CN110826598B - 基于卷积神经网络的锚杆锚固密实度等级评定方法 - Google Patents

Abstract

本发明提供一种基于卷积神经网络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、平滑和对x方向修正等处理，得到规格化后的反射信号并绘制成波形图；根据数据长度建立不同的训练样本数据集和其波形图，使用人工方式获得分类标签，使用卷积神经网络训练获得相应的训练模型；在进行具体的分类时将本次测量的波形图输入到该分类模型中，进行一次正向计算，得到各分类概率，从而实现了锚杆锚固密实度的等级评定。该方法使用标准的卷积神经网络进行判定，具有稳定性好，现场适应性强、判定结果准确等特点，有较好的应用效果。

Description

基于卷积神经网络的锚杆锚固密实度等级评定方法

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卷积神经网络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评定锚固密实度等级的难度。

卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络，包含了由卷积层和子采样层构成的特征抽取器，以及将局部特征连接为全局特征的全连接层，在图像检测和分类中有较为广泛的应用。

为了实现对锚杆锚固密实度等级评定的定量化计算，考虑到依据反射信号对锚杆锚固密实度判断的实质是一种对波形或波形图像进行的识别，本发明提供了一种将采集到的反射信号绘制成图像后使用卷积神经网络技术对其等级进行评定的方法，既能满足规程要求，同时还有现场适应性好、判定结果准确的特点，具有较好的应用价值。

发明内容

基于卷积神经网络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；

杆底前反射信号指不超过杆底反射时程的反射信号；

超过杆底反射时程的需要在测量后去除；

这可以根据杆长和外露长预先确定；但要预留后续新零点前需要去除的点。

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，再计算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；

可先将以采样点个数为单位的横坐标，换算为对应的时间间隔，再按新的时间间隔重采样；从而实现X方向归一化；

重采样方法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。

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，绘制波形图；

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；

对规格化数据，按预先确定的图像大小，绘制波形图。

步骤6，生成样本数据集的波形图并进行人工标定；

采样声波反射法，针对典型应用场景和杆长进行现场测试，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和波形图；

对这些现场测量数据，采用人工标定方式，对锚杆锚固密实度进行等级评定，得到相应的分类标签；

最后得到经人工标定后的样本数据集、标签和对应的波形图。

可选地，步骤6还包括：构造长度不同的样本数据集；

针对上述已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；

为减少样本数据集的数量，可将数据长度按10取整。

步骤7，对样本数据集进行数据增强；

卷积神经网络对于数据集中样本的数量有一定的要求，若样本数量较小，则无法很好地满足神经网络模型训练的要求，最终会影响模型的分类性能；同时样本分布不均也会影响模型训练的效果；

样本不足或样本不均时，需要进行数据增强；

数据增强的方法可以为，将属于同一分类的且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；

也可以将属于同一分类的数据，从原始数据开始对Y方向进行随机的扰动，其强度控制在原始数据值的一个比例范围内；

也可以将属于同一分类的数据，从原始数据开始对X方向进行随机的扰动，其强度控制在原始数据值的一个比例范围内；

也可以对Y方向和X方向同时进行扰动；

所述其强度控制在原数据值的一个比例范围内，是指这种扰动不要导致数据分类标签的变化；

由于一般情况下C、D类样本数量偏少，通过上述方法增强后，若样本数依然不足时，应考虑根据行业标准的要求，人工生成相应的样本数据；

数据增强后的样本数据集，需保证各类别样本的数量基本一致，且达到一定的数量。

步骤8，将样本数据集中的波形图和标签输入到卷积神经网络进行训练；

先以均匀分布的方式将样本数据集打乱次序；

将样本数据集进行划分训练集和测试集，训练集用于模型训练，测试集用于验证模型正确率；

可以采用标准的卷积神经网络模块来搭建模型，模型包含输入层、卷积层、池化层、全连接层和softmax层等，其中输入层使用卷积层模块构造；

输入层将训练集中的波形图输入到模型；

卷积层按照给定的卷积参数对输入数据进行卷积计算，按指定步长在图像上滑动，提取图像特征；

池化层对上一层得到的结果做数值计算，减少参数数量，降低特征维度，进一步提取特征，改善网络输出；

全连接层将卷积提取的特征转换为向量形式，实现特征变换，输出分类结果；输出层使用归一化指数函数对分类结果的概率进行归一化；

训练中可使用DROPOUT和LRN等方法减少过拟合；

可选择K折交叉验证法对样本数据集进行划分和训练；计算多次K折交叉训练后的模型在测试集上的准确率；

选取训练次数、准确率等指标合适的模型作为锚杆锚固密实度评级的预测模型。

步骤9，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；

使用上述步骤1~5，得到本次测量经过规格化后的数值和波形图；找到长度对应的已经训练好的分类模型；

将本次测量的波形图输入到该分类模型中，进行一次正向计算；

模型将输出当前测量数据的分类预测结果，即每个类别的概率值；其中概率值最大的类别为本次测量数据的分类。

本方法使用卷积神经网络技术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和波形图；针对典型的应用场景和杆长，构造不同长度的数据集、波形图和标签向量；在必要的时候进行数据增强，使用K折交叉验证对训练集进行划分和训练；针对具体的测量，按相同的方法得到本次测量波形，输入到对应数据长度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；尤其是使用了不同的数据增强方法，实现了样本数据的增强和均衡，提高了分类的准确性；该方法具有现场适应性好，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。

基于卷积神经网络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；本实施例对反射信号的采样，使用采样次数固定的方式进行；如可在设备上设置采样次数为1000。

超过杆底反射时程的反射信号需要在测量后去除；

这可根据杆长和外露长预先确定；但要预留后续新零点前需要去除的点。

如对杆长6m外露长0.2m的情况，设波速4900m/s；杆底前反射信号时长约为2.53ms；设置采样次数固定为1000时，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；这个数字小于设定的采样点个数1000。

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，先求出反射信号在Y方向上的绝对值最大值，再计算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，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，可先将以采样点个数为单位的横坐标，换算为对应的时间间隔，再按新的时间间隔重采样；

如时间间隔为0.004444ms的数据，可按0.005ms的统一时间间隔重采样；从而实现X方向归一化；

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的时间间隔对应约589个采样点，而归一化到0.005ms的时间间隔对应约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，则每一个值用其自己与前4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，表明信号开始发生跳变，将此点确定为新零点；

新零点前的数据全部清空。

如该比例系数可设置为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个单位时间间隔单位，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变为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反射信号或波形，绘制波形图。

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；其Y值的个数称为数据长度。

以步骤2中的X方向统一时间间隔0.005为标准间隔值；若波形压缩1/3，则重新采样点个数约为原来504个点的2/3，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杆长，按照上述方法，得到的数据长度约为300~1000。

对规格化数据，按预先设定的图像大小，绘制波形图；

如将图像大小设置为800×600的大小；

按归一化的Y值确定Y方向坐标值和绘制比例；

按数据集的数据长度确定X方向的坐标值和绘制比例；

可以采用两个坐标点之间直接连线的方式绘制曲线；

可以不绘制坐标轴和刻度等辅助信息。

步骤6，生成样本数据集的波形图并进行人工标定；

采样声波反射法，针对典型应用场景和杆长进行现场测试，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和波形图；

对这些现场测量数据，采用人工标定方式，对锚杆锚固密实度进行等级评定，得到相应的分类标签；

最后得到经人工标定后的样本数据集、标签和对应的波形图。

可选地，步骤6还包括：构造长度不同的样本数据集；

针对上述已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；

为减少样本数据集的数量，可将数据长度按10取整；

如当归一化后的数据长度为500~520时，可以构造长度为500、510、520等长度的数据集。

步骤7，对样本数据集进行数据增强；

数据增强的方法可以为，将属于同一分类的且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；

也可以将属于同一分类的数据，从原始数据开始对Y方向进行随机的扰动，其强度控制在原始数据值的一个比例范围内；

也可以将属于同一分类的数据，从原始数据开始对X方向进行随机的扰动，其强度控制在原始数据值的一个比例范围内；

也可以对Y方向和X方向同时进行扰动；

由于一般情况下C、D类样本数量偏少，通过上述方法增强后，若样本数依然不足时，应考虑根据行业标准的要求，人工生成相应的样本数据；

数据增强后的样本数据集，需保证各类别样本的数量基本一致，且达到一定的数量；

通常情况下，每个样本数据集中，每类样本的数量不应少于2000。

步骤8，将样本数据集中的波形图和标签输入到卷积神经网络进行训练；

先以均匀分布的方式将样本数据集打乱次序；

将样本数据集进行划分训练集和测试集，训练集用于模型训练，测试集用于验证模型正确率；

可以采用标准的卷积神经网络模块来搭建模型，模型包含输入层、卷积层、池化层、全连接层和softmax层等，输入层使用卷积层模块构造；

输入层将训练集中的波形图和标签输入到模型；

卷积层按照给定的卷积参数对输入数据进行卷积计算，按指定步长在图像上滑动，提取图像特征；

池化层对上一层得到的结果做数值计算，减少参数数量，降低特征维度，进一步提取特征，改善网络输出；

全连接层将卷积提取的特征转换为向量形式，实现特征变换，输出分类结果；

softmax层使用归一化指数函数对分类结果的概率进行归一化。

如可以采用2层卷积层、2层池化层、2层全连接层的方式；

其中第一层卷积层采用的卷积核大小为5，通道数为1，步长为1，卷积核数量为16，第一层池化层的核尺寸为3，采用平均池化函数；

第二层卷积层采用卷积核大小为3，通道数为1，步长为1，卷积核数量为32，第二层池化层核尺寸为3，采用平均池化函数；

第一层全连接层神经元数量为1000；第二层全连接层神经元数量为4，两层全连接层的激活函数均使用ReLU函数。

训练中可使用DROPOUT和LRN等方法减少过拟合；

可选择K折交叉验证法对样本数据集进行划分和训练；

K折交叉验证是指将数据集随机分为K个包，每次将其中一个包作为测试集，剩下K-1个包作为训练集进行训练，即每一次K折交叉验证都包含K次训练；

计算N次K折交叉训练后的模型在测试集上的准确率作为训练的准确率；

选取训练次数、准确率等指标合适的模型作为锚杆锚固密实度评级的预测模型；

如K可设为5，N可设为10。

步骤9，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数值和波形图；找到长度对应的已经训练好的模型；

如本次规格化后的数据长度为545，可将数据长度为540的模型作为本次测量的分类模型；

将本次测量的波形图输入到该分类模型中，进行一次正向计算；

模型将输出当前测量数据的分类预测结果，即每个类别的概率值；其中概率值最大的类别为本次测量数据的分类。

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；尽管参照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.基于卷积神经网络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反射信号或波形，绘制波形图；

步骤6，生成样本数据集的波形图并进行人工标定；

步骤7，对样本数据集进行数据增强；

步骤8，将样本数据集中的波形图和标签输入到卷积神经网络进行训练；

步骤9，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。

2.根据权利要求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，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.根据权利要求1所述的方法，所述步骤3中的确定X方向的新零点，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.根据权利要求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，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.根据权利要求1所述的方法，所述步骤5中，重新插值获取修正后的反射信号或波形，绘制波形图，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；得到Y值序列，构成规格化后的波形或信号；

对规格化数据，按预先确定的图像大小，绘制波形图。

6.根据权利要求1所述的方法，所述步骤6中，生成样本数据集的波形图并进行人工标定，包括：

针对典型应用场景和杆长进行现场测试，得到一系列现场测量数据；

对这些测量样本数据，按上述步骤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；

最后得到经人工标定后的样本数据集、标签和对应的波形图。

7.根据权利要求1所述的方法，所述步骤6中，还包括：

可选地，构造长度不同的样本数据集；

针对上述已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；

为减少样本数据集的数量，将数据长度按10取整。

8.根据权利要求1所述的方法，所述步骤7中，对样本数据集进行数据增强，包括：

样本不足或样本不均时，需要进行数据增强；

可将属于同一分类的且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；

也可以将属于同一分类的数据，从原始数据开始对Y方向进行随机的扰动，其强度控制在原始数据值的一个比例范围内；

也可以将属于同一分类的数据，从原始数据开始对X方向进行随机的扰动，其强度控制在原始数据值的一个比例范围内；

也可以对Y方向和X方向同时进行扰动；

数据增强后的样本数据集，需保证各类别样本的数量基本一致，且达到一定的数量。

9.根据权利要求1所述的方法，所述步骤8中，将样本数据集中的波形图和标签输入到卷积神经网络进行训练，包括：

以均匀分布的方式将样本数据集打乱次序；

将样本数据集进行划分训练集和测试集，训练集用于模型训练，测试集用于验证模型正确率；

采用标准的卷积神经网络层，即输入层、卷积层、池化层、连接层和softmax层；

输入层使用卷积层模块构造；输入层将训练集中的波形图输入到模型；

输出层使用归一化指数函数对分类结果的概率进行归一化；

训练中使用DROPOUT和LRN方法减少过拟合；

选择K折交叉验证法对样本数据集进行划分和训练；计算多次K折交叉训练后的模型在测试集上的准确率；

选取训练次数、准确率指标合适的模型作为锚杆锚固密实度评级的预测模型。

10.根据权利要求1所述的方法，所述步骤9中，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，包括：

使用上述步骤1~5，得到本次测量经过规格化后的数值和波形图；找到长度对应的已经训练好的分类模型；

将本次测量的波形图输入到该分类模型中，进行一次正向计算；

模型将输出当前测量数据的分类预测结果，即每个类别的概率值；其中概率值最大的类别为本次测量数据的分类。

Images