基于一维卷积神经网络的套筒灌浆缺陷无损检测方法、装置及存储介质与流程

1.本发明涉及结构无损检测技术领域，具体是一种基于一维卷积神经网络的套筒灌浆缺陷无损检测方法、装置及存储介质。


背景技术：

2.装配式混凝土建筑具有施工效率高、构件质量好、节省人工、绿色环保等诸多优点，近年来得到了大力推进。装配式混凝土剪力墙结构在实际工程中的应用十分普遍，其中预制混凝土剪力墙构件之间的连接方式主要有套筒灌浆连接与浆锚搭接连接，而套筒灌浆连接的应用最为广泛。套筒灌浆连接预制混凝土剪力墙的抗震性能对结构的整体安全性至关重要。现有的工程无损检测技术是利用信号激发装置和信号接收装置进行数据采集工作，再利用编好程序的软件对数据进行解析，得到所需的某一两个目标参数，检测人员结合经验加以判断，得出结果，或者采用传统的机器学习，本质仍需人为来提取检测信号的特征。如公开号为cn114113332a的中国专利说明书中公开的基于弹性波和机器学习的预制柱套筒灌浆无损检测方法，需要先拾取每个测点的信号，然后对每个测点信号进行解析提取出19个参数，最后结合机器学习得到分析模型，得出套筒灌浆的密实度，其分析模型建立和信号解析的过程会有很多主观判断因素等，检测人员过于依赖自身经验，而导致忽略部分特殊缺陷，不能做到判断结果的精准化和自动化，不仅对工作人员来说耗时费力，甚至会影响项目进程、造成经济损失。而属于深度学习的卷积神经网络有着极强的数据信息挖掘，无需对得到的信号数据进行特征提取，仅通过卷积神经网络强大的数据信息挖掘特性，就可以对套筒灌浆的检测信号进行分类，区分出套筒灌浆是否存在缺陷。该方法不仅降低了人为主观判断因素，适用范围广，具有较高的精度，并且自动化程度高，能够现场实时得出检测结果，降低了人工的工作量和检测的成本，有着较高的检测效率。因此该检测方法具有广阔的应用前景。


技术实现要素：

3.本发明解决的技术问题是提供一种基于一维卷积神经网络的套筒灌浆缺陷无损检测方法及装置，用于减少主观判断等人为因素影响，提高套筒灌浆缺陷检测的精度和效率。
4.本发明要解决的技术问题还在于提供一种计算机可读存储介质。
5.本发明通过下述技术方案实现：本发明提供的一种基于一维卷积神经网络的套筒灌浆缺陷无损检测方法包括如下步骤：（1）在预先准备好未灌浆、灌浆不充分、灌浆密实的套筒试件上分别进行测点测线布置，然后使用冲击回波仪器对测点逐一进行应力波信号采集，得到未灌浆、灌浆不充分和灌浆密实共三组用于训练模型和验证精度的原始应力波信号数据；
（2）对上述原始应力波信号数据进行预处理操作，即对各组的原始应力波信号数据分别进行标注标签，划分训练集和验证集，形成数据集；（3）通过预处理的数据集训练模型，得到训练完成的套筒灌浆缺陷检测的一维卷积神经网络模型；（4）使用冲击回波仪器检测待检测的灌浆套筒得到原始应力波信号，将原始应力波信号数据输入到套筒灌浆缺陷检测的一维卷积神经网络模型中，得到套筒灌浆是否存在缺陷的检测结果。
6.进一步地，步骤（1）中得到原始应力波信号数据的具体过程为：预先准备一定数量未灌浆、灌浆不充分以及灌浆密实的套筒，将套筒埋入混凝土试件中，模拟实际工程中剪力墙以及柱中的套筒情况，再通过冲击回波仪器按照规范对各组试件采集应力波信号得到原始应力波信号数据。
7.进一步地，原始应力波信号数据可以是波形图或者对应的坐标数据。
8.进一步地，步骤（2）中，预处理步骤中对三类灌浆类型套筒的信号分别进行标注的方法为：未灌浆标注为2、灌浆不充分标注为1、灌浆密实标注为0。
9.进一步地，步骤（3）中一维卷积神经网络的训练模式如下：采用一维卷积神经网络模型，该网络模型为输入层、卷积层、池化层、全连接层和输出层的组合，其中输入层用来输入一维信号数据；卷积层中，卷积核对上一层的输出进行卷积，该过程采用非线性激活函数构造输出特征，提取局部区域的空间特征，得到对应的特征映射；卷积运算后，激活函数对每次卷积的逻辑值输出进行非线性变换，将原本线性不可分的多维特征变换到另一个空间，增强这些特征的线性可分性；池化层的目的是减少网络参数，通过下采样缩小数据长度，以减少计算量，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为输出特征映射；全连接层将最后一个池化层的输出展开为一维向量，作为其输入，随后在输入和输出间建立全连接网络，整合卷积层或池化层已区分的局部信息；输出层使用分类器来分辨标签，其输出结果为各类别的概率值，取最大的概率值对应的标签为识别结果。
10.进一步地，步骤（4）中的具体过程如下：（4.1）首先对待检测的套筒试件进行测点测线的布置；（4.2）使用冲击回波仪器沿测线方向逐个采集测点的原始应力波信号；（4.3）把采集到的原始应力波信号数据输入到训练完成的一维卷积神经网络模型的输入层；（4.4）通过已经训练完成的一维卷积神经网络模型进行判断，输出层输出检测结果0,1或2，其中，0、1、2分别代表该套筒试件为灌浆密实、灌浆不充分和未灌浆。
11.本发明提供的一种基于该套筒灌浆缺陷无损检测方法的套筒灌浆缺陷无损检测装置包括：信号采集模块，用于采集未灌浆、灌浆不充分和灌浆密实共三组用于训练模型和验证精度的套筒试件的原始应力波信号和待检测灌浆套筒的原始应力波信号；数据预处理模块，用于用采集的数据设置标签进行标注，并形成用于训练的数据集；训练模块，用于采用训练模型对经过预处理的数据集进行训练，得到训练完成的
套筒灌浆缺陷检测的一维卷积神经网络模型；检测模块，用于根据采集的待检测灌浆套筒的原始应力波信号，利用一维卷积神经网络模型中得到套筒灌浆是否存在缺陷的检测结果。
12.进一步地，所述的训练模块采用一维卷积神经网络模型，该网络模型为输入层、卷积层、池化层、全连接层和输出层的组合，其中输入层用来输入一维信号数据；卷积层中，卷积核对上一层的输出进行卷积，该过程采用非线性激活函数构造输出特征，提取局部区域的空间特征，得到对应的特征映射；卷积运算后，激活函数对每次卷积的逻辑值输出进行非线性变换，将原本线性不可分的多维特征变换到另一个空间，增强这些特征的线性可分性；池化层的目的是减少网络参数，通过下采样缩小数据长度，以减少计算量，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为输出特征映射；全连接层将最后一个池化层的输出展开为一维向量，作为其输入，随后在输入和输出间建立全连接网络，整合卷积层或池化层已区分的局部信息；输出层使用分类器分辨标签，其输出结果为各类别的概率值，取最大的概率值对应的标签为识别结果。
13.进一步地，数据预处理模块中对三类灌浆类型套筒的信号分别进行标注的方法为：未灌浆标注为2、灌浆不充分标注为1、灌浆密实标注为0，所述检测模块中，所述的检测模块中，通过已经训练完成的一维卷积神经网络模型进行判断后，输出层输出检测结果为0,1或2，其中，0、1、2分别代表该套筒试件为灌浆密实、灌浆不充分和未灌浆。
14.本发明提供的一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时使计算机可读存储介质所在设备执行本发明的基于一维卷积神经网络的套筒灌浆缺陷无损检测方法。
15.本发明的有益效果是：本发明基于一维卷积神经网络，利用冲击回波仪器检测的套筒灌浆应力波信号的波形或者对应的坐标数据进行套筒灌浆缺陷的检测，不需要对采集到的信号进一步进行参数提取，其建立的套筒灌浆缺陷检测模型能够自动识别数据中的隐含知识，挖掘套筒缺陷状态的特征。与现有技术相比较，本方法避免了人为对数据进行经验化操作，降低了人工的经验判断等主观性因素带来的误差，并且自动化程度高，能够现场实时得出检测结果，既节省了人力物力，提高了检测的信息化、智能化水平，并且性能稳定，有着较高的检测准确率；在检测时不需要将已经埋入混凝土的套筒取出，实现了无损检测。
附图说明
16.图1为本发明基于一维卷积神经网络的套筒灌浆无损检测方法的流程图；图2为冲击回波法采集到的应力波信号波形图图3为一维卷积神经网络模型图；图4为本发明基于一维卷积神经网络的套筒灌浆无损检测装置的示意图。
具体实施方式
17.下面以一组套筒实验组为例对本发明的技术方案进行详细说明。
18.如图1所示，本发明公开的一种基于一维卷积神经网络的套筒灌浆缺陷无损检测方法包括以下步骤：（1）在预先准备好未灌浆、灌浆不充分、灌浆密实的套筒试件上分别进行测点测线布置，然后使用冲击回波仪器对测点逐一进行原始应力波信号采集，得到未灌
浆、灌浆不充分和灌浆密实共三组用于训练模型和验证精度的原始应力波信号数据；（2）对上述原始应力波信号数据进行预处理操作，即对各组的原始应力波信号数据分别进行标注标签，划分训练集和验证集，形成数据集；（3）通过预处理的数据集训练模型，得到训练完成的套筒灌浆缺陷检测的一维卷积神经网络模型；（4）使用冲击回波仪器检测待检测的灌浆套筒得到原始应力波信号，将原始应力波信号数据输入到套筒灌浆缺陷检测的一维卷积神经网络模型中，得到套筒灌浆是否存在缺陷的检测结果。
19.具体过程如下：（1）预先准备一定数量未灌浆、灌浆不充分以及灌浆密实的套筒，将套筒埋入混凝土试件中，模拟实际工程中剪力墙以及柱中的套筒情况，然后沿套筒的方向对试件进行测点测线的布置，再通过冲击回波仪器按照规范沿测线方向逐一对各测点进行应力波信号的采集，得到未灌浆、灌浆不充分和灌浆密实共三组用于训练模型的原始应力波信号数据，采集到的应力波波形如图2所示。其中未灌浆、灌浆不充分和灌浆密实的应力波信号个数分别为500个、500个和1000个。
20.（2）对得到的原始应力波信号数据进行预处理，把各种工况的套筒原始信号标注相应的标签。如表1所示。
21.表1把标注完成的数据进行分类，形成数据集。一部分作为训练卷积神经网络的数据组，即训练集；另一部分用来测试训练完成的卷积神经网络精度，即验证集。如表2所示。
22.表2（3）（4）将分类好的数据集输入一维卷积神经网络模型，所有计算都是在一个在64位
操作系统、32 gb内存、intel
®
core
tm
i7 cpu和两个geforce gtx 1080 ti显卡(gpu)的台式机上执行。使用matlab2019a对卷积神经网络进行编程。
23.一维卷积神经网络的训练模式如下：如图3所示，采用一维卷积神经网络模型。该网络模型是深度学习中基本的输入层、卷积层、池化层、全连接层和输出层的组合。其中输入层用来输入一维信号数据；卷积层中，卷积核对上一层的输出进行卷积，该过程采用非线性激活函数构造输出特征，提取局部区域的空间特征，得到对应的特征映射。卷积运算后，激活函数(一般为relu)对每次卷积的逻辑值输出进行非线性变换，将原本线性不可分的多维特征变换到另一个空间，增强这些特征的线性可分性；池化层的目的是减少网络参数，通过下采样缩小数据长度，以减少计算量，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为输出特征映射；全连接层将最后一个池化层的输出展开为一维向量，作为其输入，随后在输入和输出间建立全连接网络，整合卷积层或池化层已区分的局部信息；输出层常使用softmax分类器来分辨标签，其输出结果为各类别的概率值，取最大的概率值对应的标签为识别结果。
24.训练完成后根据验证集的数据，采用二元分类来评估卷积神经网络性能。引入等式:式:式:其中，tp代表真阳性套筒试件的个数，即表示检测完整试件，得出结果为完整的套筒试件个数；fn代表假阴性套筒试件的个数，即代表检测完整试件，但是得出结果为缺陷的套筒试件个数；tn代表真阴性套筒试件的个数，表示检测缺陷试件，得出结果为缺陷的套筒试件个数；fp代表假阳性套筒试件的个数，即表示检测缺陷试件，但是得出结果为阳性的套筒试件个数；tpr代表真阳率，表示检测结果为真阳性的概率；tnr代表真阴性率，表示检测结果为真阴性的概率；acc代表准确率，表示总测试的精度。
25.经过完整的训练后，趋于拟合的一维卷积神经网络精度达到88%，得到训练完成的一维卷积神经网络。
26.（4）使用冲击回波仪器采集需要进行检测的套筒的原始应力波信号，将原始应力波信号数据输入训练完成的一维卷积神经网络的输入层，则网络的输出层即可实时输出检测结果，当检测结果为未灌浆时输出数字2，当检测结果为灌浆不充分时输出数字1，及当检测结果为灌浆密实时输出数字0。
27.如图4所示，本发明还公开了一种基于该套筒灌浆缺陷无损检测方法的套筒灌浆缺陷无损检测装置，该装置包括：信号采集模块，数据预处理模块，训练模块以及检测模块。
28.信号采集模块用于采集未灌浆、灌浆不充分和灌浆密实共三组用于训练模型和验证精度的套筒试件的原始应力波信号和待检测灌浆套筒的原始应力波信号，该模块可选用冲击回波仪器；数据预处理模块用于对采集的数据设置标签进行标注，并形成用于训练的数据集；数据预处理模块中对三类灌浆类型套筒的信号分别进行标注的方法为：未灌浆标注为
2、灌浆不充分标注为1、灌浆密实标注为0，所述检测模块中，所述的检测模块中，通过已经训练完成的一维卷积神经网络模型进行判断后，输出层输出检测结果为0,1或2，其中，0、1、2分别代表该套筒试件为灌浆密实、灌浆不充分和未灌浆。
29.训练模块用于采用训练模型对经过预处理的数据集进行训练，得到训练完成的套筒灌浆缺陷检测的一维卷积神经网络模型；训练模块采用一维卷积神经网络模型，该网络模型为输入层、卷积层、池化层、全连接层和输出层的组合，其中输入层用来输入一维信号数据；卷积层中，卷积核对上一层的输出进行卷积，该过程采用非线性激活函数构造输出特征，提取局部区域的空间特征，得到对应的特征映射；卷积运算后，激活函数对每次卷积的逻辑值输出进行非线性变换，将原本线性不可分的多维特征变换到另一个空间，增强这些特征的线性可分性；池化层的目的是减少网络参数，通过下采样缩小数据长度，以减少计算量，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为输出特征映射；全连接层将最后一个池化层的输出展开为一维向量，作为其输入，随后在输入和输出间建立全连接网络，整合卷积层或池化层已区分的局部信息；输出层使用分类器分辨标签，其输出结果为各类别的概率值，取最大的概率值对应的标签为识别结果。
30.检测模块用于根据采集的待检测灌浆套筒的原始应力波信号，利用一维卷积神经网络模型得到套筒灌浆是否存在缺陷的检测结果。
31.以上所述的具体实施方式对本发明的技术方案和效果进行了详细的描述，但本发明不限于上述的实施例。凡根据本发明的精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围内。