CN113219063A - 一种基于声振信号深度学习的混凝土结构内部缺陷成像系统与方法 - Google Patents

一种基于声振信号深度学习的混凝土结构内部缺陷成像系统与方法 Download PDF

Info

Publication number
CN113219063A
CN113219063A CN202110386678.8A CN202110386678A CN113219063A CN 113219063 A CN113219063 A CN 113219063A CN 202110386678 A CN202110386678 A CN 202110386678A CN 113219063 A CN113219063 A CN 113219063A
Authority
CN
China
Prior art keywords
defect
module
signal
signals
data
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.)
Granted
Application number
CN202110386678.8A
Other languages
English (en)
Other versions
CN113219063B (zh
Inventor
陈军
尚高
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202110386678.8A priority Critical patent/CN113219063B/zh
Publication of CN113219063A publication Critical patent/CN113219063A/zh
Application granted granted Critical
Publication of CN113219063B publication Critical patent/CN113219063B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
    • G01N29/0654—Imaging
    • G01N29/069—Defect imaging, localisation and sizing using, e.g. time of flight diffraction [TOFD], synthetic aperture focusing technique [SAFT], Amplituden-Laufzeit-Ortskurven [ALOK] technique
    • 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
    • G01N29/22—Details, e.g. general constructional or apparatus details
    • G01N29/26—Arrangements for orientation or scanning by relative movement of the head and the sensor
    • G01N29/265—Arrangements for orientation or scanning by relative movement of the head and the sensor by moving the sensor relative to a stationary material
    • 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
    • G01N29/4481—Neural networks
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

一种基于声振信号深度学习的混凝土结构内部缺陷成像系统，基于智能电动车，检测设备包括信号发生与声场拾音装置、分析处理模块以及远程操作系统等，当电动车在混凝土板表面行走时，信号发生装置连续对混凝土板面进行冲击使得板面附近形成声波场时域信号利用声场拾音装置接收，采样形成声波场数字信号；对采样信号进行滤波处理后利用自动检测模块中以训练好的分类器对数据进行实时检测，经过对混凝土板面的全域检测，最终在缺陷成像模块中进行缺陷成像。本发明具有对混凝土结构内部缺陷位置进行实时、高效和准确的检测与定位等特点。通过缺陷成像便于工程人员准确的掌握混凝土结构内部缺陷位置并对其进行修复，防止产生更大的危害与经济损失。

Description

一种基于声振信号深度学习的混凝土结构内部缺陷成像系统 与方法
技术领域
本发明属于利用深度学习对混凝土结构内部缺陷进行检测的技术领域，可用于混凝土内部缺陷的快速无损检测与缺陷成像，特别涉及一种混凝土结构内部缺陷成像系统与方法。
技术背景
近年来以混凝土为建筑材料的基础设施得到大量的修建，由于环境因素和长期交通荷载的影响下，混凝土结构不断的退化，分层和空洞为混凝土结构最常见的两个问题。我国每年都要投入大量的资金来改善结构状况来维持它的寿命。准确有效的结构评估有助于工程人员做出正确的维护决策，降低维修成本。由于是内部缺陷无法从表面直接观察，因此研究者提出了许多针对混凝土结构内部缺陷的检测方法与技术。
采用冲击回波的对混凝土板进行损伤检测的方法已被一些学者研究，为了提高对板的检测效率，一些自动检测系统与方法被提出。Jinying Zhu利用球链作为冲击源的自动检测系统对板面进行冲击，收集不同区域的信号经过短时傅里叶变换后求其能量值对板面进行损伤成像。这种方法存在的问题是链球在拖拽过程中，与板面的冲击响应较小且摩擦过大导致信噪比过小。Gang Zhang等人设计了一种自动分层检测系统来收集板面冲击信号，并采用神经网络对梅尔频率倒谱系数作为分层特征进行检测。这种方法存在的问题是他的自动检测系统需要人力推动检测车，但人为因素的干扰容易导致检测精确度不高。为了解决以上方法的不足，设计寻找一种可以实现高效准确的对混凝土结构内部损伤的检测系统与技术变得重要。
发明内容
为了克服现有技术的缺点，本发明的目的是提供一种基于声振信号深度学习的混凝土结构内部缺陷成像系统与方法，可以用于对结构内部缺陷位置进行实时、高效和准确的检测与定位。以便对缺陷所处位置进行精准修复。本发明基于声学方法对混凝土结构内部缺陷进行快速无损检测，通过信号发生与采集装置对冲击源作用于混凝土表面产生的信号进行收集。麦克风传感器连接信号适调器对麦克风进行供电并对信号进行调节与放大。然后与信号采集仪相连，信号可以通过信号采集仪将数据实时传输至远程控制装置中，对收集到含有缺陷的自制混凝土结构的一维振动信号输入到神经网络中进行训练得到一个训练模型。因为神经网络可以自动提取并学习不同区域的声振信号来达到对不同信号状态的分类，最后利用训练好的模型可以实现对其他未知缺陷位置的混凝土结构进行快速准确的内部缺陷实时在线检测。
为了实现上述目的，本发明的技术方案是：
一种基于声振信号深度学习的混凝土结构内部缺陷成像系统，设置于智能电动车设备上。
所述检测设备包括：
信号发生与声场拾音装置，用于电动车在混凝土板表面行走的过程中用拾音装置收集信号发生装置产生冲击声振时域信号。
信号调理模块，用于对拾音设备供电，并对拾取的声振时域信号调理处理与放大，以便于信号的传输。
数据采集模块，用于同步采集由信号调理模块传输的不同冲击位置相关的声振时域信号。
远程操作系统，包括信号处理模块，神经网络学习模块，自动检测模块与缺陷成像模块。用于对被采集的数据进行进一步的分析处理。
所述信号发生与声场拾音装置与信号调理模块之间通过有线通讯实现信息传输与供电支持；所述信号调理调理模块进行信号调理处理包括放大、滤波，以将信号转换成数据采集模块能够识别的标准信号；所述数据采集模块将声振时域信息通过无线通讯方式传输到远程操作系统。
所属远程操作系统对时域信号的分析与处理步骤如下：
信号处理模块，首先将采集到的原始信号进行滤波处理，消除环境噪音等异常值，并去掉电动车启动及停止所需时间的声音信号数据，然后对不同位置收集到的数据进行划分，并将处理后的时域信号储存在计算机指定位置，便于数据实时存取以及进行后续操作。
所述神经网络学习模块，在进行自动检测前，我们触发网络学习模块来对已知缺陷的混凝土板的声振信号进行训练得到一个分类器。
所述自动检测模块，当得到分类模型后，我们触发自动检测模块来检测未知的混凝土板的缺陷位置，根据实时传入的声振时域信息，可以对被检测区域是否存在缺陷进行实时的判断。
所述缺陷成像模块，当对板面检查区域进行完全扫查后，缺陷成像模块会根据模型输出的判断参数对板进行缺陷成像，将缺陷位置反馈给工程人员以便对其采取及时而有效的措施进行修复以免造成更大的伤害。
所述智能电动设备上设置有为基于声振信号深度学习的混凝土结构内部缺陷成像系统提供电源支持的机载锂电池。
和现有的混凝土结构内部缺陷检测系统与方法相比较，本发明具有实时自动行驶、连续、实时等的特点。非常适合对大面积混凝土板进行缺陷检测，尤其是利用深度学习对声振信号进行处理与分析，很大程度的提高了缺陷检测的效率与精度，并可实时对混凝土表面进行全域的检测与缺陷成像，可以提高检测效率，给工程人员提供参考进行精准修复，使得混凝土结构缺陷检测的经济型与检测的精细化得到保障。
附图说明
图1为本发明原理示意图。
图2为本发明的信号发生与声场拾音装置示意图。
图3为本发明网络结构模块的结构图。
图4为本发明的一个实施例的混凝土板缺陷声振信号收集示意图。
具体实施方式
下面结合该检测系统与方法原理和实施例，对本发明的装备与方法做进一步的详细描述。以下实施例和附图用于说明本发明所提机载声波检测设备与方法具体的检测实施过程，但不是用来限定本发明的范围。
图1所示，本发明一种基于声振信号深度学习的混凝土结构内部缺陷成像系统，设置于智能电动车上，实施对未知缺陷位置的混凝土板的检测作业，电动车上设置有为检测系统提供电源支持的机载锂电池。
检测设备包括：
信号发生与声场拾音装置，如图2所示，该装置由电磁冲击器与麦克风传感器组成固定于小车尾部的钢架上，电磁冲击器对混凝土板表面冲击产生声振时域信号后利用麦克风传感器进行收集。同时继电器控制着电磁冲击器向下冲击板面与回缩的时间长短，这样就可以根据不同的场景设置相应的时间间隔。装置外层利用隔音泡沫来隔绝其他噪音的干扰。
信号调理模块，与信号发生与声场拾音装置之间通过有线通讯实现信息传输与供电支持，对麦克风传感器收集到的声振时域信号进行放大、滤波等信号调理处理，将信号转换成数据采集模块能够识别的标准信号。
数据采集模块，用于同步采集由信号调理模块传输的不同冲击位置相关的声振时域信号。并将采集到的信号通过无线通讯方式实时传输到远程操作系统。
远程操作系统由信号处理模块，神经网络学习模块，自动检测模块与缺陷成像模块组成。
信号处理模块，首先将采集到的原始信号进行滤波处理，消除环境噪音等异常值，并去掉电动车启动及停止所需时间的声音信号数据，然后对不同位置收集到的数据进行划分，并将处理后的时域信号储存在计算机指定位置，便于数据实时存取以及进行后续操作。
神经网络学习模块，在对未知缺陷位置的混凝土板进行自动检测前，先要触发神经网络学习模块对已知缺陷位置的混凝土板进行数据收集并训练分类器。本发明采取全卷积神经网络(FCN)进行训练，网络结构如图3所示，它由卷积层，BN+RULE层，池化层和Softmax组成，在声振一维时间序列信号输入进行训练时，首先要设置好各种参数，其次对数据进行归一化，归一化方法是从卷积层中减去最小批量数据的均值，再除以最小批量数据中的方差。神经网络的每个隐藏层也需要进行标准处理，即批量归一化。批量归一化不仅可以加快了模型的收敛速度，而且更重要的是在一定程度缓解了深层网络中“梯度弥散”的问题。
时间卷积块把在时间序列中提取的特征输入到全局平均池化层，它可以代替传统卷积神经网络的全连接层和降低训练得到的参数数量，从而抑制了过拟合。最后隐藏层连接多个输出节点进行输出分类结果，在训练过程中利用交叉熵函数计算损失，利用Adam优化器对模型进行优化。
实例中在混凝土板内部按一定的比例设计缺陷尺寸。这些缺陷有浅分层和深分层、大分层和小分层、分层和空洞。对设计好的板在其表面进行网格划分，如图4所示，将宽为R的板面进行全域内规划N条施工条带(S1,S2,S3,…,SN-2,SN-1,SN)。横向有效的区域长度为L，同样将数据采集带均分成m份(B1,B2,B3,…,Bm-3,Bm-2,Bm-1,Bm)，这样每个网格的大小即代表分辨率的大小，电动车从Start区域开始触发信号发生与声场拾音装置中的电磁冲击器并利用麦克风传感器对声振信号进行收集，在Stop处关闭信号发生与声场拾音装置，每个网格收集一个声振信号。依次对每个纵向数据带进行信号拾取。
利用信号发生与声场拾音装置拾取电动车从Start至Stop全域冲击过程中的声振信号。先通过信号调理模块对采集到的声振时域信号进行放大与滤波去噪，然后由数据采集模块对数据进行同步采集，数据采集模块硬件采用具有无线传输至远程系统的信号采集仪。采集到的信号通过无线实时传输到远程操作系统。系统中的信号处理模块软件对采集到的声振时域信号进行滤波处理，并对采集到时域信号数据中的Start与Stop部分的声信号，将未损伤区域的一维时域信号设为无损伤数据集，将分层与空洞区域板面收集的一维时域数据设置为损伤数据集。将两类数据集按一定比例划分为训练集与验证集放入FCN进行训练。神经网络强大的特征提取能力可以对不同类别的一维信号进行学习，最终训练一个可以区分板面有无缺陷的分类器储存于自动检测模块用于对其他位置缺陷位置的板面进行无损检测。
自动检测模块，用于储存神经网络训练好的分类器的存放，当我们利用自动检测系统检测其他未知缺陷位置的混凝土板时，开启自动检测模块，利用神经网络模块训练好的分类器对板面进行自动检测。
在对未知缺陷的混凝土板进行信号拾取时，同样的首先按图4的方法对板板进行网格划分，每经过一个网格拾取一个声振信号，信号的传递路径与前述方法相同，只是检测时信号到达的是自动检测模块。当信号达到自动检测模块后，在神经网络学习模块中训练好的分类器对声振信号做出实时判断该检测区域是否存在缺陷。
缺陷成像模块，用于对板面全域扫查后进行缺陷成像。我们将被检测板板的所有网格的无损区域数据与有损伤区域数据按顺序输入到缺陷成像模块，最终每输入一个数据缺陷成像模块中就会输出基于缺陷存在的概率值作为判定标准。由于属于有无损伤的二分类问题，那么输入数据为无损区域的信号时，输出的缺陷存在概率值较低，输入数据为有缺陷区域的信号时，输出的缺陷存在概率值较高。
最终将在缺陷成像模块中，根据板面全域的缺陷存在概率值分布的大小得到被检测的板面区域的缺陷图，在此缺陷图中损伤区域的颜色较深，未损伤区域的颜色相对较浅。
在缺陷成像模块中，利用Softmax函数对输入的时域信号进行计算，最终得到每个数据的概率分布向量。Softmax函数表达式如下：
Figure BDA0003015333990000031
其中z1和z2分别为检测结果为非缺陷区域和缺陷区域数据通过计算后的输出值，P(z2)为每个数据输入到缺陷成像模块当中后预测到的缺陷状态的概率值大小。
上述设备与方法能够在智能电动车进行检测作业过程中，实时、高效、精准地识别出各个检测单元是否存在缺陷，最终对混凝土板进行全域扫查后对缺陷进行定位与成像。便于工程人员准确的掌握混凝土结构的内部缺陷位置并对其进行修复，防止产生更大的危害与经济损失。

Claims (8)

1.一种基于声振信号深度学习的混凝土结构内部缺陷成像系统，设置于加载设备上，包括检测设备，所述加载于智能电动车上，实施现场无损检测作业，其特征在于，所述检测设备实时采集混凝土结构表面的声振信号时，对信号进行调理处理，并通过进一步分析处理得出实时检测区域健康状态，当对规定区域完成检测后通过缺陷成像模块对混凝土结构进行缺陷成像。
2.根据权力要求1所述基于声振信号深度学习的混凝土结构内部缺陷成像系统，其特征在于，所述检测设备包括：
信号发生与声场拾音装置，用于电动车在混凝土板表面行走的过程中用拾音装置收集信号发生装置产生冲击声振时域信号。
信号调理模块，用于对拾音设备供电，并对拾取的声振时域信号调理处理与放大，以便于信号的传输。数据采集模块，用于同步采集由信号调理模块传输的不同冲击位置相关的声振时域信号。
远程操作系统，包括信号处理模块，神经网络学习模块，自动检测模块与缺陷成像模块。用于对被采集的数据进行进一步的分析处理,实现远程实时的对被检测区域的缺陷检测，最终通过缺陷成像模块对被检测区域进行缺陷成像。
3.根据权力要求2所述基于声振信号深度学习的混凝土结构内部缺陷成像系统，其特征在于，所述远程操作系统包括：
信号处理模块，用于将采集到的原始信号进行滤波处理，消除环境噪音等异常值，并去掉电动车启动及停止所需时间的声音信号数据，然后对不同位置收集到的数据进行划分，并将处理后的时域信号储存在计算机指定位置，便于数据实时存取以及进行后续操作。
所述神经网络学习模块，用于在进行自动检测前，我们触发网络学习模块来对已知缺陷的混凝土结构的声振信号进行训练得到一个分类器。
所述自动检测模块，当得到分类模型后，我们触发自动检测模块来检测未知的混凝土结构的缺陷位置，根据实时传入的声振时域信息，可以对被检测区域是否存在缺陷进行实时的判断。
所述缺陷成像模块，用于对混凝土板面检查区域进行完全扫查后，缺陷成像模块会根据模型输出的判断参数对结构进行缺陷成像，将缺陷位置反馈给工程人员以便对其采取及时而有效的措施进行修复以免造成更大的伤害。
4.根据权力要求2所述基于声振信号深度学习的混凝土结构内部缺陷成像系统，其特征在于，所述信号发生与声场拾音装置与信号调理模块之间通过有线通讯实现信息传输与供电支持；所述信号调理调理模块进行信号调理处理包括放大、滤波，以将信号转换成数据采集模块能够识别的标准信号；所述数据采集模块将声振时域信息通过无线通讯方式传输到远程操作系统。所述远程操作系统对被采集的数据做进一步的分析处理，实现远程实时的对被检测区域的缺陷检测，最终通过缺陷成像模块对被检测区域进行缺陷成像。
5.根据权力要求2所述基于声振信号深度学习的混凝土结构内部缺陷成像系统，其特征在于，所述信号发生和声场拾音装置该由电磁冲击器与麦克风传感器组成固定于小车尾部的钢架上，电磁冲击器对结构冲击产生声振时域信号后利用麦克风传感器进行收集，同时继电器控制着电磁冲击器向下冲击板表面与回缩的时间长短，这样就可以根据不同的场景设置相应的时间间隔，装置外层利用隔音泡沫来隔绝其他噪音的干扰。
6.根据权力要求3所述基于声振信号深度学习的混凝土结构内部缺陷成像系统，其特征在于，所述缺陷成像模块用于对混凝土板全域扫查后进行缺陷成像，我们将被检测板面的所有网格的无损区域数据与有损伤区域数据按顺序输入到缺陷成像模块，最终每输入一个数据缺陷成像模块中就会输出基于缺陷存在的概率值作为判定标准。在缺陷成像模块中，利用Softmax函数对输入的时域信号进行计算，最终得到每个数据的概率分布向量，由于属于有无损伤的二分类问题，那么输入数据为无损区域的信号时，输出的缺陷存在概率值较低，输入数据为有缺陷区域的信号时，输出的缺陷存在概率值较高，最终将在缺陷成像模块中，根据结构全域的缺陷存在概率值分布的大小得到被检测的结构区域的缺陷图，在此缺陷图中损伤区域的颜色较深，未损伤区域的颜色相对较浅。
7.根据权力要求1所述基于声振信号深度学习的混凝土结构内部缺陷成像系统，其特征在于，所述加载设备上设置有为基于声振信号深度学习的混凝土结构内部缺陷成像系统提供电源支持的机载锂电池。
8.一种基于声振信号深度学习的混凝土结构内部缺陷成像方法，其特征在于，实时采集智能电动车在混凝土板表面行走过程中的声振信号，对信号进行调理处理，通过进一步分析处理得出混凝土结构每个区域的缺陷概率值，根据这些缺陷概率值可以将检测区域进行缺陷成像，缺陷概率值大的地方颜色深，概率值低的地方颜色浅。
CN202110386678.8A 2021-04-12 2021-04-12 一种基于声振信号深度学习的混凝土结构内部缺陷成像系统与方法 Active CN113219063B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110386678.8A CN113219063B (zh) 2021-04-12 2021-04-12 一种基于声振信号深度学习的混凝土结构内部缺陷成像系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110386678.8A CN113219063B (zh) 2021-04-12 2021-04-12 一种基于声振信号深度学习的混凝土结构内部缺陷成像系统与方法

Publications (2)

Publication Number Publication Date
CN113219063A true CN113219063A (zh) 2021-08-06
CN113219063B CN113219063B (zh) 2022-11-29

Family

ID=77086885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110386678.8A Active CN113219063B (zh) 2021-04-12 2021-04-12 一种基于声振信号深度学习的混凝土结构内部缺陷成像系统与方法

Country Status (1)

Country Link
CN (1) CN113219063B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
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
JP2009222681A (ja) * 2008-03-18 2009-10-01 Kitami Institute Of Technology コンクリート構造物の診断ロボットシステム
CN105926419A (zh) * 2016-05-23 2016-09-07 桂仲成 道面自主检测机器人系统及检测方法
CN108153306A (zh) * 2017-12-19 2018-06-12 成都圭目机器人有限公司 一种机器人系统自主道路无损检测方法
CN110045015A (zh) * 2019-04-18 2019-07-23 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
CN112557510A (zh) * 2020-12-11 2021-03-26 广西交科集团有限公司 混凝土路面脱空智能检测装置及其检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
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
JP2009222681A (ja) * 2008-03-18 2009-10-01 Kitami Institute Of Technology コンクリート構造物の診断ロボットシステム
CN105926419A (zh) * 2016-05-23 2016-09-07 桂仲成 道面自主检测机器人系统及检测方法
CN108153306A (zh) * 2017-12-19 2018-06-12 成都圭目机器人有限公司 一种机器人系统自主道路无损检测方法
CN110045015A (zh) * 2019-04-18 2019-07-23 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
CN112557510A (zh) * 2020-12-11 2021-03-26 广西交科集团有限公司 混凝土路面脱空智能检测装置及其检测方法

Also Published As

Publication number Publication date
CN113219063B (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN108956640B (zh) 适用于配电线路巡检的车载检测装置及检测方法
CN112179487A (zh) 机场环境噪声自动检测系统及监测方法
CN108197731B (zh) 一种基于共同训练的机动车尾气遥测与车检结果一致性方法
CN114414963A (zh) 一种变电站域故障智能监测的声学成像定位系统及方法
WO2023279382A1 (zh) 一种电机轴承运行状态故障检测方法及系统
CN110658209A (zh) 一种随车道路缺陷智能快速检测方法
CN115758289B (zh) 一种基于多任务学习神经网络的钢轨波磨识别方法
JP2001108518A (ja) 異常検知方法および装置
CN113219063B (zh) 一种基于声振信号深度学习的混凝土结构内部缺陷成像系统与方法
CN113447270B (zh) 一种轨道车辆牵引电机轴承声学监测系统及方法
CN113643551B (zh) 一种新能源汽车识别系统、滤波系统
CN111461183A (zh) 改进人工鱼群算法优化bp神经网络的平轮故障检测方法
CN101354323A (zh) 超声波检测自动采样装置及其工作方法
CN113281401A (zh) 无砟轨道隐蔽病害的检测方法、系统与装置
CN117332293A (zh) 一种基于声音Mel频率特征的货车超载检测方法
CN107194923B (zh) 一种用于接触网电力设备缺陷巡检的紫外图像诊断方法
CN115575508A (zh) 一种基于列车振声复合特征的轨道交通钢轨波磨识别方法
CN115901950A (zh) 融合冲击回波和深度学习的混凝土内部分层缺陷检测方法
CN113554618B (zh) 一种基于红外图像的铁路轨道状态监测方法及装置
CN112860658B (zh) 基于数据挖掘的高速列车电磁发射预测方法
CN115223044A (zh) 基于深度学习的端到端三维探地雷达目标识别方法及系统
CN114993434A (zh) 一种基于声信号的emd能量熵的车重识别系统和方法
CN115219601A (zh) 一种隧道二次衬砌脱空检测系统及方法
CN113447570A (zh) 一种基于车载声学传感的无砟轨道病害检测方法及系统
CN111754463B (zh) 一种基于卷积神经网络的无砟轨道ca砂浆层缺陷检测方法

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
GR01 Patent grant
GR01 Patent grant