CN110749650B - 基于支持向量机的锚杆锚固密实度等级评定方法 - Google Patents
基于支持向量机的锚杆锚固密实度等级评定方法 Download PDFInfo
- Publication number
- CN110749650B CN110749650B CN201910980864.7A CN201910980864A CN110749650B CN 110749650 B CN110749650 B CN 110749650B CN 201910980864 A CN201910980864 A CN 201910980864A CN 110749650 B CN110749650 B CN 110749650B
- Authority
- CN
- China
- Prior art keywords
- feature
- sample data
- values
- value
- support vector
- 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
Images
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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Acoustics & Sound (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于支持向量机的锚杆锚固密实度等级评定方法,通过声波反射法获取反射信号,通过对其进行归一化等处理,得到规格化后的反射信号;根据数据长度建立不同的训练样本数据集,对每个样本建立8+N1+N2维的特征矩阵,使用人工方式获得标签向量,使用支持向量机进行训练和分类,实现了锚杆锚固密实度的等级评定。该方法的全部判定均基于时域特征进行,具有适应性好、判定结果准确的特点,有较好的应用效果。
Description
技术领域
本发明属于工程测量领域,尤其涉及使用声波反射法对锚杆进行无损检测时的一种基于支持向量机的锚杆锚固密实度等级评定方法。
背景技术
锚杆支护技术广泛应用于各种支护工程,其原理是通过将锚杆锚入围岩内部,从而改变围岩本身的力学状态,可提高围岩的环向抗压强度,并有效地控制围岩的变形;锚杆的锚固密实度是评价能否达到上述工程目的的重要指标。
在工程应用中,通常采用声波反射法来实现对锚杆长度和锚杆锚固密实度的无损检测;声波反射法将激振声波信号作用在锚杆的露出端,使用加速度或速度传感器对反射信号进行检测,根据得到的反射信号,判定锚杆的长度和锚固密实度。
根据国家行业标准JGJ/T182-2009《锚杆锚固质量无损检测技术规程》的规定,锚杆的锚固密实度共分ABCD四个等级;在实际情况中,A级和B级确定为合格,C级和D级确定为不合格。
但是该标准仅给出了锚杆锚固密实度的定性判别标准,许多地方用词较为模糊,如对反射信号的描述为:“杆底反射信号微弱”、“有较弱的缺陷反射波”、“清晰的杆底反射波”等;对波形的描述为:“波形规则”、“波形较规则”、“波形欠规则”、“波形不规则”等;这类定性描述在实际应用中不容易掌握相应的尺度;另外标准中还给出了时域信号特征和幅频信号特征,若同时识别则在一定程度上增加了实现难度。
支持向量机是一种对数据进行二元分类的广义线性分类器,其基本思想是通过求解能够正确划分训练数据集并且几何间隔最大的分离超平面,来实现对样本的分类;多次二分类也可以构成多分类支持向量机,OpenCV函数库中就提供了多分类支持;支持向量机对小样本分类有较好的效果。
为了实现对锚杆锚固密实度等级评定的定量化计算,本发明提供了一种针对采集到的反射信号,使用支持向量机对锚杆锚固密实度等级进行评定的方法,仅针对反射信号的时域特征进行处理,既能满足规程要求,同时还有适应性好、判定结果准确的特点,具有较好的应用价值。
发明内容
基于支持向量机的锚杆锚固密实度等级评定方法,包括以下步骤。
步骤1,使用声波反射法获取锚杆的杆底前反射信号;
根据杆长、杆系波速及频域分辨率等因素,预先确定接收反射信号的长度和采样率;可用采样次数固定的方式对反射信号进行采样,也可用采用时间间隔固定的方式进行采样;
杆底前反射信号指不超过杆底反射时程的反射信号;
在本方法中超过杆底反射时程的数据需要在测量后去除;这可以根据杆长和外露杆长预先确定,但要预留后续新零点前需要去除的点,从而准确地得到杆底前反射信号。
步骤2,对反射信号进行归一化处理,包括Y方向归一化和X方向归一化;
Y方向归一化是振幅归一化,即将反射信号的纵坐标归一化到设定的振幅区间,避免因每次测量时激振信号强度不同造成的反射信号强度不同,从而使波形之间无法进行比较的情况;
振幅归一化的具体方法是,先求出反射信号在Y方向上的绝对值最大值,再设定的振幅区间值与该最大值的比例值,然后将所有的振幅值乘以该比例值,实现等比例缩放;
X方向归一化是时间归一化,即将反射信号的时间横坐标归一化到统一时间间隔;
时间归一化可以简单地采用插值算法进行。
步骤3,对反射信号进行平滑,确定X方向的新零点;
对反射信号进行平滑可以采用移动平均平滑方法,也可以采用其他高次平滑算法;
受到外露杆体长度不同的影响,信号波形图中最前面部分长度可能不一致,为了数据处理的一致性,需求取反射信号在X方向的新零点并去除新零点前的数据;
方法是从现有的零点开始,依次求取波形Y方向绝对值的移动平均值;同时计算从零点开始全部波形Y方向绝对值数据的全部平均值,若某点处移动平均值大于全部平均值的一个比例系数时,将该点确定为新零点;新零点前的数据全部清空。
步骤4,求取Y方向的峰值坐标以及X方向修正系数,并修正X坐标;
在反射信号的波形图中,Y轴正方向的峰值称为上峰值;
考虑到每次具体测量时,激振信号的强度和持续时间的不同,会导致反射信号的主频率或周期的不同,从信号的波形图上分辨,则表现在不同的测量,X方向的峰值间隔的不同;为了便于后续计算和比较,需要将其统一到一个基准上进行计算;
取第一个上峰值X方向的宽度作为本次测量的基准,计算该值与事先设定的标准值的比值作为修正系数,然后将全部峰值数据的X坐标乘以该比值进行修正;
也可以取前几个峰值的宽度的平均值作为本次测量的基准;
该修正相当于对反射信号的波形进行拉伸或压缩。
步骤5,重新插值获取修正后的反射信号或波形,即规格化数据;
使用与步骤2相同的X方向统一时间间隔作为标准间隔值,对经过上述处理后的反射信号,使用插值的方法进行重采样;称为规格化数据;
规格化后数据只使用Y值序列,即Y值和序号;使用该值构成规格化后的反射信号或波形;
对于相同杆长的锚杆,每次测量得到的Y值个数或数据长度可能是不一样的;
对于不同杆长的锚杆,每次测量得到的数据长度可能是不一样的;
所述数据长度,指反射信号的数据经过步骤1~5处理后的Y值的个数。
步骤6,准备样本数据集并进行人工标定;
采样声波反射法,针对典型的应用场景和典型的杆长进行现场测试,得到一系列现场测量数据;
对这些现场测量数据,按上述步骤1~5进行处理,得到规格化后的样本数据集;
对这些现场测量数据,采用人工标定方式,对其锚杆锚固密实度进行等级评定,得到相应的分类标签。
步骤7,构造长度不同的训练样本数据集;
针对上述已进行规格化和人工标定的样本数据集,按照不同的数据长度构造不同的样本数据集,然后对每一个样本数据集进行训练;
为减少待训练的样本数据集的数量,可将数据长度按10取整;
若样本数据集中某类样本数据的个数不足时,可以将属于同一分类的,数据长度大于该样本集数据长度的样本,截断到需要的长度来使用。
步骤8,对样本数据集,构造特征矩阵和标签向量;
对样本数据集中的每个样本,构造8+N1+N2维的特征向量;
样本数据集中有N个样本时,其特征组成N×(8+N1+N2)维的特征矩阵;
样本数据集中有N个样本时,其分类标签组成N×1维的标签向量;
所述对样本数据集中的每个样本,构造8+N1+N2维的特征向量,包括:
对样本数据集中的每个样本数据,计算下列特征值:
特征1:前N1个上峰值点Y值;
特征2:前N1个上峰值点直线拟合后的斜率;
特征3:前N1个上峰值点横坐标间隔平均值;
特征4:前N2个下峰值点Y值;
特征5:前N2个下峰值点直线拟合后的斜率;
特征6:前N2个下峰值点横坐标间隔平均值;
特征7:全部点Y值绝对值平均值;
特征8:全部点Y值绝对值方差;
特征9:全部上峰值点Y值平均值;
特征10:全部下峰值点Y值平均值;
所述特征1和特征4,取前N1个上峰值点和N2个下峰值点的Y值;
所述特征2和特征5,指分别对N1个上峰值点和N2个下峰值点进行直线拟合,得到拟合直线的斜率;
所述特征3和特征6,指先计算峰值点的横坐标间隔,即依次使用后一个峰值点的横坐标值减去前一个峰值点横坐标,再用得到的间隔值计算间隔平均值;
所述特征7和特征8,指对全部Y值的绝对值,求取均值和方差;
所述特征9和特征10,指对上峰值点和下峰值点的Y值,求取平均值;
上述特征值的个数或维度为8+N1+N2;
所述N1和N2,是预先确定的适应性常数。
步骤9,使用支持向量机,对每个样本数据集进行训练,得到最终的分类模型;
支持向量机可以使用三次二分类支持向量机,先将样本划分为AB和CD两类,再在AB类中区分A类和B类,在CD类中区分C类和D类;
支持向量机也可以使用具有多分类改进的支持向量机类型,直接将样本划分为ABCD四类;
支持向量机可使用高斯核函数作为核函数;
可以选择随机划分的方式划分训练集和测试集;
将训练好的模型作为最终的分类模型。
步骤10,针对某次的具体测量进行分类,得到本次测量的等级评定类别;
然后使用上述步骤1~5,得到本次测量经过规格化后的Y值序列,将数据长度按10取整,找到长度对应的已经训练好的分类模型;
按照步骤8计算中的方法,计算本次测量的特征值,组成一个1×(8+N1+N2)维的向量;
将该向量带入到该分类模型中进行分类,其输出结果作为本次测量的等级评定类别。
本方法使用支持向量机实现对锚杆反射信号的分类,首先通过一系列预处理,得到规格化后的反射信号数据;针对典型的应用场景和杆长,构造不同长度的数据集;根据特征提取和人工分类,得到特征矩阵和标签向量;对每一个数据集进行训练得到训练模型;针对具体的测量,按相同的方法得到本次测量特征值,输入到对应的分类模型中得到分类结果。该方法对反射信号的时域波形特征进行了复杂的预处理,为后续分类准备了质量良好的数据集;尤其是考虑到识别信号波形时主要依据最前面部分,后面的信号波形对结果影响不大,因此在训练时可以将同类别的数据长度较长的数据,截短了来使用,这增加了训练样本的数量,提高了分类的准确性;该方法具有适应性好,判定结果准确的特点。
附图说明
图1为本发明方法的流程示意图。
具体实施方式
为了更加清楚地展示本发明的目的和技术方案,下面将结合具体的实施过程和附图,对本发明的具体实施方式和参数进行更加详细的描述。
基于支持向量机的锚杆锚固质量等级评价方法,如图1所示,包含以下步骤。
步骤1,使用声波反射法获取锚杆的杆底前反射信号。
根据杆长、杆系波速及频域分辨率等因素,预先确定接收的反射信号的长度和采样率;本实施例对接收的反射信号的采样,使用采样次数固定的方式进行。
杆底前反射信号指不超过杆底反射时程的反射信号;在本方法中超过杆底反射时程的数据需要在测量后去除;这可以根据杆长和外露杆长预先确定,但要预留后续新零点前需要去除的点,从而准确得到杆底前反射信号。
如对杆长6m外露0.2m的情况,设波速4900m/s;杆底前反射的时长约为2.53ms;全部采样点设置为1000,时间间隔0.004444ms,可以计算出杆底前反射信号约为569个采样点;预留后续零点前待去除的20个,采样点数约为589个。
步骤2,对反射信号进行归一化处理,包括Y方向归一化和X方向归一化。
Y方向归一化是振幅归一化,其具体方法是,先求出反射信号在Y方向上的绝对值最大值,再设定的振幅区间值与该最大值的比例值,然后将所有的振幅值乘以该比例值,实现等比例缩放;
如设定的振幅区间为±1000,反射信号在Y方向上的绝对值最大值为100,求设定的振幅区间值1000与该最大值100的比例为10,则所有振幅均乘以10,这样就将信号等比例归一化到±1000区间。
X方向归一化是时间归一化,即将反射信号的时间横坐标归一化到统一时间间隔;
即将原来的以采样点个数为单位的横坐标,换算为对应的时间间隔,然后按新的时间间隔重采样;
如对时间间隔0.004444ms的数据,可将其归一化到0.005ms的同一时间间隔采样;时间归一化是一种重采样方法,可以简单地采用插值算法进行。
时间归一化后采样点的个数会改变;如前面的例子中,0.004444ms的间隔对应约589个采样点,归一化到0.005ms的间隔对应约524个采样点。
步骤3,对反射信号进行平滑,确定X方向的新零点。
对信号进行平滑可以采用移动平均平滑方法,也可以采用其他高次平滑算法;
如移动平均系数为5时,则对每一个值,用其前5个值的平均值代替。
确定X方向新的零点,可以从现有的零点开始,依次求取波形Y方向绝对值的移动平均值;同时计算从零点开始波形Y方向绝对值的全部平均值,若某点处的移动平均值大于全部平均值的一个比例系数时,确定该点为新零点;新零点前的数据全部清空。
如该比例设置为3时;按前面例子中的数据,需要清空的是归一化后数据中前面部分约10~20个采样点;设去掉20个,则剩余采样点数位504个。
步骤4,求取Y方向的峰值坐标以及X方向修正系数,并修正X坐标。
取第一个上峰值X方向的宽度作为本次测量的基准,计算该值与事先设定的系数的比值作为修正系数,然后将全部峰值数据的X坐标乘以该比值进行修正。
如该系数设定为20时,表示标准情况第一个上峰值宽度为20个单位时间间隔,以上面的归一化后时间间隔0.005ms为例,若某次测量第一个上峰值宽度为30个单位时间间隔,则需要将波形压缩1/3,压缩后该波形的第一个上峰值宽度为20;若某次测量第一个上峰值宽度刚好为20时,则不需要拉伸和压缩。
步骤5,重新插值获取修正后的发生信号或波形,即规格化数据。
以步骤2中的X方向新的统一时间间隔0.005为标准间隔值;若波形压缩为1/3,则重新采样点个数约为原来504个点的1/3,即约336个点;若不压缩,则采样点数不变。
按照典型的应用场景和典型的杆长,按照上述方法,得到的数据长度约为300~1000。
步骤6,准备样本数据集并进行人工标定。
采样声波反射法,针对典型的应用场景和典型的杆长进行现场测试,得到一系列现场测量数据;
对这些现场测量数据,按上述步骤1~5进行处理,得到规格化后的样本数据集;
对这些现场测量数据,采用人工标定方式,对其锚杆锚固密实度进行等级评定,得到相应的分类标签。
步骤7,构造长度不同的训练样本数据集。
针对上述已进行规格化和人工标定的样本数据集,按照不同的数据长度构造不同的样本数据集,然后对每一个样本数据集进行训练;
为减少待训练的样本数据集的数量,可将数据长度按10取整;
若样本数据集中某类样本数据的个数不足时,可以将属于同一分类的,数据长度大于该样本集数据长度的样本,截断到需要的长度来使用。
本算法使用支持向量机进行分类,每个样本数据集中,每类标签对应的数据建议大于200个。
为减少待训练的样本数据集的数量,可将数据长度按10取整。
步骤8,对样本数据集,构造特征矩阵和标签向量;
设N1=4;N2=4,对样本数据集中的每个样本,构造16维的特征矩阵;
样本数据集中有N个样本时,其特征组成N×16维的特征向量;
样本数据集中有N个样本时,其分类标签组成N×1维的标签向量。
所述对样本数据集中的每个样本,构造16维的特征向量,包括:
对样本数据集中的每个样本数据,计算下列特征值:
特征1:前N1个上峰值点Y值;
特征2:前N1个上峰值点直线拟合后的斜率;
特征3:前N1个上峰值点横坐标间隔平均值;
特征4:前N2个下峰值点Y值;
特征5:前N2个下峰值点直线拟合后的斜率;
特征6:前N2个下峰值点横坐标间隔平均值;
特征7:全部点Y值绝对值平均值;
特征8:全部点Y值绝对值方差;
特征9:全部上峰值点Y值平均值;
特征10:全部下峰值点Y值平均值;
所述特征1和特征4,取前N1个上峰值点和N2个下峰值点的Y值;
所述特征2和特征5,指分别对N1个上峰值点和N2个下峰值点进行直线拟合,得到拟合直线的斜率;
所述特征3和特征6,指先计算峰值点的横坐标间隔,即依次使用后一个峰值点的横坐标值减去前一个峰值点横坐标,再用得到的间隔值计算间隔平均值;
所述特征7和特征8,指对全部点Y值绝对值,求取均值和方差;
所述特征9和特征10,指对上峰值点和下峰值点的Y值,求取平均值;
上述特征1和特征4可计算8个特征值;其余每个特征计算1个特征值,全部特征值的个数或维度为16。
步骤9,使用支持向量机,对每个样本数据集进行训练,得到最终的分类模型;
本实施例支持向量机使用具有多分类改进的支持向量机类型,如使用Opencv3中的支持向量机函数Ptr<SVM>;类型设置为SVM::C_SVC ,异常值处罚因子设为10.0;使用高斯核函数作为核函数,核函数设置为径向基函数SVM::RBF;Gamma参数设置为0.01;
可以选择随机划分的方式划分训练集和测试集;
将训练好的模型作为最终的分类模型。
步骤10,针对某次的具体测量进行分类,得到本次测量的等级评定类别;
然后使用上述步骤1~5,得到本次测量经过规格化后的Y值序列,将数据长度按10取整,找到长度对应的已经训练好的分类模型;
如本次规格化后的Y值个数为345,则寻找数据长度为340的模型作为分类模型;
按照步骤8计算中的方法,计算本次测量的特征值,组成一个1×16维的向量;
将该向量带入到该分类模型中进行分类,其输出结果作为本次测量的等级评定类别。
最后应说明的是,以上实施例仅用以说明本发明的技术方案,而非对其进行限制;尽管前述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;或者修改各个步骤的使用顺序,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;本发明各种阈值及范围的取值,也会因为装置的具体参数不同而有所改变。
Claims (10)
1.基于支持向量机的锚杆锚固密实度等级评定方法,其特征在于,包括以下步骤:
步骤1,使用声波反射法获取锚杆的杆底前反射信号;
步骤2,对反射信号进行归一化处理,包括Y方向归一化和X方向归一化;
步骤3,对反射信号进行平滑,确定X方向的新零点;
步骤4,求取Y方向的峰值坐标以及X方向修正系数,并修正X坐标;
步骤5,重新插值获取修正后的发射信号或波形,即规格化数据;
步骤6,准备样本数据集并进行人工标定;
步骤7,构造长度不同的训练样本数据集;
步骤8,对样本数据集,构造特征矩阵和标签向量;
步骤9,使用支持向量机,对每个样本数据集进行训练,得到最终的分类模型;
步骤10,针对某次的具体测量进行分类,得到本次测量的等级评定类别;
所述步骤8,对样本数据集,构造特征矩阵和标签向量,包括:
对样本数据集中的每个样本数据,计算下列特征值:
特征1:前N1个上峰值点Y值;
特征2:前N1个上峰值点直线拟合后的斜率;
特征3:前N1个上峰值点横坐标间隔平均值;
特征4:前N2个下峰值点Y值;
特征5:前N2个下峰值点直线拟合后的斜率;
特征6:前N2个下峰值点横坐标间隔平均值;
特征7:全部点Y值绝对值平均值;
特征8:全部点Y值绝对值方差;
特征9:全部上峰值点Y值平均值;
特征10:全部下峰值点Y值平均值;
所述特征1和特征4,取前N1个上峰值点和N2个下峰值点的Y值,共N1+N2个值;
所述特征2和特征5,指分别对N1个上峰值点和N2个下峰值点进行直线拟合,得到拟合直线的斜率;
所述特征3和特征6,指先计算峰值点的横坐标间隔,即依次使用后一个峰值点的横坐标值减去前一个峰值点横坐标,再用得到的间隔值计算间隔平均值;
所述特征7和特征8,指对全部点Y值绝对值,求取均值和方差;
所述特征9和特征10,指对上峰值点和下峰值点的Y值,求取平均值;
上述特征值的个数或维度为8+N1+N2;其中特征1和特征4分别计算出N1和N2个值,其余8个特征分别计算出1个值;
样本数据集中有N个样本时,其特征组成N×(8+N1+N2)维的特征矩阵;其分类标签组成N×1维的标签向量;
所述N1和N2,是预先确定的适应性常数。
2.基于权利要求1所述的方法,所述步骤2中的Y方向归一化和X方向归一化,其特征在于,包括:
Y方向归一化指将反射信号的纵坐标归一化到设定的振幅区间;
X方向归一化指将反射信号的时间横坐标归一化到统一时间间隔。
3.基于权利要求1所述的方法,所述步骤3中的确定X方向的新零点,其特征在于,包括:
从现有的零点开始,依次求取波形Y方向绝对值的移动平均值;同时计算从零点开始全部波形Y方向绝对值数据的全部平均值,若某点处的移动平均值大于全部平均值的一个比例系数时,将该点确定为新零点;新零点前的数据全部清空。
4.基于权利要求1所述的方法,所述步骤4中求取Y方向的峰值坐标以及X方向修正系数,并修正X坐标,其特征在于,包括:
取第一个上峰值X方向的宽度作为本次测量的基准,计算该值与事先设定的标准值的比值作为修正系数,然后将全部峰值数据的X坐标乘以该比值进行修正;
该修正相当于对反射信号波形进行拉伸或压缩。
5.基于权利要求1所述的方法,所述步骤5中,重新插值获取修正后的发射信号或波形,其特征在于,包括:
使用与步骤2相同的统一时间间隔作为标准间隔值,对经过修正后的反射信号,使用插值的方法进行重采样;称为规格化数据;得到Y值序列,即Y值和序号;这两个值构成规格化后的波形或信号。
6.基于权利要求1所述的方法,所述步骤6中的准备样本数据集并进行人工标定,其特征在于,包括:
针对典型的应用场景和典型的杆长进行现场测试,得到一系列现场测量数据;
对这些测量样本数据,按所述步骤1~5进行处理,得到规格化后的样本数据集;
采用人工标定方式,对每次测量的锚杆锚固密实度进行等级评定,得到相应的分类标签。
7.基于权利要求1所述的方法,所述步骤7中的构造长度不同的训练样本数据集,其特征在于,包括:
针对上述已进行规格化和人工标定的样本数据集,按照不同的数据长度构造不同的样本数据集,然后对每一个样本数据集进行训练;
若样本数据集中某类样本数据的个数不足时,将属于同一分类的,数据长度大于该样本集数据长度的样本,截断到需要的长度来使用;
为减少待训练的样本数据集的数量,将数据长度按10取整。
8.基于权利要求1所述的方法,所述步骤9使用支持向量机,对每个样本数据集进行训练,得到相应的分类模型,其特征在于,包括:
支持向量机使用三次二分类支持向量机;
支持向量机使用高斯核函数作为核函数;
选择随机划分的方式划分训练集和测试集;
将训练好的模型作为最终的分类模型。
9.基于权利要求1所述的方法,所述步骤9使用支持向量机,其特征在于,还包括:
支持向量机使用具有多分类改进的支持向量机类型。
10.基于权利要求1所述的方法,所述步骤10针对某次的具体测量进行分类,得到本次测量的等级评定类别,其特征在于,包括:
然后使用所述步骤1~5,得到本次测量经过规格化后的Y值序列,将数据长度按10取整,找到长度对应的已经训练好的分类模型;按照步骤1中的计算方法,计算本次测量的特征值,组成一个1×(8+N1+N2)维的向量,带入到已经训练好的模型中进行分类,分类模型的输出结果作为本次测量的等级评定类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910980864.7A CN110749650B (zh) | 2019-10-16 | 2019-10-16 | 基于支持向量机的锚杆锚固密实度等级评定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910980864.7A CN110749650B (zh) | 2019-10-16 | 2019-10-16 | 基于支持向量机的锚杆锚固密实度等级评定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110749650A CN110749650A (zh) | 2020-02-04 |
CN110749650B true CN110749650B (zh) | 2021-11-02 |
Family
ID=69278492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910980864.7A Active CN110749650B (zh) | 2019-10-16 | 2019-10-16 | 基于支持向量机的锚杆锚固密实度等级评定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110749650B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102155231A (zh) * | 2011-03-18 | 2011-08-17 | 大连海事大学 | 一种隧道施工过程的快速反馈分析系统 |
CN102890117A (zh) * | 2012-02-15 | 2013-01-23 | 长江水利委员会长江科学院 | 一种长锚索锚固质量检测方法及装置 |
CN104698083A (zh) * | 2015-02-01 | 2015-06-10 | 山东科技大学 | 基于常时微动技术的锚固质量无损检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2015145914A1 (ja) * | 2014-03-28 | 2017-04-13 | 日本電気株式会社 | アンカーボルトの診断システム、その方法およびプログラム |
CN110208375B (zh) * | 2019-06-13 | 2021-12-14 | 石家庄铁道大学 | 一种锚杆锚固缺陷的检测方法及终端设备 |
-
2019
- 2019-10-16 CN CN201910980864.7A patent/CN110749650B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102155231A (zh) * | 2011-03-18 | 2011-08-17 | 大连海事大学 | 一种隧道施工过程的快速反馈分析系统 |
CN102890117A (zh) * | 2012-02-15 | 2013-01-23 | 长江水利委员会长江科学院 | 一种长锚索锚固质量检测方法及装置 |
CN104698083A (zh) * | 2015-02-01 | 2015-06-10 | 山东科技大学 | 基于常时微动技术的锚固质量无损检测方法 |
Non-Patent Citations (3)
Title |
---|
声波反射技术在锚杆质量检测中的应用;毛红梅;《路基工程》;20101231;第250页,第251页 * |
混凝土中锚杆锚固强度的SVM回归模型;雷进生 等;《长江科学院院报》;20150131;第32卷;第118-119页 * |
锚杆锚固质量的定量分析方法;陈建功 等;《重庆大学学报》;20090930;第32卷(第9期);第1044页,第1045页,第1046页左栏第1段,第1047页左栏第1-5段 * |
Also Published As
Publication number | Publication date |
---|---|
CN110749650A (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116843678B (zh) | 一种硬碳电极生产质量检测方法 | |
CN109782274B (zh) | 一种基于探地雷达信号时频统计特征的水损害识别方法 | |
CN100451895C (zh) | 用于控制工业过程的质量的方法 | |
CN104597124B (zh) | 一种基于声音频谱拟合的金属罐装产品质量在线检测方法 | |
CN110455923B (zh) | 一种锚杆锚固质量等级快速评价方法 | |
CN114878582A (zh) | 一种特钢的缺陷检测分析方法及系统 | |
CN113695713A (zh) | 一种热水器内胆焊接质量在线监测方法及装置 | |
CN110568082A (zh) | 一种基于声发射信号的缆索断丝的判别方法 | |
CN115546155A (zh) | 一种基于机器视觉的铆钉尺寸检测方法 | |
CN111783616A (zh) | 一种基于数据驱动自学习的无损检测方法 | |
CN113720914B (zh) | 超声波探伤系统及超声波探伤方法 | |
CN110749650B (zh) | 基于支持向量机的锚杆锚固密实度等级评定方法 | |
CN117434153B (zh) | 基于超声波技术的道路无损检测方法及系统 | |
CN110935646A (zh) | 基于图像识别的全自动螃蟹分级系统 | |
CN114972353B (zh) | 一种金属高压特种管件质量评估方法及系统 | |
CN110826598B (zh) | 基于卷积神经网络的锚杆锚固密实度等级评定方法 | |
CN110455922B (zh) | 一种基于k近邻法的锚杆锚固质量等级评定方法 | |
CN115753002A (zh) | 飞行器抖振气动力的预测系统及方法 | |
CN114881938A (zh) | 基于小波分析和神经网络的晶粒度检测方法及系统 | |
CN113408805A (zh) | 一种雷电地闪识别方法、装置、设备及可读存储介质 | |
CN113624759A (zh) | 一种基于机器学习的苹果无损检测方法 | |
CN110532635A (zh) | 一种基于时域的管道泄漏检测算法 | |
CN110007342A (zh) | 一种用于低信噪比地震信号的时频域直接拾取初至方法及系统 | |
CN113837163B (zh) | 一种基于三维探地雷达的隧道监测方法、系统以及存储介质 | |
CN112730634B (zh) | 一种混凝土缺陷检测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |