CN116893222B - 基于人工智能的铁路隧道混凝土缺陷冲击回声波检测方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及基于人工智能的铁路隧道混凝土缺陷冲击回声波检测方法，包括：对混凝土敲击产生弹性波，采集弹性波在每个采样点的回波数据，进而获取每个采样点的R波数据，获取采样点每一时刻的位移幅值与邻域内每个采样点的位移幅值的匹配关系，进而获取采样点的每一时刻的位移幅值的匹配熵；根据采样点的每一时刻的位移幅值的匹配熵以及位移幅值的匹配关系获取采样点的每一时刻的错位异常程度以及位移幅值异常程度，进而得到每个采样点的异常程度，根据异常程度剔除异常数据得到可信数据，根据可信数据进行混凝土内部缺陷定位。本发明对异常数据识别准确，使得混凝土内部缺陷定位更加准确。

Description

基于人工智能的铁路隧道混凝土缺陷冲击回声波检测方法

技术领域

本发明涉及数据处理技术领域，具体涉及基于人工智能的铁路隧道混凝土缺陷冲击回声波检测方法。

背景技术

随着国内铁路与高铁里程数的迅速提升，铁路隧道的质量对于运行安全格外重要，但在隧道浇筑的过程中难以避免的存在过度变形、裂损、剥落脱块，或混凝土厚度不满足设计要求、不密实、强度不足等问题，因此需要对隧道混凝土进行质量检测以保证隧道质量。现有混凝土检测中冲击回拨法相较于其他方法具有渗透深度更大、实用性更广、数据处理简单和目标分辨率高的优势，但受限于施工环境比较恶劣，使得传感器的设定不够稳定，容易造成异常监测数据，因此需要对冲击声波回声法进行异常数据的筛除以提高准确率。

冲击回波法的原理是当内部存在一定缺陷时，声波的入射波和反射波需要绕过缺陷，其往复时间相较于正常的往复时间有一定程度的延长，但受限于混凝土表面的不平整、裂缝、杂物等问题，会影响信号的传播和接收，使得检测所得的位移-时间数据存在一定误差，在使用EMD滤波算法获得数据的平稳波形用于生成检测结果的等值线图时，造成误判与误差问题。因此产生在滤波之前对异常数据筛除的需求。

发明内容

为了解决上述问题，本发明提供基于人工智能的铁路隧道混凝土缺陷冲击回声波检测方法。

本发明的基于人工智能的铁路隧道混凝土缺陷冲击回声波检测方法采用如下技术方案：

本发明一个实施例提供了基于人工智能的铁路隧道混凝土缺陷冲击回声波检测方法，该方法包括以下步骤：

设置若干个采样点，对混凝土敲击产生弹性波，采集弹性波在每个采样点的回波数据；对每个采样点的回波数据进行分割获取每个采样点的R波数据；

根据每个采样点的R波数据获取采样点每一时刻的位移幅值与邻域内每个采样点的位移幅值的匹配关系；根据位移幅值的匹配关系获取采样点的每一时刻的位移幅值的匹配熵；根据采样点的每一时刻的位移幅值的匹配熵以及位移幅值的匹配关系获取采样点的每一时刻的错位异常程度；

根据位移幅值的匹配关系获取采样点的每一时刻的邻域位移幅值矩阵，对邻域位移幅值矩阵进行二维高斯模型拟合，得到邻域位移幅值矩阵的二维高斯函数；根据每个采样点的每一时刻的邻域位移幅值矩阵以及邻域位移幅值矩阵的二维高斯函数获取采样点的每一时刻的位移幅值异常程度；

根据每个采样点的R波数据中所有时刻的错位异常程度以及位移幅值异常程度获取每个采样点的异常程度；

根据采样点的异常程度剔除异常数据，得到可信数据；根据可信数据进行混凝土内部缺陷定位。

优选的，所述对每个采样点的回波数据进行分割获取每个采样点的R波数据，包括的具体步骤如下：

将每个采样点的回波数据中第1个时刻的位移幅值作为初始波动幅值；获取每个采样点的回波数据中的所有极值点，获取每个采样点的第一个极值点之后与每个采样点的初始波动幅值相同的位移幅值，作为候选位移幅值，将第一个候选位移幅值对应的时刻，作为每个采样点的回归时刻；获取每个采样点的回波数据中第一个时刻到回归时刻的数据，作为每个采样点的R波数据。

优选的，所述根据每个采样点的R波数据获取采样点每一时刻的位移幅值与邻域内每个采样点的位移幅值的匹配关系，包括的具体步骤如下：

将每个采样点的R波数据中所有时刻的位移幅值构成每个采样点的R波序列，利用DTW动态时间归整算法获取每个采样点的R波序列与邻域内每个采样点的R波序列之间的DTW路径，根据DTW路径得到采样点的每个时刻的位移幅值与邻域内每个采样点的位移幅值的匹配关系。

优选的，所述根据位移幅值的匹配关系获取采样点的每一时刻的位移幅值的匹配熵，包括的具体步骤如下：

获取采样点的每一时刻的位移幅值在邻域内所有采样点的R波序列中匹配的位移幅值的熵，对熵进行归一化，作为采样点的每一时刻的位移幅值的匹配熵。

优选的，所述根据采样点的每一时刻的位移幅值的匹配熵以及位移幅值的匹配关系获取采样点的每一时刻的错位异常程度，包括的具体步骤如下：

其中，/>表示坐标为/>的采样点的第/>时刻的错位异常程度；/>表示坐标为/>的采样点的第/>时刻的位移幅值的匹配熵；/>表示坐标为/>的采样点的第/>时刻；/>表示坐标为的采样点的第/>时刻的位移幅值在邻域内第/>个采样点的/>波序列中匹配的位移幅值对应的时刻；/>为邻域范围大小。

优选的，所述根据位移幅值的匹配关系获取采样点的每一时刻的邻域位移幅值矩阵，包括的具体步骤如下：

将任意一个时刻作为目标时刻，将采样点的目标时刻的位移幅值以及其在邻域内所有采样点的R波序列中匹配的位移幅值按照采样点的位置构成一个二维矩阵，记为采样点的目标时刻的邻域位移幅值矩阵；获取采样点的每一时刻的邻域位移幅值矩阵。

优选的，所述根据每个采样点的每一时刻的邻域位移幅值矩阵以及邻域位移幅值矩阵的二维高斯函数获取采样点的每一时刻的位移幅值异常程度，包括的具体步骤如下：

其中，/>表示坐标为/>的采样点的第/>时刻的位移幅值异常程度；/>表示坐标为/>的采样点的第/>时刻的邻域位移幅值矩阵中的最大位移幅值；/>表示所有采样点的所有时刻的位移幅值构成的集合；表示所有采样点的所有时刻的位移幅值构成的集合中的最大位移幅值；/>表示坐标为/>的采样点的第/>时刻的邻域位移幅值矩阵的二维高斯函数在坐标/>处的函数值；/>表示坐标为/>的采样点的第/>时刻的位移幅值；/>为绝对值符号。

优选的，所述根据每个采样点的R波数据中所有时刻的错位异常程度以及位移幅值异常程度获取每个采样点的异常程度，包括的具体步骤如下：

其中，/>表示坐标为/>的采样点的异常程度；/>表示坐标为/>的采样点的第/>时刻的位移幅值异常程度；/>表示坐标为的采样点的第/>时刻的错位异常程度；/>为坐标为/>的采样点的回归时刻；为归一化函数。

优选的，所述根据采样点的异常程度剔除异常数据，得到可信数据，包括的具体步骤如下：

当采样点的异常程度大于预设的异常程度阈值时，将采样点的R波数据作为异常数据；将所有异常数据剔除，将剩余的采样点的R波数据作为可信数据。

优选的，所述根据可信数据进行混凝土内部缺陷定位，包括的具体步骤如下：

利用EMD算法对可信数据进行分解，获得去噪数据；根据去噪数据生成等值线图，技术人员根据等值线图进行缺陷定位。

本发明的技术方案的有益效果是：现有技术使用冲击回波法获得回波时间用于混凝土缺陷检测，该过程中由于混凝土表面的复杂环境，使得冲击回波信号存在异常数据，构建等线值图进行时异常数据会对结果产生干扰，使得混凝土内部缺陷检测不准确。本发明对混凝土敲击产生弹性波，采集弹性波在每个采样点的回波数据，进而获取每个采样点的R波数据，获取采样点每一时刻的位移幅值与邻域内每个采样点的位移幅值的匹配关系，进而获取采样点的每一时刻的位移幅值的匹配熵；根据采样点的每一时刻的位移幅值的匹配熵以及位移幅值的匹配关系获取采样点的每一时刻的错位异常程度以及位移幅值异常程度，进而得到每个采样点的异常程度，根据异常程度剔除异常数据，根据可信数据进行混凝土内部缺陷定位。本发明结合错位异常以及位移幅值异常识别的异常数据更加准确，剔除了混凝土表面的复杂环境对R波数据的干扰，使得最终得到的数据更加可信，基于可信数据定位的混凝土内部缺陷更加准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的基于人工智能的铁路隧道混凝土缺陷冲击回声波检测方法的步骤流程图；

图2为弹性波在混凝土内部传输的示意图；

图3为位移-时间曲线；

图4回波在混凝土内部缺陷处的反射示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于人工智能的铁路隧道混凝土缺陷冲击回声波检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于人工智能的铁路隧道混凝土缺陷冲击回声波检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于人工智能的铁路隧道混凝土缺陷冲击回声波检测方法的步骤流程图，该方法包括以下步骤：

S001．使用激振装置在混凝土表面产生弹性波，通过传感器采集回波数据。

需要说明的是，本发明实施例的目的是，对混凝土表面施加冲击力产生弹性波，对回波数据筛除异常数据，利用筛除异常数据后的回波数据进行混凝土的内部缺陷的检测，因此首先需要采集混凝土冲击弹性波的回波数据。

在本发明实施例中，以冲击源设备或敲击设备对混凝土敲击产生弹性波，并通过传感器将反射波转换为电信号，作为回波数据。在利用冲击源设备或敲击设备对混凝土敲击产生弹性波时，设置的采样点数通常为几千至几十万个，具体不做限定，本发明实施例取40000个网格状点作为采样点，得到每个采样点的回波数据，在其他实施例中，实施人员可根据实际实施情况设置采样点。

由于回波数据是弹性波在混凝土内部传输过程中遇到不同介质的回弹，参见图2，因此每个采样点都产生一个位移-时间的曲线，参见图3，将每个采样点的回波数据用表示，其中/>分别为采样点在网格中的横纵坐标，在采样点位40000个网格状点时，的最大值为200，即/>，/>。/>为采集时间，采集时间最大为/>，即/>。表示以冲击源设备或敲击设备对混凝土敲击的时间长度，本发明实施例中以/>毫秒为例进行叙述，具体不做限定，在其他实施例中，实施人员可根据具体实施情况设置以冲击源设备或敲击设备对混凝土敲击的时间长度/>。/>为回波的位移幅值。

至此，通过传感器采集得到了回波数据。

S002．根据每个采样点的回波数据获取每个采样点的R波数据。

需要说明的是，冲击回波法在生成冲击波的过程中，由冲击源传播到混凝土结构时发生介质的密度和弹性模量的变化而发生折射或反射会产生P波，即P波为表面响应产生的波动，当冲击波遇到混凝土结构中的缺陷、界面或反射体时会发生反射形成R波。R波可反映混凝土内部的缺陷，而P波仅能用于确定基准时间和参考信号，并不能反映混凝土内部的缺陷。因此在分析回波数据中的异常时，需要去除表面响应时间内产生的P波，获取R波数据。

在本发明实施例中，以坐标为的采样点的回波数据/>为例说明R波数据的获取方法：

由于表面响应产生的波动具有局限性，使得检测的位移幅值在一定时间后与初始波动相同，将坐标为的采样点的回波数据/>中第1个时刻的位移幅值作为初始波动幅值，获取坐标为/>的采样点的回波数据/>中的所有极值点，获取第一个极值点之后与初始波动幅值相同的位移幅值，作为候选位移幅值，将第一个候选位移幅值对应的时刻作为坐标为/>的采样点的回归时刻，记为/>。利用回归时刻/>将/>截断为的R波区间和/>的P波区间，将/>的R波区间对应的回波数据/>作为坐标为/>的采样点的R波数据，其中/>。

同理，获取每个采样点的R波数据。

S003．根据所有采样点的R波数据获取每个采样点的R波数据的每个时刻的错位异常程度。

需要说明的是，R波是指从混凝土结构内部或结构界面反射回来的波形信号，R波的到达时间、振幅和能量可以提供信息，以评估混凝土结构中的内部缺陷或材料性质的变化。当传感器受到混凝土表面影响时，表面响应产生的P波也会相应的改变，同时也会对R波产生影响。尽管步骤S002中去除了P波，获得了R波数据，但混凝土表面因素造成的缺陷对R波造成的影响仍然保留在R波数据中，对混凝土内部的缺陷的检测造成影响。因此需要对混凝土表面因素造成的缺陷对R波造成的影响进行识别。

需要进一步说明的是，若混凝土内部存在缺陷，则通过网格状传感器采集获得的区域性R波在一定时间和一定区域内均存在协变性波动，而由于混凝土表面因素造成的缺陷常会造成同一缺陷的R波在时间维度产生错位、一个采样点的R波的位移幅值与邻域范围的其他采样点的R波的位移幅值存在差异，因此根据可根据采样点相较于邻域采样点在时间维度与空间维度的差异性变化，获得采样点的数据异常程度。

由于每个采样点的回归时刻不一定相同，使得不同的采样点的R波数据的长度不同，因此可根据每个采样点与领域范围内的采样点的R波数据的时间序列变化差值，获取每个采样点时间维度上的错位异常程度，具体为：

预设邻域范围大小，本发明实施例以n=15为例进行说明，具体不做限定，实施人员可根据具体实施情况设置邻域范围大小。

若R波数据的波动为混凝土内部缺陷造成的，则在邻域范围内，所有采样点的R波数据对应相同的时间段；若R波数据的波动存在混凝土表面因素的影响，此时对应的采样点为异常数据点，则在邻域范围内，异常数据点与邻域内采样点的R波数据不一定对应相同的时间段，可能存在P波时间范围过长造成异常数据点相较于领域内采样的R波数据的时间错位更多，即存在错位异常。而DTW动态时间规整算法可以反映序列之间的错位信息，因此本发明实施例采用DTW动态时间规整算法对采样点的每一时刻的错位异常程度进行分析。

在本发明实施例中，将每个采样点的R波数据中所有时刻的位移幅值构成每个采样点的R波序列，利用DTW动态时间归整算法获取每个采样点的R波序列与其邻域内每个采样点的R波序列之间的DTW路径，根据DTW路径可知采样点的R波序列中每个时刻的位移幅值与其邻域内每个采样点的R波序列中的位移幅值的匹配关系。

需要说明的是，当采样点的R波序列中的位移幅值与其领域内采样点的R波序列中匹配的位移幅值对应的时刻差异较大，则存在P波过长造成的时间错位，此时错位异常程度较大，当采样点的R波序列中的位移幅值在其领域内所有采样点的R波序列中匹配的位移幅值对应的时刻分布越混乱时，采样点的R波序列中的位移幅值与领域内采样点的R波序列中的位移幅值无法对应，此时错位异常程度较大。

在本发明实施例中，获取采样点的每一时刻的位移幅值在邻域内所有采样点的R波序列中匹配的位移幅值的熵，对熵进行归一化，作为采样点的每一时刻的位移幅值的匹配熵。

根据采样点的每一时刻的位移幅值的匹配熵以及采样点的每一时刻的位移幅值与邻域内每个采样点的位移幅值的匹配关系获取采样点的每一时刻的错位异常程度：

其中，表示坐标为/>的采样点的第/>时刻的错位异常程度；/>表示坐标为/>的采样点的第/>时刻的位移幅值的匹配熵；/>表示坐标为/>的采样点的第/>时刻；/>表示坐标为/>的采样点的第/>时刻的位移幅值在邻域内第/>个采样点的R波序列中匹配的位移幅值对应的时刻；/>为邻域范围大小；/>表示坐标为的采样点的第/>时刻的位移幅值在邻域内所有采样点的R波序列中匹配的位移幅值对应的时刻的均值；若坐标为/>的采样点的第/>时刻与该时刻的位移幅值在邻域内所有采样点的R波序列中匹配的位移幅值对应的时刻的均值之间的差异越大时，表示坐标为/>的采样点的第/>时刻的位移幅值存在被P波影响造成的错位后滞，此时采样点的第/>时刻的错位异常程度越大；当坐标为/>的采样点的第/>时刻的位移幅值的匹配熵越大时，在DTW动态时间归整算法获取坐标为/>的采样点的R波序列与邻域内采样点的R波序列的DTW路径的过程中，可能由于坐标为/>的采样点的R波序列中的位移幅值与邻域内采样点的R波序列中的位移幅值差异过大，造成DTW动态时间归整算法规整失败，使得匹配的位移幅值之间的时刻波动较大，导致错位异常程度偏大，此时利用/>作为/>的权重，对进行修正，使得得到的错位异常程度更加准确。

同理，获取每个采样点的R波数据中每个时刻的错位异常程度。

S004．根据所有采样点的R波数据获取每个采样点的R波数据的每个时刻的位移幅值异常程度。

需要说明的是，冲击回波法在对混凝土进行缺陷探伤检测时，混凝土表面的复杂环境会对信号的传播和接收造成影响，使得检测信号存在一定位移幅值较大的异常位移幅值，而异常数据在使用EMD分解获得趋势数据时对整体趋势容易造成一定的影响，使得检测结果的异常与混凝土的实际缺陷不相符，造成无效的工程量消耗。而异常数据点与邻域范围内其他的采样的R波数据的位移幅值之间存在较大偏差，因此可分析采样点与领域范围内的采样点的R波数据的位移幅值之间的差异，获取采样点的R波数据的每个时刻的位移幅值异常程度，以便后续根据错位异常程度以及位移幅值异常程度构建异常程度矩阵，剔除异常数据。

需要进一步说明的是，由于回波在遇到缺陷时需要绕开，参见图4，因此越靠近缺陷中心的回波位移幅值越大，越靠近缺陷边缘的回波位移幅值越小，近似满足与二维高斯分布，因此本发明实施例结合采样点与邻域范围内采样点的位移幅值差异，分析数据的异常可能性，获得采样点的R波数据每一时刻在空间维度上的位移幅值异常程度。

在本发明实施例中，由于可能存在一定噪声，根据每个采样点的R波序列中每一时刻的位移幅值在邻域内所有采样点的R波序列中匹配的位移幅值对每个采样点的R波序列中每一时刻的位移幅值进行均值滤波，后续分析均基于均值滤波后的位移幅值进行分析。

将任意一个时刻作为目标时刻，将采样点的R波序列中目标时刻的位移幅值以及其在邻域内所有采样点的R波序列中匹配的位移幅值，按照采样点的位置构成一个二维矩阵，记为采样点的目标时刻的邻域位移幅值矩阵。同理，获取采样点的每一时刻的邻域位移幅值矩阵。

利用最小二乘法对邻域位移幅值矩阵进行二维高斯模型拟合，得到邻域位移幅值矩阵的二维高斯函数。

根据每个采样点的每一时刻的邻域位移幅值矩阵以及邻域位移幅值矩阵的二维高斯函数获取采样点的每一时刻的位移幅值异常程度：

其中，表示坐标为/>的采样点的第/>时刻的位移幅值异常程度；/>表示坐标为/>的采样点的第/>时刻的邻域位移幅值矩阵中的最大位移幅值；/>表示所有采样点的所有时刻的位移幅值构成的集合；/>表示所有采样点的所有时刻的位移幅值构成的集合中的最大位移幅值；/>表示坐标为/>的采样点的第/>时刻的邻域位移幅值矩阵的二维高斯函数在坐标/>处的函数值；/>表示坐标为/>的采样点的第/>时刻的位移幅值；/>为绝对值符号；/>表示坐标为/>的采样点在该采样点的第/>时刻的邻域位移幅值矩阵的二维高斯函数中的函数值与该采样点的第/>时刻的位移幅值差异越大，该采样点的第/>时刻的位移幅值越不满足邻域内采样点位移幅值的高斯分布，采样点的第/>时刻的位移幅值越可能属于异常数据，此时该采样点的第/>时刻的位移幅值异常程度越大；/>反映了采样点的第/>时刻的邻域位移幅值矩阵的二维高斯函数的尖峰，当尖峰越高，越可能为混凝土内部缺陷的位置，为正常数据，反之当尖峰越低，越可能为混凝土表面因素的影响造成的波动，此时采样点的第/>时刻的位移幅值越异常。

同理，获取每个采样点的R波数据中每个时刻的位移幅值异常程度。

S005．根据位移幅值异常程度和错位异常程度获得采样点的异常程度。

根据每个采样点的R波数据中所有时刻的错位异常程度以及位移幅值异常程度获取每个采样点的异常程度：

其中，表示坐标为/>的采样点的异常程度；/>表示坐标为/>的采样点的第/>时刻的位移幅值异常程度；/>表示坐标为/>的采样点的第/>时刻的错位异常程度；/>为坐标为/>的采样点的回归时刻；/>为归一化函数；当采样点的每一时刻的错位异常程度以及位移幅值异常程度越大，采样点越异常。

至此，通过分析回波数据的位移幅值信息以及时间错位信息，获得了每个采样点异常程度。

S006．根据采样点的异常程度筛除异常数据，进行混凝土内部缺陷定位。

预设一个异常程度阈值C，本发明实施例以C=0.85为例进行叙述，具体不做限定，实施情况可根据实际实施情况设置异常程度阈值。

当采样点的异常程度大于异常程度阈值C时，采样点的R波数据为异常数据，此时采样点的R波数据不可信，将采样点的R波数据剔除，达到筛除异常数据的目的。

利用EMD算法对剩余采样点的R波数据进行分解，获得去噪数据。根据去噪数据生成等值线图，用于技术人员进行缺陷定位。需要说明的是，等值线图的生成方法为公知技术，在本发明实施例中不再详细赘述。

通过以上步骤，完成了铁路隧道混凝土缺陷冲击回声波检测。

本发明实施例对混凝土敲击产生弹性波，采集弹性波在每个采样点的回波数据，进而获取每个采样点的R波数据，获取采样点每一时刻的位移幅值与邻域内每个采样点的位移幅值的匹配关系，进而获取采样点的每一时刻的位移幅值的匹配熵；根据采样点的每一时刻的位移幅值的匹配熵以及位移幅值的匹配关系获取采样点的每一时刻的错位异常程度以及位移幅值异常程度，进而得到每个采样点的异常程度，根据异常程度剔除异常数据，根据可信数据进行混凝土内部缺陷定位。本发明结合错位异常以及位移幅值异常识别的异常数据更加准确，剔除了混凝土表面的复杂环境对R波数据的干扰，使得最终得到的数据更加可信，基于可信数据定位的混凝土内部缺陷更加准确。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.基于人工智能的铁路隧道混凝土缺陷冲击回声波检测方法，其特征在于，该方法包括以下步骤：

设置若干个采样点，对混凝土敲击产生弹性波，采集弹性波在每个采样点的回波数据；对每个采样点的回波数据进行分割获取每个采样点的R波数据；

根据每个采样点的R波数据获取采样点每一时刻的位移幅值与邻域内每个采样点的位移幅值的匹配关系；根据位移幅值的匹配关系获取采样点的每一时刻的位移幅值的匹配熵；根据采样点的每一时刻的位移幅值的匹配熵以及位移幅值的匹配关系获取采样点的每一时刻的错位异常程度；

根据位移幅值的匹配关系获取采样点的每一时刻的邻域位移幅值矩阵，对邻域位移幅值矩阵进行二维高斯模型拟合，得到邻域位移幅值矩阵的二维高斯函数；根据每个采样点的每一时刻的邻域位移幅值矩阵以及邻域位移幅值矩阵的二维高斯函数获取采样点的每一时刻的位移幅值异常程度；

根据每个采样点的R波数据中所有时刻的错位异常程度以及位移幅值异常程度获取每个采样点的异常程度；

根据采样点的异常程度剔除异常数据，得到可信数据；根据可信数据进行混凝土内部缺陷定位；

其特征在于，所述对每个采样点的回波数据进行分割获取每个采样点的R波数据，包括的具体步骤如下：

将每个采样点的回波数据中第1个时刻的位移幅值作为初始波动幅值；获取每个采样点的回波数据中的所有极值点，获取每个采样点的第一个极值点之后与每个采样点的初始波动幅值相同的位移幅值，作为候选位移幅值，将第一个候选位移幅值对应的时刻，作为每个采样点的回归时刻；获取每个采样点的回波数据中第一个时刻到回归时刻的数据，作为每个采样点的R波数据。

2.根据权利要求1所述的基于人工智能的铁路隧道混凝土缺陷冲击回声波检测方法，其特征在于，所述根据每个采样点的R波数据获取采样点每一时刻的位移幅值与邻域内每个采样点的位移幅值的匹配关系，包括的具体步骤如下：

将每个采样点的R波数据中所有时刻的位移幅值构成每个采样点的R波序列，利用DTW动态时间归整算法获取每个采样点的R波序列与邻域内每个采样点的R波序列之间的DTW路径，根据DTW路径得到采样点的每个时刻的位移幅值与邻域内每个采样点的位移幅值的匹配关系。

3.根据权利要求2所述的基于人工智能的铁路隧道混凝土缺陷冲击回声波检测方法，其特征在于，所述根据位移幅值的匹配关系获取采样点的每一时刻的位移幅值的匹配熵，包括的具体步骤如下：

获取采样点的每一时刻的位移幅值在邻域内所有采样点的R波序列中匹配的位移幅值的熵，对熵进行归一化，作为采样点的每一时刻的位移幅值的匹配熵。

4.根据权利要求2所述的基于人工智能的铁路隧道混凝土缺陷冲击回声波检测方法，其特征在于，所述根据采样点的每一时刻的位移幅值的匹配熵以及位移幅值的匹配关系获取采样点的每一时刻的错位异常程度，包括的具体步骤如下：

其中，N_x，y(j)表示坐标为(x，y)的采样点的第j时刻的错位异常程度；表示坐标为(x，y)的采样点的第j时刻的位移幅值的匹配熵；t″_(x，y)，j表示坐标为(x，y)的采样点的第j时刻；t″′_{(x，y)，j，i}表示坐标为(x，y)的采样点的第j时刻的位移幅值在邻域内第i个采样点的R波序列中匹配的位移幅值对应的时刻；n×n为邻域范围大小。

5.根据权利要求2所述的基于人工智能的铁路隧道混凝土缺陷冲击回声波检测方法，其特征在于，所述根据位移幅值的匹配关系获取采样点的每一时刻的邻域位移幅值矩阵，包括的具体步骤如下：

将任意一个时刻作为目标时刻，将采样点的目标时刻的位移幅值以及其在邻域内所有采样点的R波序列中匹配的位移幅值按照采样点的位置构成一个二维矩阵，记为采样点的目标时刻的邻域位移幅值矩阵；获取采样点的每一时刻的邻域位移幅值矩阵。

6.根据权利要求1所述的基于人工智能的铁路隧道混凝土缺陷冲击回声波检测方法，其特征在于，所述根据每个采样点的每一时刻的邻域位移幅值矩阵以及邻域位移幅值矩阵的二维高斯函数获取采样点的每一时刻的位移幅值异常程度，包括的具体步骤如下：

其中，G_x，y(j)表示坐标为(x，y)的采样点的第j时刻的位移幅值异常程度；表示坐标为(x，y)的采样点的第j时刻的邻域位移幅值矩阵中的最大位移幅值；A′表示所有采样点的所有时刻的位移幅值构成的集合；max(A′)表示所有采样点的所有时刻的位移幅值构成的集合中的最大位移幅值；f_j(x，y)表示坐标为(x，y)的采样点的第j时刻的邻域位移幅值矩阵的二维高斯函数在坐标(x，y)处的函数值；A_x，y(j)表示坐标为(x，y)的采样点的第j时刻的位移幅值；| |为绝对值符号。

7.根据权利要求1所述的基于人工智能的铁路隧道混凝土缺陷冲击回声波检测方法，其特征在于，所述根据每个采样点的R波数据中所有时刻的错位异常程度以及位移幅值异常程度获取每个采样点的异常程度，包括的具体步骤如下：

其中，Q_x，y表示坐标为(x，y)的采样点的异常程度；G_x，y(j)表示坐标为(x，y)的采样点的第j时刻的位移幅值异常程度；N_x，y(j)表示坐标为(x，y)的采样点的第j时刻的错位异常程度；t′_x，y为坐标为(x，y)的采样点的回归时刻；norm()为归一化函数。

8.根据权利要求1所述的基于人工智能的铁路隧道混凝土缺陷冲击回声波检测方法，其特征在于，所述根据采样点的异常程度剔除异常数据，得到可信数据，包括的具体步骤如下：

当采样点的异常程度大于预设的异常程度阈值时，将采样点的R波数据作为异常数据；将所有异常数据剔除，将剩余的采样点的R波数据作为可信数据。

9.根据权利要求1所述的基于人工智能的铁路隧道混凝土缺陷冲击回声波检测方法，其特征在于，所述根据可信数据进行混凝土内部缺陷定位，包括的具体步骤如下：

利用EMD算法对可信数据进行分解，获得去噪数据；根据去噪数据生成等值线图，技术人员根据等值线图进行缺陷定位。