CN115901950A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115901950A CN115901950A CN202211562544.8A CN202211562544A CN115901950A CN 115901950 A CN115901950 A CN 115901950A CN 202211562544 A CN202211562544 A CN 202211562544A CN 115901950 A CN115901950 A CN 115901950A
- Authority
- CN
- China
- Prior art keywords
- defect
- signal
- concrete
- signals
- impact echo
- 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
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种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，该方法具体包括缺陷智能识别、缺陷区域量化和缺陷深度自动定位。首先采用结合小波分解和GRU网络的一维模型方法实现混凝土结构内部缺陷信号的自动诊断，然后在缺陷自动识别结果的概率热点图基础上，采用阈值分割提取缺陷区域并进行面积量化。最后采用结合小波变换和卷积神经网络的二维模型方法来实现缺陷深度的定位。本发明克服了冲击回波法检测结果依赖人工判读而存在的结果主观性强和大量测区信号数据处理效率低的缺点，具有操作方便、低成本、智能快捷以及结果客观性强的优势，具有广阔的工程应用前景。
Description
技术领域
本发明属于桥梁混凝土结构无损检测技术领域，具体涉及一种混凝土内部分层缺陷智能检测方法。
背景技术
桥梁是现代交通网络中极为重要的组成部分。在混凝土桥梁结构的施工建造过程和长期的服役过程中，由于施工工艺、材料老化、钢筋腐蚀和环境侵蚀等问题，结构内会发生不同程度的分层缺陷。这些分层缺陷的存在不仅会导致结构强度下降，而且会导致桥梁结构快速劣化，严重影响桥梁结构的安全性和耐久性。而且，分层缺陷损害结构的同时，其修复成本较高。因此，有必要定期对混凝土结构的内部分层缺陷进行整体评估，以确保桥梁的安全运行。
选择合适的检测方法对缺陷评估的有效性和准确性起着重要的作用。混凝土内部缺陷检测常用的方法主要包括钻芯取样、红外热成像、电磁波类和应力波类方法等。钻芯取样法的结果直截了当，但若想实现整个测区的全面检测，需要大量的钻芯取样操作，这会对结构造成不可逆的损伤，而且整个过程费时费力。红外热成像法对于大尺寸和浅层的缺陷识别效果较好，但是对于小尺寸和位置较深的缺陷检测效果并不理想，而且红外热像检测容易受到现场条件变化的影响，如受天气温度影响大，需要挑选特定的试验条件来实施检测，这严重限制了该方法现场检测的普适性。电磁雷达方法是电磁波类检测方法中的典型代表，该方法可以高效快速地识别表层混凝土的内部缺陷及缺陷所在的深度，但钢筋网以下的混凝土检测精度受到严重干扰。
从最近的研究来看，应力波类检测方法被认为是非常有潜力和发展前景的缺陷检测方法，主要包括超声波法和冲击回波法等为主。超声波法和冲击回波是内部缺陷检测的两个典型代表。超声波法检测需要一个检测面发射信号，在对应的另一个检测面接收信号，并且需要在传感器和检测面接触部位涂抹耦合剂，在大多数检测对象例如桥梁桥面板、底板和腹板等部位很难满足两个检测面的要求。另外，由于超声波法采用的是高频率信号，信号分辨率虽然较高，但与此对应的是信号衰减大，检测深度受限。
相较于以上方法，冲击回波法具有以下优势：1)只需一个测试面；2)使用比超声波更低频的声波(冲击回波法频率范围通常在2-50kHz)可避免超声波测试中遇到的高信号衰减和过多杂波干扰问题；3)不需耦合剂；4)对金属不敏感，可以穿透钢筋密集区。虽然随着信号处理手段的发展，短时傅里叶变换、Gabor变换、EMD、EEMD、VMD、小波变换和小波分解等信号处理技术增强了冲击回波信号的解释性，但该方法目前仍存在两个主要的问题：1)测试结果需要依靠有经验的工程技术人员判读，结果主观性强；2)冲击回波检测时测点间距较小(多为5-10cm)，对于大尺寸的混凝土结构，测点较多，检测数据量大，单个数据判读的处理效率较低。
发明内容
本发明所要解决的技术问题是基于以上背景技术的缺陷，提出一种快速便捷、智能高效的混凝土内部分层缺陷智能检测方法，以实现混凝土结构性能的无损评估。
为解决上述问题，本发明公开了一种融合冲击回波和深度学习的混凝土内部分层缺陷智能检测方法，包括混凝土内部分层缺陷的智能检测分为内部分层缺陷识别、分层缺陷区域量化和缺陷深度自动定位三个步骤，具体的技术方案如下：
所述的内部分层缺陷识别与分层缺陷区域量化包括以下步骤：
第一步：人工制作含有不同分层缺陷形式、不同分层缺陷尺寸和不同分层深度的混凝土板，利用冲击回波设备在混凝土板上方采集获取不同缺陷处和无缺陷处对应的冲击回波信号作为信号的原始数据集。
第二步：将各种分层缺陷上方采集得到的信号统一标记为缺陷信号(Defect)，在无缺陷区域上方得到的信号标记为完好信号(Sound)。
第三步：对步骤二所述的信号进行小波包分解，将每个信号x(t)分解得到的波包能量序列作为该信号的特征向量，其中j为小波包分解层数。
第四步：将每个信号的特征向量作为输入特征输入门控循环单元网络，对应的标签作为网络的输出，对网络进行训练和验证。
第五步：在训练过的模型中输入某个信号的波包能量向量，模型自动给出该信号的识别标签和所对应的概率P。
第六步：将待测混凝土结构进行网格划分后获取每个测点的回波信号，然后进行信号处理，将这些信号的特征向量输入内部分层缺陷识别步骤所训练的模型后，得到整个测区内每个测点被识别为缺陷标签的概率，将所有测点的缺陷识别概率绘制为热点图，然后以缺陷识别概率为0.5为阈值，对热点图进行二值化操作，并对阈值分割形成的缺陷连通域进行面积计算。
优选地，步骤三种单个信号x(t)的每一个子波包能量序列E(j,k)通过以下方程计算得到。
其中：N是信号的采样长度；k是子频带数目，j是分解级，d是小波系数，E为能量。
优选地，GRU网络的关键参数可通过以下联立的方程式表示：
其中：zt是在t时刻的更新门状态；rt是在t时刻的重置门状态；是t时刻的候选单元状态；ht-1和ht分别是先前和当前时刻单元状态；Wz，Wr，Wo分别是更新门，重置门，候选单元和输出层的权重矩阵；σ是sigmoid激活函数；xt和yt分别是为网络的输入和输出。
所述的内部分层缺陷深度自动定位包括以下步骤：
第一步：首先将信号原始数据集按照不同缺陷深度进行分类并做标签，接着对信号进行小波变换，将信号从一维时域波形转换为二维时频域谱图。
第二步：将频谱图的尺寸批量处理为224×224像素并作为输入图片，然后采用基于EfficientNet网络的迁移学习方法自动学习和提取输入图片中的特征，利用输入图片完成网络模型的训练和验证。
第三步：将待测区域采集得到的信号进行上述步骤一和二中的处理方法操作得到满足模型输入要求的图片，利用训练过的模型测试这些图片得到每张图片被分类为某一类别的概率，将概率最大值对应的类别标记为该测点信号的模型预测标签，根据测区内每个测点的预测标签绘制分层缺陷深度定位图。
优选地，所选用的小波基类型为Bump小波，该小波在时域上相对离散，但频域上更集中，频率特征更明显更容易分辨出缺陷部位对应的频率峰值。冲击回波信号x(t)的小波变换结果可以用小波变换系数W(a,τ)来表示，其中，小波基函数t是时间；a是尺度因子；τ是平移因子。
本发明采用以上技术方案，与现有技术相比的有益技术效果是：
1、本发明解决了传统冲回波测试结果依赖有经验的检测人员判读解译的主观性问题。
2、针对大面积混凝土结构测点多、信号数据量大的问题，本发明所提方法具有数据处理智能、快捷和高效的特点。
3、本发明实现了对分层缺陷区域面积的量化和缺陷深度的自动定位，适用于桥面板等混凝土结构内部分层缺陷的整体可靠评估。
附图说明
图1为本发明混凝土内部分层缺陷智能检测方法的结构示意图。
图2为缺陷概率识别方法示意图。
图3为基于阈值分割的缺陷区域量化方法示意图。
图4为本发明分层缺陷的深度定位方法示意图。
图5为实验室预制有分层缺陷的混凝土板。
图6为测试板的缺陷概率分布热点图。
图7为测试板中各个测点分层缺陷深度预测热点图。
图8为测试板中各个测点分层缺陷深度预测柱状图。
图9为测试板中各个缺陷预测区域在人工缺陷轮廓内的分割提取与面积计算结果。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明公开了一种融合冲击回波和深度学习的混凝土内部分层缺陷智能检测方法，该方法包括缺陷智能识别、缺陷区域量化和缺陷深度自动定位三个步骤。如图1所示，首先采用结合小波分解和GRU网络的一维模型方法实现混凝土结构内部缺陷信号的自动诊断，然后在缺陷自动识别结果的概率热点图基础上，采用阈值分割提取缺陷区域并进行面积量化。最后采用结合小波变换和卷积神经网络的二维模型方法来实现缺陷深度的定位。
所述的内部分层缺陷智能识别与分层缺陷区域量化包括以下步骤：
步骤一：混凝土板的制作与信号采集
人工制作含有不同分层缺陷形式、不同分层缺陷尺寸和不同分层深度的混凝土板，利用冲击回波设备在混凝土板上方采集获取不同缺陷处和无缺陷处对应的冲击回波信号作为信号的原始数据集。
步骤二：数据集的标记
将各种分层缺陷上方采集得到的信号统一标记为缺陷信号(Defect)，在无缺陷区域上方得到的信号标记为完好信号(Sound)。
步骤三：信号处理
如图2所示，对步骤二所述的信号进行小波包分解，将每个信号x(t)分解得到的波包能量序列作为该信号的特征向量，其中j为小波包分解层数。单个信号x(t)的每一个子波包能量序列E(j,k)通过以下方程计算得到。
其中：N是信号的采样长度；k是子频带数目，j是分解级，d是小波系数，E为能量。
步骤四：模型训练与验证
将每个信号的特征向量作为输入特征输入门控循环单元网络，对应的标签作为网络的输出，对网络进行训练和验证。
步骤五：分层缺陷的概率识别
在训练过的模型中输入某个信号的波包能量向量，模型自动给出该信号的识别标签和所对应的概率P。
步骤六：缺陷区域的分割与量化
将待测混凝土结构进行网格划分后获取每个测点的回波信号，然后进行信号处理，将这些信号的特征向量输入实施权利要求2所训练的模型后，得到整个测区内每个测点被识别为缺陷标签的概率如图3所示，将所有测点的缺陷识别概率绘制为热点图，然后以缺陷识别概率为0.5为阈值，对热点图进行二值化操作，并对阈值分割形成的缺陷连通域进行面积计算。所述的内部分层缺陷深度自动定位包括以下步骤：
第一步：获取信号的二维频谱图
如图4所示，首先将权利要求2中所述的信号原始数据集按照不同缺陷深度进行分类并做标签，接着选用Bump小波对信号进行小波变换，将信号从一维时域波形转换为二维时频域谱图。冲击回波信号x(t)的小波变换结果可以用小波变换系数W(a,τ)来表示，
其中，小波基函数t是时间；a是尺度因子；τ是平移因子。
第二步：图像的处理和模型训练
将频谱图的尺寸批量处理为224×224像素并作为输入图片，然后采用基于EfficientNet网络的迁移学习方法自动学习和提取输入图片中的特征，利用输入图片完成网络模型的训练和验证。
第三步：分层缺陷深度的预测
将待测区域采集得到的信号进行上述步骤一和二中的处理方法操作得到满足模型输入要求的图片，利用训练过的模型测试这些图片得到每张图片被分类为某一类别的概率，将概率最大值对应的类别标记为该测点信号的模型预测标签，根据测区内每个测点的预测标签绘制分层缺陷深度定位图。
实施例
下面通过具体实施例对本发明作进一步说明，但不应以此限制本发明的保护范围。
如图5所示，实验室浇筑两块预制有人工分层缺陷的混凝土板，训练板用于数据集的获取以训练模型，测试板为模型预测能力的测试对象。信号的采集由直径为6mm的钢球敲击混凝土板和加速度传感器作为信号接收端完成。信号采集采用网格点，激振点与信号接收端间距为5cm，信号采样频率为125kHz，采样长度为1024。
按照本发明所公开的方法，测试板的缺陷概率分布热点图如图6所示，可以明显发现所提方法基本可以检测到绝大部分的分层缺陷。将这些缺陷进行分割提取和面积计算结果如图9所示，在不同深度的层离缺陷测试板上平均面积检出率为70.58％，高于文献”M.Yumnam,D.Ghosh,H.Gupta,Empirical mode decomposition based techniques forimaging of shallow delamination in concrete using impact echo,MechanicalSystems and SignalProcessing,184(2023)109668.”中分层缺陷的平均面积检出率68.58％，而且本发明所公开的方法更智能快捷，结果更客观，验证了本发明所公开的方法对混凝土结构内部分层缺陷整体区域面积量化的可行性和有效性。
图7和图8分别展示了测试板中各个测点的分层缺陷预测定位深度热点图和柱状图，其定位深度的预测结果也基本与预设人工缺陷的深度一致。为此，从测试板的缺陷识别概率、缺陷面积量化和缺陷定位深度预测结果来看，本发明所公开的混凝土内部分层缺陷智能检测方法是一种快速便捷、智能高效、有效可靠的混凝土内部分层缺陷智能检测方法，可以用于混凝土结构内部缺陷整体情况的无损评估。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (6)
1.一种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，其特征在于，包括：
步骤(一)、内部分层缺陷识别，具体为：
S101、采集获取混凝土板不同缺陷处和无缺陷处对应的冲击回波信号，得到原始数据集；
S102、将各种分层缺陷处采集得到的信号统一标记为缺陷信号Defect，在无缺陷区域上方得到的信号标记为完好信号Sound；
S103、对步骤S102所述的缺陷信号、完好信号进行小波包分解，将每个信号x(t)分解得到的波包能量序列{E(j,1),E(j,2),…,E(j,2 j )}作为该信号的特征向量，其中j为小波包分解层数；
S104、将每个信号的特征向量作为输入特征输入门控循环单元网络GRU，对应的标签作为GRU网络的输出，对GRU网络进行训练和验证，使得训练好的GRU模型能根据信号的波包能量向量，自动给出该信号的识别标签和所对应的概率P；
步骤(二)、分层缺陷区域量化，具体为：
S201、将待测混凝土结构进行网格划分后获取每个测点的回波信号，然后进行信号处理，将这些信号的特征向量输入内部分层缺陷识别步骤所训练的GRU模型后，得到整个测区内每个测点被识别为缺陷标签的概率，将所有测点的缺陷识别概率绘制为热点图；
S202、以缺陷识别概率P1所对应的像素值为阈值，对热点图进行二值化操作，并对阈值分割形成的缺陷连通域进行面积计算；
步骤(三)、内部分层缺陷深度自动定位，具体为：
S301、首先将信号原始数据集按照不同缺陷深度进行分类并做标签，接着对信号进行小波变换，将信号从一维时域波形转换为二维时频域谱图；
S302、将频谱图的尺寸批量处理为224×224像素并作为输入图片，然后采用基于EfficientNet网络的迁移学习方法自动学习和提取输入图片中的特征，利用输入图片完成EfficientNet网络模型的训练和验证；
S303、将待测区域采集得到的信号进行上述步骤S301、S302中的操作，得到满足模型输入要求的图片，利用训练过的模型测试这些图片得到每张图片被分类为某一类别的概率，将概率最大值对应的类别标记为该测点信号的模型预测标签，根据测区内每个测点的预测标签绘制分层缺陷深度定位图。
2.根据权利要求1所述的一种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，其特征在于，S101是通过人工制作含有不同分层缺陷形式、不同分层缺陷尺寸和不同分层深度的混凝土板，利用冲击回波设备在混凝土板上方采集获取不同缺陷处和无缺陷处对应的冲击回波信号，作为信号的原始数据集。
3.根据权利要求1所述的一种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，其特征在于，内部分层缺陷识别步骤中，单个信号x(t)的每一个子波包能量序列E(j,k)通过以下方程计算得到：
其中：N是信号的采样长度；k是子频带数目，j是分解级，d是小波系数，E是能量。
4.根据权利要求1所述的一种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，其特征在于，步骤104中，门控循环单元网络的关键参数通过以下联立的方程式表示：
其中：zt是在t时刻的更新门状态；rt是在t时刻的重置门状态；
是t时刻的候选单元状态；ht-1和ht分别是先前和当前时刻单元状态；Wz，Wr，
Wo分别是更新门，重置门，候选单元和输出层的权重矩阵；σ是sigmoid激活函数；xt和yt分别是为网络的输入和输出。
5.根据权利要求1所述的一种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，其特征在于，步骤S202中，以缺陷识别概率P1为0.5时所对应的像素值为阈值。
6.根据权利要求1所述的一种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，其特征在于，内部分层缺陷深度自动定位步骤中，所选用的小波基类型为Bump小波，冲击回波信号x(t)的小波变换结果用小波变换系数W(a,τ)来表示，
其中，小波基函数
t是时间；a是尺度因子；τ是平移因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211562544.8A CN115901950A (zh) | 2022-12-07 | 2022-12-07 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211562544.8A CN115901950A (zh) | 2022-12-07 | 2022-12-07 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115901950A true CN115901950A (zh) | 2023-04-04 |
Family
ID=86489440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211562544.8A Pending CN115901950A (zh) | 2022-12-07 | 2022-12-07 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115901950A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117388286A (zh) * | 2023-12-07 | 2024-01-12 | 成都信息工程大学 | 一种基于微波近场时域反射的非金属内部缺陷检测方法 |
-
2022
- 2022-12-07 CN CN202211562544.8A patent/CN115901950A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117388286A (zh) * | 2023-12-07 | 2024-01-12 | 成都信息工程大学 | 一种基于微波近场时域反射的非金属内部缺陷检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zheng et al. | Monitor concrete moisture level using percussion and machine learning | |
| CN111476088B (zh) | 沥青路面水损害识别模型构建方法、识别方法及系统 | |
| CN104391039B (zh) | 基于动态小波指纹技术的储罐底板腐蚀非接触式超声检测方法 | |
| WO2021082904A1 (zh) | 一种用于水损害检测的探地雷达图谱自适应选取方法 | |
| CN110988839B (zh) | 基于一维卷积神经网络的墙体健康状况的快速识别方法 | |
| CN111751392B (zh) | 一种基于双极化探地雷达的钢筋锈蚀检测方法 | |
| CN104330023A (zh) | 混凝土表面初始开裂信息的采集系统与识别方法 | |
| Zhang et al. | An automatic impact-based delamination detection system for concrete bridge decks | |
| WO2021083394A1 (zh) | 一种基于图谱灰度自适应选取的沥青路面水损害检测方法 | |
| 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 | |
| CN104698087A (zh) | 基于递归奇异熵的预应力孔道浆体剥离度检测装置及方法 | |
| Paglinawan et al. | Crack detection using multiple image processing for unmanned aerial monitoring of concrete structure | |
| Rashidi et al. | Assessment of the overall condition of bridge decks using the Jensen-Shannon divergence of NDE data | |
| CN113468804B (zh) | 一种基于矩阵束和深度神经网络的地下管道识别方法 | |
| Wu et al. | Internal defect detection quantification and three-dimensional localization based on impact echo and classification learning model | |
| Chen et al. | Localization and imaging of internal hidden defects in concrete slabs based on deep learning of vibration signals | |
| Al Gharawi et al. | A framework for automated time-lapse thermography data processing | |
| Vy et al. | Damage localization using acoustic emission sensors via convolutional neural network and continuous wavelet transform | |
| CN111443131B (zh) | 一种钢筋套筒灌浆密实度检测方法 | |
| Vijayan et al. | A survey on surface crack detection in concretes using traditional, image processing, machine learning, and deep learning techniques | |
| KR102611457B1 (ko) | 인공지능 기반 콘크리트 부재 내부 결함 탐지 시스템 | |
| O'Byrne et al. | Texture analysis based detection and classification of surface features on ageing infrastructure elements | |
| CN116773654A (zh) | 一种基于周向导波的管道缺陷智能检测装置及检测方法 | |
| Arndt et al. | MONITORING OF REINFORCED CONCRETE CORROSION AND DETERIORATION BY PERIODIC MULTI‐SENSOR NON‐DESTRUCTIVE EVALUATION | |
| Zhang et al. | Multi-resource fusion of nondestructive evaluation data for bridge deck assessment using discrete wavelet transform and Dempster-Shafer theory |
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 |