一种基于声音脉冲信号的隧道衬砌空洞检测方法及系统与流程

1.本发明涉及隧道衬砌空洞检测技术领域，尤其涉及一种基于声音脉冲信号的隧道衬砌空洞检测方法及系统。


背景技术：

2.逐步推进碳排放交易市场是实现“双碳”目标的重要方式。自2013年以来，启动各省份碳排放交易试点工作，虽然积累了许多经验，但也暴露了诸多短板，直接限制了统一碳市场的建立和推行。
3.目前，现有方法无法弥补单纯从宏观层面规避碳排放交易市场运行效益因素，无法完善碳排放交易市场的政策配套机制，不能扩大碳排放交易市场的覆盖范围和优化碳排放交易市场。通过各试点碳排放交易运行省份执行情况，暴露出碳配额总量控制及分配、交易主体激励规则、履约制度、碳排放核算及会计制度、碳金融创新等多方面的问题。


技术实现要素：

4.有鉴于此，本发明提供一种基于声音脉冲信号的隧道衬砌空洞检测方法及系统，至少以解决现有技术中识别效果不佳的问题。
5.第一方面，本发明提供了一种基于声音脉冲信号的隧道衬砌空洞检测方法，包括：
6.s1:击打隧道衬砌空洞和实心部位，分别拾取所述隧道衬砌空洞和实心部位产生的声音脉冲信号；
7.s2:将所述声音脉冲信号转化为数字信号后进行预处理，提取设定能量阈值的脉冲信号构成数据集；
8.s3:将所述数据集中不等长的脉冲样本分为数量相等的帧后，提取数据集中空洞、实心两类样本的mfcc特征；
9.s4:搭建支持向量机模型，将所述提取所述数据集中空洞、实心两类样本的mfcc特征输入所述支持向量机模型进行训练，获得目标样本；
10.s5:利用所述目标样本对数据集进行测试，获得目标样本的识别结果。
11.进一步地，所述s2中预处理包括：将256个采样点设为一帧，基于短时平均幅度提取设定能量阈值的脉冲信号，其中，设定能量阈值的脉冲信号包括单个脉冲信号。
12.进一步地，所述s3中提取数据集中空洞、实心两类样本的mfcc特征的表达式如下：
[0013][0014]
其中，cmfcc(i)是mfcc特征参数，n为信号帧长，m(l)是梅尔滤波器组的输出，l是第l个滤波器，i表示第i个数值，l为滤波器组数目。
[0015]
进一步地，所述s4中搭建支持向量机模型包括：在特征空间中寻找最优超平面。
[0016]
进一步地，所述s4中最优超平面，满足如下式：
[0017][0018]
其中，ω和b分别表示超平面的法向量和常数项，s.t.表示满足限定条件，(xi)表示一种映射，ξi是松弛因子，c代表惩罚因子，(xi,yi)代表数据样本。
[0019]
进一步地，所述s4中支持向量机模型采用核函数将低维特征向量转换为高维空间中线性可分的特征向量。
[0020]
进一步地，所述核函数包括径向基函数。
[0021]
第二方面，本发明提供了一种基于声音脉冲信号的隧道衬砌空洞检测系统，包括：
[0022]
拾取模块、预处理模块、特征提取模块、建模模块和识别模块，
[0023]
所述拾取模块，用于击打隧道衬砌空洞和实心部位，分别拾取所述隧道衬砌空洞和实心部位被击打后产生的声音脉冲信号；
[0024]
所述预处理模块，用于将所述声音脉冲信号转化为数字信号后进行预处理，提取设定能量阈值的脉冲信号构成数据集；
[0025]
所述特征提取模块，用于将所述数据集中不等长的脉冲样本分为数量相等的帧后，提取数据集中空洞、实心两类样本的mfcc特征；
[0026]
所述建模模块，用于搭建支持向量机模型，将所述提取所述数据集中空洞、实心两类样本的mfcc特征输入所述支持向量机模型进行训练，获得目标样本；
[0027]
所述识别模块，用于利用所述目标样本对数据集进行测试，获得目标样本的识别结果。
[0028]
进一步地，所述预处理模块用于将256个采样点设为一帧，基于短时平均幅度提取设定能量阈值的脉冲信号，其中，设定能量阈值的脉冲信号包括单个脉冲信号。
[0029]
进一步地，所述建模模块采用核函数搭建支持向量机模型，以及将低维特征向量转换为高维空间中线性可分的特征向量。
[0030]
本发明与现有技术相比存在的有益效果是：
[0031]
1、本发明通过声学手段对空洞的冲击回波进行识别，相比于其他方法更为简单，而且不会对隧道衬砌结构造成损伤，实用性强；
[0032]
2、本发明提取的特征参数维度相同，采用变帧长方式实现完整脉冲信号分析，不会造成信息损失，能够获取更多的脉冲信息，增加了模型的检测性能；
[0033]
3、本发明利用模式识别技术，搭建svm模型对空洞进行检测，在分类问题和回归问题上体现了良好的性能，获得较高的模型的准确率和可靠性。
附图说明
[0034]
为了更清楚地说明本发明中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0035]
图1是本发明提供的一种基于声音脉冲信号的隧道衬砌空洞检测方法的流程图；
[0036]
图2(a)是本发明提供的敲击隧道衬砌声信号时域波形；图2(b)是本发明提供的单个声脉冲信号时域波形；
[0037]
图3是本发明提供的改进后mfcc提取步骤示意图；
[0038]
图4是本发明提供的一种基于声音脉冲信号的隧道衬砌空洞检测系统的示意图。
具体实施方式
[0039]
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
[0040]
下面将结合附图详细说明本发明提供的一种基于声音脉冲信号的隧道衬砌空洞检测方法。
[0041]
图1是本发明提供的一种基于声音脉冲信号的隧道衬砌空洞检测方法的流程图；
[0042]
如图1所示，该隧道衬砌空洞检测方法包括：
[0043]
图2(a)是本发明提供的敲击隧道衬砌声信号时域波形。
[0044]
s1:击打隧道衬砌空洞和实心部位，分别拾取所述隧道衬砌空洞和实心部位产生的声音脉冲信号；
[0045]
s2:将所述声音脉冲信号转化为数字信号后进行预处理，提取设定能量阈值的脉冲信号构成数据集；
[0046]
图2(b)是本发明提供的单个声脉冲信号时域波形。
[0047]
所述s2中预处理包括：将256个采样点设为一帧，基于短时平均幅度提取设定能量阈值的脉冲信号，其中，设定能量阈值的脉冲信号包括单个脉冲信号。
[0048][0049]
其中，xn(m)是第n帧第m个数据值，m是提取脉冲的分析帧长，取256。en是信号幅度变化的表征，将其与预先设定的阈值进行比较，超出的连续帧则提取出来作为一个脉冲样本。图3是本发明提供的改进后mfcc提取步骤示意图。
[0050]
s3:将所述数据集中不等长的脉冲样本分为数量相等的帧后，提取数据集中空洞、实心两类样本的mfcc特征；
[0051]
所述s3中将所述数据集中不等长的脉冲样本分为数量相等的帧包括：
[0052]
利用汉明窗将根据所述数据集中脉冲样本的时间长度统一分为5帧。
[0053]
对于分类器模型而言，输入的参数维度要求统一。由于敲击产生的脉冲信号时间长度可能不一致，仅使用传统的mfcc提取方法，时间较长的脉冲信号特征参数维度也更长，需要对其进行截取才能保证模型正常训练，可能会导致部分关键信息损失。因此，本发明对mfcc提取过程进行改进：根据初始脉冲信号的时间长度，利用汉明窗统一分为5帧：
[0054]
xw(n)＝x(n)*w(n)
[0055]
其中，xw(n)加窗后数据，x(n)为一帧样本数据，w(n)表示窗函数，w(n)为：
[0056]
[0057]
其中，n为数据帧长。
[0058]
所述s3还包括：若个别帧内的采样点的数量小于2i，则对该帧进行补零，其中，i为自然数。
[0059]
不论初始信号时间长度是多少，所有样本均被分为5帧，区别在于不等长的样本每一帧的时间长度不同。接着对这5帧信号提取mfcc，如果个别帧内的采样点个数不足2i，则对该帧进行补零。通过这样的处理，不等长的脉冲样本提取的特征矩阵维度一致，符合模型输入的要求，且不损失任何脉冲信息，提高了识别的准确率。
[0060]
每一帧补零完成后，对信号高频部分进行加重，接着利用傅里叶变换提取频域能量分布：
[0061][0062]
其中，数据帧长与汉明窗长度相等。
[0063]
x(k)是傅里叶变换结果，其中k为频率索引。
[0064]
对频谱取平方得到功率谱，然后利用梅尔滤波器组进行滤波，滤波后的能量大小为：
[0065][0066]
式中l为滤波器组数目，w
l
(k)为梅尔滤波器组的频率响应，表达式为：
[0067][0068]
其中o(l)代表梅尔滤波器组中第l个滤波器，经过对数运算和离散余弦变换就可以获得改进后的mfcc参数；
[0069]
所述s3中提取数据集中空洞、实心两类样本的mfcc特征的表达式如下：
[0070][0071]
其中，cmfcc(i)是mfcc特征参数，n为信号帧长，m(l)是梅尔滤波器组的输出，l是第l个滤波器，i表示第i个数值，l为滤波器组数目。
[0072]
最后，每帧提取了前15个mfcc系数，每个样本共组成5*15的mfcc特征矩阵。
[0073]
s4:搭建支持向量机模型，将所述提取所述数据集中空洞、实心两类样本的mfcc特征输入所述支持向量机模型进行训练，获得目标样本；
[0074]
所述s4中搭建支持向量机模型包括：在特征空间中寻找最优超平面。
[0075]
构建了svm作为检测隧道衬砌空洞的分类模型，svm是在特征空间中寻找最优超平面。
[0076]
其中，svm，全拼support vector machine,支持向量机，是一类按监督学习方式对
数据进行二元分类的广义线性分类器。
[0077]
所述s4中最优超平面，满足如下式：
[0078][0079]
其中，ω和b分别表示超平面的法向量和常数项，s.t.表示满足限定条件，(xi)表示一种映射，ξi是松弛因子，c代表惩罚因子，(xi,yi)代表数据样本。
[0080]
所述s4中支持向量机模型采用核函数将低维特征向量转换为高维空间中线性可分的特征向量。所述核函数包括：径向基函数。
[0081]
svm采用核函数将低维特征向量转换为高维空间中线性可分的特征向量，采用了径向基函数(rbf)作为核函数。
[0082]
s5:利用所述目标样本对数据集进行测试，获得目标样本的识别结果。
[0083]
图4是本发明提供的一种基于声音脉冲信号的隧道衬砌空洞检测系统的示意图。
[0084]
基于同一发明构思，本发明还提供了一种基于声音脉冲信号的隧道衬砌空洞检测系统，包括：
[0085]
拾取模块、预处理模块、特征提取模块、建模模块和识别模块，
[0086]
所述拾取模块，用于击打隧道衬砌空洞和实心部位，分别拾取所述隧道衬砌空洞和实心部位被击打后产生的声音脉冲信号；
[0087]
所述预处理模块，用于将所述声音脉冲信号转化为数字信号后进行预处理，提取设定能量阈值的脉冲信号构成数据集；
[0088]
所述特征提取模块，用于将所述数据集中不等长的脉冲样本分为数量相等的帧后，提取数据集中空洞、实心两类样本的mfcc特征；
[0089]
所述建模模块，用于搭建支持向量机模型，将所述提取所述数据集中空洞、实心两类样本的mfcc特征输入所述支持向量机模型进行训练，获得目标样本；
[0090]
所述识别模块，用于利用所述目标样本对数据集进行测试，获得目标样本的识别结果。
[0091]
实施例1
[0092]
本发明的方法通过对脉冲数据集进行训练，得到c和的最优值分别为c＝1和＝12。经过对数据集进行测试，改进后的mfcc的识别准确率达到了89.9％，而改进前的mfcc识别率仅有86.2％，提高了3.7个百分点，结果表明提出的方法可以有效检测隧道衬砌空洞，并有效改善了空洞的识别结果。
[0093]
上述所有可选技术方案，可以采用任意结合形成本技术的可选实施例，在此不再一一赘述。
[0094]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0095]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含
在本发明的保护范围之内。