CN115561307B - 灌浆密实度检测方法 - Google Patents

灌浆密实度检测方法 Download PDF

Info

Publication number
CN115561307B
CN115561307B CN202211529197.9A CN202211529197A CN115561307B CN 115561307 B CN115561307 B CN 115561307B CN 202211529197 A CN202211529197 A CN 202211529197A CN 115561307 B CN115561307 B CN 115561307B
Authority
CN
China
Prior art keywords
sequence
frequency domain
linear
determining
sample
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
Application number
CN202211529197.9A
Other languages
English (en)
Other versions
CN115561307A (zh
Inventor
宋恒
耿天宝
王东杰
程维国
程小东
伍知行
赵晶丽
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.)
Anhui Shuzhi Construction Research Institute Co ltd
Original Assignee
Anhui Shuzhi Construction Research Institute Co ltd
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 Anhui Shuzhi Construction Research Institute Co ltd filed Critical Anhui Shuzhi Construction Research Institute Co ltd
Priority to CN202211529197.9A priority Critical patent/CN115561307B/zh
Publication of CN115561307A publication Critical patent/CN115561307A/zh
Application granted granted Critical
Publication of CN115561307B publication Critical patent/CN115561307B/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
    • G01N29/02—Analysing fluids
    • 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
    • G01N29/02—Analysing fluids
    • G01N29/028—Analysing fluids by measuring mechanical or acoustic impedance
    • 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
    • G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Acoustics & Sound (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种灌浆密实度检测方法，该方法包括：获取待测结构表面测线上每个测点的弹性波信号，并将所有弹性波信号整合为多维时序序列；利用编码器对多维时序序列进行时序特征提取，获得时序特征序列，并根据时序特征序列确定相应的频域特征序列；利用解码器将频域特征序列映射为频域云图；利用边缘拟合算法对频域云图进行拟合，得到抽象化二值频域图像，并根据抽象化二值频域图像检测灌浆密实度。由此，能够精确反映灌浆缺陷的位置和大小，以提高灌浆密实度检测的检测精确度和检测速度。

Description

灌浆密实度检测方法
技术领域
本发明涉及装配式建筑技术领域，尤其涉及一种灌浆密实度检测方法。
背景技术
基于冲击弹性波的检测方法作为一种新兴无损检测技术，具有定位准确、速度快、便携等特点。在灌浆密实度检测方面，冲击弹性波检测方法即能够对灌浆快速定性，还能够对缺陷进行精准定位，因此，成为目前灌浆密实度检测的常用方法。
但是，在相关的基于冲击弹性波的灌浆密实度检测技术中，由于硬件模块噪声、被测介质的不均匀性或者回声波的相互作用，导致收集到的弹性波信号通常是有噪声的，且形态不一。其次，基于人工智能的灌浆密实度检测主要是box框模型的检测方式，其检测的结果不精细。最后，由于弹性波信号的各种干扰，也会导致信号特征提取不完全，进而出现误报、漏报等现象，因此，检测的准确度也难以达到预期的要求。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种灌浆密实度检测方法，能够精确反映灌浆缺陷的位置和大小，以提高灌浆密实度检测的检测精确度和检测速度。
为达上述目的，本发明一个实施例提出了一种灌浆密实度检测方法，该方法包括：获取待测结构表面测线上每个测点的弹性波信号，并将所有所述弹性波信号整合为多维时序序列；利用编码器对所述多维时序序列进行时序特征提取，获得时序特征序列，并根据所述时序特征序列确定相应的频域特征序列；利用解码器将所述频域特征序列映射为频域云图；利用边缘拟合算法对所述频域云图进行拟合，得到抽象化二值频域图像，并根据所述抽象化二值频域图像检测灌浆密实度。
本发明实施例的灌浆密实度检测方法，通过获取待测结构表面测线上每个测点的弹性波信号，并将所有弹性波信号整合为多维时序序列；在利用编码器对多维时序序列进行时序特征提取，获得时序特征序列，并根据时序特征序列确定相应的频域特征序列；再利用解码器将频域特征序列映射为频域云图；最终利用边缘拟合算法对频域云图进行拟合，得到抽象化二值频域图像，抽象化二值频域图像能够精确反映灌浆缺陷的位置和大小，且工作人员能够通过抽象化二值频域图像快速对待测结构表面进行检测，从而提高了灌浆密实度检测的检测精确度和检测速度。
在一些可实现的方式中，在利用编码器对所述多维时序序列进行特征提取之前，所述方法还包括：对所述多维时序序列中的每个所述弹性波信号进行位置编码。
在一些可实现的方式中，通过下式对所述弹性波信号进行位置编码：
其中，x为进行位置编码后的多维时序序列，sm为第m个所述测点对应的所述弹性波信号，pm为第m个所述弹性波信号对应的所述位置编码。
在一些可实现的方式中，根据所述时序特征序列确定相应的频域特征序列，包括：将所述时序特征序列进行线性投影，并采用傅里叶变换算法将经过线性投影后的所述时序特征序列进行频域转换，得到线性频域序列；对所述线性频域序列进行随机采样，得到随机采样后的线性频域序列，并根据所述随机采样后的线性频域序列确定所述频域特征序列。
在一些可实现的方式中，通过下式确定所述随机采样后的线性频域序列：
其中，为所述随机采样后的线性频域序列，I为所述线性频域序列，i为线性投影后的时序特征序列，F表示频域变换函数。
在一些可实现的方式中，通过下式确定所述频域特征序列：
其中，FEB（i）为所述频域特征序列，R为随机初始化的参数内核，F-1表示频域逆变换函数，Padding表示差值操作。
在一些可实现的方式中，利用解码器将所述频域特征序列映射为频域云图，包括：根据所述多维时序序列确定样本时序序列；根据所述样本时序序列确定样本频域特征序列；根据所述频域特征序列确定键向量序列和值向量序列，并根据所述样本频域特征序列确定查询向量序列，以及根据所述键向量序列、所述值向量序列以及所述查询向量序列确定每个所述测点的注意力值；根据每个所述测点的所述注意力值确定所述频域云图。
在一些可实现的方式中，根据所述样本时序序列确定样本频域特征序列，包括：将所述样本时序序列进行线性投影，并采用傅里叶变换算法将经过线性投影后的所述样本时序序列进行频域转换，得到线性样本频域序列；对所述线性样本频域序列进行随机采样，得到随机采样后的线性样本频域序列，并根据所述随机采样后的线性样本频域序列确定所述样本频域特征序列。
在一些可实现的方式中，通过下式确定所述键向量序列、所述值向量序列以及所述查询向量序列：
其中，k为所述键向量序列，Xde为所述频域特征序列投影回时域后得到的序列，Wk为所述键向量序列对应的预设参数矩阵，v为所述值向量序列，Wv为所述值向量序列对应的预设参数矩阵，q为所述查询向量序列，Xen为所述样本频域特征序列投影回时域后得到的序列，Wq为所述查询向量序列对应的预设参数矩阵。
在一些可实现的方式中，通过下式确定所述注意力值：
其中，Atten（q,k,v）为所述注意力值，Softmax为激活函数，dq为所述查询向量序列对应的测点。
本发明附加的方面和优点将在下面的描述中部分给出，部分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
图1是本发明实施例的灌浆密实度检测方法的流程图；
图2是本发明实施例的确定频域特征序列的方法的流程图；
图3是本发明实施例的频域学习单元的架构图；
图4是本发明实施例的将频域特征序列映射为频域云图的方法的流程图；
图5是本发明实施例的频域增强注意力单元的架构图；
图6是本发明实施例的确定样本频域特征序列的方法的流程图；
图7是本发明一个具体实施例的频域云图的示意图；
图8是本发明一个具体实施例的抽象化二值频域图像的示意图；
图9是本发明一个具体实施例的有缺陷和无缺陷的抽象化二值频域图像；
图10是本发明实施例的灌浆密实度检测装置的方框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例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例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的灌浆密实度检测方法。
图1是本发明实施例的灌浆密实度检测方法的流程图。如图1所示，该检测方法包括以下步骤：
步骤S110：获取待测结构表面测线上每个测点的弹性波信号，并将所有弹性波信号整合为多维时序序列。
首先，需要说明的是，基于冲击弹性波对灌浆密实度进行检测的原理为：使用激振锤对待测结构表面进行冲击来产生弹性波，当弹性波在待测结构内部传播遇到缺陷表面或者边界界面时，由于缺陷表面或边界界面与非缺陷表面的波阻抗不同，因此弹性波会在缺陷表面或边界界面处发生反射、投射或者衍射现象，能量返回到结构表面，通过拾音器采集后，对接收到的带有结构内部状况信息的应力波进行时频分析，就能够判断结构内部缺陷情况。
在本实施例中，需要先在待测结构表面画一道测线，测线上有多个连续的测点，可以使激振锤沿着测线依次对测点进行冲击，由此使每个测点处产生弹性波信号。可以使用扩音器、拾音器等设备来依次采集每个测点处返回的弹性波信号。
获取到了待测结构表面每个测点的弹性波信号后，还需要对获取到的弹性波信号进行预处理。在一些实施方式中，预处理的方式可以为：对弹性波信号进行滤波、降噪等处理。具体地滤波、降噪的方式可以采用已有的滤波降噪方式，此处不再赘述。
经过预处理后，将每个测点对应的弹性波信号整合为多维时序序列，即按照采集的时序将所有弹性波信号进行整合。作为一个示例，多维时序序列可以表示为：x0=（s1，s2，…，sm，…），其中，x0为多维时序序列，sm为第m个测点对应的弹性波信号。
步骤S120：利用编码器对多维时序序列进行时序特征提取，获得时序特征序列，并根据时序特征序列确定相应的频域特征序列。
在一些实施方式中，在利用编码器对多维时序序列进行特征提取之前，该方法还包括：对多维时序序列中的每个弹性波信号进行位置编码。
具体地，可以使用绝对编码的方式按照测点的顺序进行位置编码。将多维时序序列输入至一个绝对编码器中，来得到进行位置编码后的多维时序序列。在一些实施方式中，可以通过下式对弹性波信号进行位置编码：
其中，x为进行位置编码后的多维时序序列，sm为第m个测点对应的弹性波信号，pm为第m个弹性波信号对应的位置编码。
将多维时序序列进行位置编码后，将经过位置编码的多维时序序列输入编码器中；再通过编码器对多维时序序列进行时序特征提取，得到时序特征序列，并根据时序特征序列确定相应的频域特征序列。
在本实施例中，可以使用多个编码器来完成整个编码过程，示例地，可以使用4个编码器来完成整个编码过程，编码器的个数也可根据实际需求人为进行设置，此处不做具体限制。在一些实施方式中，每个编码器包括频域学习单元(Frequency Enhanced Block ,FEB)和前向传播单元。
将输入至编码器的多维时序序列记为xde 0，则每个编码器的输出可以为：
其中，xde l为第l个编码器的输出，l∈{1,…,N}，N为编码器的总数目，FEB（xde l-1）为第l个编码器的频域学习单元的输出，xde l-1为第l-1个编码器的输出。需要说明的是，上述仅为编码器整体的输入和输出的表示形式。
图2是本发明实施例的确定频域特征序列的方法的流程图。图3是本发明实施例的频域学习单元的架构图。如图2所述，该方法包括以下步骤：
步骤S210：将时序特征序列进行线性投影，并采用傅里叶变换算法将经过线性投影后的时序特征序列进行频域转换，得到线性频域序列。
步骤S220：对线性频域序列进行随机采样，得到随机采样后的线性频域序列，并根据随机采样后的线性频域序列确定频域特征序列。
下面以第l个编码器为例对根据时序特征序列确定相应的频域特征序列的过程进行介绍。其中，第l个编码器的时域特征序列输入为xde l-1。
参考图2和图3，首先，需要利用参数矩阵w对输入的时序特征序列xde l-1进行线性投影，将线性投影后的序列记为i，i=xde l-1·w。得到线性投影后的时序特征序列i后，采用傅里叶变换算法将经过线性投影后的时序特征序列i进行频域转换，得到线性频域序列，具体地傅里叶变换算法可以使用已有的傅里叶变换算法，此处不再赘述。
在本实施例中，将线性频域序列记为I，得到线性频域序列I后，再将经过傅里叶变换后的线性频域序列I进行随机采样。对线性频域序列进行随机采样，能够极大降低输入序列的长度，进而能够降低计算的复杂度。
在一些实施方式中，可以通过下式确定随机采样后的线性频域序列：
其中，为随机采样后的线性频域序列，I为线性频域序列，i为线性投影后的时序特征序列，F表示频域变换函数。
值得一提的是，在学习阶段，FEB采用一个全联接层作为可学习的参数。此外，在得到线性频域序列后，还需要进行频域补全。即将线性频域序列中未被随机采样到的频率点补零，以将线性频域序列能够还原到原始长度，进而使后续将线性频域序列投影回时域的序列与输入的时域特征序列维度一致。
在得到随机采样后的线性频域序列后，再根据随机采样后的线性频域序列确定频域特征序列。在一些实施方式中，可以通过下式确定频域特征序列：
其中，FEB（i）为频域学习单元输出的频域特征序列，R为随机初始化的参数内核，F-1表示频域逆变换函数，Padding表示差值操作。
频域学习单元输出频域特征序列后，前向传播单元会将输出的频域特征序列传输至下一个编码器，或者传输至解码器。
步骤S130：利用解码器将频域特征序列映射为频域云图。
在本实施例中，解码器包括频域学习单元、频域增强注意力单元(FrequencyEnhanced Attention, FEA)以及前向传播单元。其中，频域增强注意力单元采用的是基于傅里叶变换的自注意力机制，能够建立序列的长距离依赖关系。
图4是本发明实施例的将频域特征序列映射为频域云图的方法的流程图。图5是本发明实施例的频域增强注意力单元的架构图。如图4所述，该方法包括以下步骤：
步骤S410：根据多维时序序列确定样本时序序列。
步骤S420：根据样本时序序列确定样本频域特征序列。
步骤S430：根据频域特征序列确定键向量序列和值向量序列，并根据样本频域特征序列确定查询向量序列，以及根据键向量序列、值向量序列以及查询向量序列确定每个测点的注意力值。
步骤S440：根据每个测点的注意力值确定频域云图。
具体地，可以将部分多维时序序列作为样本时序序列，样本时序序列标注有教师信号；确定了样本时序序列后，通过解码器的频域学习单元根据样本时序序列确定样本频域特征序列，解码器的频域学习单元会输出一个与样本时序序列对应的样本频域特征序列；再根据频域特征序列确定键向量序列和值向量序列，根据样本频域特征序列确定查询向量序列；将键向量序列、值向量序列以及查询向量序列输入至频域增强注意力单元；通过频域增强注意力单元确定每个测点的注意力值；最终根据每个测点的注意力值确定频域云图。
图6是本发明实施例的确定样本频域特征序列的方法的流程图。如图6所示，在一些实施方式中，可以通过以下步骤确定样本频域特征序列：
步骤S610：将样本时序序列进行线性投影，并采用傅里叶变换算法将经过线性投影后的样本时序序列进行频域转换，得到线性样本频域序列。
步骤S620：对线性样本频域序列进行随机采样，得到随机采样后的线性样本频域序列，并根据随机采样后的线性样本频域序列确定样本频域特征序列。
在本实施例中，将样本时序序列记为xen 0，样本时序序列xen 0作为解码器的输入，输入至解码器的频域学习单元。频域学习单元需要先利用参数矩阵w′对样本时序序列进行线性投影，将线性投影后的序列记为s，s=xen 0·w′。得到线性投影后的样本时序序列s后，采用傅里叶变换算法将经过线性投影后的样本时序序列s进行频域转换，得到线性样本频域序列，具体地变换方式可以参考前述实施例中时序特征序列i的变换方式，此处不再赘述。
在本实施例中，将线性样本频域序列记为S，得到线性样本频域序列S后，再将经过傅里叶变换后的线性样本频域序列S进行随机采样。具体地，可以通过下式确定随机采样后的线性样本频域序列：
其中，为随机采样后的线性样本频域序列，S为线性样本频域序列，s为线性投影后的样本时序特征序列。
得到随机采样后的线性样本频域序列后，还需要进行频域补全，具体地的频域补全方式可以参考前述实施例中的频域补全方式，此处不再赘述。对随机采样后的线性样本频域序列进行频域补全后，再根据线性样本频域序列确定样本频域特征序列。可以通过下式确定样本频域特征序列：
其中，FEB（s）为解码器的频域学习单元输出的样本频域特征序列，R为随机初始化的参数内核。
继续参考图5，在步骤S430中，解码器的频域学习单元得到样本频域特征序列后，会根据样本频域特征序列确定一个查询向量序列q，并将查询向量序列q输入至频域增强注意力单元中。编码器也会根据频域特征序列确定一个键向量序列k和一个值向量序列v，编码器也会将键向量序列k和值向量序列v输入至频域增强注意力单元中。
在一些实施方式中，可以通过下式确定键向量序列、值向量序列以及查询向量序列：
其中，k为键向量序列，Xde为频域特征序列投影回时域后得到的序列，Wk为键向量序列对应的预设参数矩阵，v为值向量序列，Wv为值向量序列对应的预设参数矩阵，q为查询向量序列，Xen为样本频域特征序列投影回时域后得到的序列，Wq为查询向量序列对应的预设参数矩阵，Wk、Wv、Wq均为可学习的预设参数矩阵。
继续参考图5，在本实施例中，当键向量序列k、值向量序列v以及查询向量序列q输入至频域增强注意力单元后，频域增强注意力单元还会利用傅里叶变换算法将键向量序列、值向量序列以及查询向量序列转换至频域，并进行随机采样，得到随机采样后的键向量序列、值向量序列以及查询向量序列。具体地频域转换过程和随机采样过程可以参考前述实施例的过程，此处不再赘述。
在一些实施方式中，可以通过下式表示随机采样后的键向量序列、值向量序列以及查询向量序列：
其中，为随机采样后的查询向量序列，Q为经过频域变换后的查询向量序列，q为查询向量序列，为随机采样后的键向量序列，K为经过频域变换后的键向量序列，k为键向量序列，为随机采样后的值向量序列，V为经过频域变换后的值向量序列，v为值向量序列。
得到随机采样后的键向量序列、值向量序列以及查询向量序列后，再根据随机采样后的键向量序列、值向量序列以及查询向量序列确定每个测点的注意力值。在一些实施方式中，可以通过下式确定注意力值：
其中，Atten（q,k,v）为注意力值，Softmax为激活函数，dq为查询向量序列对应的测点。将随机采样后的键向量序列、值向量序列以及查询向量序列代入上述公式得到：
其中，为随机采样后的查询向量序列，为随机采样后的键向量序列，为随机采样后的值向量序列。在一些实施方式中，Softmax激活函数仅为示例性地，具体使用的激活函数可以根据实际需求进行选定，例如，还可以选择Tanh激活函数。
得到每个测点对应的注意力值后，可以将每个测点的注意力值映射为频率云图。图7是本发明一个具体实施例的频域云图的示意图。
步骤S140：利用边缘拟合算法对频域云图进行拟合，得到抽象化二值频域图像，并根据抽象化二值频域图像检测灌浆密实度。
为了能够更清楚、更精确的表示缺陷位置和大小，在本实施例中，得到频域云图后，还需要利用边缘拟合算法对频域云图进行拟合。图8是本发明一个具体实施例的抽象化二值频域图像的示意图。可以将频域特征转换成规范化的粗线条或圆形，其中，粗线条表示套筒底部反射的弹性波信号。若粗线条为离散线段，则表示套筒内部有松散型部位。圆形则表示明显弹性波信号反射的部位，即该部位存在不密实等缺陷。
作为一个示例，图9是本发明一个具体实施例的有缺陷和无缺陷的抽象化二值频域图像。如图9所示，图中a为无缺陷的抽象化二值频域图像，图b为有缺陷的抽象化二值频域图像。从图中b中可以明显看出局部位置存在反射弹性波信号延迟的情况，即代表该位置存在不密实等缺陷。
由此，通过将输入信号映射至频域，通过在频域学习单元中学习长序列特征，增强了序列的全局性表示，从而能够更好的对整条测线的弹性波信号进行整体分析；最后，通过将频域特征序列映射为频域云图，再将频域云图拟合为抽象化二值频域图像。工作人员可以快速、精确地确定哪个位置处存在灌浆不密实等缺陷，且能够得到相应的缺陷大小，从而提高了灌浆密实度检测的检测精确度和检测速度。
图10 是本发明实施例的灌浆密实度检测装置的方框图。
如图10所示，该装置包括：用于获取待测结构表面测线上每个测点的弹性波信号，并将所有弹性波信号整合为多维时序序列的获取模块1001、用于利用编码器对多维时序序列进行时序特征提取，获得时序特征序列，并根据时序特征序列确定相应的频域特征序列的编码器模块1002、用于利用解码器将频域特征序列映射为频域云图的解码器模块1003、用于利用边缘拟合算法对频域云图进行拟合，得到抽象化二值频域图像，并根据抽象化二值频域图像检测灌浆密实度的抽象化模块1004。
由此，通过获取模块1001获取待测结构表面测线上每个测点的弹性波信号，并将所有弹性波信号整合为多维时序序列；通过编码器模块1002利用编码器对多维时序序列进行时序特征提取，获得时序特征序列，并根据时序特征序列确定相应的频域特征序列；通过解码器模块1003利用解码器将频域特征序列映射为频域云图；最终通过抽象化模块1004利用边缘拟合算法对频域云图进行拟合，得到抽象化二值频域图像，抽象化二值频域图像能够精确反映灌浆缺陷的位置和大小，且工作人员能够通过抽象化二值频域图像快速对待测结构表面进行检测，从而提高了灌浆密实度检测的检测精确度和检测速度。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种灌浆密实度检测方法，其特征在于，包括：
获取待测结构表面测线上每个测点的弹性波信号，并将所有所述弹性波信号整合为多维时序序列；
利用编码器对所述多维时序序列进行时序特征提取，获得时序特征序列，并根据所述时序特征序列确定相应的频域特征序列；
利用解码器将所述频域特征序列映射为频域云图；
利用边缘拟合算法对所述频域云图进行拟合，得到抽象化二值频域图像，并根据所述抽象化二值频域图像检测灌浆密实度；
其中，根据所述时序特征序列确定相应的频域特征序列，包括：
将所述时序特征序列进行线性投影，并采用傅里叶变换算法将经过线性投影后的所述时序特征序列进行频域转换，得到线性频域序列；
对所述线性频域序列进行随机采样，得到随机采样后的线性频域序列，并根据所述随机采样后的线性频域序列确定所述频域特征序列；
利用解码器将所述频域特征序列映射为频域云图，包括：
根据所述多维时序序列确定样本时序序列；
根据所述样本时序序列确定样本频域特征序列；
根据所述频域特征序列确定键向量序列和值向量序列，并根据所述样本频域特征序列确定查询向量序列，以及根据所述键向量序列、所述值向量序列以及所述查询向量序列确定每个所述测点的注意力值；
根据每个所述测点的所述注意力值确定所述频域云图。
2.根据权利要求1所述的灌浆密实度检测方法，其特征在于，在利用编码器对所述多维时序序列进行特征提取之前，所述方法还包括：
对所述多维时序序列中的每个所述弹性波信号进行位置编码。
3.根据权利要求2所述的灌浆密实度检测方法，其特征在于，通过下式对所述弹性波信号进行位置编码：
其中，x为进行位置编码后的多维时序序列，sm为第m个所述测点对应的所述弹性波信号，pm为第m个所述弹性波信号对应的所述位置编码。
4.根据权利要求3所述的灌浆密实度检测方法，其特征在于，通过下式确定所述随机采样后的线性频域序列：
其中，为所述随机采样后的线性频域序列，I为所述线性频域序列，i为线性投影后的时序特征序列，F表示频域变换函数。
5.根据权利要求4所述的灌浆密实度检测方法，其特征在于，通过下式确定所述频域特征序列：
其中，FEB（i）为所述频域特征序列，R为随机初始化的参数内核，F-1表示频域逆变换函数，Padding表示差值操作。
6.根据权利要求5所述的灌浆密实度检测方法，其特征在于，根据所述样本时序序列确定样本频域特征序列，包括：
将所述样本时序序列进行线性投影，并采用傅里叶变换算法将经过线性投影后的所述样本时序序列进行频域转换，得到线性样本频域序列；
对所述线性样本频域序列进行随机采样，得到随机采样后的线性样本频域序列，并根据所述随机采样后的线性样本频域序列确定所述样本频域特征序列。
7.根据权利要求6所述的灌浆密实度检测方法，其特征在于，通过下式确定所述键向量序列、所述值向量序列以及所述查询向量序列：
其中，k为所述键向量序列，Xde为所述频域特征序列投影回时域后得到的序列，Wk为所述键向量序列对应的预设参数矩阵，v为所述值向量序列，Wv为所述值向量序列对应的预设参数矩阵，q为所述查询向量序列，Xen为所述样本频域特征序列投影回时域后得到的序列，Wq为所述查询向量序列对应的预设参数矩阵。
8.根据权利要求7所述的灌浆密实度检测方法，其特征在于，通过下式确定所述注意力值：
其中，Atten（q,k,v）为所述注意力值，Softmax为激活函数，dq为所述查询向量序列对应的测点。
CN202211529197.9A 2022-12-01 2022-12-01 灌浆密实度检测方法 Active CN115561307B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211529197.9A CN115561307B (zh) 2022-12-01 2022-12-01 灌浆密实度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211529197.9A CN115561307B (zh) 2022-12-01 2022-12-01 灌浆密实度检测方法

Publications (2)

Publication Number Publication Date
CN115561307A CN115561307A (zh) 2023-01-03
CN115561307B true CN115561307B (zh) 2023-04-07

Family

ID=84769946

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211529197.9A Active CN115561307B (zh) 2022-12-01 2022-12-01 灌浆密实度检测方法

Country Status (1)

Country Link
CN (1) CN115561307B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117251737B (zh) * 2023-11-15 2024-02-23 苏州元脑智能科技有限公司 闪电波形处理模型训练方法、分类方法、装置及电子设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6692438B2 (en) * 2001-12-18 2004-02-17 Koninklijke Philips Electronics Nv Ultrasonic imaging system and method for displaying tissue perfusion and other parameters varying with time
CN109085235B (zh) * 2018-08-27 2021-03-02 北京市康科瑞工程检测技术有限责任公司 一种套筒灌浆饱满度的超声综合因子图形识别检测方法
CN109146064B (zh) * 2018-09-05 2023-07-25 腾讯科技（深圳）有限公司 神经网络训练方法、装置、计算机设备和存储介质
CN110595602B (zh) * 2019-04-26 2021-10-15 深圳市豪视智能科技有限公司 振动检测方法及相关产品
CN114280154B (zh) * 2021-12-21 2023-08-18 重庆交大建设工程质量检测中心有限公司 一种预应力混凝土管道灌浆密实度叠加成像检测方法
CN114487099A (zh) * 2021-12-30 2022-05-13 贵州交通职业技术学院 一种套筒注浆质量无损检测系统及其检测方法

Also Published As

Publication number Publication date
CN115561307A (zh) 2023-01-03

Similar Documents

Publication Publication Date Title
CN110389170B (zh) 基于Lamb波成像的列车部件裂纹损伤检测方法和系统
Sedlak et al. New automatic localization technique of acoustic emission signals in thin metal plates
RU2352930C1 (ru) Способ уменьшения количества оцифрованных данных в зонде емат-"саламандра"
RU2650617C2 (ru) Автоматическая обработка ультразвуковых данных
CN100495021C (zh) 一种利用超声波检测轧辊内部缺陷的方法
CN115561307B (zh) 灌浆密实度检测方法
CN109875606B (zh) 基于先验反射成像的超声ct声速成像的方法
CN105841645B (zh) 一种基于电磁超声的测厚方法
CN113504306B (zh) 一种基于超声相控阵低秩矩阵恢复的钢轨缺陷检测方法
CN112634882B (zh) 端到端实时语音端点检测神经网络模型、训练方法
CN114878582B (zh) 一种特钢的缺陷检测分析方法及系统
CN102625912A (zh) 缺陷检测方法和系统
WO2003067245A1 (en) System and method for detecting defects in a manufactured object
CN114799610A (zh) 一种基于傅里叶逆变换及自编码器的焊接质量实时检测方法及系统
CN108508093A (zh) 一种工件缺陷高度的检测方法及系统
CN109410178A (zh) 一种工件裂纹检测方法及系统
CN115047073A (zh) 一种基于超声导波的管道缺陷动态检测方法及装置
CN117214294A (zh) 管道损伤超声导波检测装置及其损伤信号三维重构方法
CN109059813A (zh) 一种起重机械钢结构腐蚀强度检测方法
CN113808092B (zh) 钢管混凝土界面脱粘缺陷检测方法、系统、装置及介质
CN115047290A (zh) 基于深度学习的电缆故障放电声音的检测方法
CN112213394B (zh) 一种复合材料的综合检测方法及系统
CN114839637A (zh) 一种基于压缩感知的合成发射孔径cmut超声成像方法
Jeong et al. One sensor source localisation of acoustic emissions in thin plates using mode analysis
CN113848256A (zh) 一种超声初至波实时检测方法

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