【技術實現步驟摘要】
本專利技術涉及隧道工程檢測領域，尤其是涉及基于混合深度學習網絡的隧道管片近表面缺陷檢測方法。
技術介紹
1、近年來，隨著道路交通的不斷發展以及我國地質條件的復雜性，隧道工程已被廣泛應用于解決復雜地質環境下的道路建設需求。盾構管片是隧道盾構施工的主要裝配構件，是隧道的最內層屏障，承擔著抵抗土層壓力、地下水壓力以及一些特殊荷載的作用，對隧道的結構性能、耐久性能以及防水性能等方面有著直接而重要的影響，參考文獻1。然而，在管片制造和施工過程中，難免會出現缺陷和質量問題，如裂紋、空洞、麻面以及不均勻的厚度等，不僅會影響隧道管片的承載能力和結構穩定性，還可能導致滲漏、腐蝕和損壞等問題，進而對整個隧道工程的運行安全和壽命造成不可預知的影響,參考文獻2。因此，對于隧道管片內部潛在缺陷的及時檢測和評估變得十分重要。
2、沖擊回波法(lmpact?echo,簡稱ie)是20世紀80年代末發展起來的，針對結構內部缺陷的一種非常有效的檢測手段。ie儀器在20世紀90年代末開始上市。美國材料測試協會(astm)在1998年采用了這項技術，正式用于混凝土結構的厚度測量。北京交通大學的張敬彬基于沖擊回波法對不同混凝土試件的特征頻譜圖進行分析，建立了混凝土波速與強度的基本計算公式，從而可推算出混凝土結構的抗壓強度值,參考文獻3。dorafshan和azari使用沖擊回波法分別檢測了帶有人工缺陷的鋼筋混凝土橋梁樣本以及實驗室制作的混凝土樣本與人工地下缺陷和由水泥和瀝青覆蓋材料制成的覆蓋系統，都取得了較準確的檢測結果，為檢測混凝土結構質量提供有效的方法
3、隨著互聯網技術不斷發展，計算機各項參數如運算能力、運算速度等的逐步升級，深度學習的大規模運算需求得到滿足，越來越多的算法模型被應用于傷損識別檢測，參考文獻6。深度學習網絡無需根據圖像特征人為設定特征向量，可用于隧道復雜傷損的檢測與識別。朱洪琛等以faster-rcnn目標檢測算法為基礎，對構建的裂縫數據集進行模型訓練和測試，結果表明該算法在實際隧道工程的襯砌裂縫檢測任務中適用，參考文獻7；kumar等使用yolo-v3深度學習模型，用于高層土木結構對混凝土損傷做實時檢測，提出的基于無人機的高層結構實時損傷檢測系統可用于測試不同形狀和尺寸的混凝土裂縫以及高層混凝土結構的剝落，參考文獻8；吳賀賀等提出了一種基于faster?r-cnn的隧道裂縫檢測方法，驗證了用深度學習方法可以對隧道裂縫進行檢測的可能性與準確性，參考文獻9。
4、盾構管片是盾構法隧道的永久襯砌結構，盾構管片質量直接關系到隧道的整體質量和安全，影響隧道的防水性能及耐久性能。在工程實踐時，當隧道管片近表面存在缺陷時，現有技術的檢測方法只能檢測其缺陷種類而不能對缺陷位置進行很好的定位。
5、參考文獻：
6、[1]王振信.盾構法隧道的耐久性[j].地下工程與隧道,2002(02):2-5+49。
7、[2]葉治,付岸然,劉華北.盾構隧道拱頂滲流侵蝕對地表沉降及結構變形的影響[j].河海大學學報(自然科學版),2021,49(03):279-287。
8、[3]張敬彬.沖擊回波法在預應力混凝土結構無損檢測中的應用研究[d].北京交通大學,2018。
9、[4]dorafshan?s,azari?h.deep?learning?models?for?bridge?deckevaluation?using?impact?echo[j].construction?and?building?materials,2020,263:120109。
10、[5]dorafshan?s,azari?h.evaluation?of?bridge?decks?with?overlays?usingimpact?echo,a?deep?learning?approach[j].automation?in?construction,2020,113:103133。
11、[6]薛亞東,李宜城.基于深度學習的盾構隧道襯砌病害識別方法[j].湖南大學學報(自然科學版),2018,45(03):100-109.doi:10.16339/j.cnki.hdxbzkb.2018.03.012。
12、[7]朱洪琛,劉育初.基于深度學習的隧道襯砌裂縫智能識別[j].智能城市,2024,10(03):12-14.doi:10.19301/j.cnki.zncs.2024.03.004。
13、[8]p.kumar,s.batchu,n.swamy?s.and?s.r.kota,"real-time?concrete?damagedetection?using?deep?learning?for?high?rise?structures,"in?ieee?access,vol.9,pp.112312-112331,2021,doi:10.1109/access.2021.3102647。
14、[9]吳賀賀,王安紅,王海東.基于faster?r-cnn的隧道圖像裂縫檢測[j].太原科技大學學報,2019,40(03):165-168。
15、本文提供的背景描述用于總體上呈現本公開的上下文的目的。除非本文另外指示，在該章節中描述的資料不是該申請的權利要求的現有技術并且不要通過包括在該章節內來承認其成為現有技術。
技術實現思路
1、為了克服
技術介紹
中的不足，本專利技術公開了基于混合深度學習網絡的隧道管片近表面缺陷檢測方法。
2、為實現上述專利技術目的，本專利技術采用如下技術方案：
3、基于混合深度學習網絡的隧道管片近表面缺陷檢測方法，包括以下步驟：
4、s1、使用沖擊回波法采集隧道管片試塊近表面缺陷埋深信號；
5、s2、將缺陷埋深信號輸入到第一預設神經網絡及第二預設神經網絡得到第一預測埋深和第二預測埋深；所述缺陷埋深信號包括淺埋范圍信號和深埋范圍信號；所述第一預測埋深包含第一淺埋預測埋深和第一深埋預測埋深；所述第二預測埋深包括第二淺埋預測埋深和第二深埋預測埋深；所述第一預設神經網絡和第二預設神經網絡為不同類型的神經網絡；
6、s3、根據第一預測埋深及第二預測埋深與實際埋深的差值的平均值計算缺陷埋深信號、淺埋范圍信號及深埋范圍信號在第一預設神經網絡及第二預設神經網絡中的誤差平均值；
7、s4、分別對缺陷埋深信號、淺埋范圍信號及深埋范圍信號在第一預設神經網絡及第二預設神經網絡中的誤差平均值進行倒數歸一化得到其在兩個神經網絡中的權重比，然后根據自適應多尺度加權算法計算輸出最終埋深。
8、具體的，步驟s3具體包括以下步驟：
9、s31、分別計算第一預測埋深y1及第二預測埋深y2與實際埋深的差值，然后分別對差值求平均得到第一誤差平均值及第二誤差平均值
10、s32、分別計算第一淺埋預測埋深y_l1和第二淺埋預測埋深本文檔來自技高網...
【技術保護點】
1.基于混合深度學習網絡的隧道管片近表面缺陷檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的方法，其特征在于，步驟S3具體包括以下步驟：
3.根據權利要求1所述的方法，其特征在于，步驟S4具體包括以下步驟：
4.根據權利要求1所述的方法，其特征在于，步驟S1具體為：在隧道管片試塊表面進行沖擊回波檢測，然后通過空耦探頭采集聲波數據得到缺陷埋深信號。
5.根據權利要求1所述的方法，其特征在于，步驟S1所述隧道管片試塊中埋有相同種類、不同埋深的缺陷；所述缺陷采用硬泡沫材料填充。
6.根據權利要求1所述的方法，其特征在于，步驟S2中所述第一預設神經網絡根據輸入的缺陷埋深信號獲得對應的第一預測埋深；所述第一預設神經網絡通過缺陷埋深信號根據短時傅里葉變換得到第一時頻圖像數據訓練獲得。
7.根據權利要求1所述的方法，其特征在于，步驟S2中所述第一預設神經網絡為ResNeXt模型。
8.根據權利要求1所述的方法，其特征在于，步驟S2中所述第二預設神經網絡根據輸入的缺陷埋深信號獲得對應的第二預測埋深；
9.根據權利要求1所述的方法，其特征在于，步驟S2中所述第二預設神經網絡為ConvNeXt?V2模型。
10.根據權利要求1所述的方法，其特征在于，所述第一預設神經網絡和第二預設神經網絡訓練之前還包括：將第一時頻圖像數據及第二時頻圖像數據轉化為張量格式并通過公式(1)進行標準化處理，公式(1)如下：
...【技術特征摘要】
1.基于混合深度學習網絡的隧道管片近表面缺陷檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的方法，其特征在于，步驟s3具體包括以下步驟：
3.根據權利要求1所述的方法，其特征在于，步驟s4具體包括以下步驟：
4.根據權利要求1所述的方法，其特征在于，步驟s1具體為：在隧道管片試塊表面進行沖擊回波檢測，然后通過空耦探頭采集聲波數據得到缺陷埋深信號。
5.根據權利要求1所述的方法，其特征在于，步驟s1所述隧道管片試塊中埋有相同種類、不同埋深的缺陷；所述缺陷采用硬泡沫材料填充。
6.根據權利要求1所述的方法，其特征在于，步驟s2中所述第一預設神經網絡根據輸入的缺陷埋深信號獲得對應的第一預測埋深；所述第一預設神經網絡通過缺陷埋...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。