详情

原文传递一种基于深度学习的混凝土结构内部缺陷检测方法

专利名称：	一种基于深度学习的混凝土结构内部缺陷检测方法
摘要：	本发明公开一种基于深度学习的混凝土结构内部缺陷智能识别的方法，该方法不同于常规的智能识别方法，该方法将深度学习中的卷积神经网络引入混凝土结构内部缺陷诊断中，解决了传统识别方法需要提取特征量的缺陷，采用小波时频分析将检测信号转换为二维时频图像，通过建立的深度学习网络对混凝土结构质量进行智能识别，方法具有识别准确率高、性能稳定等优点。
专利类型：	发明专利
国家地区组织代码：	江苏;32
申请人：	河海大学
发明人：	许军才;朱先祥;沈振中;舒连刚
专利状态：	有效
申请日期：	2019-04-18T00:00:00+0800
发布日期：	2019-07-23T00:00:00+0800
申请号：	CN201910312681.8
公开号：	CN110045015A
代理机构：	南京经纬专利商标代理有限公司
代理人：	许方
分类号：	G01N29/04(2006.01);G;G01;G01N;G01N29
申请人地址：	210000 江苏省南京市江宁区佛城西路8号
主权项：	1.一种基于深度学习的混凝土结构缺陷识别方法，其特征在于，该方法包括如下步骤： (1)制作含有不同缺陷和无缺陷的混凝土模型试件； (2)根据混凝土模型试件的厚度选择激振源和传感器，并设定采样频率和时窗，使用激振源振动不同缺陷的试件，对不同缺陷状态下的混凝土结构试件采集振动信号； (3)将采集到的不同试件的振动信号和混凝土结构试件缺陷状态的标签对应； (4)利用小波变换将一维的振动信号转换变成小波能量谱，再由尺度与频率的对应关系将小波能量谱图转化为二维时频图像信息； (5)将二维时频图像信息转换成符合卷积神经网络规格大小的图像，并与混凝土缺陷特征标签对应，建立出不同缺陷状态下的数据集； (6)利用数据集的二维时频图像作为输入量，混凝土缺陷状态的标签值作为输出量，训练符合要求的卷积神经网络； (7)重新采集混凝土模型试件的振动信号，根据采集的振动信号重复步骤4将振动信号转化为二维时频图像； (8)将二维时频图像转换成符合卷积神经网络规格大小的图像，输入步骤6中训练后的卷积神经网络，输出识别缺陷结果。 2.根据权利要求1所述的一种基于深度学习的混凝土结构缺陷识别方法，其特征在于，步骤(4)得到二维时频图像信息方法如下： (4.1)首先采用小波变换是将振动信号f(t)在小波基下展开，将f(t)向小波基上投影，用小波基函数逼近信号，其变换的表达式为：式中，a为尺度因子，b为平移量，ψ*(t)为小波基函数ψ(t)的复共轭，公式(1)得到的就是振动信号f(t)能量谱，振动信号经过小波变换，将一个振动信号f(t)投影到时间-尺度平面上； (4.2)尺度因子a与频率ω没有直接关系，要将尺度因子a转换为实际频率ω，尺度因子a对应的实际频率ω可按下列公式得出：式中，ωc为小波的中心频率，ωs为振动信号采样频率，通过公式(19)将振动信号的小波能量谱变换为时频谱，即二维时频图像信息。 3.根据权利要求2所述的一种基于深度学习的混凝土结构缺陷识别方法，其特征在于，在小波变换中，采用Morlet小波进行变换，其表达式为：式中，C为重构时的归一化常数。 4.根据权利要求1或2或3所述的一种基于深度学习的混凝土结构缺陷识别方法，其特征在于，步骤(6)中，训练符合要求的神经网络的方法如下：卷积神经网络由特征提取网络和类别分类网络共同组成，其中特征提取网络由卷积层和下采样层构成，分类网络则由全连接层和输出层采样层构成；卷积层中第i层的特征图Hi，其产生过程表述为：式中，Wi为第i层卷积核的权值向量，为特征图卷积运算，bi为第i层偏移向量，f为非线性激励函数；下采样层在卷积层之后，依据下采样规则对特征图进行下采样，对特征图进行降维，产生过程表述为： Hi＝f(βisubsampling(Hi-1)+bi) (5) 式中，Subsampling(·)为下采样函数，βi为第i层乘性偏置；多个卷积层和下采样层交迭传递后，由全链接层针对提取的特征进行分类，得到标签类别的概率分布，数学模型表示为： Y(i)＝P(L＝li\|H0；(W,b)) (6) 式中，Y(i)为第i类别的概率，li为第i类别标签，W为权值，b为偏置,H0为输入图像；卷积神经网络训练中，训练目标为寻找合适的W和b使得最小化网络的残差函数，采用梯度下降进行反向传播，逐层更新卷积神经网络各层修正参数W和b，当训练到残差满足要求E≤ε，停止训练，实现方法见下表达式：式中，η为学习速率，E为残差函数，ε为阈值。
所属类别：	发明专利