一种结构缺陷的智能敲击检测方法及系统技术方案

本公开揭示了一种结构缺陷的智能敲击检测方法，包括：收集待检测结构的敲击声信号，对所述待检测结构的敲击声信号进行预处理；将预处理后的待检测结构的敲击声信号输入训练完成后的智能检测模型中进行检测，以获得待检测结构的缺陷类别。本公开还提供一种结构缺陷的智能敲击检测系统，包括：信号收集单元，用于收集待测结构的敲击声信号；信号预处理单元，用于对待测结构的敲击声信号进行预处理；信号检测单元，用于将预处理后的待测结构的敲击声信号输入训练完成后的智能检测模型中进行检测，以获得待测结构的缺陷类别。以获得待测结构的缺陷类别。以获得待测结构的缺陷类别。

【技术实现步骤摘要】
一种结构缺陷的智能敲击检测方法及系统


[0001]本公开属于结构缺陷检测领域，具体涉及一种结构缺陷的智能敲击检测方法及系统。

技术介绍

[0002]随着社会经济和工程技术的发展，包括高速铁路、超高层建筑、大型桥隧、风力涡轮机等在内的大型建筑和精密装备越来越多地被建造并投入实用。在这些建筑和装备的生产、建造和服役过程中，检测其内部主要承力构件的结构完整性是保障其安全服役的关键。
[0003]无损检测是在不破坏待测结构的前提下，对其内部损伤或缺陷进行检查的常用技术手段；敲击检测是最基础、实施最容易、应用范围最广的结构内部近表面缺陷无损检测方法之一。实践中，该工作通常由经验丰富的技术工人完成，然而这种方式存在工作效率低、检测质量不稳定、技术工人培训成本高、高等级工人数量少等问题。随着越来越多的大型建筑和精密装备被建造并投入实用，生产中的敲击检测需求逐渐拓展，由此，以技术工人为主体实施敲击检测的方法已经无法满足生产需求，亟待出现能够脱离人工开展敲击检测的自动化、智能化的技术手段。

技术实现思路

[0004]针对现有技术中的不足，本公开的目的在于提供一种结构缺陷的智能敲击检测方法，本方法基于深度学习技术，无需人为设计信号特征参数，减少了对于专家知识的依赖，能够自动从原始声信号样本中学习敲击检测声信号的提取和组织方法。
[0005]为实现上述目的，本公开提供以下技术方案：
[0006]一种结构缺陷的智能敲击检测方法，包括如下步骤：
[0007]S100：收集待检测结构的敲击声信号并进行预处理；
[0008]S200：将预处理后的待检测结构的敲击声信号输入训练完成后的智能检测模型中进行检测，以识别待检测结构的缺陷类别。
[0009]优选的，所述智能检测模型采用一维卷积神经网络，其由n个组合块构成，具体表示为：
[0010][0011]该式中，M表示一维卷积神经网络；f
i
表示第i个组合块，i的取值为[1，n]区间的整数，n的取值根据智能检测模型的应用场景进行选择；
[0012]每个组合块表示为：
[0013][0014]该式中，表示复合函数运算符；F
l
表示第l层的输入张量，l取值为[1，n]区间的整数；Conv表示一维卷积变换层；ReLU表示激活函数层；BN表示批正则化层；Pool表示池化层。
[0015]优选的，步骤S200中，所述智能检测模型的训练过程包括：
[0016]S201：获取多个缺陷类型已知的结构敲击声信号样本并进行预处理，将预处理后的声信号样本划分为训练集、验证集和测试集；
[0017]S202：将训练集输入智能检测模型中对模型进行训练，并将验证集输入训练后的智能检测模型中对模型进行验证，以智能检测模型识别验证集中样本类型的正确率作为评判标准，当识别正确率不再提高时，则智能检测模型完成训练；
[0018]S203：将测试集输入训练完成的智能检测模型中进行测试，以智能检测模型识别测试集中样本类型的正确率作为评判标准，若正确率满足预设值，则获得最终的智能检测模型，否则对智能检测模型的结构参数以及训练配置参数进行优化，直至满足正确率要求。
[0019]优选的，步骤S202中，所述将训练集输入智能检测模型中对模型进行训练具体包括如下步骤：
[0020]S2021：计算训练集的损失函数；
[0021]S2022：通过反向传播计算智能检测模型的参数梯度；
[0022]S2023：根据参数梯度更新智能检测模型参数。
[0023]优选的，步骤S100和步骤S201中，对所述敲击声信号进行预处理包括如下步骤：
[0024]S1000：对敲击声信号幅值归一化；
[0025]S2000：对归一化后的敲击声信号按照标准长度切片。
[0026]本公开还提供一种结构缺陷的智能敲击检测系统，包括：
[0027]信号收集单元，用于收集待测结构的敲击声信号；
[0028]信号预处理单元，用于对待测结构的敲击声信号进行预处理；
[0029]信号检测单元，用于将预处理后的待测结构的敲击声信号输入训练完成后的智能检测模型中进行检测，以获得待测结构的缺陷类别。
[0030]优选的，所述信号检测单元包括：
[0031]信号输入及预处理模块，用于获取待检测结构的敲击声信号并进行预处理；
[0032]缺陷识别模块，所述缺陷识别内嵌有智能检测模型，用于对预处理后的待测结构的敲击声信号进行分析，以识别待测结构的缺陷类别。
[0033]优选的，所述信号收集单元包括：
[0034]自动敲击机构，用于对待测结构进行自动敲击，使得待测结构产生敲击声信号；
[0035]信号收集装置，用于收集敲击声信号。
[0036]优选的，所述自动敲击机构包括移动平台，移动平台上设置有敲击臂，敲击臂上设置有敲击头。
[0037]优选的，所述信号收集装置包括声传感器和声信号收集器，所述声传感器设置于敲击臂上。
[0038]与现有技术相比，本公开带来的有益效果为：
[0039]1、与由人工操作的敲击检测相比，本公开所述方法效率高、自动化程度高、检测质量稳定、运行成本低、受人力条件限制小；
[0040]2、与基于现有技术搭建的自动化敲击系统相比，本公开所构建的智能模型能够自动地从原始数据样本中学习敲击检测声信号的提取和组织算法，无需人为设计信号特征参数，减少了对于专家知识的依赖，工程中实践难度更低，对于敲击检测声信号类型的识别更准确。
附图说明
[0041]图1是现有技术实现敲击检测声信号自动识别的典型流程；
[0042]图2是本公开一个实施例提供的实现敲击检测声信号自动识别的方法流程；
[0043]图3(a)至图3(c)是本公开另一个实施例提供的智能检测模型的示意图，其中，图3(a)为深度平层网络，图3(b)为深度残差网络，图3(c)为深度密接网络；
[0044]图4是本公开另一个实施例提供的智能检测模型训练方法的流程图；
[0045]图5是本公开另一个实施例提供的结构缺陷的智能敲击检测系统结构图。
具体实施方式
[0046]下面将参照附图1至图5详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0047]需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结构缺陷的智能敲击检测方法，包括如下步骤：S100：收集待检测结构的敲击声信号并进行预处理；S200：将预处理后的待检测结构的敲击声信号输入训练完成后的智能检测模型中进行检测，以识别待检测结构的缺陷类别。2.根据权利要求1所述的方法，其中，优选的，所述智能检测模型采用一维卷积神经网络，其由n个组合块构成，具体表示为：该式中，M表示一维卷积神经网络；f
i
表示第i个组合块，i的取值为[1，n]区间的整数，n的取值根据智能检测模型的应用场景进行选择；每个组合块表示为：该式中，表示复合函数运算符；F
l
表示第l层的输入张量，l取值为[1，n]区间的整数；Conv表示一维卷积变换层；ReLU表示激活函数层；BN表示批正则化层；Pool表示池化层。3.根据权利要求1所述的方法，其中，步骤S200中，所述智能检测模型的训练过程包括：S201：获取多个缺陷类型已知的结构敲击声信号样本并进行预处理，将预处理后的声信号样本划分为训练集、验证集和测试集；S202：将训练集输入智能检测模型中对模型进行训练，并将验证集输入训练后的智能检测模型中对模型进行验证，以智能检测模型识别验证集中样本类型的正确率作为评判标准，当识别正确率不再提高时，则智能检测模型完成训练；S203：将测试集输入训练完成的智能检测模型中进行测试，以智能检测模型识别测试集中样本类型的正确率作为评判标准，若正确率满足预设值，则获得最终的智能检测模型，否则对智能检测模型的结构参数以及训练配置参数进行优化，直至满足正确率要求。4...

【专利技术属性】
技术研发人员：王铁军，李鸿宇，江鹏，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：