基于一維卷積神經(jīng)網(wǎng)絡(luò)的套筒灌漿缺陷無損檢測方法、裝置及存儲介質(zhì)制造方法及圖紙

本發(fā)明專利技術(shù)公開了一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的套筒灌漿缺陷無損檢測方法、裝置及存儲介質(zhì)。首先使用沖擊回波儀器分別對各組預(yù)先準備好的未灌漿、灌漿不充分、灌漿密實的套筒試件進行檢測，得到三組原始應(yīng)力波信號，然后對各種類型的信號分別進行標注標簽，劃分訓(xùn)練集和驗證集，形成數(shù)據(jù)集；接著建立一維卷積神經(jīng)網(wǎng)絡(luò)模型；最后使用沖擊回波儀器檢測待檢測的灌漿套筒得到原始應(yīng)力波信號，將原始應(yīng)力波信號樣本輸入到套筒灌漿缺陷檢測模型中，得到套筒灌漿是否存在缺陷的檢測結(jié)果。本發(fā)明專利技術(shù)對灌漿套筒的缺陷的檢測準確率高，并且自動化程度高，可以實時獲得檢測結(jié)果，有效的提高了檢測效率。率。率。

【技術(shù)實現(xiàn)步驟摘要】
基于一維卷積神經(jīng)網(wǎng)絡(luò)的套筒灌漿缺陷無損檢測方法、裝置及存儲介質(zhì)


[0001]本專利技術(shù)涉及結(jié)構(gòu)無損檢測
，具體是一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的套筒灌漿缺陷無損檢測方法、裝置及存儲介質(zhì)。

技術(shù)介紹

[0002]裝配式混凝土建筑具有施工效率高、構(gòu)件質(zhì)量好、節(jié)省人工、綠色環(huán)保等諸多優(yōu)點，近年來得到了大力推進。裝配式混凝土剪力墻結(jié)構(gòu)在實際工程中的應(yīng)用十分普遍，其中預(yù)制混凝土剪力墻構(gòu)件之間的連接方式主要有套筒灌漿連接與漿錨搭接連接，而套筒灌漿連接的應(yīng)用最為廣泛。套筒灌漿連接預(yù)制混凝土剪力墻的抗震性能對結(jié)構(gòu)的整體安全性至關(guān)重要。現(xiàn)有的工程無損檢測技術(shù)是利用信號激發(fā)裝置和信號接收裝置進行數(shù)據(jù)采集工作，再利用編好程序的軟件對數(shù)據(jù)進行解析，得到所需的某一兩個目標參數(shù)，檢測人員結(jié)合經(jīng)驗加以判斷，得出結(jié)果，或者采用傳統(tǒng)的機器學(xué)習(xí)，本質(zhì)仍需人為來提取檢測信號的特征。如公開號為CN114113332A的中國專利說明書中公開的基于彈性波和機器學(xué)習(xí)的預(yù)制柱套筒灌漿無損檢測方法，需要先拾取每個測點的信號，然后對每個測點信號進行解析提取出19個參數(shù)，最后結(jié)合機器學(xué)習(xí)得到分析模型，得出套筒灌漿的密實度，其分析模型建立和信號解析的過程會有很多主觀判斷因素等，檢測人員過于依賴自身經(jīng)驗，而導(dǎo)致忽略部分特殊缺陷，不能做到判斷結(jié)果的精準化和自動化，不僅對工作人員來說耗時費力，甚至?xí)绊戫椖窟M程、造成經(jīng)濟損失。而屬于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)有著極強的數(shù)據(jù)信息挖掘，無需對得到的信號數(shù)據(jù)進行特征提取，僅通過卷積神經(jīng)網(wǎng)絡(luò)強大的數(shù)據(jù)信息挖掘特性，就可以對套筒灌漿的檢測信號進行分類，區(qū)分出套筒灌漿是否存在缺陷。該方法不僅降低了人為主觀判斷因素，適用范圍廣，具有較高的精度，并且自動化程度高，能夠現(xiàn)場實時得出檢測結(jié)果，降低了人工的工作量和檢測的成本，有著較高的檢測效率。因此該檢測方法具有廣闊的應(yīng)用前景。

技術(shù)實現(xiàn)思路

[0003]本專利技術(shù)解決的技術(shù)問題是提供一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的套筒灌漿缺陷無損檢測方法及裝置，用于減少主觀判斷等人為因素影響，提高套筒灌漿缺陷檢測的精度和效率。
[0004]本專利技術(shù)要解決的技術(shù)問題還在于提供一種計算機可讀存儲介質(zhì)。
[0005]本專利技術(shù)通過下述技術(shù)方案實現(xiàn)：本專利技術(shù)提供的一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的套筒灌漿缺陷無損檢測方法包括如下步驟：（1）在預(yù)先準備好未灌漿、灌漿不充分、灌漿密實的套筒試件上分別進行測點測線布置，然后使用沖擊回波儀器對測點逐一進行應(yīng)力波信號采集，得到未灌漿、灌漿不充分和灌漿密實共三組用于訓(xùn)練模型和驗證精度的原始應(yīng)力波信號數(shù)據(jù)；
（2）對上述原始應(yīng)力波信號數(shù)據(jù)進行預(yù)處理操作，即對各組的原始應(yīng)力波信號數(shù)據(jù)分別進行標注標簽，劃分訓(xùn)練集和驗證集，形成數(shù)據(jù)集；（3）通過預(yù)處理的數(shù)據(jù)集訓(xùn)練模型，得到訓(xùn)練完成的套筒灌漿缺陷檢測的一維卷積神經(jīng)網(wǎng)絡(luò)模型；（4）使用沖擊回波儀器檢測待檢測的灌漿套筒得到原始應(yīng)力波信號，將原始應(yīng)力波信號數(shù)據(jù)輸入到套筒灌漿缺陷檢測的一維卷積神經(jīng)網(wǎng)絡(luò)模型中，得到套筒灌漿是否存在缺陷的檢測結(jié)果。
[0006]進一步地，步驟（1）中得到原始應(yīng)力波信號數(shù)據(jù)的具體過程為：預(yù)先準備一定數(shù)量未灌漿、灌漿不充分以及灌漿密實的套筒，將套筒埋入混凝土試件中，模擬實際工程中剪力墻以及柱中的套筒情況，再通過沖擊回波儀器按照規(guī)范對各組試件采集應(yīng)力波信號得到原始應(yīng)力波信號數(shù)據(jù)。
[0007]進一步地，原始應(yīng)力波信號數(shù)據(jù)可以是波形圖或者對應(yīng)的坐標數(shù)據(jù)。
[0008]進一步地，步驟（2）中，預(yù)處理步驟中對三類灌漿類型套筒的信號分別進行標注的方法為：未灌漿標注為2、灌漿不充分標注為1、灌漿密實標注為0。
[0009]進一步地，步驟（3）中一維卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練模式如下：采用一維卷積神經(jīng)網(wǎng)絡(luò)模型，該網(wǎng)絡(luò)模型為輸入層、卷積層、池化層、全連接層和輸出層的組合，其中輸入層用來輸入一維信號數(shù)據(jù)；卷積層中，卷積核對上一層的輸出進行卷積，該過程采用非線性激活函數(shù)構(gòu)造輸出特征，提取局部區(qū)域的空間特征，得到對應(yīng)的特征映射；卷積運算后，激活函數(shù)對每次卷積的邏輯值輸出進行非線性變換，將原本線性不可分的多維特征變換到另一個空間，增強這些特征的線性可分性；池化層的目的是減少網(wǎng)絡(luò)參數(shù)，通過下采樣縮小數(shù)據(jù)長度，以減少計算量，一般常采用最大池化或平均池化，取感知域的最大值或平均值作為輸出特征映射；全連接層將最后一個池化層的輸出展開為一維向量，作為其輸入，隨后在輸入和輸出間建立全連接網(wǎng)絡(luò)，整合卷積層或池化層已區(qū)分的局部信息；輸出層使用分類器來分辨標簽，其輸出結(jié)果為各類別的概率值，取最大的概率值對應(yīng)的標簽為識別結(jié)果。
[0010]進一步地，步驟（4）中的具體過程如下：（4.1）首先對待檢測的套筒試件進行測點測線的布置；（4.2）使用沖擊回波儀器沿測線方向逐個采集測點的原始應(yīng)力波信號；（4.3）把采集到的原始應(yīng)力波信號數(shù)據(jù)輸入到訓(xùn)練完成的一維卷積神經(jīng)網(wǎng)絡(luò)模型的輸入層；（4.4）通過已經(jīng)訓(xùn)練完成的一維卷積神經(jīng)網(wǎng)絡(luò)模型進行判斷，輸出層輸出檢測結(jié)果0,1或2，其中，0、1、2分別代表該套筒試件為灌漿密實、灌漿不充分和未灌漿。
[0011]本專利技術(shù)提供的一種基于該套筒灌漿缺陷無損檢測方法的套筒灌漿缺陷無損檢測裝置包括：信號采集模塊，用于采集未灌漿、灌漿不充分和灌漿密實共三組用于訓(xùn)練模型和驗證精度的套筒試件的原始應(yīng)力波信號和待檢測灌漿套筒的原始應(yīng)力波信號；數(shù)據(jù)預(yù)處理模塊，用于用采集的數(shù)據(jù)設(shè)置標簽進行標注，并形成用于訓(xùn)練的數(shù)據(jù)集；訓(xùn)練模塊，用于采用訓(xùn)練模型對經(jīng)過預(yù)處理的數(shù)據(jù)集進行訓(xùn)練，得到訓(xùn)練完成的
套筒灌漿缺陷檢測的一維卷積神經(jīng)網(wǎng)絡(luò)模型；檢測模塊，用于根據(jù)采集的待檢測灌漿套筒的原始應(yīng)力波信號，利用一維卷積神經(jīng)網(wǎng)絡(luò)模型中得到套筒灌漿是否存在缺陷的檢測結(jié)果。
[0012]進一步地，所述的訓(xùn)練模塊采用一維卷積神經(jīng)網(wǎng)絡(luò)模型，該網(wǎng)絡(luò)模型為輸入層、卷積層、池化層、全連接層和輸出層的組合，其中輸入層用來輸入一維信號數(shù)據(jù)；卷積層中，卷積核對上一層的輸出進行卷積，該過程采用非線性激活函數(shù)構(gòu)造輸出特征，提取局部區(qū)域的空間特征，得到對應(yīng)的特征映射；卷積運算后，激活函數(shù)對每次卷積的邏輯值輸出進行非線性變換，將原本線性不可分的多維特征變換到另一個空間，增強這些特征的線性可分性；池化層的目的是減少網(wǎng)絡(luò)參數(shù)，通過下采樣縮小數(shù)據(jù)長度，以減少計算量，一般常采用最大池化或平均池化，取感知域的最大值或平均值作為輸出特征映射；全連接層將最后一個池化層的輸出展開為一維向量，作為其輸入，隨后在輸入和輸出間建立全連接網(wǎng)絡(luò)，整合卷積層或池化層已區(qū)分的局部信息；輸出層使用分類器分辨標簽，其輸出結(jié)果為各類別的概率值，取最大的概率值對應(yīng)的標簽為識別結(jié)果。
[0013]進一步地，數(shù)據(jù)預(yù)處理模塊中對三類灌漿類型套筒的信號分別進行標注的方法為：未灌漿標注為2、灌漿不充分標注為1、灌漿密實標注為0，所述檢測模塊中，所述的檢測模塊中，通過已經(jīng)訓(xùn)練完成的一維卷積神經(jīng)網(wǎng)絡(luò)模型進行判斷后，輸出層輸出檢測結(jié)果為0,1或2，其中，0、1、2分別代表該套筒試件為灌漿密實、灌漿不充分和未灌漿。
[001本文檔來自技高網(wǎng)...

【技術(shù)保護點】

【技術(shù)特征摘要】
1.一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的套筒灌漿缺陷無損檢測方法，其特征在于，包括如下步驟：（1）在預(yù)先準備好未灌漿、灌漿不充分、灌漿密實的套筒試件上分別進行測點測線布置，然后使用沖擊回波儀器對測點逐一進行原始應(yīng)力波信號采集，得到未灌漿、灌漿不充分和灌漿密實共三組用于訓(xùn)練模型和驗證精度的原始應(yīng)力波信號數(shù)據(jù)；（2）對上述原始應(yīng)力波信號數(shù)據(jù)進行預(yù)處理操作，即對各組的原始應(yīng)力波信號數(shù)據(jù)分別進行標注標簽，劃分訓(xùn)練集和驗證集，形成數(shù)據(jù)集；（3）通過預(yù)處理的數(shù)據(jù)集訓(xùn)練模型，得到訓(xùn)練完成的套筒灌漿缺陷檢測的一維卷積神經(jīng)網(wǎng)絡(luò)模型；（4）使用沖擊回波儀器檢測待檢測的灌漿套筒得到原始應(yīng)力波信號，將原始應(yīng)力波信號數(shù)據(jù)輸入到套筒灌漿缺陷檢測的一維卷積神經(jīng)網(wǎng)絡(luò)模型中，得到套筒灌漿是否存在缺陷的檢測結(jié)果。2.根據(jù)權(quán)利要求1所述一種的基于一維卷積神經(jīng)網(wǎng)絡(luò)的套筒灌漿缺陷無損檢測方法，其特征在于，所述步驟（1）中得到原始應(yīng)力波信號數(shù)據(jù)的具體過程為：預(yù)先準備一定數(shù)量未灌漿、灌漿不充分以及灌漿密實的套筒，將套筒埋入混凝土試件中，模擬實際工程中剪力墻以及柱中的套筒情況，再通過沖擊回波儀器按照規(guī)范對各組試件采集應(yīng)力波信號得到三組用于訓(xùn)練模型的原始應(yīng)力波信號數(shù)據(jù)。3.根據(jù)權(quán)利要求1所述的一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的套筒灌漿缺陷無損檢測方法，其特征在于，所述原始應(yīng)力波信號數(shù)據(jù)可以是波形圖或者對應(yīng)的坐標數(shù)據(jù)。4.根據(jù)權(quán)利要求1所述的一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的套筒灌漿缺陷無損檢測方法，其特征在于，所述步驟（2）中，預(yù)處理步驟中對三類灌漿類型套筒的信號分別進行標注的方法為：未灌漿標注為2、灌漿不充分標注為1、灌漿密實標注為0。5.根據(jù)權(quán)利要求4所述的一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的套筒灌漿缺陷無損檢測方法，其特征在于：所述步驟（3）中一維卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練模式如下：采用一維卷積神經(jīng)網(wǎng)絡(luò)模型，該網(wǎng)絡(luò)模型為輸入層、卷積層、池化層、全連接層和輸出層的組合，其中輸入層用來輸入一維信號數(shù)據(jù)；卷積層中，卷積核對上一層的輸出進行卷積，該過程采用非線性激活函數(shù)構(gòu)造輸出特征，提取局部區(qū)域的空間特征，得到對應(yīng)的特征映射；卷積運算后，激活函數(shù)對每次卷積的邏輯值輸出進行非線性變換，將原本線性不可分的多維特征變換到另一個空間，增強這些特征的線性可分性；池化層的目的是減少網(wǎng)絡(luò)參數(shù)，通過下采樣縮小數(shù)據(jù)長度，以減少計算量，一般常采用最大池化或平均池化，取感知域的最大值或平均值作為輸出特征映射；全連接層將最后一個池化層的輸出展開為一維向量，作為其輸入，隨后在輸入和輸出間建立全連接網(wǎng)絡(luò)，整合卷積層或池化層已區(qū)分的局部信息；輸出層使用分類器分辨標簽，其輸出結(jié)果為各類別的概率值，取最大的概率值對應(yīng)的標簽為識別結(jié)果。6.根據(jù)權(quán)利要求5所述的一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的套筒灌漿缺陷無損檢測方法，其特征在于：所述步驟（4）中的具體過程如下：（4....

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：張普，李攀杰，朱新宇，許世展，劉偉，王雨，楊欣，王震，
申請(專利權(quán))人：河南省西淅高速公路建設(shè)有限公司，
類型：發(fā)明
國別省市：