CN117828321B - 一种钢管混凝土桥梁的密实度检测方法及系统 - Google Patents
一种钢管混凝土桥梁的密实度检测方法及系统 Download PDFInfo
- Publication number
- CN117828321B CN117828321B CN202410252836.4A CN202410252836A CN117828321B CN 117828321 B CN117828321 B CN 117828321B CN 202410252836 A CN202410252836 A CN 202410252836A CN 117828321 B CN117828321 B CN 117828321B
- Authority
- CN
- China
- Prior art keywords
- potential defect
- pixel
- steel tube
- filled steel
- concrete filled
- 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
- 239000004567 concrete Substances 0.000 title claims abstract description 162
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 149
- 239000010959 steel Substances 0.000 title claims abstract description 149
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 230000007547 defect Effects 0.000 claims abstract description 223
- 239000011159 matrix material Substances 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000001228 spectrum Methods 0.000 claims abstract description 22
- 238000012795 verification Methods 0.000 claims abstract description 21
- 239000011800 void material Substances 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000005204 segregation Methods 0.000 abstract description 11
- 239000000463 material Substances 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000036961 partial effect Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 239000011362 coarse particle Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及密实度检测技术领域,具体涉及一种钢管混凝土桥梁的密实度检测方法及系统,该方法包括:获取单节钢管混凝土高光谱数据;根据各像元的光谱数据图像信息构建极值共轭紊乱系数;获取正常区域和潜在缺陷区域;构建各潜在缺陷区域的潜在缺陷像元交叉混叠矩阵;对潜在缺陷像元交叉混叠矩阵之间的元素值分布以及特征值进行分析构建潜在缺陷验证空洞系数;结合潜在缺陷区域的中心像元与拱脚水平线的高度分布获取各潜在缺陷区域的钢管混凝土空洞置信度,完成钢管混凝土桥梁的密实度检测。本发明旨在解决由于钢管混凝土骨料离析现象导致的密实度误检问题,提高对钢管混凝土密实度检测的精度。
Description
技术领域
本发明涉及密实度检测技术领域,具体涉及一种钢管混凝土桥梁的密实度检测方法及系统。
背景技术
钢管混凝土是指在钢管中填充混凝土形成的构件,通常被应用于桥梁工程中的拱圈、拱肋、立柱和吊杆等方面,主要用于承受轴向压力的构件。由于钢管混凝土的外层钢管对混凝土的紧箍力大大提高管内混凝土的承载力,而混凝土对钢管的约束作用提高钢管抗失稳的能力,二者相互结合,相辅相成。钢管混凝土的密实度直接影响钢管混凝土结构,进而影响整个构件的安全性能,由此需要采用技术手段对钢管混凝土进行密实度检测。
在传统对钢管混凝土进行密实度检测时通常采用红外成像检测和超声波检测。在红外成像检测中无法准确反映钢管混凝土内部结构,只能检测到接近钢管内层的混凝土缺陷,并且无法确认缺陷的具体大小和形状。在超声波检测中容易受到材料类型和混凝土匹配的影响,需要进行参数校正,而针对实际检测的校正参数是很难获取的,此外超声波检测容易存在检测盲区,如针对孔径较大的钢管混凝土,其超声波回波对混凝土内部的缺陷反应较为迟钝。针对上述问题,本发明提出了一种钢管混凝土桥梁的密实度检测方法及系统,通过钢管混凝土表面的光谱反射信息,判断钢管混凝土不密实的情况,从而得到整体的密实度。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种钢管混凝土桥梁的密实度检测方法及系统,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一种钢管混凝土桥梁的密实度检测方法,该方法包括以下步骤:
获取单节钢管混凝土高光谱数据;
对单节钢管混凝土的高光谱数据各像元序列的数值分布特征获取各像元的极值共轭对;根据各像元的极值共轭对的数值特征获取各像元的极值共轭紊乱系数;
根据所有像元的极值共轭紊乱系数结合聚类算法获取单节钢管混凝土高光谱数据的潜在缺陷区域;根据各潜在缺陷区域的像元序列之间的极值共轭紊乱系数差异获取各潜在缺陷区域的潜在缺陷像元交叉混叠矩阵;
根据各潜在缺陷像元交叉混叠矩阵之间的元素值分布获取各潜在缺陷区域与其他潜在缺陷区域之间的混叠矩阵调节系数;根据各潜在缺陷区域与其他潜在缺陷区域之间的混叠矩阵调节系数以及潜在缺陷像元交叉混叠矩阵的特征值之间的差异性获取各潜在缺陷区域的潜在缺陷验证空洞系数;根据各潜在缺陷区域的中心像元与拱脚水平线的高度分布结合潜在缺陷验证空洞系数获取各潜在缺陷区域的钢管混凝土空洞置信度;
根据各潜在缺陷区域的钢管混凝土空洞置信度完成钢管混凝土桥梁的密实度检测。
优选的,所述对单节钢管混凝土的高光谱数据各像元序列的数值分布特征获取各像元的极值共轭对,包括:
将钢管高光谱图像数据各像元序列作为NURBS曲线拟合算法的输入;将各像元的光谱曲线作为NURBS曲线拟合算法的输出;
获取各像元的光谱曲线的极大值点以及极小值点;将各像元的光谱曲线相邻的极大值点与极小值点组成的点对作为各像元的极值共轭对。
优选的,所述根据各像元的极值共轭对的数值特征获取各像元的极值共轭紊乱系数,具体为:
对于各像元的各极值共轭对;分别计算各极值共轭对与所述极值共轭对后一极值共轭对的极大值点的差值、极大值点对应波长之间的波长差;将所述差值与所述波长差之间的比值作为各极值共轭对的上凸包递变系数;
采用与所述上凸包递变系数相同的计算方法获取各极值共轭对的下凸包递变系数;
分别计算所述上凸包递变系数与所述下凸包递变系数的和值、比值;计算以2为底数,所述比值为真数的对数函数值的绝对值;计算所述和值与所述绝对值的乘积;将各像元所有极值共轭对所述乘积的和值作为各像元的极值共轭紊乱系数。
优选的,所述根据所有像元的极值共轭紊乱系数结合聚类算法获取单节钢管混凝土高光谱数据的潜在缺陷区域,包括:
将单节钢管混凝土的高光谱图像数据所有像元的极值共轭紊乱系数作为K-Means聚类算法的输入,将预设数值个聚类簇作为K-Means聚类算法的输出;
计算各聚类簇中所有像元的极值共轭紊乱系数的均值;将所述均值最大的聚类簇中的像元标记为潜在缺陷像元,将所述潜在缺陷像元所在的连通域作为潜在缺陷区域。
优选的,所述根据各潜在缺陷区域的像元序列之间的极值共轭紊乱系数差异获取各潜在缺陷区域的潜在缺陷像元交叉混叠矩阵,包括:
第r个潜在缺陷区域内第i个和第j个像元的交叉混叠系数表达式为:
式中,、/>分别表示第r个潜在缺陷区域内第i个、第j个像元,/>表示以自然常数e为底数的指数函数,/>、/>分别表示第r个潜在缺陷区域内第i个、第j个像元的极值共轭紊乱系数,/>表示以2为底数的对数函数,/>表示计算两个像元在高光谱数据中的欧式距离;
获取第r个潜在缺陷区域内第i个、第j个像元序列的DTW距离,将所述DTW距离与所述交叉混叠系数的乘积作为第r个潜在缺陷区域的潜在缺陷像元交叉混叠矩阵第i行第j列的元素。
优选的,所述根据各潜在缺陷像元交叉混叠矩阵之间的元素值分布获取各潜在缺陷区域与其他潜在缺陷区域之间的混叠矩阵调节系数,具体包括:
对于各潜在缺陷区域,获取各潜在缺陷区域与其余潜在缺陷区域的潜在缺陷像元交叉混叠矩阵的F范数之间的比值;计算1与所述比值的和值;将以2为底数、以所述和值为真数的对数函数的计算结果作为各潜在缺陷区域之间的混叠矩阵调节系数。
优选的,所述根据各潜在缺陷区域与其他潜在缺陷区域之间的混叠矩阵调节系数以及潜在缺陷像元交叉混叠矩阵的特征值之间的差异性获取各潜在缺陷区域的潜在缺陷验证空洞系数,具体包括:
以像元数目最多的潜在缺陷区域的潜在缺陷像元交叉混叠矩阵的位数为准,采用双线性插值对其余潜在缺陷像元交叉混叠矩阵的维度进行补充;
采用奇异值分解获取各潜在缺陷像元交叉混叠矩阵的特征值,将各潜在缺陷像元交叉混叠矩阵所有特征值组成的向量作为各潜在缺陷区域的特征值向量;
各潜在缺陷区域的潜在缺陷验证空洞系数的表达式为:
式中,表示第r个潜在缺陷区域的潜在缺陷验证空洞系数,/>表示在单节钢管混凝土高光谱数据中潜在缺陷区域的个数,/>表示在高光谱数据中第r个和第k个潜在缺陷区域的混叠矩阵调节系数,/>表示以自然常数e为底的指数函数,/>、/>分别表示在高光谱数据中第r个、第k个潜在缺陷区域的特征值向量,/>表示两个向量的内积,/>表示计算向量的模长。
优选的,所述根据各潜在缺陷区域的中心像元与拱脚水平线的高度分布结合潜在缺陷验证空洞系数获取各潜在缺陷区域的钢管混凝土空洞置信度,包括:
计算以自然常数为底数、以各潜在缺陷区域的中心像元与拱脚水平线的高度为真数的对数函数值;将各潜在缺陷区域所述对数函数值与钢管混凝土空洞置信度的乘积作为各潜在缺陷区域的钢管混凝土空洞置信度。
优选的,所述根据各潜在缺陷区域的钢管混凝土空洞置信度完成钢管混凝土桥梁的密实度检测,包括:
设置空洞阈值;若存在一个潜在缺陷区域的钢管混凝土空洞置信度大于空洞阈值,则判定钢管混凝土桥梁的密实度不达标;反之,判定达标。
第二方面,本发明实施例还提供了一种钢管混凝土桥梁的密实度检测系统,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:
本发明主要通过利用像元光谱区域自身的光滑性与潜在缺陷区域内像元之间的差异性构建得到缺陷像元交叉混叠矩阵,利用真实空洞区域呈现零星分布和内部像元波动相异性的特点构建潜在缺陷验证空洞系数,最终结合空间位置高度信息得到钢管混凝土空洞置信度。与传统直接采用高光谱数据与数据库钢管混凝土对比的方式相比,解决了由于钢管混凝土内骨料离析现象使得局部骨料浅分离,导致部分像元序列存在差异性,从而造成密实度误检,本发明利用钢管混凝土空洞置信排除掉骨料离析现象干扰区域的影响,提高对钢管混凝土密实度检测的精度。
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一种钢管混凝土桥梁的密实度检测方法的步骤流程图;
图2为钢管混凝土空洞缺陷示意图;
图3为钢管混凝土空洞置信度的获取流程图。
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一种钢管混凝土桥梁的密实度检测方法及系统,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一种钢管混凝土桥梁的密实度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一种钢管混凝土桥梁的密实度检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:通过光谱仪对拱圈分节采集钢管混凝土信息,得到对应的高光谱数据。
钢管混凝土主要应用于桥梁工程中,本实施例选取最常用的拱圈场景中,拱圈是指在拱桥拱形结构中横跨在两端墩台之间、呈弧形的部分,也称为主拱或大拱。单个拱圈往往是多节钢管通过焊接拼接,然后在两端拱脚泵入混凝土由此形成,在灌注工程中容易因材料因素造成混凝土空腔或空鼓现象。
在往钢管内灌注混凝土时,可能由于各种原因导致钢管混凝土在钢管内部存在不密实的情况。如由于混凝土内部粗细颗粒骨料配比问题,造成在底部骨料紧密堆积,而上部骨料稀疏、水泥浆含量较高,因钢管内上下混凝土分布不均噪声的空腔。此外,通常情况下为了提高钢管的抗压抗拉特性,在钢管内设置有内隔板,导致混凝土灌注时因堵塞而形成的局部空洞。混凝土空腔和空鼓会造成钢管内密实度不均,若钢管混凝土内部缺陷发生于桥梁结构主要受力部位,将对结构承载能力产生重要影响,因此需要结合钢管混凝土的光谱数据对其进行密实度检测。
为了准确获取拱圈的密实度情况,针对单节钢管混凝土进行数据采集。为了精准获取混凝土内部的缺陷情况,首先采用Hyperion3000高光谱分析仪对单节钢管混凝土按照顺时针方向进行360度采集,得到单节钢管混凝土高光谱数据,记为,其中m表示拱圈的第m节钢管混凝土,针对第m节单节钢管混凝土高光谱数据/>,其中/>表示高光谱数据的第/>个像元序列,/>表示高光谱数据中像元总个数。针对单个像元序列,其中/>表示第i个像元序列在第/>个波长的反射强度信息,L表示光谱分析仪中波长的数量。
至此,可获取单节钢管混凝土高光谱数据。
步骤S002:根据像元光谱曲线的形状特征,构建极值共轭对以及像元极值共轭紊乱系数。
钢管混凝土在灌注过程中会因为结构或材料因素出现空洞现象,会导致钢管混凝土的密实度下降、强度减弱等问题。高光谱技术通过数百个连续的波长范围内采集钢管混凝土的高光谱数据,若其内部存在空洞缺陷时,波长光线在缺陷位置处反射和散射的方式发生变化,导致该处在不同波长的反射强度发生变化,由此实现对空洞的检测。
根据空洞发生的位置,在高光谱数据的变现也不同,如图2所示,左侧为实际钢管混凝土缺陷示意图,右侧为钢管混凝土高光谱像元缺陷示意图。若空洞发生在靠近钢管的侧边区域时,称为侧边空洞,在高光谱数据中缺陷侧的像元序列会较大的变化,受钢管混凝土厚度的影响在缺陷背侧的像元序列干扰较小,呈现区域块状分布。若空洞发生在钢管混凝土中心处时,称为中心空洞,在缺陷位置整圈的像元序列都会受到影响,只是由于混凝土厚度的削弱导致像元序列的波动变化较为隐蔽,容易受到噪声的干扰,使得干扰像元呈现条状分布。
此外在钢筋混凝土浇筑过程中可能存在混凝土骨料离析现象,具体为混凝土搅拌物组成材料之间的粘聚力不足,导致粗料下沉或偏侧,使得混凝土搅拌物出现浅分离,造成钢管混凝土内部组成和结构不均的现象,但并未出现空洞的缺陷。骨料离析现象同样会导致像元序列与正常像元存在差异,呈现出区域块状或条状分布,为正常钢管混凝土空洞检测带来干扰,因此需要进一步分析对干扰进行排除。
在高光谱数据中当像元受到空洞缺陷或者骨料离析现象的干扰时,会导致像元序列的反射强度存在较大的波动紊乱。为了衡量像元序列自身的光滑性,本实施例将单个像元序列作为NURBS曲线拟合算法的输入,算法输出为像元的光谱曲线,用表示第i个像元的光谱曲线。由于NURBS曲线拟合算法为序列拟合领域公知技术,本实施例不再赘述。针对光谱曲线进行极值计算,得到极大值点和极小值点,将相邻的极大值点与极小值点共同组成极值共轭对,用/>表示第i个像元光谱曲线上第j个极大值与极小值组成的极值共轭对,其中/>表示极大值,/>表示极小值。若在像元光谱曲线上极值点的个数为单数,将多余的一个极值点舍弃。由此根据单个像元光谱曲线信息,得到像元极值共轭紊乱系数,表达式为:
式中,表示单节钢管混凝土高光谱数据中第i个像元的像元极值共轭紊乱系数,表示第i个像元光谱曲线中极值共轭对的个数,/>、/>分别表示在第i个像元光谱曲线上第j个极值共轭对中的上凸包递变系数、下凸包递变系数,/>表示以2为底数的对数函数,/>、/>分别表示在第i个像元光谱曲线上第j个、第j+1个极大值点的波长反射强度值,/>、/>分别表示在像元光谱曲线上第j个、第j+1个极大值点对应的波长,/>表示第i个像元光谱曲线中相邻两个极值点的波长差。其中,下凸包递变系数采用与上凸包递变系数相同的计算方式。
若第i个像元位于钢管混凝土浇筑均匀的正常区域时,由于钢管内部混凝土质地均匀,像元光谱曲线较为光滑,光谱曲线上极值共轭对变换的幅度较小,因此得到上凸包递变系数和下凸包递变系数的值较小。此外极大值与极小值的变化幅度应该同幅的,因此上下凸包递变系数的比值接近于1,使得的值趋近于零,最终得到像元极值共轭紊乱系数/>的值较小。相反,若第i个像元位于空洞的缺陷区域或骨料离析的干扰区域时,像元序列受内部空洞或混凝土质地不均的影响导致像元光谱曲线波动较为紊乱,可能出现较多的异常值,最终使得像元极值共轭紊乱系数/>的值增大。
步骤S003:根据共轭紊乱系数得到高光谱数据中的潜在缺陷区域,由此利用潜在缺陷区域内的像元的差异性构建缺陷像元交叉混叠矩阵。
遍历当前单节钢管混凝土的高光谱数据中所有像元,得到每个像元对应的像元极值共轭紊乱系数。将单节钢管混凝土的高光谱数据像元对应的像元极值共轭紊乱系数作为K-Means算法的输入,本实施例设置分类个数,输出为每个像元所在的类别,将像元极值共轭紊乱系数均值最小聚类簇内每个像元类别标记为正常像元,将正常像元所在的连通域标记为正常区域。同样,将像元极值共轭紊乱系数均值最大聚类簇内每个像元类别标记为潜在缺陷像元,将潜在缺陷像元所在的连通域标记为潜在缺陷区域。由此将单节钢管混凝土高光谱数据划分为正常区域和潜在缺陷区域,其中潜在缺陷区域可能为若干个。由于K-Means聚类算法为数据聚类领域公知技术,本实施例不再赘述。
通过聚类得到每个像元对应的标签信息,潜在缺陷区域包含真实的缺陷区域和因骨料离析现象导致的干扰区域。由此针对被标记为潜在缺陷区域的像元进行腐蚀膨胀操作和连通域分析得到高光谱数据中若干个潜在缺陷区域,并且根据潜在缺陷区域内像元极值共轭紊乱系数均值的大小,根据升序排序,得到对应的潜在缺陷区域的标号,用表示当前单节钢管混凝土高光谱数据中第r个潜在缺陷区域的像元集合。
由此结合当前潜在缺陷区域内的像元序列,计算潜在缺陷像元交叉混叠矩阵,其中潜在缺陷像元交叉混叠系数计算如下:
式中,表示在单节钢管混凝土高光谱数据中第r个潜在缺陷区域构建缺陷像元交叉混叠矩阵/>中第i行第j列的元素,/>表示第r个潜在缺陷区域内第i个和第j个像元的交叉混叠系数,/>、/>分别表示第r个潜在缺陷区域内第i个、第j个像元,/>、/>分别表示第r个潜在缺陷区域内第i个、第j个像元序列,/>表示计两个序列的DTW距离,表示计算第r个潜在缺陷区域内第i个和第j个像元序列的DTW距离,/>表示第r个潜在缺陷区域内像元的个数,/>表示以自然常数e为底数的指数函数,/>、/>分别表示第r个潜在缺陷区域内第i个、第j个像元的极值共轭紊乱系数,/>表示以2为底数的对数函数,/>表示计算两个像元在高光谱数据中的欧式距离,/>表示计算第r个潜在缺陷区域内第i个和第j个像元的欧式距离。
当混凝土形成空洞缺陷时,其空洞内部的混凝土排列是完全随机存在各向异性,各个波长的散射和反射情况是无法预料的,因此在真实缺陷区域各个像元序列之间的差异性较大。当第r个潜在缺陷区域为真实缺陷区域时,像元序列对应各个波长的反射强度受内部空洞影响,像元之间的差异较大,即的值较大。同时,使得像元序列之间的DTW距离较大,最终使得潜在缺陷像元交叉混叠系数/>的值较大。公式中/>表示距离权重,两个像元距离越远对两者之间的差异进行削弱。相反,骨料离析现象虽然导致像元序列与正常区域的像元序列存在一定波动差异,但是在骨料离析干扰区域内由于对应的都是混合骨料,因此像元之间的差异相对较小,最终使得/>的值减小。
由此针对当前单节钢管混凝土高光谱数据中所有潜在缺陷区域进行计算,得到对应的潜在缺陷像元交叉混叠矩阵,反映区域内像元序列之间的差异性。在正常情况下单节钢管混凝土中真实空洞的缺陷区域时相对较少的,呈现出零星离散分布。
步骤S004:根据缺陷像元交叉混叠矩阵得到潜在缺陷区域的特征值向量,与单节钢管混凝土的其余潜在缺陷区域进行对比得到潜在缺陷验证空洞系数,最终结合空间位置高度信息得到钢管混凝土空洞置信度。
为了进一步衡量当前潜在缺陷区域的真实性,对潜在缺陷像元交叉混叠矩阵进一步分析。由于的维度与对应区域内的像元个数有关,因此以当前单节钢管混凝土数据中最大潜在缺陷区域为标准,将所有潜在区域潜在缺陷像元交叉混叠矩阵/>采用双线性插值将矩阵补充到同一维度。针对/>采用SVD奇异值分解算法求取矩阵特征值,将/>作为算法输入,算法输出为当前矩阵的特征值,共同组建为当前潜在缺陷区域的特征值向量,用表示。由于SVD奇异值分解为本领域技术人员公知技术,本实施例中不再赘述。
由此计算出该潜在缺陷区域的潜在缺陷验证空洞系数:
式中,表示第r个潜在缺陷区域的潜在缺陷验证空洞系数,/>表示在单节钢管混凝土高光谱数据中潜在缺陷区域的个数,/>表示在高光谱数据中第r个和第k个潜在缺陷区域的混叠矩阵调节系数,/>表示以自然常数为底的指数函数,/>、/>分别表示在高光谱数据中第r个、第k个潜在缺陷区域的特征值向量,/>表示两个向量的内积,/>表示计算向量的模长,/>表示以2为底数的对数函数,/>、/>分别表示在高光谱数据中第r个、第k个潜在缺陷区域的潜在缺陷像元交叉混叠矩阵,/>、/>分别表示矩阵/>、/>的F范数。
若第r个潜在缺陷区域为真实空洞缺陷区域,则对应单节钢管混凝土高光谱数据其他潜在缺陷区域大部分为干扰区域,真实空洞曲线区域得到的潜在缺陷像元交叉混叠矩阵的元素值较大,该矩阵的F范数值较大,得到混叠矩阵调节系数/>的值较大。此外,由于真实空洞区域的像元序列随机程度相较于干扰区域更大,因此两者特征值向量之间的差距越大,最终使得潜在缺陷验证空洞系数/>的值较大。相反,若当前第r潜在缺陷区域对应的骨料离析现象造成的干扰区域时,与其他潜在缺陷区域较为接近,最终使得/>的值减小。
此外由于在拱圈两端拱脚泵入混凝土,因此当单节钢管混凝土距离拱脚水平面越高,到达该单节的混凝土压力越大,越容易形成空洞。因此结合当前单节潜在缺陷区域中心像元在拱圈空间位置中距离拱脚水平面的距离,得到钢管混凝土空洞置信度:
式中,表示当前单节钢管混凝土高光谱数据中第r个潜在缺陷区域的钢管混凝土空洞置信度,/>表示当前单节钢管混凝土高光谱数据中第r个潜在缺陷区域的潜在缺陷验证空洞系数,/>表示以自然常数为底数的对数函数,/>表示当前单节钢管混凝土高光谱数据中第r个潜在缺陷区域中心像元距离拱脚水平线的高度。其中,钢管混凝土空洞置信度的获取流程如图3所示。
若当前单节钢管混凝土,距离拱脚的高度越高,需要供给混凝土的压力就越大,越容易因混凝土压力泵动力不足造成空洞缺陷。由此结合当前潜在缺陷区域中心像元在拱圈上的空间位置信息,实现对潜在缺陷验证空洞系数进行校正得到钢管混凝土空洞置信度。
S005:利用得到的钢管混凝土空洞置信度判断钢管混凝土的密实度。
根据上述步骤能够得到钢管混凝土空洞置信度,/>值越大表明对应区域是空洞的可能性越大,由此本实施例设定空洞阈值/>,若存在潜在缺陷区域的钢管混凝土空洞置信度/>,表明钢管混凝土内部存在真实空洞,密实度不达标。相反,密实度达标。
至此,完成钢管混凝土桥梁的密实度检测。
基于与上述方法相同的发明构思,本发明实施例还提供了一种钢管混凝土桥梁的密实度检测系统,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一种钢管混凝土桥梁的密实度检测方法中任意一项所述方法的步骤。
综上所述,本发明实施例通过利用像元光谱区域自身的光滑性与潜在缺陷区域内像元之间的差异性构建得到缺陷像元交叉混叠矩阵,利用真实空洞区域呈现零星分布和内部像元波动相异性的特点构建潜在缺陷验证空洞系数,最终结合空间位置高度信息得到钢管混凝土空洞置信度。与传统直接采用高光谱数据与数据库钢管混凝土对比的方式相比,解决了由于钢管混凝土内骨料离析现象使得局部骨料浅分离,导致部分像元序列存在差异性,从而造成密实度误检,本发明利用钢管混凝土空洞置信排除掉骨料离析现象干扰区域的影响,提高对钢管混凝土密实度检测的精度。
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 (10)
1.一种钢管混凝土桥梁的密实度检测方法,其特征在于,该方法包括以下步骤:
获取单节钢管混凝土高光谱数据;
对单节钢管混凝土的高光谱数据各像元序列的数值分布特征获取各像元的极值共轭对;根据各像元的极值共轭对的数值特征获取各像元的极值共轭紊乱系数;
根据所有像元的极值共轭紊乱系数结合聚类算法获取单节钢管混凝土高光谱数据的潜在缺陷区域;根据各潜在缺陷区域的像元序列之间的极值共轭紊乱系数差异获取各潜在缺陷区域的潜在缺陷像元交叉混叠矩阵;
根据各潜在缺陷像元交叉混叠矩阵之间的元素值分布获取各潜在缺陷区域与其他潜在缺陷区域之间的混叠矩阵调节系数;根据各潜在缺陷区域与其他潜在缺陷区域之间的混叠矩阵调节系数以及潜在缺陷像元交叉混叠矩阵的特征值之间的差异性获取各潜在缺陷区域的潜在缺陷验证空洞系数;根据各潜在缺陷区域的中心像元与拱脚水平线的高度分布结合潜在缺陷验证空洞系数获取各潜在缺陷区域的钢管混凝土空洞置信度;
根据各潜在缺陷区域的钢管混凝土空洞置信度完成钢管混凝土桥梁的密实度检测。
2.如权利要求1所述的一种钢管混凝土桥梁的密实度检测方法,其特征在于,所述对单节钢管混凝土的高光谱数据各像元序列的数值分布特征获取各像元的极值共轭对,包括:
将钢管高光谱图像数据各像元序列作为NURBS曲线拟合算法的输入;将各像元的光谱曲线作为NURBS曲线拟合算法的输出;
获取各像元的光谱曲线的极大值点以及极小值点;将各像元的光谱曲线相邻的极大值点与极小值点组成的点对作为各像元的极值共轭对。
3.如权利要求1所述的一种钢管混凝土桥梁的密实度检测方法,其特征在于,所述根据各像元的极值共轭对的数值特征获取各像元的极值共轭紊乱系数,具体为:
对于各像元的各极值共轭对;分别计算各极值共轭对与所述极值共轭对后一极值共轭对的极大值点的差值、极大值点对应波长之间的波长差;将所述差值与所述波长差之间的比值作为各极值共轭对的上凸包递变系数;
采用与所述上凸包递变系数相同的计算方法获取各极值共轭对的下凸包递变系数;
分别计算所述上凸包递变系数与所述下凸包递变系数的和值、比值;计算以2为底数,所述比值为真数的对数函数值的绝对值;计算所述和值与所述绝对值的乘积;将各像元所有极值共轭对所述乘积的和值作为各像元的极值共轭紊乱系数。
4.如权利要求1所述的一种钢管混凝土桥梁的密实度检测方法,其特征在于,所述根据所有像元的极值共轭紊乱系数结合聚类算法获取单节钢管混凝土高光谱数据的潜在缺陷区域,包括:
将单节钢管混凝土的高光谱图像数据所有像元的极值共轭紊乱系数作为K-Means聚类算法的输入,将预设数值个聚类簇作为K-Means聚类算法的输出;
计算各聚类簇中所有像元的极值共轭紊乱系数的均值;将所述均值最大的聚类簇中的像元标记为潜在缺陷像元,将所述潜在缺陷像元所在的连通域作为潜在缺陷区域。
5.如权利要求1所述的一种钢管混凝土桥梁的密实度检测方法,其特征在于,所述根据各潜在缺陷区域的像元序列之间的极值共轭紊乱系数差异获取各潜在缺陷区域的潜在缺陷像元交叉混叠矩阵,包括:
第r个潜在缺陷区域内第i个和第j个像元的交叉混叠系数表达式为:
式中,、/>分别表示第r个潜在缺陷区域内第i个、第j个像元,/>表示以自然常数e为底数的指数函数,/>、/>分别表示第r个潜在缺陷区域内第i个、第j个像元的极值共轭紊乱系数,/>表示以2为底数的对数函数,/>表示计算两个像元在高光谱数据中的欧式距离;
获取第r个潜在缺陷区域内第i个、第j个像元序列的DTW距离,将所述DTW距离与所述交叉混叠系数的乘积作为第r个潜在缺陷区域的潜在缺陷像元交叉混叠矩阵第i行第j列的元素。
6.如权利要求1所述的一种钢管混凝土桥梁的密实度检测方法,其特征在于,所述根据各潜在缺陷像元交叉混叠矩阵之间的元素值分布获取各潜在缺陷区域与其他潜在缺陷区域之间的混叠矩阵调节系数,具体包括:
对于各潜在缺陷区域,获取各潜在缺陷区域与其余潜在缺陷区域的潜在缺陷像元交叉混叠矩阵的F范数之间的比值;计算1与所述比值的和值;将以2为底数、以所述和值为真数的对数函数的计算结果作为各潜在缺陷区域之间的混叠矩阵调节系数。
7.如权利要求1所述的一种钢管混凝土桥梁的密实度检测方法,其特征在于,所述根据各潜在缺陷区域与其他潜在缺陷区域之间的混叠矩阵调节系数以及潜在缺陷像元交叉混叠矩阵的特征值之间的差异性获取各潜在缺陷区域的潜在缺陷验证空洞系数,具体包括:
以像元数目最多的潜在缺陷区域的潜在缺陷像元交叉混叠矩阵的位数为准,采用双线性插值对其余潜在缺陷像元交叉混叠矩阵的维度进行补充;
采用奇异值分解获取各潜在缺陷像元交叉混叠矩阵的特征值,将各潜在缺陷像元交叉混叠矩阵所有特征值组成的向量作为各潜在缺陷区域的特征值向量;
各潜在缺陷区域的潜在缺陷验证空洞系数的表达式为:
式中,表示第r个潜在缺陷区域的潜在缺陷验证空洞系数,/>表示在单节钢管混凝土高光谱数据中潜在缺陷区域的个数,/>表示在高光谱数据中第r个和第k个潜在缺陷区域的混叠矩阵调节系数,/>表示以自然常数e为底的指数函数,/>、/>分别表示在高光谱数据中第r个、第k个潜在缺陷区域的特征值向量,/>表示两个向量的内积,/>表示计算向量的模长。
8.如权利要求1所述的一种钢管混凝土桥梁的密实度检测方法,其特征在于,所述根据各潜在缺陷区域的中心像元与拱脚水平线的高度分布结合潜在缺陷验证空洞系数获取各潜在缺陷区域的钢管混凝土空洞置信度,包括:
计算以自然常数为底数、以各潜在缺陷区域的中心像元与拱脚水平线的高度为真数的对数函数值;将各潜在缺陷区域所述对数函数值与钢管混凝土空洞置信度的乘积作为各潜在缺陷区域的钢管混凝土空洞置信度。
9.如权利要求1所述的一种钢管混凝土桥梁的密实度检测方法,其特征在于,所述根据各潜在缺陷区域的钢管混凝土空洞置信度完成钢管混凝土桥梁的密实度检测,包括:
设置空洞阈值;若存在一个潜在缺陷区域的钢管混凝土空洞置信度大于空洞阈值,则判定钢管混凝土桥梁的密实度不达标;反之,判定达标。
10.一种钢管混凝土桥梁的密实度检测系统,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1-9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410252836.4A CN117828321B (zh) | 2024-03-06 | 2024-03-06 | 一种钢管混凝土桥梁的密实度检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410252836.4A CN117828321B (zh) | 2024-03-06 | 2024-03-06 | 一种钢管混凝土桥梁的密实度检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117828321A CN117828321A (zh) | 2024-04-05 |
CN117828321B true CN117828321B (zh) | 2024-05-03 |
Family
ID=90506185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410252836.4A Active CN117828321B (zh) | 2024-03-06 | 2024-03-06 | 一种钢管混凝土桥梁的密实度检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117828321B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418156A (zh) * | 2020-12-07 | 2021-02-26 | 北京航空航天大学 | 基于无监督分类的光学遥感图像海面舰船目标检测方法 |
CN112505044A (zh) * | 2020-11-26 | 2021-03-16 | 暨南大学 | 一种宽场照明共焦显微成像系统及方法 |
CN112686890A (zh) * | 2021-02-09 | 2021-04-20 | 浙江师范大学 | 一种基于奇异值分解的人造板表面缺陷检测方法 |
WO2022085822A1 (ko) * | 2020-10-22 | 2022-04-28 | (주)레이텍 | 연질성 이물을 검출할 수 있는 초분광 검사장치 |
CN115685518A (zh) * | 2022-03-04 | 2023-02-03 | 西京学院 | 基于远心光学系统的反射式傅里叶叠层成像装置及方法 |
CN116311387A (zh) * | 2023-05-25 | 2023-06-23 | 浙江工业大学 | 一种基于特征交集的跨模态行人重识别方法 |
-
2024
- 2024-03-06 CN CN202410252836.4A patent/CN117828321B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022085822A1 (ko) * | 2020-10-22 | 2022-04-28 | (주)레이텍 | 연질성 이물을 검출할 수 있는 초분광 검사장치 |
CN112505044A (zh) * | 2020-11-26 | 2021-03-16 | 暨南大学 | 一种宽场照明共焦显微成像系统及方法 |
CN112418156A (zh) * | 2020-12-07 | 2021-02-26 | 北京航空航天大学 | 基于无监督分类的光学遥感图像海面舰船目标检测方法 |
CN112686890A (zh) * | 2021-02-09 | 2021-04-20 | 浙江师范大学 | 一种基于奇异值分解的人造板表面缺陷检测方法 |
CN115685518A (zh) * | 2022-03-04 | 2023-02-03 | 西京学院 | 基于远心光学系统的反射式傅里叶叠层成像装置及方法 |
CN116311387A (zh) * | 2023-05-25 | 2023-06-23 | 浙江工业大学 | 一种基于特征交集的跨模态行人重识别方法 |
Non-Patent Citations (4)
Title |
---|
Hyperspectral camera technology for detection of fungal growth on building materials;S M Kristensen等;《Journal of Physics: Conference Series》;20231231;第2654卷;1-7 * |
Ultrastable tip-enhanced hyperspectral optical nanoimaging for defect analysis of large-sized WS2 layers;RYO KATO等;《SCIENCE ADVANCES》;20220715;第8卷(第28期);1-10 * |
基于高光谱成像技术的油桃品质检测及品种判别研究;黄锋华;《中国博士学位论文全文数据库_农业科技辑》;20170415;D048-14 * |
大跨径钢管混凝土拱桥管内混凝土顶升灌注工艺试验;赵艺程等;《公路交通科技》;20230315;第40卷(第3期);115-122 * |
Also Published As
Publication number | Publication date |
---|---|
CN117828321A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363215B (zh) | 基于生成式对抗网络的sar图像转化为光学图像的方法 | |
CN112116601B (zh) | 基于生成对抗残差网络的压缩感知采样重建方法及系统 | |
CN110910368B (zh) | 基于语义分割的注射器缺陷检测方法 | |
CN112862689B (zh) | 一种图像超分辨率重建方法及系统 | |
CN111340046A (zh) | 基于特征金字塔网络和通道注意力的视觉显著性检测方法 | |
CN107341776A (zh) | 基于稀疏编码与组合映射的单帧超分辨率重建方法 | |
CN109977968B (zh) | 一种深度学习分类后比较的sar变化检测方法 | |
CN117828321B (zh) | 一种钢管混凝土桥梁的密实度检测方法及系统 | |
CN115082472B (zh) | 一种轮毂模具浇注成型产品的质量检测方法及系统 | |
CN114022474A (zh) | 一种基于yolo-v4的颗粒级配快速检测方法 | |
Dong et al. | Asphalt pavement macrotexture reconstruction from monocular image based on deep convolutional neural network | |
CN117474863A (zh) | 一种压缩多头自注意力神经网络的芯片表面缺陷检测方法 | |
CN117058111A (zh) | 一种汽车铝合金压铸模具质量检查方法及系统 | |
CN110728728A (zh) | 一种基于非局部正则的压缩感知网络图像重建方法 | |
CN114639002A (zh) | 一种基于多模式特征的红外与可见光图像融合方法 | |
CN115456916B (zh) | 一种基于图像质量的表面流速计算方法 | |
CN114972332B (zh) | 一种基于图像超分辨率重建网络的竹集成材裂纹检测方法 | |
CN117195960A (zh) | 基于夏克哈特曼ut变换模型的大气湍流波前探测方法 | |
CN109785318A (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
CN111476167A (zh) | 一种基于学生-t分布辅助的一阶段方向遥感图像目标检测方法 | |
CN115359376A (zh) | 一种无人机视角下轻量级YOLOv4的行人检测方法 | |
CN115909332A (zh) | 一种基于通道特征加强的农业遥感图像语义分割方法 | |
CN115115520A (zh) | 一种具有提高图像清晰度和分辨率的图像成像方法 | |
CN112818762B (zh) | 一种大尺寸复合材料及其夹层结构快速无损检测方法 | |
CN114764754A (zh) | 一种基于几何感知先验引导的遮挡人脸修复方法 |
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 |