一种水利水电工程金属构件实时在线监测系统技术方案

本发明专利技术涉及水利水电基础建设工程技术领域，且公开了一种水利水电工程金属构件实时在线监测系统，包括终端设备、主控系统、数据采集系统；所述的主控系统包括CPU控制芯片、数据处理模块、数据存储模块、显示模块、报警器、无线模块，所述的数据采集系统包括包括有X射线成像设备，通过X射线成像设备对构件进行探伤，并通过提前构件的CNN卷积神经网络对构件是否出现损伤，并对不同伤情进行判定，并通过红外测温器对构件进行测温，当出现伤情、构件温度过高时，通过报警器、终端设备对人员进行提醒，到达实时在线监测的效果，人员既可通过检测数据对影响设备安全运行的因素进行分析，从而避免意外发生，提高安全性能。提高安全性能。提高安全性能。

【技术实现步骤摘要】
一种水利水电工程金属构件实时在线监测系统


[0001]本专利技术涉及水利水电基础建设工程
，具体为一种水利水电工程金属构件实时在线监测系统。

技术介绍

[0002]水利水电工程是在水的自然特性研究之基础上，以工程或非工程措施调控和利用水能资源的工程科学。水利水电工程专业着重培养从事大中型水利水电枢纽及其建筑物(包括大坝，水电站厂房，闸和进水、引水、泄水建筑物等)，以及工业用水工建筑物的规划、设计、施工、管理和科研方面的高级工程技术人才，学习与研究方向包括水文水资源、水环境、水工结构、水力学及流体动力学、工程管理等，发展趋势是与信息技术、可靠度理论、管理科学等新兴学科的交叉与融合。在水利水电工程中用到的设备在运行监测，仍多停留在人工目测阶段，由于内部构件因长期运作，故障率较高，很难对影响其安全运行的因素进行分析，并进行安全性评价。因此如何克服现有技术的不足是目前水利水电基础建设工程
亟需解决的问题。

技术实现思路

[0003]针对现有技术的不足，本专利技术提供了一种水利水电工程金属构件实时在线监测系统，解决了上述
技术介绍
中提出的问题。
[0004]为解决上述技术问题，根据本专利技术的一个方面，更具体的说是一种水利水电工程金属构件实时在线监测系统，包括终端设备、主控系统、数据采集系统；所述的主控系统包括CPU控制芯片、数据处理模块、数据存储模块、显示模块、报警器、无线模块，所述的数据采集系统包括包括有X射线成像设备、红外测温器、摄像头，所述X射线成像设备包括用于发出X射线的X射线源、用于将穿透扫描对象的X射线转换为X射线图像的探测器以及用于控制所述X射线探测器移动的控制单元。
[0005]更进一步的，所述X射线成像设备通过所述X射线源发射X射线对设备进行探伤，并通过所述探测器生成X射线图像，传输给主控系统，进行包括归一理和数据增强处理的影像处理，处理后，建立HAAR级联分类器，根据HAAR级联分类器来锁定构件的位置，提取出构件的图像，处理完成后的X射线图像作为训练集和测试集，对X射线集图像进行分类，分为正常图像与损伤图像；
[0006]通过构建CNN卷积神经网络，将X射线图像送入CNN卷积神经网络来训练CNN卷积神经网络，得到CNN卷积神经网络模型并测试CNN卷积神经网络模型，获得训练好的CNN卷积神经网络模型；将作为训练集的X射线图像输入CNN卷积神经网络模型进行参数调整，至输出的结果为准确分类结果为止，训练完成后将作为测试集的X射线图像输入CNN卷积神经网络模型，验证CNN卷积神经网络模型的准确，利用训练好的CNN卷积神经网络模型检测构件图像，得到构件损坏分类。
[0007]更进一步的，图像分类时，通过所述X射线成像设备获取多组损伤状态构件图像数
据，并上传数据存储模块储存，标记为损伤图像原型。
[0008]更进一步的，CNN卷积神经网络包括第一卷积层、第二卷积层、第三卷积层、全连接层以及Softmax分类层，所述第一卷积层、第二卷积层以及第三卷积层顺序连接，所述第二卷积层的输出以及第三卷积层的输出均与全连接层连接，所述全连接层与Softmax分类层连接。
[0009]更进一步的，锁定构件的位置，提取出构件的图像时，卷积的计算的公式为：
[0010][0011]其中，m和g为图像的大小信息，x、y、z是图像所卷积到的位置信息，b为卷积位置的节点信息，w为卷积核的权重参数，c表示为构件的图像的像素值；构件x轴方向位置参数X，X＝int(x+w/2)
‑
h，其中x，w，h表示为轮廓所在的图像中的行、宽、高，每一张图像都拥有RGB的3个通道信息；让卷积在24x24大小的图像上进行滑移操作，每次滑移的过程中计算卷积核与所覆盖下的像素值的内积。
[0012]更进一步的，利用SSD目标检测模型对训练集中的图像分别进行标注，标注名称根据伤情及位置标注。
[0013]更进一步的，所述主控系统通过无线模块与所述终端设备连接。
[0014]本专利技术一种水利水电工程金属构件实时在线监测系统的有益效果为：
[0015]本专利技术通过X射线成像设备对构件进行探伤，并通过提前构件的CNN卷积神经网络对构件是否出现损伤，并对不同伤情进行判定，并通过红外测温器对构件进行测温，当出现伤情、构件温度过高时，通过报警器、终端设备对人员进行提醒，到达实时在线监测的效果，人员既可通过检测数据对影响设备安全运行的因素进行分析，从而避免意外发生，提高安全性能。
附图说明
[0016]下面结合附图和具体实施方法对本专利技术做进一步详细的说明。
[0017]图1为本专利技术的结构示意图；
[0018]图2为本专利技术中数据采集系统的结构示意图；
[0019]图3为本专利技术中检测构件的流程结构示意图；
[0020]图4为本专利技术中主控系统的结构示意图。
具体实施方式
[0021]下文中将参考附图并结合实施例来详细说明本专利技术。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0022]如图1
‑
4所示，根据本专利技术的一个方面，提供了一种水利水电工程金属构件实时在线监测系统，包括终端设备、主控系统、数据采集系统，的主控系统包括CPU控制芯片、数据处理模块、数据存储模块、显示模块、报警器、无线模块；的数据采集系统包括包括有X射线成像设备、红外测温器、摄像头，X射线成像设备包括用于发出X射线的X射线源、用于将穿透扫描对象的X射线转换为X射线图像的探测器以及用于控制X射线探测器移动的控制单元。
[0023]在本实施例中，X射线成像设备通过X射线源发射X射线对设备进行探伤，并通过探测器生成X射线图像，传输给主控系统，进行包括归一理和数据增强处理的影像处理，处理后，建立HAAR级联分类器，根据HAAR级联分类器来锁定构件的位置，提取出构件的图像，处理完成后的X射线图像作为训练集和测试集，对X射线集图像进行分类，分为正常图像与损伤图像；
[0024]通过构建CNN卷积神经网络，将X射线图像送入CNN卷积神经网络来训练CNN卷积神经网络，得到CNN卷积神经网络模型并测试CNN卷积神经网络模型，获得训练好的CNN卷积神经网络模型；将作为训练集的X射线图像输入CNN卷积神经网络模型进行参数调整，至输出的结果为准确分类结果为止，训练完成后将作为测试集的X射线图像输入CNN卷积神经网络模型，验证CNN卷积神经网络模型的准确，利用训练好的CNN卷积神经网络模型检测构件图像，得到构件损坏分类。
[0025]在本实施例中，图像分类时，通过X射线成像设备获取多组损伤状态构件图像数据，并上传数据存储模块储存，标记为损伤图像原型，损伤图像原型为构件损坏分类结果标准。
[0026]在本实施例中，CNN卷积神经网络包括第一卷积层、第二卷积层、第三卷积层、全连接层以及Softmax分类层，第一卷积层、第二卷积层以及第三卷积层顺序连接，第二卷积层的输出以及第三卷积层的输出均与全连接层连接，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水利水电工程金属构件实时在线监测系统，包括终端设备、主控系统、数据采集系统；所述的主控系统包括CPU控制芯片、数据处理模块、数据存储模块、显示模块、报警器、无线模块，所述的数据采集系统包括包括有X射线成像设备、红外测温器、摄像头，所述X射线成像设备包括用于发出X射线的X射线源、用于将穿透扫描对象的X射线转换为X射线图像的探测器以及用于控制所述X射线探测器移动的控制单元。2.根据利要求1所述的一种水利水电工程金属构件实时在线监测系统，其特征在于：所述X射线成像设备通过所述X射线源发射X射线对设备进行探伤，并通过所述探测器生成X射线图像，传输给主控系统，进行包括归一理和数据增强处理的影像处理，处理后，建立HAAR级联分类器，根据HAAR级联分类器来锁定构件的位置，提取出构件的图像，处理完成后的X射线图像作为训练集和测试集，对X射线集图像进行分类，分为正常图像与损伤图像；通过构建CNN卷积神经网络，将X射线图像送入CNN卷积神经网络来训练CNN卷积神经网络，得到CNN卷积神经网络模型并测试CNN卷积神经网络模型，获得训练好的CNN卷积神经网络模型；将作为训练集的X射线图像输入CNN卷积神经网络模型进行参数调整，至输出的结果为准确分类结果为止，训练完成后将作为测试集的X射线图像输入CNN卷积神经网络模型，验证CNN卷积神经网络模型的准确，利用训练好的CNN卷积神经网络模型检测构件图像，得到构件损坏分类。3.根据权利要求2所述的一种水利水电工程金属构件实时在线监...

【专利技术属性】
技术研发人员：潘卉丹，周长春，陆军波，林爱春，黄科，
申请(专利权)人：汇智智能科技有限公司，
类型：发明
国别省市：