CN117347501A - 建筑材料性能检测系统及方法 - Google Patents
建筑材料性能检测系统及方法 Download PDFInfo
- Publication number
- CN117347501A CN117347501A CN202311477129.7A CN202311477129A CN117347501A CN 117347501 A CN117347501 A CN 117347501A CN 202311477129 A CN202311477129 A CN 202311477129A CN 117347501 A CN117347501 A CN 117347501A
- Authority
- CN
- China
- Prior art keywords
- sound detection
- detection signal
- training
- sound
- feature
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 265
- 239000004566 building material Substances 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 78
- 239000013598 vector Substances 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 239000000463 material Substances 0.000 abstract description 57
- 230000005236 sound signal Effects 0.000 description 29
- 238000012360 testing method Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000009658 destructive testing Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 239000004035 construction material Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000001066 destructive effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种建筑材料性能检测系统及方法，其获取待检测建筑材料的声音探测信号；对所述声音探测信号进行局部时序特征分析以得到声音探测信号段波形特征矩阵的序列；对所述声音探测信号段波形特征矩阵的序列进行全时序关联编码以得到声音探测语义关联特征；基于所述声音探测语义关联特征，确定待检测建筑材料的强度值。这样，可以实现非破坏性的建筑材料性能检测，不仅节省了材料和时间，而且能够处理不同类型和不同状态的建筑材料，具有较强的泛化能力和鲁棒性，为建筑工程和材料科学领域的建筑材料性能无损检测提供了可行工具。
Description
技术领域
本申请涉及智能化检测技术领域，并且更具体地，涉及一种建筑材料性能检测系统及方法。
背景技术
建筑材料的性能检测是在建筑工程和材料科学领域中非常重要的一项任务。建筑材料的性能直接影响着建筑结构的安全性、可靠性和耐久性。因此，准确评估建筑材料的性能对于确保建筑结构的质量和可持续发展至关重要。
然而，传统的建筑材料性能检测系统通常需要对材料进行破坏性试验来评估其性能，这不仅会造成材料的损耗和浪费，还可能对建筑结构的完整性造成损害，同时也会影响工程进度。并且，在检测过程中，还需要使用昂贵的设备和仪器，增加了检测的成本，而且对于一些小型建筑项目或资源有限的地区来说实施性较低。此外，传统的建筑材料性能测试系统通常需要耗费大量的时间和人力资源。从取样到试验、数据分析和结果报告，整个过程可能需要数天甚至数周的时间，这对于需要快速评估建筑材料性能的项目来说是不可接受的。
因此，期望一种优化的建筑材料性能检测系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种建筑材料性能检测系统及方法，其获取待检测建筑材料的声音探测信号；对所述声音探测信号进行局部时序特征分析以得到声音探测信号段波形特征矩阵的序列；对所述声音探测信号段波形特征矩阵的序列进行全时序关联编码以得到声音探测语义关联特征；基于所述声音探测语义关联特征，确定待检测建筑材料的强度值。这样，可以实现非破坏性的建筑材料性能检测，不仅节省了材料和时间，而且能够处理不同类型和不同状态的建筑材料，具有较强的泛化能力和鲁棒性，为建筑工程和材料科学领域的建筑材料性能无损检测提供了可行工具。
第一方面，提供了一种建筑材料性能检测系统，其包括：
声音探测信号采集模块，用于获取待检测建筑材料的声音探测信号；
声音探测局部时序特征分析模块，用于对所述声音探测信号进行局部时序特征分析以得到声音探测信号段波形特征矩阵的序列；
声音探测信号全时序编码模块，用于对所述声音探测信号段波形特征矩阵的序列进行全时序关联编码以得到声音探测语义关联特征；
建筑材料强度值检测模块，用于基于所述声音探测语义关联特征，确定待检测建筑材料的强度值。
第二方面，提供了一种建筑材料性能检测方法，其包括：
获取待检测建筑材料的声音探测信号；
对所述声音探测信号进行局部时序特征分析以得到声音探测信号段波形特征矩阵的序列；
对所述声音探测信号段波形特征矩阵的序列进行全时序关联编码以得到声音探测语义关联特征；
基于所述声音探测语义关联特征，确定待检测建筑材料的强度值。
附图说明
为了更清楚地说明本申请实施例的技术方案，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申请的一些实施例，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为根据本申请实施例的建筑材料性能检测系统的框图。
图2为根据本申请实施例的建筑材料性能检测方法的流程图。
图3为根据本申请实施例的建筑材料性能检测方法架构的示意图。
图4为根据本申请实施例的建筑材料性能检测系统的应用场景图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，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的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
建筑材料的性能检测是确保建筑结构安全可靠的重要任务，涉及评估建筑材料的力学性能、物理性能、化学性能等方面，以确保建筑结构的质量、可靠性和耐久性。传统的建筑材料性能检测方法通常包括破坏性试验，例如拉伸、压缩或弯曲试验。这些试验需要在材料上施加负荷，以测量其承载能力和变形行为。然而，这些试验会导致材料的损坏和浪费，对已经建造的结构造成损害，并且需要昂贵的设备和耗时的过程。
为了解决这些问题，非破坏性检测方法应运而生。非破坏性检测方法利用声学、电磁、超声波、热学等技术，通过对材料进行非侵入性评估来确定其性能，这些方法不会对材料造成损坏，同时具有快速、准确、经济高效的优势。
以下是非破坏性建筑材料性能检测方法：
声学方法：利用声波传播和反射的原理来评估材料的密度、弹性模量和声波传播速度等参数。例如，通过测量超声波在材料中传播的速度和衰减情况，可以推断出材料的强度和质量。
电磁方法：利用电磁波在材料中传播和相互作用的特性来评估材料的导电性、磁性和电磁特性。例如，通过测量电阻、电导率和磁导率等参数，可以判断材料的组成、含水量和腐蚀情况。
热学方法：利用热量在材料中传播和吸收的特性来评估材料的导热性、热膨胀系数和热传导性能等。例如，通过测量材料的热导率和热容量，可以了解其热性能和隔热性能。
学方法：利用光的传播和反射特性来评估材料的光学性能、透明度和表面质量等。例如，通过测量光的透射、反射和散射情况，可以判断材料的光学透明度和光学均匀性。
非破坏性建筑材料性能检测方法具有快速、准确、经济高效的特点，可以在不破坏材料和结构完整性的情况下进行评估，这些方法在建筑工程、材料科学和质量控制等领域得到广泛应用，为建筑结构的设计、施工和维护提供了重要的技术支持。
然而，传统的建筑材料性能检测系统存在一些限制和挑战，传统的建筑材料性能检测通常需要进行破坏性试验，例如拉伸、压缩或弯曲试验，这种试验会导致材料的损坏和浪费，因为一旦材料被破坏，就无法再次使用。此外，对于已经建造的建筑结构，进行破坏性试验可能会对其完整性造成损害，增加了维修和修复的成本。传统的建筑材料性能测试通常需要使用昂贵的设备和仪器，例如万能试验机、冲击试验机、硬度计等，这些设备和仪器的购买、维护和操作成本较高，对于一些小型建筑项目或资源有限的地区来说，实施性较低。传统的建筑材料性能测试系统通常需要耗费大量的时间和人力资源。从取样到试验、数据分析和结果报告，整个过程可能需要数天甚至数周的时间，这对于需要快速评估建筑材料性能的项目来说是不可接受的，会延长工程进度并增加成本。传统方法通常只能对少量样本进行测试，因为每个样本都需要进行破坏性试验，这限制了对大规模样本的评估，导致结果的可靠性和代表性受到影响。
为了克服这些限制，人们对非破坏性建筑材料性能检测方法进行了研究和开发，避免了破坏性试验的问题，该方法可以提供快速、准确和经济高效的建筑材料性能评估，同时减少材料损耗和浪费，保护建筑结构的完整性。
在本申请的一个实施例中，图1为根据本申请实施例的建筑材料性能检测系统的框图。如图1所示，根据本申请实施例的建筑材料性能检测系统100，包括：声音探测信号采集模块110，用于获取待检测建筑材料的声音探测信号；声音探测局部时序特征分析模块120，用于对所述声音探测信号进行局部时序特征分析以得到声音探测信号段波形特征矩阵的序列；声音探测信号全时序编码模块130，用于对所述声音探测信号段波形特征矩阵的序列进行全时序关联编码以得到声音探测语义关联特征；建筑材料强度值检测模块140，用于基于所述声音探测语义关联特征，确定待检测建筑材料的强度值。
在所述声音探测信号采集模块110中，确保准确获取待检测建筑材料的声音探测信号。关键是选择适当的传感器和采集设备，并确保其位置和接触方式与材料相匹配，以获得清晰、可靠的信号。这样，提供原始声音数据，为后续分析和处理提供基础。在所述声音探测局部时序特征分析模块120中，对声音探测信号进行局部时序特征分析，以提取有用的波形特征矩阵序列，这可能涉及到滤波、时域分析、频域分析等技术。关键是选择适当的分析方法和参数，以准确捕捉材料的声音特征。这样，提供了描述声音信号的局部时序特征，为后续的全时序编码提供输入。在所述声音探测信号全时序编码模块130中，对声音探测信号段波形特征矩阵序列进行全时序关联编码，以提取声音探测的语义关联特征，这可能涉及到序列分析、机器学习等技术。关键是选择适当的编码方法和算法，以准确捕捉材料的声音特征，并将其转化为可用于强度值检测的语义关联特征。这样，提供了对声音信号进行编码的结果，为建筑材料强度值检测提供输入。在所述建筑材料强度值检测模块140中，基于声音探测语义关联特征确定待检测建筑材料的强度值，这可能涉及到建立强度值与语义关联特征之间的模型或规则。关键是根据已知的声音特征与强度值之间的关系，进行准确的推断和预测。这样，提供了对建筑材料强度值的检测结果，为评估材料的质量和可靠性提供依据。
通过声音探测和分析，提取建筑材料的声音特征，并将其转化为语义关联特征，从而实现对材料强度值的检测，这种方法具有非破坏性、快速和准确的优势，可以为建筑材料性能评估提供一种有效的手段。
相应地，考虑到不同的建筑材料在受力或振动时会产生特定的声音特征，例如频率、幅度和持续时间等。通过对这些声音特征进行分析和识别，可以推断材料的强度、韧性、稳定性等性能指标。而声音信号分析和识别又是一种常用的非破坏性检测方法，因此可以通过分析材料产生的声音信号来评估其性能。
基于此，本申请的技术构思为在采集待检测建筑材料的声音探测信号后，在后端引入信号处理和分析算法来进行建筑材料声音信号的分析和识别，以此来实现对材料的声学特征的评估，从而得到待检测建筑材料的强度值，有助于非破坏性检测和评估建筑材料的性能，通过这样的方式，实现了非破坏性的建筑材料性能检测，不仅节省了材料和时间，而且能够处理不同类型和不同状态的建筑材料，具有较强的泛化能力和鲁棒性，为建筑工程和材料科学领域的建筑材料性能无损检测提供了可行工具。
具体地，在本申请的技术方案中，首先，获取待检测建筑材料的声音探测信号。声音信号的振幅可以提供关于材料的硬度和强度的信息，通常情况下，振幅较大的声音信号可能表示材料较硬或较强。声音信号的频率可以提供关于材料的密度和弹性模量的信息，不同材料具有不同的频率响应特征，因此可以通过分析声音信号的频谱来推断材料的性质。声音信号在材料中传播时会受到衰减。衰减的程度可以与材料的吸声性能和能量损耗相关联，通过分析声音信号的衰减情况，可以推断材料的质量和损耗情况。材料表面的反射和散射特性会影响声音信号的传播和接收，通过分析声音信号的反射和散射情况，可以推断材料的表面质量和均匀性。声音信号的时域特征，如声音的持续时间、上升时间和下降时间等，可以提供关于材料的变形和动态响应的信息。这些特征可以用于评估材料的可靠性和耐久性。
通过分析和提取这些有用的声音信号信息，可以建立与材料强度值相关的模型或规则。这些信息可以与已知的声音特征和强度值之间的关系进行比较和匹配，从而确定待检测建筑材料的强度值。然而，强度值的确定可能还需要考虑其他因素，如材料的组成、结构和制造工艺等。因此，在进行强度值检测时，需要综合考虑多个因素，并结合适当的分析方法和算法进行准确的评估。
应可以理解，建筑材料在受力或振动时会产生声音信号，这些信号可能包含多个事件或动作。并且，长时间的声音信号可能包含大量冗余信息，对整个信号进行处理可能会导致计算资源的浪费。因此，在本申请的技术方案中，进一步对所述声音探测信号进行信号切分以得到声音探测信号段的序列。通过对声音信号进行切分，可以将不同的事件或动作分离开来，使得后续的特征提取和分析更加准确和可靠，同时还可以减少计算量，提高处理效率。
然后，考虑到所述声音探测信号在时域中的表现形式为波形图，因此，使用在图像的隐含特征提取方面具有优异表现性能的基于卷积神经网络模型的声音波形特征提取器分别对所述声音探测信号段的序列中各个声音探测信号段进行特征挖掘，以分别提取出所述各个声音探测信号段中有关于声音探测信号波形的局部时序特征分布信息，从而得到声音探测信号段波形特征矩阵的序列。
在本申请的一个具体实施例中，所述声音探测局部时序特征分析模块，包括：信号切分单元，用于对所述声音探测信号进行信号切分以得到声音探测信号段的序列；声音波形局部时序特征提取单元，用于通过基于深度神经网络模型的声音波形特征提取器分别对所述声音探测信号段的序列中各个声音探测信号段进行特征提取以得到所述声音探测信号段波形特征矩阵的序列。
其中，所述深度神经网络模型为卷积神经网络模型。
信号切分单元对声音探测信号进行切分，将其分割成多个声音探测信号段的序列，这样做可以将声音信号分解为更小的部分，以便更精细地分析和处理每个声音段。通过信号切分，可以获得更准确和详细的声音特征信息，有助于后续的特征提取和分析。
声音波形局部时序特征提取单元通过基于深度神经网络模型的声音波形特征提取器，对每个声音探测信号段进行特征提取，以获得声音探测信号段波形特征矩阵的序列。深度神经网络模型可以学习和提取声音波形中的关键特征，例如振幅、频率、衰减等，通过特征提取，可以将声音信号转化为更具有语义关联的特征表示，为后续的全时序编码提供更有意义和有效的输入。
信号切分单元将声音信号切分为更小的段落，有助于更精确地捕捉每个声音段的特征。而声音波形局部时序特征提取单元通过深度神经网络模型，可以学习和提取更丰富、更抽象的声音特征，从而提高特征提取的准确性。信号切分单元将声音信号分解为多个段落，使得每个段落都可以获得独立的特征表示，而声音波形局部时序特征提取单元通过特征提取器，可以提取每个声音段的波形特征矩阵，这样可以获得更多的特征信息，丰富了对声音信号的描述和分析能力。声音波形局部时序特征提取单元通过深度神经网络模型提取的特征，更具有语义关联性，这些特征可以捕捉到声音信号中的高级抽象特征，有助于更准确地表达声音信号的含义和关联，这对于后续的全时序编码和建筑材料强度值检测模块的工作非常重要。
信号切分单元和声音波形局部时序特征提取单元的设计和实施，可以提高声音信号分析的准确性和效果，为后续的处理和建筑材料强度值检测提供更有意义和有效的特征表示。
进一步地，考虑到所述各个声音探测信号段波形特征矩阵包含了每个声音探测信号段的时域特征分布信息。这些声音探测信号的局部时序特征之间具有着基于时序整体的关联关系，因此，在本申请的技术方案中，为了更好地捕捉到所述各个声音信号段之间的关联关系和时序特征，以此来对于建筑材料的性能进行更为准确地分析，需要进一步将所述声音探测信号段波形特征矩阵的序列沿着通道维度聚合为声音探测信号段波形特征图后通过基于三维卷积神经网络模型的信号段间关联特征提取器中进行特征挖掘，以提取出所述各个声音信号段中有关于声音探测信号波形的局部时序特征之间的语义关联特征信息，从而得到声音探测语义关联特征图。这样，可以捕捉到所述各个声音信号段时序特征之间的相互作用和关联，进一步提高建筑材料性能的评估准确性。
在本申请的一个具体实施例中，所述声音探测信号全时序编码模块，用于：将所述声音探测信号段波形特征矩阵的序列沿着通道维度聚合为声音探测信号段波形特征图后通过基于三维卷积神经网络模型的信号段间关联特征提取器以得到声音探测语义关联特征图作为所述声音探测语义关联特征。
通过将声音探测信号段波形特征矩阵聚合为特征图，可以捕捉到不同声音探测信号段之间的时序关联性，这种关联性可能包括声音段之间的时间顺序、时延、重叠等特征。通过基于三维卷积神经网络模型的信号段间关联特征提取器，可以更好地学习和提取这些关联特征，从而获得更具有语义关联性的声音探测语义关联特征图。将声音探测信号段波形特征矩阵聚合为特征图后，可以利用三维卷积神经网络模型对特征图进行处理。三维卷积神经网络可以有效地利用特征图中的时序和空间信息，提取更复杂、更高级的特征表示，这样可以增强声音探测信号段的特征表达能力，更好地捕捉到声音信号的语义关联性。通过提取声音探测语义关联特征图，可以获得更具有语义理解能力的特征表示，这些特征可以更好地反映声音信号中的语义信息，例如材料的强度、质量、损耗等，通过对这些特征进行分析和处理，可以更准确地评估建筑材料的性能和完整性。
继而，再将所述声音探测语义关联特征图通过解码器以得到解码值，所述解码值用于表示待检测建筑材料的强度值。也就是说，利用所述声音探测信号的全时序语义关联特征信息进行解码回归，从而实现对建筑材料的声学特征的评估，以得到待检测建筑材料的强度值，这样有助于非破坏性检测和评估建筑材料的性能。
在本申请的一个具体实施例中，所述建筑材料强度值检测模块，用于：将所述声音探测语义关联特征图通过解码器以得到解码值，所述解码值用于表示待检测建筑材料的强度值。通过解码器将声音探测语义关联特征图解码为强度值，可以实现对建筑材料的非破坏性检测。传统的强度检测方法可能需要破坏性测试或者采集大量样本进行实验，而声音探测方法可以通过分析声音信号来推断建筑材料的强度，从而避免对材料进行破坏性测试。声音探测方法结合了声音信号分析和深度学习技术，能够实现对建筑材料强度的快速检测，通过将声音探测语义关联特征图解码为解码值，可以快速获取材料的强度信息，加快检测过程，提高工作效率。声音探测方法可以通过分析声音信号中的特征来推断建筑材料的强度。通过解码器将声音探测语义关联特征图解码为解码值，可以获得更准确和精确的强度值表示，深度学习技术在解码过程中能够学习和提取更高级别的特征表示，从而提高检测的准确性和精度。
在本申请的一个实施例中，所述建筑材料性能检测系统，还包括用于对所述基于卷积神经网络模型的声音波形特征提取器、所述基于三维卷积神经网络模型的信号段间关联特征提取器和所述解码器进行训练的训练模块。所述训练模块，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括待检测建筑材料的训练声音探测信号，以及，所述待检测建筑材料的强度值；训练信号切分单元，用于对所述训练声音探测信号进行信号切分以得到训练声音探测信号段的序列；训练声音波形局部时序特征提取单元，用于将所述训练声音探测信号段的序列分别通过所述基于卷积神经网络模型的声音波形特征提取器以得到训练声音探测信号段波形特征矩阵的序列；训练声音波形全时序特征提取单元，用于将所述训练声音探测信号段波形特征矩阵的序列沿着通道维度聚合为训练声音探测信号段波形特征图后通过所述基于三维卷积神经网络模型的信号段间关联特征提取器以得到训练声音探测语义关联特征图；特征图展开单元，用于将所述训练声音探测语义关联特征图展开以得到训练声音探测语义关联特征向量；特征分布优化单元，用于对所述训练声音探测语义关联特征向量进行优化以得到优化训练声音探测语义关联特征向量；解码损失单元，用于将所述优化训练声音探测语义关联特征向量通过所述解码器以得到解码损失函数值；模型训练单元，用于基于所述解码损失函数值并通过梯度下降的方向传播来对所述基于卷积神经网络模型的声音波形特征提取器、所述基于三维卷积神经网络模型的信号段间关联特征提取器和所述解码器进行训练。
特别地，在本申请的技术方案中将所述训练声音探测信号段的序列分别通过基于卷积神经网络模型的声音波形特征提取器时，可以提取局部时域下的各个声音探测信号段的声音波形语义特征表达，而将所述训练声音探测信号段波形特征矩阵的序列沿着通道维度聚合为训练声音探测信号段波形特征图后通过基于三维卷积神经网络模型的信号段间关联特征提取器时，可以进一步提取全局时域下各个声音探测信号段的波形特征间的时域关联特征，使得所述训练声音探测语义关联特征图具有细分时域-局部时域间的多尺度时序关联表达。相应地，这就使得所述训练声音探测语义关联特征图通过分类器进行分类回归时，会由于跨尺度的维度离散而需要提升分类回归的效率。
因此，本申请的申请人对所述训练声音探测语义关联特征图在通过分类器进行分类回归时，展开后得到的训练声音探测语义关联特征向量进行了优化，具体表示为：以如下优化公式对所述训练声音探测语义关联特征向量进行优化以得到优化训练声音探测语义关联特征向量；其中，所述优化公式为：
其中，vi是所述训练声音探测语义关联特征向量的第i个位置的特征值，是所述训练声音探测语义关联特征向量的所有特征值的全局均值，且vmax是所述训练声音探测语义关联特征向量的最大特征值，vi′是优化训练声音探测语义关联特征向量的第i个位置的特征值。
也就是，通过所述训练声音探测语义关联特征向量的全局分布特征参数的正则化仿函数的概念，上述优化基于所述训练声音探测语义关联特征向量的全局分布的参数向量式表征，来以回归概率的正则式表达模拟代价函数，从而对所述训练声音探测语义关联特征向量在高维特征空间内的特征流形表征对于分类回归概率下的基于分类器的权重矩阵的逐点回归特性进行建模，以捕获待分类的训练声音探测语义关联特征向量经由分类器模型的参数空间在高维特征流形的场景几何形状下的参数平滑式优化轨迹，提高所述训练声音探测语义关联特征向量在所述分类器的分类概率回归下的训练效率。这样，能够实现非破坏性的建筑材料性能检测，不仅节省了材料和时间，而且能够处理不同类型和不同状态的建筑材料，具有较强的泛化能力和鲁棒性，为建筑工程和材料科学领域的建筑材料性能无损检测提供了可行工具。
进一步地，所述解码损失单元，用于：使用所述解码器以如下解码公式对所述优化训练声音探测语义关联特征向量进行解码回归以获得训练解码值；其中，所述公式为：其中X是所述训练声音探测语义关联特征向量，Y是所述训练解码值，W是权重矩阵，/>表示矩阵乘；以及，计算所述训练解码值和所述训练数据中所述待检测建筑材料的强度值之间的方差作为所述解码损失函数值。
综上，基于本申请实施例的建筑材料性能检测系统100被阐明，其在采集待检测建筑材料的声音探测信号后，在后端引入信号处理和分析算法来进行建筑材料声音信号的分析和识别，以此来实现对材料的声学特征的评估，从而得到待检测建筑材料的强度值，有助于非破坏性检测和评估建筑材料的性能，通过这样的方式，实现了非破坏性的建筑材料性能检测，不仅节省了材料和时间，而且能够处理不同类型和不同状态的建筑材料，具有较强的泛化能力和鲁棒性，为建筑工程和材料科学领域的建筑材料性能无损检测提供了可行工具。
如上所述，根据本申请实施例的建筑材料性能检测系统100可以实现在各种终端设备中，例如用于建筑材料性能检测的服务器等。在一个示例中，根据本申请实施例的建筑材料性能检测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该建筑材料性能检测系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该建筑材料性能检测系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该建筑材料性能检测系统100与该终端设备也可以是分立的设备，并且该建筑材料性能检测系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
在本申请的一个实施例中，图2为根据本申请实施例的建筑材料性能检测方法的流程图。图3为根据本申请实施例的建筑材料性能检测方法架构的示意图。如图2和图3所示，所述建筑材料性能检测方法，包括：210，获取待检测建筑材料的声音探测信号；220，对所述声音探测信号进行局部时序特征分析以得到声音探测信号段波形特征矩阵的序列；230，对所述声音探测信号段波形特征矩阵的序列进行全时序关联编码以得到声音探测语义关联特征；240，基于所述声音探测语义关联特征，确定待检测建筑材料的强度值。
在所述建筑材料性能检测方法中，对所述声音探测信号进行局部时序特征分析以得到声音探测信号段波形特征矩阵的序列，包括：对所述声音探测信号进行信号切分以得到声音探测信号段的序列；通过基于深度神经网络模型的声音波形特征提取器分别对所述声音探测信号段的序列中各个声音探测信号段进行特征提取以得到所述声音探测信号段波形特征矩阵的序列。
本领域技术人员可以理解，上述建筑材料性能检测方法中的各个步骤的具体操作已经在上面参考图1的建筑材料性能检测系统的描述中得到了详细介绍，并因此，将省略其重复描述。
图4为根据本申请实施例的建筑材料性能检测系统的应用场景图。如图4所示，在该应用场景中，首先，获取待检测建筑材料的声音探测信号(例如，如图4中所示意的C)；然后，将获取的声音探测信号输入至部署有建筑材料性能检测算法的服务器(例如，如图4中所示意的S)中，其中所述服务器能够基于建筑材料性能检测算法对所述声音探测信号进行处理，以确定待检测建筑材料的强度值。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种建筑材料性能检测系统，其特征在于，包括：
声音探测信号采集模块，用于获取待检测建筑材料的声音探测信号；
声音探测局部时序特征分析模块，用于对所述声音探测信号进行局部时序特征分析以得到声音探测信号段波形特征矩阵的序列；
声音探测信号全时序编码模块，用于对所述声音探测信号段波形特征矩阵的序列进行全时序关联编码以得到声音探测语义关联特征；
建筑材料强度值检测模块，用于基于所述声音探测语义关联特征，确定待检测建筑材料的强度值。
2.根据权利要求1所述的建筑材料性能检测系统，其特征在于，所述声音探测局部时序特征分析模块，包括：
信号切分单元，用于对所述声音探测信号进行信号切分以得到声音探测信号段的序列；
声音波形局部时序特征提取单元，用于通过基于深度神经网络模型的声音波形特征提取器分别对所述声音探测信号段的序列中各个声音探测信号段进行特征提取以得到所述声音探测信号段波形特征矩阵的序列。
3.根据权利要求2所述的建筑材料性能检测系统，其特征在于，所述深度神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的建筑材料性能检测系统，其特征在于，所述声音探测信号全时序编码模块，用于：将所述声音探测信号段波形特征矩阵的序列沿着通道维度聚合为声音探测信号段波形特征图后通过基于三维卷积神经网络模型的信号段间关联特征提取器以得到声音探测语义关联特征图作为所述声音探测语义关联特征。
5.根据权利要求4所述的建筑材料性能检测系统，其特征在于，所述建筑材料强度值检测模块，用于：将所述声音探测语义关联特征图通过解码器以得到解码值，所述解码值用于表示待检测建筑材料的强度值。
6.根据权利要求5所述的建筑材料性能检测系统，其特征在于，还包括用于对所述基于卷积神经网络模型的声音波形特征提取器、所述基于三维卷积神经网络模型的信号段间关联特征提取器和所述解码器进行训练的训练模块。
7.根据权利要求6所述的建筑材料性能检测系统，其特征在于，所述训练模块，包括：
训练数据采集单元，用于获取训练数据，所述训练数据包括待检测建筑材料的训练声音探测信号，以及，所述待检测建筑材料的强度值；
训练信号切分单元，用于对所述训练声音探测信号进行信号切分以得到训练声音探测信号段的序列；
训练声音波形局部时序特征提取单元，用于将所述训练声音探测信号段的序列分别通过所述基于卷积神经网络模型的声音波形特征提取器以得到训练声音探测信号段波形特征矩阵的序列；
训练声音波形全时序特征提取单元，用于将所述训练声音探测信号段波形特征矩阵的序列沿着通道维度聚合为训练声音探测信号段波形特征图后通过所述基于三维卷积神经网络模型的信号段间关联特征提取器以得到训练声音探测语义关联特征图；
特征图展开单元，用于将所述训练声音探测语义关联特征图展开以得到训练声音探测语义关联特征向量；
特征分布优化单元，用于对所述训练声音探测语义关联特征向量进行优化以得到优化训练声音探测语义关联特征向量；
解码损失单元，用于将所述优化训练声音探测语义关联特征向量通过所述解码器以得到解码损失函数值；
模型训练单元，用于基于所述解码损失函数值并通过梯度下降的方向传播来对所述基于卷积神经网络模型的声音波形特征提取器、所述基于三维卷积神经网络模型的信号段间关联特征提取器和所述解码器进行训练。
8.根据权利要求7所述的建筑材料性能检测系统，其特征在于，所述解码损失单元，用于：
使用所述解码器以如下解码公式对所述优化训练声音探测语义关联特征向量进行解码回归以获得训练解码值；其中，所述公式为：其中X是所述训练声音探测语义关联特征向量，Y是所述训练解码值，W是权重矩阵，/>表示矩阵乘；以及
计算所述训练解码值和所述训练数据中所述待检测建筑材料的强度值之间的方差作为所述解码损失函数值。
9.一种建筑材料性能检测方法，其特征在于，包括：
获取待检测建筑材料的声音探测信号；
对所述声音探测信号进行局部时序特征分析以得到声音探测信号段波形特征矩阵的序列；
对所述声音探测信号段波形特征矩阵的序列进行全时序关联编码以得到声音探测语义关联特征；
基于所述声音探测语义关联特征，确定待检测建筑材料的强度值。
10.根据权利要求9所述的建筑材料性能检测方法，其特征在于，对所述声音探测信号进行局部时序特征分析以得到声音探测信号段波形特征矩阵的序列，包括：
对所述声音探测信号进行信号切分以得到声音探测信号段的序列；
通过基于深度神经网络模型的声音波形特征提取器分别对所述声音探测信号段的序列中各个声音探测信号段进行特征提取以得到所述声音探测信号段波形特征矩阵的序列。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311477129.7A CN117347501A (zh) | 2023-11-08 | 2023-11-08 | 建筑材料性能检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311477129.7A CN117347501A (zh) | 2023-11-08 | 2023-11-08 | 建筑材料性能检测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117347501A true CN117347501A (zh) | 2024-01-05 |
Family
ID=89369242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311477129.7A Withdrawn CN117347501A (zh) | 2023-11-08 | 2023-11-08 | 建筑材料性能检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117347501A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117686588A (zh) * | 2024-02-04 | 2024-03-12 | 新疆盛诚工程建设有限责任公司 | 燃气管道焊接质量的无损监测系统及方法 |
| CN117825508A (zh) * | 2024-01-12 | 2024-04-05 | 广东滨洲建筑工程有限公司 | 基于建筑楼体环保材料生产方法 |
-
2023
- 2023-11-08 CN CN202311477129.7A patent/CN117347501A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117825508A (zh) * | 2024-01-12 | 2024-04-05 | 广东滨洲建筑工程有限公司 | 基于建筑楼体环保材料生产方法 |
| CN117825508B (zh) * | 2024-01-12 | 2024-06-11 | 广东滨洲建筑工程有限公司 | 基于建筑楼体环保材料生产方法 |
| CN117686588A (zh) * | 2024-02-04 | 2024-03-12 | 新疆盛诚工程建设有限责任公司 | 燃气管道焊接质量的无损监测系统及方法 |
| CN117686588B (zh) * | 2024-02-04 | 2024-05-10 | 新疆盛诚工程建设有限责任公司 | 燃气管道焊接质量的无损监测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117347501A (zh) | 建筑材料性能检测系统及方法 | |
| Li et al. | Damage detection of bridges using response of vehicle considering road surface roughness | |
| Wang et al. | Densely connected convolutional networks for vibration based structural damage identification | |
| CN101614786B (zh) | 基于frft和ifsvc的功率电子电路在线智能故障诊断方法 | |
| Yang et al. | Hybrid two‐step method of damage detection for plate‐like structures | |
| Yu et al. | Novel hybrid method based on advanced signal processing and soft computing techniques for condition assessment of timber utility poles | |
| Torkamani et al. | Hyperchaotic probe for damage identification using nonlinear prediction error | |
| Lai et al. | An evaluation of Mahalanobis Distance and grey relational analysis for crack pattern in concrete structures | |
| Yu et al. | Automated health condition diagnosis of in situ wood utility poles using an intelligent non-destructive evaluation (NDE) framework | |
| Du et al. | An improved prototype network and data augmentation algorithm for few-shot structural health monitoring using guided waves | |
| CN117191956A (zh) | 一种基于声发射的钛合金应力腐蚀损伤分类方法及装置 | |
| CN116881712A (zh) | 一种混凝土大坝活动裂纹电磁脉冲信号识别方法 | |
| Al-hababi et al. | Time-frequency domain methods for the identification of breathing cracks in beam-like structures | |
| Das et al. | Optimizing the performance of machine learning algorithms for the condition assessment of utility timber poles | |
| Gunes et al. | Vibration‐Based Damage Evaluation of a Reinforced Concrete Frame Subjected to Cyclic Pushover Testing | |
| Zhao et al. | Vibration-Based Damage Detection for a Prestressed Concrete Box Girder by Means of Subspace Analysis | |
| Roemer et al. | Autonomous impact damage detection and isolation prediction for aerospace structures | |
| CN114544765A (zh) | 一种基于深度学习的检测板状材料缺陷存在与位置的方法 | |
| Qayyum et al. | Detecting cracks with Convolution Neural Network (CNN) with Variable image dataset | |
| Li et al. | Online Condition Assessment of Prestressed Hollow-Core Slab Bridges Based on 1d Cnn Using Acoustic Emission Technique | |
| CN118130621B (zh) | 基于超声导波轻量化网络的复合材料损伤实时检测方法 | |
| Fuentes et al. | Detecting damage on wind turbine bearings using acoustic emissions and gaussian process latent variable models | |
| Paixão | Damage quantification in laminated composites using gaussian process regression model | |
| CN117033983B (zh) | 一种无人船自噪声检测识别方法及系统 | |
| CN106198746A (zh) | 一种超声波智能检测木材构件胶缝缺陷方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240105 |
|
| WW01 | Invention patent application withdrawn after publication |