B (zh) * | 2023-03-06 | 2024-03-05 | 北京交通大学 | 一种基于探地雷达的传统石砌墙体内部残损及异常物无损辨识方法 |
CN117079268A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种道路内部病害三维数据集构建方法及其使用方法 |
CN117079268B (zh) * | 2023-10-17 | 2023-12-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种道路内部病害三维数据集构建方法及其使用方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458028A (zh) | 一种基于地质雷达的隧道衬砌典型病害自动辨识方法 | |
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
CN102959354B (zh) | 用于利用LiDAR数据来分析树冠层的方法和装置 | |
Wu et al. | LobeFinder: a convex hull-based method for quantitative boundary analyses of lobed plant cells | |
CN108573225A (zh) | 一种局部放电信号模式识别方法及系统 | |
CN105225227B (zh) | 遥感影像变化检测的方法及系统 | |
US7885448B2 (en) | Diagnostic scanning microscope for information-enriched qualitative histopathology | |
CN106650929B (zh) | 基于递归图的深度学习模型及在油水相含率测量中的应用 | |
CN108200644B (zh) | 一种基于网络可视图的无源室内定位方法 | |
CN111028016A (zh) | 销量数据预测方法、装置以及相关设备 | |
CN106295555A (zh) | 一种活体指纹图像的检测方法 | |
CN109086763B (zh) | 一种指针式仪表读取方法及装置 | |
CN109086679A (zh) | 一种毫米波雷达安检仪异物检测方法 | |
CN103994786A (zh) | 圆弧标尺线指针式仪表刻度的图像检测方法 | |
CN110717464B (zh) | 一种基于雷达数据的铁路路基病害智能识别方法 | |
CN104867225A (zh) | 一种纸币的面向识别方法及装置 | |
CN106771589B (zh) | 一种频谱分析实时瀑布图的实现方法 | |
CN112052813B (zh) | 染色体间易位识别方法、装置、电子设备及可读存储介质 | |
CN108171340A (zh) | 用于对单车报修信息进行鉴别的方法、设备和存储介质 | |
CN114664413B (zh) | 在治疗前对直肠癌治疗抵抗及其分子机制的预测系统 | |
KR102018480B1 (ko) | 하이브리드 인지재활 시스템 | |
CN107301497A (zh) | 工作记忆能力考核的方法及系统 | |
CN103826241A (zh) | 一种无线网络中室内外区分方法 | |
CN110501741A (zh) | 一种有效信号检测方法及系统 | |
CN108663675A (zh) | 用于生命探测雷达阵列多目标同时定位的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191115 |
|
RJ01 | Rejection of invention patent application after publication |