一种声波透射法测线声时首波波幅自动读取方法与流程
本发明涉及基桩无损检测,具体为一种声波透射法测线声时首波波幅自动读取方法。
背景技术:
1、声波透射法是我国基桩完整性检测中应用最为广泛的无损检测方法之一,其通过分析声波在声测管间混凝土介质中的传播特性,判别桩身或地下连续墙的完整性。在实际工程检测中,测线声时与首波波幅是计算声速、波幅以及psd判据的基础数据,直接关系到缺陷位置、范围及程度的判定结果。因此,准确、高效地读取测线声时和首波波幅是数据分析的关键环节。
2、目前,主流数据分析软件普遍采用“固定门限法”进行首波识别,即预先设定一个固定电压阈值,将实测波形与阈值逐点比较,将首个超过阈值的采样点判为首波位置,进而计算出声时与波幅。然而,该算法存在固有缺陷:适应性较差,当检测信号因探头耦合不良、传感器老化或混凝土介质不均匀等因素导致信号强弱变化时,固定门限极易引发误触发;门限设置过低时,噪声尖峰可能被误判为首波,门限设置过高则可能漏掉真实首波。工程实践中,常出现各测点信号强弱差异显著导致门限法频繁误判,以及首波前干扰杂波幅值超过首波幅值导致门限法完全失效的情形。
3、一旦门限法误判或失效,目前只能依赖人工逐一核对并手动更正每根测线的声时和波幅。以典型工程实例为例,由于探头老化导致干扰波严重,门限法全面失效,技术人员需对数百根测线逐一进行人工读取与修正,耗时长达30分钟以上。此类重复性、低复杂度的工作不仅枯燥繁琐,且效率低下,严重影响检测进度与数据处理质量。
4、因此,亟需一种能够自适应复杂噪声环境、自动且高精度读取声时与首波波幅的方法,以替代传统门限法并摆脱人工干预,对此我们提出了一种声波透射法测线声时首波波幅自动读取方法。
技术实现思路
1、本发明的目的在于提供一种声波透射法测线声时首波波幅自动读取方法,以解决现有技术的不足。
2、为实现上述目的,本发明提供如下技术方案:
3、一种声波透射法测线声时首波波幅自动读取方法,包括以下步骤:
4、从历史检测数据库中读取已分析的测线数据,所述测线数据包含声时信息和首波波幅信息;
5、将所述声时信息标注为测线的声时标签,将所述首波波幅信息标注为测线的首波波幅标签,由所述声时标签和所述首波波幅标签构成样本集;
6、利用所述样本集进行深度学习训练;
7、在深度学习训练过程中,采用基于欧几里得归一化的可微分时差损失函数算法,且计算全程采用可微分算子,在计算图上进行反向传播,以生成高斯概率曲线模型;
8、利用生成的高斯概率曲线模型对声时和波幅进行定位,输出声时读取结果和首波波幅读取结果。
9、进一步地,所述声时标签和所述首波波幅标签的制作方法包括:
10、基于高斯概率曲线对所述声时信息和所述首波波幅信息进行软标签编码,以高斯概率曲线的峰值位置作为目标时点,在峰值两侧按高斯概率曲线公式形成概率渐变区,生成测线的声时软标签和首波波幅软标签;
11、所述高斯概率曲线的公式为:
12、
13、其中,为高斯函数;为高斯函数标准差;为窗口宽度;为向下取整的半窗宽度;为高斯概率曲线;为高斯概率曲线序列长度;为设定的波峰位置。
14、进一步地,所述样本集的构建方法包括:
15、从历史检测数据库中提取多个试验数据,每个试验数据包含已分析的测线声时信息和首波波幅信息;
16、对每个试验数据,基于高斯概率曲线进行软标签编码,以高斯概率曲线的峰值位置作为目标时点,在峰值两侧按高斯概率曲线公式形成概率渐变区,生成对应的声时软标签和首波波幅软标签;
17、将全部试验数据与各试验数据对应的声时软标签和首波波幅软标签组合为样本集。
18、进一步地,深度学习训练中的损失函数为基于欧几里得归一化的可微分时差损失函数,所述可微分时差损失函数的计算步骤包括:
19、对深度学习模型的输出进行欧几里得归一化处理,将输出值的积分压缩到1,使输出波形中波峰所对应的概率值为最大概率;
20、将归一化后的输出与时点序列相乘并求积分,得到波峰时点;
21、基于所述波峰时点与真实时点标签之间的差值计算损失值;
22、所述可微分时差损失函数的计算公式如下:
23、
24、其中,为对模型输出output进行欧几里得归一化;为输出所对应的具体时点序列;为所求得的输出模型的波峰时点;为标签所对应的波峰时点;为波峰时点差距的损失值。
25、进一步地,可微分时差损失函数的反向传播步骤包括:
26、在深度学习训练的计算图上,采用可微分算子执行欧几里得归一化处理、乘积积分运算和损失值计算;
27、基于所述损失值,通过计算图进行梯度反向传播,更新深度学习模型的网络参数。
28、进一步地,利用生成的高斯概率曲线模型对声时和波幅进行定位,具体包括:
29、将待读取的测线信号输入所述高斯概率曲线模型,所述高斯概率曲线模型输出对应于声时位置的高斯概率曲线和对应于首波波幅位置的高斯概率曲线;
30、分别提取所述声时对应高斯概率曲线的峰值索引和所述首波波幅对应高斯概率曲线的峰值索引;
31、根据所述峰值索引确定声时读取结果和首波波幅读取结果。
32、进一步地,提取峰值索引的步骤中,对于存在多峰或非对称分布的输出曲线,将所述输出曲线与时点序列的乘积积分作为波峰时点,以该波峰时点对应的数值作为声时或首波波幅的读取结果。
33、进一步地,深度学习训练的过程包括:
34、初始化深度学习网络模型参数;
35、从所述样本集中按批次读取测线数据及其对应的声时软标签和首波波幅软标签;
36、将测线数据输入当前网络模型,前向传播得到模型输出;
37、采用所述基于欧几里得归一化的可微分时差损失函数计算模型输出与软标签之间的损失值;
38、依据所述损失值对网络模型参数进行更新;
39、重复执行上述按批次读取、前向传播、损失计算和参数更新的步骤,直至满足训练终止条件,得到最终的高斯概率曲线模型。
40、与现有技术相比,本发明的有益效果是:
41、1、本发明的声波透射法测线声时首波波幅自动读取方法,通过构建基于历史检测数据的样本集并进行深度学习训练,能够摆脱对固定电压阈值的依赖,避免了传统固定门限法因信号强弱变化而频繁误触发的问题,当检测信号因探头耦合不良、传感器老化或混凝土介质不均匀等因素导致信号强弱剧烈变化时,本方法依然能够稳定、准确地识别首波位置,从而提高了声波透射法在复杂工程环境下的适应性。
42、2、本发明的声波透射法测线声时首波波幅自动读取方法,在深度学习训练过程中,采用基于欧几里得归一化的可微分时差损失函数算法,且计算全程采用可微分算子,在计算图上进行反向传播,该机制使得模型能够直接以声时和波幅的定位精度为优化目标进行端到端训练,生成的高斯概率曲线模型能够有效区分真实首波与干扰杂波,即便在首波前干扰波幅值超过首波幅值的极端情况下,也能准确定位首波时点和幅值,彻底解决了传统门限法在此类场景下完全失效的问题。
43、3、本发明的声波透射法测线声时首波波幅自动读取方法,采用高斯概率曲线对声时信息和首波波幅信息进行软标签编码,以峰值位置作为目标时点、两侧形成概率渐变区,相较于传统硬标签(仅标注单一采样点)的方式,软标签为模型提供了更丰富的渐进式监督信息,能够引导模型学习首波附近的波形渐变特征,降低对单一采样点标注精度的过度依赖,一次增强了模型训练的稳定性与泛化能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com