【技术实现步骤摘要】
本专利技术属于混凝土结构无损检测，具体涉及一种基于阵列式超声的混凝土内部缺陷智能检测方法。
技术介绍
1、混凝土结构的内部缺陷对结构的安全性和耐久性有着极大的风险和隐患。对结构内部状况的可靠和准确检测是结构安全评估的前提。目前关于内部检测的技术，主要包括热成像，冲击回波，声发射技术和探地雷达技术等，这些技术都存在明显的不足亟待改进，例如热成像探测深度浅，需要加热和受环境温度影响大等；冲击回波为单点测试效率低；声发射属于被动监测方法；探地雷达探测深度有限且受钢筋干扰等影响。
2、相比于以上这些技术，超声回波法由于其检测结果可视化有着明显的独特优势，但对于超声回波法检测仍存在一些问题亟待解决，例如超声法中缺陷深度定位的准确与否受波速测量影响很大，而波速的测量没有统一的方法；超声合成孔径聚焦成像算法的分辨率有限；超声图像中异常反射特征的判读对经验检测人员的依赖性强，检测结果具有较强的主观性等。
3、综上，基于超声回波的混凝土结构内部缺陷检测仍存在很多不足，亟需改进提升和克服。
技术实现思路
1、本专利技术所要解决的问题是：提供一种基于阵列式超声的混凝土内部缺陷智能检测方法，采用先进的识别网络模型和信号与图像处理技术，建立基于深度学习与阵列式超声的混凝土内部缺陷无损检测方法。
2、本专利技术采用如下技术方案：一种基于阵列式超声的混凝土内部缺陷智能检测方法，包括以下步骤：
3、s1、预制内含不同材料类型和形状尺寸目标物的混凝土试件，模拟混凝土内
4、s2、采用变分模态分解方法，对单次测试中得到的所有通道的超声a扫信号，进行分解与重构，消除噪声信号的干扰；
5、s3、采用阵列式合成孔径聚焦算法，对单次测试中的所有超声a扫信号，进行超声聚焦成像，得到超声图像；
6、s4、对超声图像进行双边滤波，去除超声图像中的散斑噪声，并建立为超声图像数据集；
7、s5、将超声图像数据集分类为训练集和测试集，利用训练集训练改进的yolov5模型；
8、s6、将测试集和实际工程中测试得到的新数据集输入步骤s5中训练过的改进yolov5模型，自动标记缺陷识别结果，并给出识别类型的概率。
9、进一步地，步骤s1中对混凝土试件进行超声反射信号检测，单次测试时，采用阵列式传感器的形式采集，第一个传感器发射信号，排在其后面的所有传感器均接收信号，以此类推，当探头数量为n时，单次测试可以得到n(n-1)/2个通道信号。
10、特别地，对混凝土试件进行超声反射信号检测，激发信号所属波的类型为剪切横波。
11、进一步地，步骤s2中，采用变分模态分解方法对信号进行分解和重构，删除与原始信号相关性r小于0.3的本征模态函数分量，并将其余的本征模态函数分量叠加重构成新的信号，相关系数r公式如下：
12、
13、其中，l为信号长度；x(j)是实际信号；r(i)为第i个本征模态函数分量与实际信号之间的相关系数。
14、进一步地，步骤s3中，采用阵列式合成孔径聚焦成像算法，得到反射点p的幅值i(x,z):
15、
16、其中，spq为接收信号的幅度包络，m为超声信号数目，m＝n(n-1)/2；
17、检测区域声速为v，第p个探头为发射探头，坐标为(xp,zp),第q个探头为接收探头，坐标为(xq,zq)，反射点p的坐标为(x,z)，由探头p激励的声波与反射点作用后反射回探头q所经历的时间tpq为：
18、
19、
20、
21、其中，lp、lq分别表示超声信号从发射探头到反射点p的传播距离和超声信号从反射点p到接收探头的传播距离。
22、特别地，检测区域声速v，由信号表面波被不同传感器接收时间差与传感器之间的固定距离进行线性回归求得。
23、进一步地，步骤s4中，对超声图像进行双边滤波以降低噪声干扰，提升图像分辨率。
24、进一步地，步骤s5中改进的yolov5模型，在原有的yolov5模型backbone结构中c3模块之后，增加cbam注意力机制模块，用于加强对小目标异常反射点特征信息的学习，改进的yolov5模型的损失函数包括：目标边界框和预测边界框的定位损失、分类损失和置信度损失，损失函数的计算公式如下：
25、loss＝lbox+lcls+lobj
26、其中，lbox、lcls、lobj分别表示定位损失、分类损失和置信度损失。
27、本专利技术技术方案还提供了：一种电子设备，包括：
28、一个或多个处理器；
29、存储装置，其上存储有一个或多个程序；
30、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一基于阵列式超声的混凝土内部缺陷智能检测方法。
31、本专利技术技术方案还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现上述任一基于阵列式超声的混凝土内部缺陷智能检测方法中的步骤。
32、本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：
33、1、本专利技术所提的基于信号和图像处理的降噪方法，有效地提升了超声图像的分辨率，增强了内部缺陷检测结果的可视化程度。
34、2、本专利技术所采用的阵列式合成孔径聚焦成像算法，其单次测量检测区域大，检测效率明显高于其他弹性波类方法的检测速度。
35、3、基于超声图像和改进的yolov5深度学习模型可以上准确地识别钢筋以下的缺陷，钢筋干扰小。而且该专利技术所提方法可以准确自动地识别和分类超声图像中缺陷对应的异常反射特征，规避了检测人员对检测结果的主观性判定。
本文档来自技高网...【技术保护点】
1.一种基于阵列式超声的混凝土内部缺陷智能检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于阵列式超声的混凝土内部缺陷智能检测方法，其特征在于，步骤S1中对混凝土试件进行超声反射信号检测，单次测试时，采用阵列式传感器的形式采集，第一个传感器发射信号，排在其后面的所有传感器均接收信号，以此类推，当探头数量为n时，单次测试可以得到n(n-1)/2个通道信号。
3.根据权利要求1所述的基于阵列式超声的混凝土内部缺陷智能检测方法，其特征在于，步骤S1中对混凝土试件进行超声反射信号检测，激发信号所属波的类型为剪切横波。
4.根据权利要求2所述的基于阵列式超声的混凝土内部缺陷智能检测方法，其特征在于，步骤S2中，采用变分模态分解方法对信号进行分解和重构，删除与原始信号相关系数R小于0.3的本征模态函数分量，并将其余的本征模态函数分量叠加重构成新的信号，相关系数R公式如下：
5.根据权利要求4所述的基于阵列式超声的混凝土内部缺陷智能检测方法，其特征在于，步骤S3中，采用阵列式合成孔径聚焦成像算法，得到反射点P的幅值I(x,z):<...
【技术特征摘要】
1.一种基于阵列式超声的混凝土内部缺陷智能检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于阵列式超声的混凝土内部缺陷智能检测方法，其特征在于，步骤s1中对混凝土试件进行超声反射信号检测，单次测试时，采用阵列式传感器的形式采集，第一个传感器发射信号，排在其后面的所有传感器均接收信号，以此类推，当探头数量为n时，单次测试可以得到n(n-1)/2个通道信号。
3.根据权利要求1所述的基于阵列式超声的混凝土内部缺陷智能检测方法，其特征在于，步骤s1中对混凝土试件进行超声反射信号检测，激发信号所属波的类型为剪切横波。
4.根据权利要求2所述的基于阵列式超声的混凝土内部缺陷智能检测方法，其特征在于，步骤s2中，采用变分模态分解方法对信号进行分解和重构，删除与原始信号相关系数r小于0.3的本征模态函数分量，并将其余的本征模态函数分量叠加重构成新的信号，相关系数r公式如下：
5.根据权利要求4所述的基于阵列式超声的混凝土内部缺陷智能检测方法，其特征在于，步骤s3中，采用阵列式合成孔径聚焦成像算法，得到反射点p的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。