CN118837442A - 一种桥梁梳齿板伸缩缝混凝土健康状况检测方法及系统 - Google Patents
一种桥梁梳齿板伸缩缝混凝土健康状况检测方法及系统 Download PDFInfo
- Publication number
- CN118837442A CN118837442A CN202410834378.5A CN202410834378A CN118837442A CN 118837442 A CN118837442 A CN 118837442A CN 202410834378 A CN202410834378 A CN 202410834378A CN 118837442 A CN118837442 A CN 118837442A
- Authority
- CN
- China
- Prior art keywords
- signal
- concrete
- wavelet packet
- convolutional neural
- neural network
- 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
- 238000001514 detection method Methods 0.000 title claims description 15
- 230000036541 health Effects 0.000 title description 6
- 238000000034 method Methods 0.000 claims abstract description 63
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 45
- 230000003862 health status Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000000354 decomposition reaction Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 12
- 238000010200 validation analysis Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 abstract description 3
- 238000009659 non-destructive testing Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 7
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 5
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000007847 structural defect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000010959 steel Substances 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
- G01N29/12—Analysing solids by measuring frequency or resonance of acoustic waves
-
- 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
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
-
- 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
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0232—Glass, ceramics, concrete or stone
Landscapes
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Acoustics & Sound (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提供一种桥梁梳齿板伸缩缝混凝土健康状况检测方法及系统，涉及建筑工程技术领域，所述方法包括：构建硬件系统，并通过硬件系统对混凝土进行检测和采集，以获得超声波信号；使用小波包变换对超声波信号进行处理，以获得处理数据；使用卷积神经网络对处理数据进行分类识别，以获得信号特征；根据信号特征判断混凝土的健康状况。本发明提供一种桥梁梳齿板伸缩缝混凝土健康状况检测方法及系统，可随时对已在服役中的桥梁伸缩缝填充混凝土进行无损检测，及时发现其内部问题。
Description
技术领域
本发明涉及建筑工程技术领域，特别是指一种桥梁梳齿板伸缩缝混凝土健康状况检测方法及系统。
背景技术
混凝土是建筑中重要的材料，其健康状况影响着建筑的使用安全性，混凝土内部缺陷，如孔洞、裂缝、夹杂异物等，或服役过程中形成了新的损伤缺陷，是无法从外部通过肉眼观测到的，尤其伸缩缝中填充混凝土由于有钢制梳齿板盖板更不容易发现其安全隐患问题。
发明内容
本发明提供一种桥梁梳齿板伸缩缝混凝土健康状况检测方法及系统，可随时对已在服役中的桥梁伸缩缝填充混凝土进行无损检测，及时发现其内部问题。
为解决上述技术问题，本发明的技术方案如下：
第一方面，一种桥梁梳齿板伸缩缝混凝土健康状况检测方法，所述方法包括：
构建硬件系统，并通过硬件系统对混凝土进行检测和采集，以获得超声波信号；
使用小波包变换对超声波信号进行处理，以获得处理数据；
使用卷积神经网络对处理数据进行分类识别，以获得信号特征；
根据信号特征判断混凝土的健康状况。
进一步的，构建硬件系统，并通过硬件系统对混凝土进行检测和采集，以获得超声波信号，包括：
将超声波发射器对准待检测的混凝土桥梁梳齿板伸缩缝进行超声波发射；
通过超声波接收器接收经过混凝土反射回来的超声波信号；
将所述超声波信号转换为电信号；
将电信号转换为数字信号，并通过FPGA进行控制和处理。
进一步的，使用小波包变换对超声波信号进行处理，以获得处理数据，包括：
对接收到的超声波信号进行小波包分解，得到不同频带的小波包系数；
对各频带的小波包系数进行重构，得到各频带的信号分量；
提取各频带信号分量的能量、幅值、频率特征参数，形成处理数据。
进一步的，对接收到的超声波信号进行小波包分解，得到不同频带的小波包系数，包括：
根据超声波信号的特性确定小波基函数；
根据小波基函数，以及实际需求确定分解层数；
根据超声波信号，小波基函数和分解层数进行小波包分解，以得到高频分量和低频分量，直到达到设定的分解层数，其中，每一层的分解结果均得到相应的小波包系数，所述小波包系数代表信号在不同频带上的分量。
进一步的，对各频带的小波包系数进行重构，得到各频带的信号分量，包括：
根据不同频带的小波包系数以及实际需求，确定待重构的层数；
根据小波基函数和重构层数，对各个频带的小波包系数进行小波包重构，以使小波包系数逐层还原为相应的信号分量，直到达到设定的重构层数；
提取出各个频带上的信号分量。
进一步的，提取各频带信号分量的能量、幅值、频率特征参数，形成处理数据，包括：
将信号分量中的每个样本值进行平方或取绝对值，将所有样本的平方和或绝对值相加，以得到该信号分量的能量；
遍历信号分量中的所有样本值，获取所有样本值中的最大值和最小值，将最大值减去最小值得到信号分量的幅值；
使用傅里叶变换将信号分量从时域转换到频域，提取出频域上的特征参数；
将提取出的能量、幅值、频率特征参数按照设定的格式和顺序组合起来，形成处理数据。
进一步的，使用卷积神经网络对处理数据进行分类识别，以获得信号特征，包括：
构建卷积神经网络模型，包括输入层、卷积层、激活函数、池化层、全连接层和输出层；
初始化网络参数，将处理数据划分为训练集和验证集；对训练数据进行预处理；
将训练数据输入到卷积神经网络模型中，进行前向传播计算，得到输出层的输出结果；
根据输出结果与真实标签之间的损失函数，计算卷积神经网络模型的误差；
利用反向传播算法，根据误差梯度调整网络参数，使卷积神经网络模型逐渐逼近真实数据的分布；
重复进行前向传播和反向传播的过程，不断更新网络参数，直到卷积神经网络模型达到设定的训练轮数；
使用验证集对训练好的卷积神经网络模型进行验证，以得到验证结果；
根据验证结果，调整卷积神经网络模型的超参数；
将新的处理数据输入到训练好的卷积神经网络模型中，进行前向传播计算，得到输出层的输出结果；
根据输出结果，判断处理数据所属的类别或标签，使用阈值分类决策方法来确定分类结果，在分类识别的过程中，卷积神经网络自动学习到输入数据的特征，从卷积层或全连接层中提取出学习到的特征，作为信号特征。
第二方面，一种桥梁梳齿板伸缩缝混凝土健康状况检测系统，包括：
获取模块，用于构建硬件系统，并通过硬件系统对混凝土进行检测和采集，以获得超声波信号；使用小波包变换对超声波信号进行处理，以获得处理数据；
处理模块，用于使用卷积神经网络对处理数据进行分类识别，以获得信号特征；根据信号特征判断混凝土的健康状况。
第三方面，一种计算设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述方法。
第四方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现上述方法。
本发明的上述方案至少包括以下有益效果：
本发明的上述方案，为了实现伸缩缝混凝土健康状况的检测与自动化识别,本发明研究了混凝土超声波检测的硬件系统应用，分析了硬件系统评估方法；在应用中将小波包变换和卷积神经网络作为信号处理和识别算法，界面显示输出结果，该方法操作简单、便捷，可以将检测结果传达给检测人员，减少了人员工作负担，有利于减少桥梁运营成本，极大地从维护角度达到节能降碳的目的。
附图说明
图1是本发明的实施例提供的桥梁梳齿板伸缩缝混凝土健康状况检测方法的流程示意图。
图2是本发明的实施例提供的桥梁梳齿板伸缩缝混凝土健康状况检测系统示意图。
具体实施方式
下面将参照附图更细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提出一种桥梁梳齿板伸缩缝混凝土健康状况检测方法，所述方法包括：
步骤11，构建硬件系统，并通过硬件系统对混凝土进行检测和采集，以获得超声波信号；
步骤12，使用小波包变换对超声波信号进行处理，以获得处理数据；
步骤13，使用卷积神经网络对处理数据进行分类识别，以获得信号特征；
步骤14，根据信号特征判断混凝土的健康状况。
在本发明实施例中，步骤11中构建的硬件系统为整个检测流程奠定基础。通过采用超声波检测技术，实现了对混凝土结构的无损检测，有效捕捉内部的结构缺陷，如裂缝和空洞。不仅提高了数据采集的准确性，而且保障了结构的完整性评估，为后续的数据处理提供了高质量的原始信号。步骤12小波包变换的应用显著增强了信号处理的效率和精度。能够分解和重构超声波信号，提取出更为清晰和细致的信号特征。通过步骤12，可以有效地消除噪声干扰，增强信号中关键特征的识别能力，为混凝土结构的进一步分析奠定了坚实的数据基础。步骤13卷积神经网络能够自动学习数据的特征，从而准确地识别和分类超声波信号中的模式。对于检测微小裂缝和其他结构缺陷尤为关键，大大提高了数据分析的准确度和效率。步骤14利用之前步骤的分析结果，对混凝土的健康状况进行综合判断。通过精确评估混凝土的健康状况，不仅能够确保桥梁的结构安全，还有助于指导维护工作，延长桥梁的使用寿命。
如图1所示，步骤11，构建硬件系统，并通过硬件系统对混凝土进行检测和采集，以获得超声波信号，包括：
步骤111，将超声波发射器对准待检测的混凝土桥梁梳齿板伸缩缝进行超声波发射；
步骤112，通过超声波接收器接收经过混凝土反射回来的超声波信号；
步骤113，将所述超声波信号转换为电信号；
步骤114，将电信号转换为数字信号，并通过FPGA进行控制和处理。
在本发明实施例中，步骤111是整个检测过程的起始点。使用超声波发射器精确对准桥梁的特定部分能够确保超声波有效地穿透混凝土结构，从而捕捉到内部的细节信息。步骤112接收反射回来的超声波信号是获取混凝土内部信息的关键环节。通过捕捉经过混凝土结构反射或散射的超声波，能够提供关于混凝土内部结构和可能存在的缺陷的重要信息。步骤113将所述超声波信号转换为电信号，可以使得超声波信号能够进一步被数字化和处理，确保了信号的完整性和可分析性。步骤114将电信号转换为数字信号，并通过FPGA进行控制和处理电信号的数字化及后续的FPGA(现场可编程门阵列)处理，提高了信号处理的灵活性和效率，而FPGA的使用则为实时、高效的信号处理提供了强大的硬件支持。这使得信号分析更加精确和快速，从而提高了整个检测系统的性能和可靠性。
如图1所示，步骤12，使用小波包变换对超声波信号进行处理，以获得处理数据，包括：
步骤121，对接收到的超声波信号进行小波包分解，得到不同频带的小波包系数；
步骤122，对各频带的小波包系数进行重构，得到各频带的信号分量；
步骤123，提取各频带信号分量的能量、幅值、频率特征参数，形成处理数据。
在本发明实施例中，步骤121对接收到的超声波信号进行小波包分解，得到不同频带的小波包系数，有效地将超声波信号分解成多个频带的信号，每个频带都包含不同的信息。有助于更细致和全面地分析超声波信号，从而能够捕捉到更多潜在的信号特征。步骤122通过重构原始信号的不同频率分量，使得对混凝土结构的每个部分进行更具针对性的分析更加准确。重构后的信号能够揭示混凝土内部的详细结构特性，包括裂缝、空洞等潜在的结构问题。步骤123通过提取每个频带信号分量的关键特征(如能量、幅值和频率)，为深入分析和识别混凝土健康状况提供了关键参数。
如图1所示，步骤121，对接收到的超声波信号进行小波包分解，得到不同频带的小波包系数，包括：
步骤1211，根据超声波信号的特性确定小波基函数；
步骤1212，根据小波基函数，以及实际需求确定分解层数；
步骤1213，根据超声波信号，小波基函数和分解层数进行小波包分解，以得到高频分量和低频分量，直到达到设定的分解层数，其中，每一层的分解结果均得到相应的小波包系数，所述小波包系数代表信号在不同频带上的分量。
在本发明实施例中，步骤1211根据超声波信号的特性确定小波基函数，每种小波基函数都具有特定的特性，如对某些信号特征的敏感度，基于超声波信号的特性选择最合适的小波基函数能够确保信号分解过程中关键信息的有效提取。步骤1212根据小波基函数，以及实际需求确定分解层数，决定了信号分析的深度和细致程度。步骤1213根据超声波信号，小波基函数和分解层数进行小波包分解，以得到高频分量和低频分量，实际的小波包分解操作被执行，以便将超声波信号分解成高频和低频分量。每一层的分解都可以提供不同频带上的信号信息。高频分量可能揭示信号中的快速变化，如微小裂缝，而低频分量则有助于识别更大范围的结构问题。使得对混凝土桥梁梳齿板伸缩缝的全面评估成为可能，从而提高了检测的准确性和可靠性。
如图1所示，步骤122，对各频带的小波包系数进行重构，得到各频带的信号分量，包括：
步骤1221，根据不同频带的小波包系数以及实际需求，确定待重构的层数；
步骤1221，根据小波基函数和重构层数，对各个频带的小波包系数进行小波包重构，以使小波包系数逐层还原为相应的信号分量，直到达到设定的重构层数；
步骤1221，提取出各个频带上的信号分量。
在本发明实施例中，步骤1221根据不同频带的小波包系数以及实际需求，确定待重构的层数；此步骤中，确定待重构的层数可以确保信号的关键特征得以保留，同时避免不必要的复杂性。对于平衡信号的完整性和处理效率极为关键，有助于确保数据分析的准确性和高效性。步骤1222根据小波基函数和重构层数，对各个频带的小波包系数进行小波包重构，以使小波包系数逐层还原为相应的信号分量；通过小波包重构，小波包系数被还原为相应的信号分量，能够确保从原始的超声波信号中恢复出准确的信号特征，为后续的分析提供了必要的数据基础。步骤1223提取出各个频带上的信号分量；有助于识别和分析混凝土结构中的不同特征和潜在问题，还能为最终的结构健康评估提供详尽的数据支持。提取出的信号分量反映了混凝土结构的各种特性，如裂缝、空隙等。
如图1所示，步骤123，提取各频带信号分量的能量、幅值、频率特征参数，形成处理数据，包括：
步骤1231，将信号分量中的每个样本值进行平方或取绝对值，将所有样本的平方和或绝对值相加，以得到该信号分量的能量；
步骤1232，遍历信号分量中的所有样本值，获取所有样本值中的最大值和最小值，将最大值减去最小值得到信号分量的幅值；
步骤1233，使用傅里叶变换将信号分量从时域转换到频域，提取出频域上的特征参数；
步骤1234，将提取出的能量、幅值、频率特征参数按照设定的格式和顺序组合起来，形成处理数据。
在本发明实施例中，步骤1231计算信号分量的能量，通过计算信号分量的能量，可以量化信号的强度和活动水平。有助于区分不同的结构特征，例如裂缝和缺陷。步骤1232计算信号分量的幅值，通过获取信号分量中的最大值和最小值，并计算出它们的差值来得到信号的幅值。有助于揭示信号的动态范围和潜在的异常波动。步骤1233使用傅里叶变换提取频率特征参数；傅里叶变换将信号从时域转换到频域，揭示了信号的频率成分。通过分析频域特征，可以更精确地识别和分类结构中的缺陷类型，如裂缝的大小和位置。最后，将计算出的能量、幅值和频率特征参数组合起来，形成结构化的处理数据。不仅使数据更易于分析和解释，而且也为使用机器学习和其他高级分析技术提供了基础。更全面地反映了混凝土结构的健康状况，使评估结果更准确、更可靠。
如图1所示，步骤13，使用卷积神经网络对处理数据进行分类识别，以获得信号特征，包括：
步骤131，构建卷积神经网络模型，包括输入层、卷积层、激活函数、池化层、全连接层和输出层；
步骤132，初始化网络参数，将处理数据划分为训练集和验证集；对训练数据进行预处理；
步骤133，将训练数据输入到卷积神经网络模型中，进行前向传播计算，得到输出层的输出结果；
步骤134，根据输出结果与真实标签之间的损失函数，计算卷积神经网络模型的误差；
步骤135，利用反向传播算法，根据误差梯度调整网络参数，使卷积神经网络模型逐渐逼近真实数据的分布；
步骤136，重复进行前向传播和反向传播的过程，不断更新网络参数，直到卷积神经网络模型达到设定的训练轮数；
步骤137，使用验证集对训练好的卷积神经网络模型进行验证，以得到验证结果；
步骤138，根据验证结果，调整卷积神经网络模型的超参数；
步骤139，将新的处理数据输入到训练好的卷积神经网络模型中，进行前向传播计算，得到输出层的输出结果；
其中，根据输出结果，判断处理数据所属的类别或标签，使用阈值分类决策方法来确定分类结果，在分类识别的过程中，卷积神经网络自动学习到输入数据的特征，从卷积层或全连接层中提取出学习到的特征，作为信号特征。
在本发明实施例中，步骤131建立的CNN模型是整个识别过程的基础。它包含了多个层，如卷积层、激活函数、池化层、全连接层和输出层，每个层都对输入数据进行特定的处理，以提取和学习数据的重要特征。这能够有效处理复杂的数据模式。步骤132初始化网络参数和对数据进行预处理是确保CNN训练有效性的关键步骤。可以提高模型学习的效率和准确性。保证了输入数据的一致性和适应性，为模型训练创造了有利条件。步骤133在前向传播过程中，训练数据通过CNN模型的各层传递，每一层都对数据进行处理和特征提取。步骤134通过计算模型输出与真实标签之间的损失，可以评估模型的性能。有助于指导模型的调整和优化，使其更加精确地匹配实际数据。步骤135确保CNN能够学习并改进其识别能力，不断逼近真实数据的分布。步骤136通过重复的前向传播和反向传播过程，网络参数不断更新，模型性能逐渐提升。步骤137通过验证集，可以检测模型在未见数据上的表现，确保其稳定性和可靠性。步骤138根据验证结果调整CNN模型的超参数，有助于进一步优化模型的性能。步骤139将新的处理数据输入训练好的CNN模型进行分类，可以快速、准确地识别信号特征。
如图2所示，本发明的实施例还提供一种桥梁梳齿板伸缩缝混凝土健康状况检测系统20，包括：
获取模块21，用于构建硬件系统，并通过硬件系统对混凝土进行检测和采集，以获得超声波信号；使用小波包变换对超声波信号进行处理，以获得处理数据；
处理模块22，用于使用卷积神经网络对处理数据进行分类识别，以获得信号特征；根据信号特征判断混凝土的健康状况。
需要说明的是，该装置是与上述方法相对应的装置，上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种桥梁梳齿板伸缩缝混凝土健康状况检测方法，其特征在于，所述方法包括：
构建硬件系统，并通过硬件系统对混凝土进行检测和采集，以获得超声波信号；
使用小波包变换对超声波信号进行处理，以获得处理数据；
使用卷积神经网络对处理数据进行分类识别，以获得信号特征；
根据信号特征判断混凝土的健康状况。
2.根据权利要求1所述的桥梁梳齿板伸缩缝混凝土健康状况检测方法，其特征在于，构建硬件系统，并通过硬件系统对混凝土进行检测和采集，以获得超声波信号，包括：
将超声波发射器对准待检测的混凝土桥梁梳齿板伸缩缝进行超声波发射；
通过超声波接收器接收经过混凝土反射回来的超声波信号；
将所述超声波信号转换为电信号；
将电信号转换为数字信号，并通过FPGA进行控制和处理。
3.根据权利要求2所述的桥梁梳齿板伸缩缝混凝土健康状况检测方法，其特征在于，使用小波包变换对超声波信号进行处理，以获得处理数据，包括：
对接收到的超声波信号进行小波包分解，得到不同频带的小波包系数；
对各频带的小波包系数进行重构，得到各频带的信号分量；
提取各频带信号分量的能量、幅值、频率特征参数，形成处理数据。
4.根据权利要求3所述的桥梁梳齿板伸缩缝混凝土健康状况检测方法，其特征在于，对接收到的超声波信号进行小波包分解，得到不同频带的小波包系数，包括：
根据超声波信号的特性确定小波基函数；
根据小波基函数，以及实际需求确定分解层数；
根据超声波信号，小波基函数和分解层数进行小波包分解，以得到高频分量和低频分量，直到达到设定的分解层数，其中，每一层的分解结果均得到相应的小波包系数，所述小波包系数代表信号在不同频带上的分量。
5.根据权利要求4所述的桥梁梳齿板伸缩缝混凝土健康状况检测方法，其特征在于，对各频带的小波包系数进行重构，得到各频带的信号分量，包括：
根据不同频带的小波包系数以及实际需求，确定待重构的层数；
根据小波基函数和重构层数，对各个频带的小波包系数进行小波包重构，以使小波包系数逐层还原为相应的信号分量，直到达到设定的重构层数；
提取出各个频带上的信号分量。
6.根据权利要求5所述的桥梁梳齿板伸缩缝混凝土健康状况检测方法，其特征在于，提取各频带信号分量的能量、幅值、频率特征参数，形成处理数据，包括：
将信号分量中的每个样本值进行平方或取绝对值，将所有样本的平方和或绝对值相加，以得到该信号分量的能量；
遍历信号分量中的所有样本值，获取所有样本值中的最大值和最小值，将最大值减去最小值得到信号分量的幅值；
使用傅里叶变换将信号分量从时域转换到频域，提取出频域上的特征参数；
将提取出的能量、幅值、频率特征参数按照设定的格式和顺序组合起来，形成处理数据。
7.根据权利要求6所述的桥梁梳齿板伸缩缝混凝土健康状况检测方法，其特征在于，使用卷积神经网络对处理数据进行分类识别，以获得信号特征，包括：
构建卷积神经网络模型，包括输入层、卷积层、激活函数、池化层、全连接层和输出层；
初始化网络参数，将处理数据划分为训练集和验证集；对训练数据进行预处理；
将训练数据输入到卷积神经网络模型中，进行前向传播计算，得到输出层的输出结果；
根据输出结果与真实标签之间的损失函数，计算卷积神经网络模型的误差；
利用反向传播算法，根据误差梯度调整网络参数，使卷积神经网络模型逐渐逼近真实数据的分布；
重复进行前向传播和反向传播的过程，不断更新网络参数，直到卷积神经网络模型达到设定的训练轮数；
使用验证集对训练好的卷积神经网络模型进行验证，以得到验证结果；
根据验证结果，调整卷积神经网络模型的超参数；
将新的处理数据输入到训练好的卷积神经网络模型中，进行前向传播计算，得到输出层的输出结果；
根据输出结果，判断处理数据所属的类别或标签，使用阈值分类决策方法来确定分类结果，在分类识别的过程中，卷积神经网络自动学习到输入数据的特征，从卷积层或全连接层中提取出学习到的特征，作为信号特征。
8.一种桥梁梳齿板伸缩缝混凝土健康状况检测系统，其特征在于，包括：
获取模块，用于构建硬件系统，并通过硬件系统对混凝土进行检测和采集，以获得超声波信号；使用小波包变换对超声波信号进行处理，以获得处理数据；
处理模块，用于使用卷积神经网络对处理数据进行分类识别，以获得信号特征；根据信号特征判断混凝土的健康状况。
9.一种计算设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410834378.5A CN118837442A (zh) | 2024-06-26 | 2024-06-26 | 一种桥梁梳齿板伸缩缝混凝土健康状况检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410834378.5A CN118837442A (zh) | 2024-06-26 | 2024-06-26 | 一种桥梁梳齿板伸缩缝混凝土健康状况检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118837442A true CN118837442A (zh) | 2024-10-25 |
Family
ID=93148628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410834378.5A Pending CN118837442A (zh) | 2024-06-26 | 2024-06-26 | 一种桥梁梳齿板伸缩缝混凝土健康状况检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118837442A (zh) |
-
2024
- 2024-06-26 CN CN202410834378.5A patent/CN118837442A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Oliveira et al. | Ultrasound-based identification of damage in wind turbine blades using novelty detection | |
| Sun et al. | Machine learning for ultrasonic nondestructive examination of welding defects: A systematic review | |
| CN112858473A (zh) | 一种基于特征融合的道岔尖轨伤损状态监测方法 | |
| CN107963239B (zh) | 一种基于音频的运载火箭故障检测装置及检测方法 | |
| CN105334269A (zh) | 一种基于神经网络和导波特征数据库的管道缺陷类别判别方法 | |
| CN117007681B (zh) | 超声波探伤方法及系统 | |
| CN110440148B (zh) | 一种漏损声信号分类识别方法、装置及系统 | |
| CN109858408A (zh) | 一种基于自编码器的超声信号处理方法 | |
| CN114487129B (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
| CN115436470B (zh) | 一种管道裂纹精准定位方法、系统、终端及其存储介质 | |
| CN109387565A (zh) | 一种通过分析声音信号检测刹车片内部缺陷的方法 | |
| CN118408743B (zh) | 一种轴承故障检测系统及方法 | |
| Yu et al. | Novel hybrid method based on advanced signal processing and soft computing techniques for condition assessment of timber utility poles | |
| CN118533732A (zh) | 电磁超声管道腐蚀检测方法、装置、设备及存储介质 | |
| JP7553207B2 (ja) | 超音波探傷検査システムおよび超音波探傷検査方法 | |
| CN112302061A (zh) | 低应变基桩完整性检测信号的智能化快速解释方法 | |
| CN118013191A (zh) | 基于lsm滤波、ceemdan联合小波检测绝缘子的去噪方法 | |
| Xu et al. | IPSO-VMD based signal feature extraction and internal defect detection of hardwood logs through acoustic impact test | |
| CN119150020A (zh) | 滑动轴承故障诊断模型的构建方法、系统、设备和介质 | |
| CN118837442A (zh) | 一种桥梁梳齿板伸缩缝混凝土健康状况检测方法及系统 | |
| CN118410497A (zh) | 一种基于深度学习的智能化渗透测试方法及系统 | |
| CN118857188A (zh) | 声发射技术对水轮发电机组轴瓦形变在线监测方法及系统 | |
| CN117705941A (zh) | 一种石质文物损伤检测及预测方法、装置及可存储介质 | |
| Nunes et al. | Acoustic structural integrity assessment of ceramics using supervised machine learning and uncertainty-based rejection | |
| 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 |
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 |