【技術實現步驟摘要】
本專利技術涉及混凝土表面裂縫檢測，具體涉及一種基于機器學習算法的混凝土表面裂縫檢測方法及系統。
技術介紹
1、隨著經濟的增長和交通基礎設施建設的大力發展，各類橋梁、大壩的健康與交通環境和行人車輛的安全息息相關。橋梁、大壩等表面都是混凝土結構，混凝土發育的常規病害有裂縫、蜂窩、麻面和坑穴等，治理方法當補強直到根除。在混凝土結構病害的裂縫、蜂窩、麻面和坑穴等幾種方式中，裂縫是破壞較為嚴重、威脅較大的一種。若沒有及時且徹底的治理病害，不但會影響到橋梁大壩的正常運行，一旦病害得到進一步發展，會增加維修難度。
2、針對上述問題，中國專利cn118015412a公開了一種基于機器學習算法的混凝土表面裂縫檢測方法及裝置，涉及混凝土結構健康檢測領域，以解決目前以傳統的人工肉眼檢測和數字圖像處理技術為主的問題。人工檢測操作簡單，但是耗時耗力，對技術人員的經驗要求高，還易受技術人員主觀因素影響，導致測量結果精度不高的問題。與現有技術相比，該專利技術專利，先利用計算機視覺算法初步判斷混凝土表面是否存在裂縫，再進一步對存在裂縫的圖像進行預處理，以便利用預處理后的圖像的像素矩陣計算混凝土表面裂縫的最大寬度，實現了混凝土裂縫的快速識別，具有更強的操作性和準確率。但是此專利在使用過程中，混凝土裂縫的形態可能非常復雜多樣，包括直線型、曲線型、分叉型等，且可能伴有污漬、水漬等干擾因素，計算機視覺算法對各種形態裂縫的識別能力不足。
3、中國專利cn111242851b公開了一種混凝土結構表面裂縫檢測方法及裝置，涉及混凝土裂縫檢測
，以
4、因此，專利技術團隊提出一種基于機器學習算法的混凝土表面裂縫檢測方法及系統。
技術實現思路
1、本專利技術的目的是提供一種基于機器學習算法的混凝土表面裂縫檢測方法及系統。
2、本專利技術一方面提供一種基于機器學習算法的混凝土表面裂縫檢測方法，包括以下步驟：
3、s1數據采集：獲取混凝土波速、頻率、振幅特征參數，并獲取混土強度、彈性模量、溫度、線膨脹系數；
4、s2數據預處理：進行數據清洗，去除無效數據，對波速、頻率、振幅、混土強度、彈性模量、溫度、線膨脹系數進行標準化處理，消除不同檢測設備和檢測條件對數據的影響；
5、s3特征參數分析：分析波速與混凝土強度、彈性模量之間的關系，評估混凝土的密實度和完整性，分析頻率和振幅的變化規律，識別混凝土內部的缺陷和裂縫，記錄檢測時的溫度數據，結合混凝土的線膨脹系數，分析溫度對混凝土性能的影響；
6、s4多參數數字量板模型建立：基于波速、頻率、振幅、強度、彈性模量、溫度、線膨脹系數，建立它們之間的數學關系模型，利用統計分析和機器學習算法，對采集的數據進行擬合，確定模型參數；
7、s5裂縫預測與評估：將采集到的待檢測混凝土的相關數據參數輸入到多參數數字量板模型中，模型根據輸入參數計算出裂縫的潛在風險和預測值；
8、s6模型應用與反饋：將多參數數字量板模型應用于水工混凝土結構的實時檢測中，實現質量評估和裂縫預測，定期對混凝土結構進行監測，更新模型數據，提高模型的準確性和適應性。
9、進一步地，所述s1數據采集，選用超聲波檢測儀測量混凝土中的超聲波傳播速度，選用能夠產生并檢測沖擊彈性波的測試儀分析混凝土的動態響應特性，包括波速、頻率、振幅、強度和彈性模量，選擇雷達波檢測儀識別混凝土中的微小裂縫、空洞，使用溫度傳感器測量混凝土表面的溫度，所述線膨脹系數是混凝土材料的一種固有屬性，通過實驗測定或查閱文獻資料獲得，在待檢測的混凝土表面布置好超聲波檢測儀、沖擊彈性波測試儀、雷達波檢測儀、高清相機、溫度傳感器，采集原始數據。
10、數據采集時，根據大壩的結構特點和檢測需求，確定具體的檢測位置，大壩的壩體、壩基、壩肩以及溢洪道等結構關鍵點通常是檢測的重點，這些位置承受著較大的水壓力和荷載，容易出現裂縫、空洞等缺陷，若大壩在過去有過裂縫、滲漏等歷史問題，則這些區域應該作為重點檢測對象，通過復檢這些區域，評估修復措施的有效性，并監測潛在問題的復發，大壩中可能使用了多種材料，如混凝土、巖石、土石混合體等，這些材料交接處由于物理和化學性質的不同，容易出現裂縫和滲水通道，這些位置也是檢測的重點，根據檢測目的和混凝土特性，確定合適的檢測頻率，若檢測目的是評估大壩的整體安全性，則需要定期進行全面的檢測；而若檢測目的是監測某個特定區域的性能變化，則可以針對該區域進行更頻繁的檢測，不同類型的混凝土具有不同的物理和化學性質，對檢測頻率的要求也不同。高性能混凝土由于其優異的耐久性和抗裂性，可能需要較低的檢測頻率；而普通混凝土則可能需要更頻繁的檢測來監測其性能變化，若大壩處于高水位運行狀態，則需要更頻繁的檢測來確保大壩的安全；而若大壩處于低水位或停運狀態，則可以適當降低檢測頻率，在極端氣候條件下，混凝土的性能可能會發生變化，因此需要增加檢測頻率以監測其變化趨勢，根據不同齡期的混凝土，制定檢測時間表，在大壩建設階段，所述檢測時間表與施工進度相協調，在大壩運行階段，所述檢測時間表根據大壩的運行狀態和檢測需求來確定，在雨季來臨前進行檢測可以及時發現并處理潛在的滲水問題；在冬季低溫條件下進行檢測可以評估混凝土的抗凍性能等。
11、進一步地，所述s2數據預處理，對s1采集到的原始數據進行預處理，具體為，去除無效數據，包括處理缺失值、刪除重復值與處理異常值，所述處理缺失值包括刪除、預測與填充，所述刪除為刪除含有缺失值的行或列，具體為，若數據集中缺失值的缺失比例低于10%、均方誤差和平均絕對誤差為0~5%，相關系數在0.85~0.99或-0.85~0.99之間，召回率為0.80~1.00，f1分數為0.87~0.97，通過統計檢驗方法發現顯著性水平p值＞0.05，則刪除含有缺失值的行或列。
12、假設在一個混凝土表面裂縫檢測的數據集中，某個變量的缺失值數量占總數據量的3%，且該變量對于裂縫檢測來說不是關鍵變量。在刪除這些缺失值后，模型的準確率大于95%、召回率為0.80~1.00之間和f1分數為0.87~0.97之間，則均未發生明顯變化，同時，通過統計檢驗方法發現顯著性水平p值＞0.05，說明處理缺失值前本文檔來自技高網...
【技術保護點】
1.一種基于機器學習算法的混凝土表面裂縫檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于機器學習算法的混凝土表面裂縫檢測方法，其特征在于，所述S1數據采集，選用超聲波檢測儀測量混凝土中的超聲波傳播速度，選用能夠產生并檢測沖擊彈性波的測試儀分析混凝土的動態響應特性，包括波速、頻率、振幅、強度和彈性模量，選擇雷達波檢測儀識別混凝土中的微小裂縫、空洞，使用溫度傳感器測量混凝土表面的溫度，所述線膨脹系數通過實驗測定或查閱文獻資料獲得，在待檢測的混凝土表面布置好超聲波檢測儀、沖擊彈性波測試儀、雷達波檢測儀、高清相機、溫度傳感器，采集原始數據。
3.根據權利要求1所述的基于機器學習算法的混凝土表面裂縫檢測方法，其特征在于，所述S2數據預處理，對S1采集到的原始數據進行預處理，具體為，去除無效數據，包括處理缺失值、刪除重復值與處理異常值；
4.根據權利要求3所述的基于機器學習算法的混凝土表面裂縫檢測方法，其特征在于，所述刪除含有缺失值的行或列，具體為，若數據集中缺失值的缺失比例低于10%、均方誤差和平均絕對誤差為0~5%，相關系數在0.85
5.根據權利要求3所述的基于機器學習算法的混凝土表面裂縫檢測方法，其特征在于，所述指定百分比為90%，所述更接近其他數據點的值為中位數或均值，所述對異常值進行轉換為對數轉換。
6.根據權利要求1所述的基于機器學習算法的混凝土表面裂縫檢測方法，其特征在于，所述S3特征參數分析，具體為，
7.根據權利要求1所述的基于機器學習算法的混凝土表面裂縫檢測方法，其特征在于，所述S4多參數數字量板模型建立，具體步驟為：
8.一種基于機器學習算法的混凝土表面裂縫檢測系統，其特征在于，所述系統用于實現權利要求1-7任一項所述的基于機器學習算法的混凝土表面裂縫檢測方法；包括如下模塊：
9.根據權利要求8所述的基于機器學習算法的混凝土表面裂縫檢測系統，其特征在于，所述多參數綜合分析模塊包括多源數據融合單元、模型評估單元與結果傳輸單元，所述多源數據融合單元負責將不同傳感器和檢測手段獲取的數據進行融合處理，提高分析的全面性，所述模型評估單元負責利用多參數數字量板模型對混凝土的質量狀態和裂縫風險進行綜合評估，所述結果展示單元將評估結果傳輸給用戶界面與交互模塊，所述實時監測與預警模塊包括實時數據收集單元、異常檢測單元與預警通知單元，所述實時數據收集單元持續收集特征提取模塊提取的實時特征參數和圖像特征，所述異常檢測單元根據預設的閾值或規則檢測數據中的異常變化，一旦發現異常變化，所述預警通知單元立即通知工作人員。
10.根據權利要求8所述的基于機器學習算法的混凝土表面裂縫檢測系統，其特征在于，所述數據采集模塊作為裝置的輸入端，所述數據預處理模塊接收數據采集模塊傳輸的原始數據，所述數據預處理模塊處理后的數據被傳輸到特征提取模塊，所述特征提取模塊將提取出的特征參數和圖像特征傳輸給裂縫量測模塊、多參數數字量板模型建立模塊以及實時監測與預警模塊，所述裂縫量測模塊將裂縫的測量數據以及裂縫的位置、形狀信息傳輸給多參數綜合分析模塊，所述多參數數字量板模型建立模塊將建立的數字量板模型傳輸給多參數綜合分析模塊，所述多參數綜合分析模塊將綜合評估結果傳輸給用戶界面與交互模塊。
...【技術特征摘要】
1.一種基于機器學習算法的混凝土表面裂縫檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于機器學習算法的混凝土表面裂縫檢測方法，其特征在于，所述s1數據采集，選用超聲波檢測儀測量混凝土中的超聲波傳播速度，選用能夠產生并檢測沖擊彈性波的測試儀分析混凝土的動態響應特性，包括波速、頻率、振幅、強度和彈性模量，選擇雷達波檢測儀識別混凝土中的微小裂縫、空洞，使用溫度傳感器測量混凝土表面的溫度，所述線膨脹系數通過實驗測定或查閱文獻資料獲得，在待檢測的混凝土表面布置好超聲波檢測儀、沖擊彈性波測試儀、雷達波檢測儀、高清相機、溫度傳感器，采集原始數據。
3.根據權利要求1所述的基于機器學習算法的混凝土表面裂縫檢測方法，其特征在于，所述s2數據預處理，對s1采集到的原始數據進行預處理，具體為，去除無效數據，包括處理缺失值、刪除重復值與處理異常值；
4.根據權利要求3所述的基于機器學習算法的混凝土表面裂縫檢測方法，其特征在于，所述刪除含有缺失值的行或列，具體為，若數據集中缺失值的缺失比例低于10%、均方誤差和平均絕對誤差為0~5%，相關系數在0.85~0.99或-0.85~0.99之間，召回率為0.80~1.00，f1分數為0.87~0.97，通過統計檢驗方法發現顯著性水平p值＞0.05，則刪除含有缺失值的行或列。
5.根據權利要求3所述的基于機器學習算法的混凝土表面裂縫檢測方法，其特征在于，所述指定百分比為90%，所述更接近其他數據點的值為中位數或均值，所述對異常值進行轉換為對數轉換。
6.根據權利要求1所述的基于機器學習算法的混凝土表面裂縫檢測方法，其特征在于，所述s3特征參數分析，具體為，
7.根據...
【專利技術屬性】
技術研發人員：譚天元，朱曉萌，胡國偉，張珍惜，劉博，
申請(專利權)人：貴州省水利水電勘測設計研究院有限公司，
類型：發明
國別省市：
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。