CN117434153B - 基于超声波技术的道路无损检测方法及系统 - Google Patents
基于超声波技术的道路无损检测方法及系统 Download PDFInfo
- Publication number
- CN117434153B CN117434153B CN202311753614.2A CN202311753614A CN117434153B CN 117434153 B CN117434153 B CN 117434153B CN 202311753614 A CN202311753614 A CN 202311753614A CN 117434153 B CN117434153 B CN 117434153B
- Authority
- CN
- China
- Prior art keywords
- road
- electric signal
- sequence
- ultrasonic electric
- signal sequence
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 25
- 238000005516 engineering process Methods 0.000 title claims abstract description 23
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 74
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 238000009499 grossing Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000007547 defect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000001066 destructive effect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G01N29/04—Analysing solids
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
- E01C23/00—Auxiliary devices or arrangements for constructing, repairing, reconditioning, or taking-up road or like surfaces
- E01C23/01—Devices or auxiliary means for setting-out or checking the configuration of new surfacing, e.g. templates, screed or reference line supports; Applications of apparatus for measuring, indicating, or recording the surface configuration of existing surfacing, e.g. profilographs
-
- 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
- G01N29/36—Detecting the 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
- G01N29/4481—Neural networks
-
- 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
- G01N29/449—Statistical methods not provided for in G01N29/4409, e.g. averaging, smoothing and interpolation
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Probability & Statistics with Applications (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Acoustics & Sound (AREA)
Abstract
本发明涉及道路检测技术领域，具体涉及基于超声波技术的道路无损检测方法及系统，该方法包括：获取道路超声波相关数据；对道路超声波电信号序列的极大值区间的数据波动进行分析，构建波动幅度误差；获取概率集合；设置滑动窗口大小；获取窗口数据序列；对概率集合中的元素分布以及窗口数据序列对元素之间的不相似间距进行构建；获取道路超声波电信号序列的残差序列；获取维纳滤波算法的调整平滑系数；采用维纳滤波算法结合调整平滑系数对道路超声波电信号序列进行去噪；结合BP神经网络完成道路无损检测，使得数据去噪效果更好，保证道路无损检测的准确性。
Description
技术领域
本发明涉及道路检测技术领域，具体涉及基于超声波技术的道路无损检测方法及系统。
背景技术
道路无损检测是指利用非破坏性的方法和技术对道路结构和材料进行评估和检测，以获取道路的内部情况和质量信息，而不需要对道路进行破坏性的采样或测试。近些年来由于超声波的高速发展，由于超声波具有高强的穿透性、高灵敏度和非破坏性等优点，在各个领域得到了广泛的应用，故超声波也经常被运用于道路的检测。
由于封闭交通、时间长、破坏路面等不利影响，传统的检测方法已经无法满足智慧养护对公路检测快捷、无损和智能的要求，已被舍弃。现通过超声波技术对道路进行检测，但由于道路处于开放的环境中，开放的环境，环境对于超声波的干扰性比较强，直接采用获取的超声波数据，会导致检测结果的准确率下降，需要对获取的道路超声波数据进行去噪处理。通过维纳滤波算法对转换获得的道路超声波电信号进行去噪处理时，平滑系数过大会使得维纳滤波去噪效果更好，但可能会导致信号失真；而较小的平滑系数虽然能保留辐照物料测厚电信号的细节信息，但会使得某些信号成分过于尖锐，导致对噪声信号的处理效果较差，后续无法提供较为精准的道路超声波信号数据。
发明内容
为了解决上述技术问题，本发明的目的在于提供基于超声波技术的道路无损检测方法及系统，所采用的技术方案具体如下：
第一方面，本发明实施例提供了基于超声波技术的道路无损检测方法，该方法包括以下步骤：
获取道路超声波电信号序列、超声波传感器采样时间以及工作周期；
采用二阶差分方法获取道路超声波电信号序列的极大值区间；根据超声波电信号序列的极大值区间的数据波动获取道路超声波电信号序列的波动幅度误差；根据道路超声波电信号序列中的元素分布结合波动幅度误差获取概率集合；根据道路超声波电信号序列中的元素个数结合极大值区间的个数设置滑动窗口大小；以道路超声波电信号序列中各元素为中心结合滑动窗口大小获取窗口数据序列；根据概率集合中的各元素以及元素分布结合窗口数据序列获取元素之间的不相似间距；根据元素之间的不相似间距获取道路超声波电信号序列的残差序列；根据残差序列的元素分布获取维纳滤波算法的调整平滑系数；采用维纳滤波算法结合调整平滑系数对道路超声波电信号序列进行去噪；
结合BP神经网络根据去噪后的道路超声波电信号完成道路无损检测。
优选的，所述采用二阶差分方法获取道路超声波电信号序列的极大值区间，包括：
采用二阶差分方法获取道路超声波电信号序列的极大值；将所述极大值按照从小到大的顺序进行排序，组成极大值序列；
将超声波传感器采样时间与超声波传感器的工作周期的比值作为道路超声波电信号序列的极大值区间数量；将极大值序列与所述数量的比值作为道路超声波电信号序列的极大值区间大小。
优选的，所述根据超声波电信号序列的极大值区间的数据波动获取道路超声波电信号序列的波动幅度误差，具体为：
将各极大值区间的前10%以及后10%的数据进行剔除，保存为修正极大值区间；
对于各修正极大值区间；
获取修正极大值区间的元素均值；将修正极大值区间各元素与所述元素均值的差值绝对值的均值保存为修正极大值区间的波动差异；
获取所有修正极大值区间的波动差异均值；将所述波动差异与所述波动差异均值的差值绝对值作为修正极大值区间与其余所有修正极大值区间的波动差异分歧量；
统计修正极大值区间的波动差异分歧量出现的概率；将所述概率作为以自然常数为底数的指数函数的指数；将所有修正极大值区间的所述波动差异分歧量与所述指数函数的乘积的均值作为道路超声波电信号序列的波动幅度误差。
优选的，所述根据道路超声波电信号序列中的元素分布结合波动幅度误差获取概率集合，包括：
对于道路超声波电信号序列各元素；
获取道路超声波电信号序列的元素总个数；计算序列元素与其他元素的差值绝对值；统计所述差值绝对值小于波动幅值误差的个数；将所述个数与元素总个数的比值作为概率集合的各元素。
优选的，所述根据道路超声波电信号序列数据序列中的元素个数结合极大值区间的个数设置滑动窗口大小，包括：
计算道路超声波数据序列中元素个数与a倍极大值区间个数的比值，将2倍所述比值与1的和值作为滑动窗口的大小，其中，a为预设值。
优选的，所述根据概率集合中的各元素以及元素分布结合窗口数据序列获取元素之间的不相似间距，具体包括：
获取概率集合中出现最多次数的元素；计算道路超声波电信号序列数据序列各元素对应概率集合元素与所述元素的差值绝对值；将所述差值绝对值的相反数作为以自然常数为底数的指数函数的指数；将所述指数函数的计算结果作为道路超声波电信号序列各元素的附带权重；
设置被除数调节因子；获取窗口数据序列的大小/>；窗口数据序列/>中心元素与窗口数据序列/>中心元素之间的不相似间距/>表达式为：
式中，表示第/>个窗口数据序列中第/>个元素，/>表示第/>个窗口数据序列中第个元素；/>表示数值为/>所附带的权重，/>表示数值为/>所附带的权重；/>表示余弦相似度函数，/>、/>分别表示第/>个窗口数据序列、第/>个窗口数据序列。
优选的，所述根据元素之间的不相似间距获取道路超声波电信号序列的残差序列，具体步骤包括：
对于道路超声波电信号序列中的各元素；将与各元素最小的s-1个不相似间距的元素的平均值作为预测序列的对应元素，其中，s表示极大值区间的个数；
将道路超声波电信号各元素与预测序列的对应元素的差值绝对值作为残差序列的各元素。
优选的，所述根据残差序列的元素分布获取维纳滤波算法的调整平滑系数，具体步骤包括：
设置平滑系数调节因子；获取残差序列中出现次数最多的元素；计算残差序列中所有元素与所述元素的差值的均值；计算残差序列的元素均值；计算所述元素均值与所述均值的乘积的相反数；将所述相反数作为以自然常数为底数的指数函数的指数；将平滑系数调节因子与所述指数函数的差值作为平滑系数调节因数；
将维纳滤波算法原始平滑系数与所述平滑系数调节因数的乘积作为维纳滤波算法的调整平滑系数。
优选的，所述结合BP神经网络根据去噪后的道路超声波电信号完成道路无损检测，具体步骤包括：
将去噪后的以往采集的道路超声波电信号数据作为训练集，使用One-hot编码，将无损道路超声波电信号标记为0，将有缺陷的道路超声波电信号标记为1；通过标记好的训练集对BP神经网络进行训练；
将去噪后的道路超声波电信号作为BP神经网络的输入，若BP神经网络输出结果为0，则道路无缺陷；若BP神经网络输出为1，则道路存在缺陷。
第二方面，本发明实施例还提供了基于超声波技术的道路无损检测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明至少具有如下有益效果：
本发明主要通过对道路超声波电信号进行分析，首先采用二阶差分法获取极大值，通过采样的周期数量获取划分区间数量，通过划分区间数量对极大值进行划分。通过极大值区间获取道路超声波电信号的波动幅度误差，有效捕捉到电信号数据之间的波动幅度，减小计算的误差，提高计算的精确度；通过道路超声波电信号的波动幅度误差获取道路超声波电信号元素的附带权重，利用附带权重与滑动窗口序列计算元素之间的不相似间距，刻画元素对应窗口数据之间的差异性；通过平滑系数调节因数对维纳滤波的平滑系数进行调整，调整后的平滑系数可以根据不同的道路超声波电信号进行变化，使得数据去噪效果更好，进而检测结果更加准确。
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和优点，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的介绍，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它附图。
图1为本发明一个实施例提供的基于超声波技术的道路无损检测方法的步骤流程图；
图2为道路超声波电信号序列去噪步骤图。
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超声波技术的道路无损检测方法及系统，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，一个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超声波技术的道路无损检测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于超声波技术的道路无损检测方法的步骤流程图，该方法包括以下步骤：
步骤S001：将获取道路超声波信号转化为电信号，并对道路超声波电信号进行预处理。
选择合适超声波探头对道路发射超声波信号，通过超声波接收器接受反射回来的超声波信号并将其转化为电信号。采用信号放大器对转化的电信号进行增加振幅，从而提高信噪比并确保信号能够被有效地处理和分析。本实施例设置的超声波发射信号是为100kHz，采样的时间间隔为。采样的时长为/>，总采样时长为1s，实施者可根据实际情况自行调整。将采集的电信号数据序列记为A，并获取超声波传感器的工作周期。
对于采集的信号可能存在缺失的可能，因此在此采用线性插值法，对于缺失的数据进行补全，由于线性插值法使用范围广，且不会引入新的振荡，对信号处理等需要保持信号相位的应用具有较好的性能。由于线性插值法为公知技术，具体过程在此不再赘述。
至此，获取道路超声波电信号序列。
步骤S002：对道路超声波电信号序列的元素分布特征进行分析，计算道路超声波电信号的平滑系数调节因数，获取调整平滑系数，结合维纳滤波算法对道路超声波电信号进行去噪。
由于在开放的环境中，采集到的道路超声波电信号很容易受到环境的影响，如车辆的倒车雷达、交通流量监测器、自动开关门等，都会产生电磁波干扰，对于超声波接收器接收的信号来说，可能会导致传感器接收到的信号出现干扰或波动。
对于转化后的道路超声波电信号，采用二阶差分法，获取信号序列中极大值以及极大值的数量，由于采用二阶差分法计算极大值为公知技术，具体过程在此不再赘述。将极大值按从小到大的规则进行排序，得到极大值序列B。按照超声波传感器采样的时间除以超声波传感器的工作周期得到划分区间的数量，保存为s，采用s对排序后极大值进行划分区间。可以通过极大值区间计算超声波信号的波动幅度误差，可以有效的捕捉到电信号数据之间的波动幅度。减小计算的误差，提高计算的精确度。
对于每一个划分的极大值区间，为了去除噪声的影响，在此将极大值区间的数据剔除前10%与后10%的数据，记为修正极大值区间，记为，元素的数量记为N。通过上述指标计算道路超声波电信号序列的波动幅度误差，表达式为：
式中，表示第i个修正极大值区间波动差异；/>表示修正极大值区间元素的数量；/>表示第i个修正极大值区间中第j个元素；/>表示第i个修正极大值区间中元素的平均值；/>表示取绝对值函数；/>表示第i个修正极大值区间与所有修正极大值区间的波动差异分歧量；/>表示所有修正极大值区间的波动差异的平均值；/>表示道路超声波电信号序列的波动幅度误差；/>表示极大值区间的数量，即修正极大值区间的数量；表示以自然常数为底数的指数函数；/>表示值为/>波动差异分歧量在所有波动差异分歧量出现的概率。
当数据中的噪声点数量越少，使得极大值区间内元素值越相似，使得极大区间元素值越接近于平均值，使得元素与平均值之差的值越小，因此使得极大值区间波动差异/>的值越小；使得极大值区间与所有极大值区间的波动差异分歧量/>越小；若/>的值出现的越多，那么，其自身所附带的权重/>的值越大，得到道路超声波电信号的波动幅度误差/>的值越接近于/>。
在正常情况下，采集到的道路超声波电信号应该是一个周期性的数据。然而，由于波动或噪声的影响，数据的周期性可能会发生一定的变化，导致数据偏离了正常的周期性。通过下列计算使数据重新回归周期性。
具体的，统计道路超声波电信号序列A中每一个元素出现的概率，概率的计算方法为：将序列中数据处于区间的元素个数，作为道路超声波电信号序列A中第k个元素/>出现的次数。如数据为1、1.1、0.9、1.5、1.6、1.7，/>的值为0.1。那么，1出现的次数为3，1.1出现的次数为2，0.9出现的次数为2，1.5出现的次数为2，1.6出现的次数为3，1.7出现的次数为2。通过数据值出现的次数除以数据的总数量得到数据的概率，记为/>。将道路超声波电信号序列A中所有元素的概率组成概率集合P。
采用道路超声波电信号序列A中元素的数量M除以a（a取经验值4）倍的极大值划分的区间数量s，记为n。采用2n+1的值作为数据划分滑动窗口大小，记为m。以道路超声波电信号序列A中元素为中心，m为滑动窗口大小。得到一个个窗口数据序列，将第I个窗口数据序列记为。
通过上述指标计算道路超声波电信号序列A中每一个元素与其他元素之间的不相似间距，表达式为：
式中，表示道路超声波电信号序列A中第k个元素的附带权重；/>表示以自然常数为底数的指数函数；/>表示道路超声波电信号序列A中第k个元素出现的概率；/>求得概率集合P中出现次数最多的元素，/>表示取绝对值函数，/>表示窗口数据序列/>中心元素与窗口数据序列/>中心元素之间的不相似间距；/>表示窗口的大小；表示第/>个窗口数据序列中第/>个元素，/>表示第/>个窗口数据序列中第/>个元素；/>表示数值为/>的附带权重，/>表示数值为/>的附带权重；/>表示余弦相似度函数，、/>分别表示第/>个窗口数据序列、第/>个窗口数据序列。由于/>为公知技术，具体过程在此不再赘述，/>表示被除数调节因子，取经验值2。
当元素的概率/>与概率聚合P中出现次数最多的元素之间的差值越大，代表这个数据越有可能是噪声数据，所以该数据的附带权重值/>越小；当窗口数据之间越不相似窗口对应数据之间的差值和越大，即/>的值越大，窗口数据之间的余弦相似度/>的值越小；由此当窗口数据之间越不相似，窗口数据序列之间的不相似间距的值/>越大。
对于每一个道路超声波电信号序列A中元素，选取与其窗口数据序列最小的个不相似间距窗口数据序列的中心元素，进行求平均值，采用平均值替换道路超声波电信号序列A中的元素，获取预测序列/>。
通过对道路超声波电信号序列A中的元素减去对应位置预测序列中元素的差值求绝对值，得到道路超声波电信号序列的残差序列/>。通过残差序列/>获取采样区间的平滑系数调节因数/>，用于对后续维纳滤波算法的平滑系数的调整：
式中，表示平滑系数调节因数；/>表示平滑系数调节因子，取经验值2；/>表示以自然常数为底数的指数函数；/>表示残差序列元素的平均值；/>表示残差序列元素的数量；/>表示残差序列第J个元素的值；/>表示取残差序列/>中出现次数最多的元素；/>表示维纳滤波算法的原始平滑系数，/>表示调整平滑系数。
当原始的道路超声波电信号序列A与预测序列之间的残差序列/>中元素值相差越大，且分布越混乱，得到残差序列/>中元素的平均值/>就越大，数据的离散度就越大，得到的采样区间的平滑系数调节因数/>的值越大，此时越应该调高维纳滤波算法中的平滑系数，使得具有维纳滤波算法具有更高的去噪能力。减小噪声对道路检测的影响，提高检测的准确率。
通过上述步骤获取的平滑系数，将其代入维纳滤波算法中对道路超声波电信号进行去噪处理，维纳滤波算法的输入为道路超声波电信号序列，输出为经过去噪处理之后的道路超声波电信号序列，由于维纳滤波算法为公知技术，本实施例不再过多赘述。其中，道路超声波电信号序列去噪步骤如图2所示。
步骤S003：采用BP神经网络对去噪后的道路超声波电信号完成道路无损检测。
采集大量质量良好道路超声波电信号与出现道路缺陷的超声波电信号，通过上述步骤对采集到的数据进行预处理，将预处理后的超声波电信号作为训练集，对于超声波电信号采用One-hot编码，然后对预处理过后无损道路超声波电信号标记为0，预处理后出现道路缺陷的超声波信号标记为1。通过训练集对五层的BP神经网络进行训练，采用交叉熵作为损失函数，AdaGrad优化器对训练结果进行优化。将去噪之后的道路超声波电信号作为输入，输出结果0表示无缺陷，输出结果为1表示有缺陷。需要说明的是，BP神经网络为现有公知技术，本实施例中不再赘述。
至此，完成道路的无损检测。
基于与上述方法相同的发明构思，本发明实施例还提供了基于超声波技术的道路无损检测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于超声波技术的道路无损检测方法中任意一项所述方法的步骤。
综上所述，本发明实施例主要通过对道路超声波电信号进行分析，首先采用二阶差分法获取极大值，通过采样的周期数量获取划分区间数量，通过划分区间数量对极大值进行划分。通过极大值区间获取道路超声波电信号的波动幅度误差，有效捕捉到电信号数据之间的波动幅度，减小计算的误差，提高计算的精确度；通过道路超声波电信号的波动幅度误差获取道路超声波电信号元素的附带权重，利用附带权重与滑动窗口序列计算元素之间的不相似间距，刻画元素对应窗口数据之间的差异性；通过平滑系数调节因数对维纳滤波的平滑系数进行调整，调整后的平滑系数可以根据不同的道路超声波电信号进行变化，使得数据去噪效果更好，进而检测结果更加准确。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，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 (5)
1.基于超声波技术的道路无损检测方法，其特征在于，该方法包括以下步骤：
获取道路超声波电信号序列、超声波传感器采样时间以及工作周期；
采用二阶差分方法获取道路超声波电信号序列的极大值区间；根据超声波电信号序列的极大值区间的数据波动获取道路超声波电信号序列的波动幅度误差；根据道路超声波电信号序列中的元素分布结合波动幅度误差获取概率集合；根据道路超声波电信号序列中的元素个数结合极大值区间的个数设置滑动窗口大小；以道路超声波电信号序列中各元素为中心结合滑动窗口大小获取窗口数据序列；根据概率集合中的各元素以及元素分布结合窗口数据序列获取元素之间的不相似间距；根据元素之间的不相似间距获取道路超声波电信号序列的残差序列；根据残差序列的元素分布获取维纳滤波算法的调整平滑系数；采用维纳滤波算法结合调整平滑系数对道路超声波电信号序列进行去噪；
结合BP神经网络根据去噪后的道路超声波电信号完成道路无损检测；
所述采用二阶差分方法获取道路超声波电信号序列的极大值区间，包括：
采用二阶差分方法获取道路超声波电信号序列的极大值；将所述极大值按照从小到大的顺序进行排序，组成极大值序列；
将超声波传感器采样时间与超声波传感器的工作周期的比值作为道路超声波电信号序列的极大值区间数量；将极大值序列与所述数量的比值作为道路超声波电信号序列的极大值区间大小；
所述根据道路超声波电信号序列中的元素分布结合波动幅度误差获取概率集合，包括：
对于道路超声波电信号序列各元素；
获取道路超声波电信号序列的元素总个数；计算序列元素与其他元素的差值绝对值；统计所述差值绝对值小于波动幅值误差的个数；将所述个数与元素总个数的比值作为概率集合的各元素；
所述根据概率集合中的各元素以及元素分布结合窗口数据序列获取元素之间的不相似间距，具体包括：
获取概率集合中出现最多次数的元素；计算道路超声波电信号序列数据序列各元素对应概率集合元素与所述元素的差值绝对值；将所述差值绝对值的相反数作为以自然常数为底数的指数函数的指数；将所述指数函数的计算结果作为道路超声波电信号序列各元素的附带权重；
设置被除数调节因子α；获取窗口数据序列的大小m；窗口数据序列p中心元素与窗口数据序列q中心元素之间的不相似间距Dsp,q表达式为：
式中，Cp,l表示第p个窗口数据序列中第l个元素，Cq,l表示第q个窗口数据序列中第l个元素；表示数值为Cp,l所附带的权重，/>表示数值为Cq,l所附带的权重；CS()表示余弦相似度函数，Cp、Cq分别表示第p个窗口数据序列、第q个窗口数据序列；
所述根据元素之间的不相似间距获取道路超声波电信号序列的残差序列，具体步骤包括：
对于道路超声波电信号序列中的各元素；将与各元素最小的s-1个不相似间距的元素的平均值作为预测序列的对应元素，其中，s表示极大值区间的个数；
将道路超声波电信号各元素与预测序列的对应元素的差值绝对值作为残差序列的各元素；
所述根据残差序列的元素分布获取维纳滤波算法的调整平滑系数，具体步骤包括：
设置平滑系数调节因子；获取残差序列中出现次数最多的元素；计算残差序列中所有元素与所述元素的差值的均值；计算残差序列的元素均值；计算所述元素均值与所述均值的乘积的相反数；将所述相反数作为以自然常数为底数的指数函数的指数；将平滑系数调节因子与所述指数函数的差值作为平滑系数调节因数；
将维纳滤波算法原始平滑系数与所述平滑系数调节因数的乘积作为维纳滤波算法的调整平滑系数。
2.如权利要求1所述的基于超声波技术的道路无损检测方法，其特征在于，所述根据超声波电信号序列的极大值区间的数据波动获取道路超声波电信号序列的波动幅度误差，具体为：
将各极大值区间的前10％以及后10％的数据进行剔除，保存为修正极大值区间；
对于各修正极大值区间；
获取修正极大值区间的元素均值；将修正极大值区间各元素与所述元素均值的差值绝对值的均值保存为修正极大值区间的波动差异；
获取所有修正极大值区间的波动差异均值；将所述波动差异与所述波动差异均值的差值绝对值作为修正极大值区间与其余所有修正极大值区间的波动差异分歧量；
统计修正极大值区间的波动差异分歧量出现的概率；将所述概率作为以自然常数为底数的指数函数的指数；将所有修正极大值区间的所述波动差异分歧量与所述指数函数的乘积的均值作为道路超声波电信号序列的波动幅度误差。
3.如权利要求1所述的基于超声波技术的道路无损检测方法，其特征在于，所述根据道路超声波电信号序列中的元素个数结合极大值区间的个数设置滑动窗口大小，包括：
计算道路超声波电信号序列中元素个数与a倍极大值区间个数的比值，将2倍所述比值与1的和值作为滑动窗口的大小，其中，a为预设值。
4.如权利要求1所述的基于超声波技术的道路无损检测方法，其特征在于，所述结合BP神经网络根据去噪后的道路超声波电信号完成道路无损检测，具体步骤包括：
将去噪后的以往采集的道路超声波电信号数据作为训练集，使用One-hot编码，将无损道路超声波电信号标记为0，将有缺陷的道路超声波电信号标记为1；通过标记好的训练集对BP神经网络进行训练；
将去噪后的道路超声波电信号作为BP神经网络的输入，若BP神经网络输出结果为0，则道路无缺陷；若BP神经网络输出为1，则道路存在缺陷。
5.基于超声波技术的道路无损检测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311753614.2A CN117434153B (zh) | 2023-12-20 | 2023-12-20 | 基于超声波技术的道路无损检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311753614.2A CN117434153B (zh) | 2023-12-20 | 2023-12-20 | 基于超声波技术的道路无损检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117434153A CN117434153A (zh) | 2024-01-23 |
| CN117434153B true CN117434153B (zh) | 2024-03-05 |
Family
ID=89551988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311753614.2A Active CN117434153B (zh) | 2023-12-20 | 2023-12-20 | 基于超声波技术的道路无损检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117434153B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117828282B (zh) * | 2024-03-06 | 2024-06-04 | 山东泰霖信息工程有限公司 | 一种基于自适应滤波的数据高效处理方法 |
| CN117972318B (zh) * | 2024-04-02 | 2024-06-14 | 山东万洋石油科技有限公司 | 一种高速自发电剪切阀脉冲波形测试方法及系统 |
| CN118010849B (zh) * | 2024-04-10 | 2024-06-14 | 丰宁满族自治县启源建筑有限公司 | 一种高速公路桥涵损伤检测方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0910209A (ja) * | 1995-06-28 | 1997-01-14 | Hitachi Medical Corp | 超音波計測装置 |
| WO2010009414A1 (en) * | 2008-07-18 | 2010-01-21 | Qualcomm Incorporated | Systems, methods, apparatus and computer program products for enhanced intelligibility |
| CN101916433A (zh) * | 2010-08-10 | 2010-12-15 | 西安电子科技大学 | 基于偏微分方程的强噪声污染图像的去噪方法 |
| JP2014052585A (ja) * | 2012-09-10 | 2014-03-20 | Nagoya Univ | 音響処理装置 |
| KR20140118574A (ko) * | 2013-03-29 | 2014-10-08 | 경일대학교산학협력단 | 비파괴 검사를 위한 장치 및 방법 |
| CN109003247A (zh) * | 2018-07-26 | 2018-12-14 | 吉林大学 | 彩色图像混合噪声的去除方法 |
| CN114048679A (zh) * | 2021-11-11 | 2022-02-15 | 国网新源控股有限公司 | 基于神经网络的水库各区域水位精细化监测方法 |
| WO2022129805A1 (fr) * | 2020-12-17 | 2022-06-23 | Electricite De France | Procede, dispositif et programme de detection par ultrasons de defauts dans un materiau |
| CN114970946A (zh) * | 2022-03-30 | 2022-08-30 | 大连理工大学 | 基于深度学习模型与经验模态分解耦合的pm2.5污染浓度长时空预测方法 |
| WO2022234957A1 (ko) * | 2021-05-03 | 2022-11-10 | 한국표준과학연구원 | 딥러닝을 이용한 초음파 비파괴 검사방법 및 시스템과 이에 사용되는 오토 인코더 기반의 예측모델 학습방법 |
| CN116955995A (zh) * | 2023-09-20 | 2023-10-27 | 深圳市嘉友锦磁科技有限公司 | 一种三相直流无刷电机逆变器故障诊断方法 |
| CN117007979A (zh) * | 2023-10-07 | 2023-11-07 | 深圳市众航物联网有限公司 | 基于数据驱动的电源输出掉电异常预警方法 |
| CN117033911A (zh) * | 2023-10-07 | 2023-11-10 | 深圳市魔样科技有限公司 | 基于智能眼镜数据的计步分析方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7492889B2 (en) * | 2004-04-23 | 2009-02-17 | Acoustic Technologies, Inc. | Noise suppression based on bark band wiener filtering and modified doblinger noise estimate |
| US7649988B2 (en) * | 2004-06-15 | 2010-01-19 | Acoustic Technologies, Inc. | Comfort noise generator using modified Doblinger noise estimate |
-
2023
- 2023-12-20 CN CN202311753614.2A patent/CN117434153B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0910209A (ja) * | 1995-06-28 | 1997-01-14 | Hitachi Medical Corp | 超音波計測装置 |
| WO2010009414A1 (en) * | 2008-07-18 | 2010-01-21 | Qualcomm Incorporated | Systems, methods, apparatus and computer program products for enhanced intelligibility |
| CN101916433A (zh) * | 2010-08-10 | 2010-12-15 | 西安电子科技大学 | 基于偏微分方程的强噪声污染图像的去噪方法 |
| JP2014052585A (ja) * | 2012-09-10 | 2014-03-20 | Nagoya Univ | 音響処理装置 |
| KR20140118574A (ko) * | 2013-03-29 | 2014-10-08 | 경일대학교산학협력단 | 비파괴 검사를 위한 장치 및 방법 |
| CN109003247A (zh) * | 2018-07-26 | 2018-12-14 | 吉林大学 | 彩色图像混合噪声的去除方法 |
| WO2022129805A1 (fr) * | 2020-12-17 | 2022-06-23 | Electricite De France | Procede, dispositif et programme de detection par ultrasons de defauts dans un materiau |
| WO2022234957A1 (ko) * | 2021-05-03 | 2022-11-10 | 한국표준과학연구원 | 딥러닝을 이용한 초음파 비파괴 검사방법 및 시스템과 이에 사용되는 오토 인코더 기반의 예측모델 학습방법 |
| CN114048679A (zh) * | 2021-11-11 | 2022-02-15 | 国网新源控股有限公司 | 基于神经网络的水库各区域水位精细化监测方法 |
| CN114970946A (zh) * | 2022-03-30 | 2022-08-30 | 大连理工大学 | 基于深度学习模型与经验模态分解耦合的pm2.5污染浓度长时空预测方法 |
| CN116955995A (zh) * | 2023-09-20 | 2023-10-27 | 深圳市嘉友锦磁科技有限公司 | 一种三相直流无刷电机逆变器故障诊断方法 |
| CN117007979A (zh) * | 2023-10-07 | 2023-11-07 | 深圳市众航物联网有限公司 | 基于数据驱动的电源输出掉电异常预警方法 |
| CN117033911A (zh) * | 2023-10-07 | 2023-11-10 | 深圳市魔样科技有限公司 | 基于智能眼镜数据的计步分析方法 |
Non-Patent Citations (7)
| Title |
|---|
| An iterative denoising system based on Wiener filtering with application to biomedical images;Salim Lahmiri;《Optics & Laser Technology》;20171231;第90卷;第128-132页 * |
| Modified Wiener filtering;Levent M. Arslan;《Signal Processing》;20061231;第86卷(第2期);第267-272页 * |
| Monte-Carlo Sure: A Black-Box Optimization of Regularization Parameters for General Denoising Algorithms;S. Ramani etal.;《in IEEE Transactions on Image Processing》;20080930;第17卷(第9期);第1540-1554页 * |
| The time-sequenced adaptive filter;E. Ferrara etal.;《in IEEE Transactions on Acoustics, Speech, and Signal Processing》;19810630;第29卷(第3期);第679-683页 * |
| 一种基于线性预测残差的语音增强算法;徐会珍等;《微计算机应用》;20110630;第32卷(第6期);第8-14页 * |
| 心脏医学超声图像序列的噪声抑制;刘旭等;《上海交通大学学报》;20061130;第40卷(第11期);第1877-1880页 * |
| 超声检测图像分辨率的维纳滤波去卷积研究;程建政;《无损检测》;20040531;第26卷(第5期);第221-224页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117434153A (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117434153B (zh) | 基于超声波技术的道路无损检测方法及系统 | |
| CN110852515B (zh) | 基于混合长短时记忆神经网络的水质指标预测方法 | |
| Wang et al. | Application of improved least-square generative adversarial networks for rail crack detection by AE technique | |
| CN110879927B (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
| CN110682159A (zh) | 一种刀具磨损状态识别方法及装置 | |
| CN114358435A (zh) | 双阶段时空注意力机制的污染源-水质预测模型权重影响计算方法 | |
| CN113901379A (zh) | 一种边缘端的实时数据动态在线快速处理方法 | |
| CN113326744B (zh) | 一种航天器在轨状态异常检测方法及系统 | |
| CN111260776A (zh) | 一种自适应正态分析的三维形貌重建方法 | |
| CN108984851B (zh) | 一种带时延估计的加权高斯模型软测量建模方法 | |
| CN109584256A (zh) | 一种基于霍夫直线检测的脉冲星dm估计算法 | |
| CN116611552B (zh) | 一种基于目标监测数据的船舶交通流量预测方法及系统 | |
| CN115166514A (zh) | 一种基于自适应频谱分割去噪的电机故障识别方法及系统 | |
| CN113452379B (zh) | 断面轮廓降维模型训练方法、系统及数据压缩方法、系统 | |
| CN115423221B (zh) | 一种设施运行趋势预测方法 | |
| CN117309079B (zh) | 基于时差法的超声飞渡时间测量方法、装置、设备及介质 | |
| CN117216489B (zh) | 一种基于互联网的防水涂料质检分析方法及系统 | |
| CN118013191A (zh) | 基于lsm滤波、ceemdan联合小波检测绝缘子的去噪方法 | |
| CN117288129B (zh) | 一种托盘盛装的辐照物料厚度检测方法 | |
| CN113625244B (zh) | 一种基于lstm的多源域的高重频雷达目标检测方法 | |
| CN118010103B (zh) | 高寒环境下等厚度水泥土搅拌墙智能监测方法及系统 | |
| CN114970647B (zh) | 基于概率神经网络的电磁数据识别方法及系统 | |
| CN113598810B (zh) | 一种基于分割网络的胎心率基线自动计算方法 | |
| CN110826598B (zh) | 基于卷积神经网络的锚杆锚固密实度等级评定方法 | |
| CN118211135A (zh) | 一种安全联锁的动作探测信号输入系统的信号处理方法 |
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 |