技术领域
[0001] 本
发明涉及建筑
无损检测领域，具体而言，本发明涉及一种预制剪力墙灌浆连接的缺陷识别方法。
背景技术
[0002] 随着装配式
混凝土建筑正在我国大力推广，已建和在建工程的结构型式以预制剪力墙结构居多。预制剪力墙构件的竖向连接主要采用套筒灌浆连接和浆锚搭接连接两种连接方式，但是无论是套筒灌浆连接还是浆锚搭接连接，灌浆
质量对连接性能至关重要。由于灌浆连接属隐蔽工程，且连接构造复杂，常常受到
钢筋、套筒、
波纹管、螺旋筋、墙体厚度、保温层等多因素复合影响，灌浆质量的检测十分困难。
[0003] 部分灌浆质量的检测方式是采用
X射线工业CT法、预埋
传感器法、预埋钢丝
拉拔法、X射线胶片成像法，但是均具有一定的不足。X射线工业CT法只能在实验室使用，无法在工程现场应用。预埋传感器法和预埋钢丝拉拔法都只关注套筒出浆口范围是否灌浆饱满，对套筒内其他部位的灌浆缺陷无法识别。X射线胶片成像法的胶片成像比较模糊，不利于灌浆缺陷的识别，检测效率比较低。因此，市场急需一种能够自动准确识别缺陷的检测方法。
发明内容
[0004] 为了寻找更为快速地识别预制剪力墙灌浆连接缺陷的实现方案，本发明提供了一种预制剪力墙灌浆连接的缺陷识别方法，该预制剪力墙灌浆连接的缺陷识别方法包括如下步骤：
[0005] 通过X射线机采集预制剪力墙构件的待检测图像；
[0006] 将所述待检测图像输入至预设的第一SVM分类器，判断所述待检测图像是否为缺陷图像，所述第一SVM分类器基于所述预制剪力墙构件的实时图像训练得到；
[0007] 若所述待检测图像为缺陷图像，则将所述待检测图像在第二SVM分类器中按照预设分割特征分割，所述第二SVM分类器基于所述缺陷图像的
特征向量训练得到；
[0008] 获取分割后的所述待检测图像并基于所述预制剪力墙构件的套筒布置方式确认缺陷区的参数信息。
[0009] 优选地，所述第一SVM分类器基于所述预制剪力墙构件的实时图像训练得到包括如下步骤：
[0010] 获取X射线机拍摄的实时图像，裁剪所述实时图像以使灌浆套筒或者浆锚孔道的图像面积在所述实时图像的图像面积中的比例不低于预设
阈值；
[0011] 使用支持向量回归网络
滤波器去除对所述裁剪后的实时图像中的噪声；
[0012] 对所述裁剪后的实时图像做二维离散傅里叶变换，取幅度谱的第一象限部分作为缺陷检测特征，得到训练集；
[0013] 基于核函数以及所述训练集训练得到第一SVM分类器。
[0014] 优选地，所述预设阈值为50％。
[0015] 优选地，所述判断所述待检测图像是否为缺陷图像包括如下步骤：
[0016] 获取第一SVM分类器的输出距离值d；
[0017] 根据所述距离值d计算出预测概率值P，所述预测概率值P计算公式如下：
[0018]
[0019] 其中，若所述预测概率值P属于(0.5，1.0]，则判定为缺陷图像。
[0020] 优选地，所述将所述待检测图像在第二SVM分类器中按照预设分割特征分割为按照
像素的灰度及形态学灰度梯度分割所述待检测图像。
[0021] 优选地，所述缺陷图像的特征向量为[coh，mean，var]T，其中，coh为灰度梯度一致性，mean为灰度均值，var为灰度方差。
[0022] 优选地，所述获取分割后的所述待检测图像并基于所述预制剪力墙构件的套筒布置方式确认缺陷区的参数信息包括如下步骤：
[0023] 若套筒布置方式为单排居中或梅花形，则直接根据分割后的所述待检测图像确认缺陷区的参数信息。
[0024] 优选地，所述获取分割后的所述待检测图像并根据所述预制剪力墙构件的套筒布置方式确认缺陷区的参数信息包括如下步骤：
[0025] 若套筒布置方式为双排对称，则根据分割后的所述待检测图像并结合破损检测方法确认缺陷区的参数信息。
[0026] 优选地，所述缺陷区的参数信息包括缺陷区的
位置信息和/或大小信息。
[0027] 与
现有技术相比，本发明一种预制剪力墙灌浆连接的缺陷识别方法具有如下有益效果：
[0028] 本发明一种预制剪力墙灌浆连接的缺陷识别方法，通过对灌浆套筒或浆锚孔道直接进行数字成像以及基于
支持向量机的图像训练、测试、分割，输出缺陷图像，能够快速准确地识别缺陷区，便于工程应用。
[0029] 本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0030] 本发明上述的和/或附加的方面和优点从下面结合附图对
实施例的描述中将变得明显和容易理解，其中：
[0031] 图1为本发明实施例一种预制剪力墙灌浆连接的缺陷识别方法的应用场景示意图；
[0032] 图2为本发明实施例一种预制剪力墙灌浆连接的缺陷识别方法的方法流程示意图；
[0033] 图3为本发明实施例一种预制剪力墙灌浆连接的缺陷识别方法的训练第一SVM分类器的方法流程示意图；
[0034] 图4为本发明实施例一种预制剪力墙灌浆连接的缺陷识别方法的套筒布置方式示意图；
[0035] 图5为本发明实施例一种预制剪力墙灌浆连接的缺陷识别方法的基于套筒建立的平面直
角坐标示意图。
具体实施方式
[0036] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0037] 请参阅图1，本发明实施例为一种预制剪力墙灌浆连接的缺陷识别方法，其应用于如图1所示的缺陷识别系统中，该缺陷识别系统包括预制剪力墙构件6、收容于预制剪力墙构件6内部的灌浆套筒7、贴附于预制剪力墙构件6一侧并
覆盖灌浆套筒7的
平板探测器1、位于预制剪力墙构件6的另一侧的用于向预制剪力墙构件6发射X射线的X射线机2、中央
控制器3以及工业计算机4，其中，X射线机2与中央控制器3连接，工业计算机4与平板探测器1之间可通过无线通信方式传输数据。
[0038] 在一些实施方式中，X射线机2焦点大小不低于1.0毫米，最高
电压不低于220千伏，最高
电流不低于5.0毫安，最大X射线功率不低于900瓦，
辐射角不低于30°×60°，
工作温度范围-20℃～+50℃。中央控制器3可设置电压、电流、曝光时间及X射线机2延迟开启时间。平板探测器1的
分辨率不低于3.5线对每毫米，灰度等级不低于16比特，能够接收穿过预制剪力墙构件6的X射线，进行实时成像。工业计算机4能够与平板探测器1之间进行无线数据传输，实现远程接收图像。
[0039] 请参阅图2，为了便于理解本发明实施例，下面以本发明实施例一种预制剪力墙灌浆连接的缺陷识别方法应用于如图1所示缺陷识别系统为例进行解释说明，如图2所示，本发明实施例一种预制剪力墙灌浆连接的缺陷识别方法包括如下步骤：
[0040] 步骤S1：通过X射线机采集预制剪力墙构件的待检测图像。在实际中，待检测图像为平板探测器1接收穿过预制剪力墙构件6的X射线的实时成像，其采集步骤如下：
[0041] 在预制剪力墙构件6的一侧安装平板探测器1，预制剪力墙构件6的另一侧安装X射线机2；
[0042] 调整X射线机2至预设焦距，并将X射线机2与中央控制器3相连；根据预置试验数据确定中央控制器3的电压、电流、曝光时间及X射线机2的延迟开启时间；
[0043] X射线机2向预制剪力墙构件6发射X射线，平板探测器1接收穿过预制剪力墙构件6的X射线并实时成像；工业计算机4远程接收平板探测器1的实时成像数据。
[0044] 值得注意的是，平板探测器1应整体覆盖灌浆套筒或浆锚孔道，如不能整体覆盖，可由下到上分多次测量，并记录连续两次测量的重叠范围，最后再自动对实时成像进行有效合成。
[0045] 步骤S2：将所述待检测图像输入至预设的第一SVM分类器，判断所述待检测图像是否为缺陷图像，所述第一SVM分类器基于所述预制剪力墙构件的实时图像训练得到。
[0046] 请参阅图3，第一支持向量机(Support Vector Machine，简称SVM)分类器基于预制剪力墙构件的实时图像训练得到包括如下步骤：
[0047] 步骤S21：获取X射线机拍摄的实时图像，裁剪实时图像以使灌浆套筒或者浆锚孔道的图像面积在实时图像的图像面积中的比例不低于预设阈值；
[0048] 步骤S22：使用支持向量回归网络滤波器去除对裁剪后的实时图像中的噪声；
[0049] 步骤S23：对裁剪后的实时图像做二维离散傅里叶变换，取幅度谱的第一象限部分作为缺陷检测特征，得到训练集；
[0050] 步骤S24：基于核函数以及训练集训练得到第一SVM分类器。
[0051] 同上所述，获取X射线机拍摄的实时图像跟上述待检测图像的采集步骤基本相同，因此不再赘述。
[0052] 优选地，预设阈值为50％。
[0053] 示例地，为便于理解步骤S23，下面举例说明。设f(x，y)表示大小为M×N的数字图像中位于(x，y)位置处的像素的灰度值，其中，x＝0，1，2，…，M-1，y＝0，1，2，…，N-1。用F表示f的二维离散傅里叶变换，公式如下：
[0054]
[0055] 其中，u＝0，1，2，…，M-1，v＝0，1，2，…，N-1；M和N表示实时图像在
水平和垂直两个方向上的像素个数，F(u，v)表示图像在
频率位置(u，v)处的复数
频谱值，取幅度谱|F(u，v)|的第一象限部分作为缺陷检测特征，得到训练集。
[0056] 示例地，为便于理解步骤S24。下面也举例如下。
[0057] 设训练集(xi，yi)，i＝1，…，n。当其为线性可分时，线性判别函数为：
[0058] g(x)＝wx+b
[0059] 分类面方程为：
[0060] wx+b＝0
[0061] 进行归一化处理，使得所有样本满足|g(x)|≥1，即离分类面最近的样本满足|g(x)|＝1，这样分类间隔就等于2/||w||。因此，要求分类间隔最大，即要求||w||2最小。要保证分类面对所有样本正确分类，必须满足：
[0062] yi[wxi+b]-1≥0
[0063] 满足上式且使||w||2最小的分类面就是最优分类面。
[0064] 应用拉格朗日乘子法进行变换后，可求得上述问题的最优分类函数，也即第一SVM分类器：
[0065]
[0066] 当训练集(xi，yi)在线性不可分的情况下，可以在条件yi[wxi+b]-1≥0中增加一个松弛项ξi≥0，变为yi[wxi+b]-1+ξi≥0，将目标改为求 (C为大于0的常数，它控制对错分样本惩罚的程度)最小，即折中考虑最少错分样本和最大分类间隔，就得到广义最优分类面。
[0067] 在一些实施方式中，判断待检测图像是否为缺陷图像包括如下步骤：
[0068] 获取第一SVM分类器的输出距离值d；
[0069] 根据距离值d计算出预测概率值P，预测概率值P计算公式如下：
[0070]
[0071] 其中，若预测概率值P属于(0.5，1.0]，则判定为缺陷图像。否则，则为正常图像。
[0072] 步骤S3：若所述待检测图像为缺陷图像，则将所述待检测图像在第二SVM分类器中按照预设分割特征分割，所述第二SVM分类器基于所述缺陷图像的特征向量训练得到。
[0073] 优选地，将待检测图像在第二SVM分类器中按照预设分割特征分割为按照像素的灰度及形态学灰度梯度分割待检测图像。其中，形态学灰度梯度通过下式计算：
[0074]
[0075] 其中， 表示结构元素s对f的灰度膨胀，(fΘs)表示结构元素s对f的灰度
腐蚀。
[0076] 在一些实施方式中，第二SVM分类器基于所述缺陷图像的特征向量训练得到，跟第一SVM分类器的训练方式基本相同，因此，不再赘述。其中，缺陷图像的特征向量训练为T[coh，mean，var] ，其中，coh为灰度梯度一致性，mean为灰度均值，var为灰度方差，它们具体计算方式如下：
[0077] 设I(x，y)表示待检测图像(x，y)位置像素灰度值，Gx(x，y)和Gy(x，y)分别为(x，y)处像素灰度的梯度。将待检测图像分成大小为W×W的互不重叠的图像子
块，(i，j)为子块中心像素坐标，由(1～4)计算灰度梯度一致性coh，具体如下：
[0078]
[0079]
[0080]
[0081]
[0082] 灰度均值mean通过 计算。灰度方差var通过计算。
[0083] 步骤S4：获取分割后的所述待检测图像并基于所述预制剪力墙构件的套筒布置方式确认缺陷区的参数信息。
[0084] 请参阅图4-图5，套筒布置方式包括单排居中11、梅花形12以及双排对称13。在一些实施方式中，获取分割后的待检测图像并基于预制剪力墙构件的套筒布置方式确认缺陷区的参数信息包括如下步骤：
[0085] 若套筒布置方式为单排居中或梅花形，则直接根据分割后的待检测图像确认缺陷区的参数信息；
[0086] 若套筒布置方式为双排对称，则根据分割后的待检测图像并结合破损检测方法确认缺陷区的参数信息。
[0087] 其中，破损检测方法为取芯样进行检测的方法。
[0088] 示例地，假设套筒布置方式为单排居中，通过建立以套筒底部的某点O为原点的平面直角
坐标系xOy，并结合分割后的待检测图像确定缺陷区8的参数信息。
[0089] 优选地，参数信息为缺陷区8的位置信息和/或大小信息。
[0090] 与现有技术相比，本发明实施例一种预制剪力墙灌浆连接的缺陷识别方法具有如下有益效果：
[0091] 本发明一种预制剪力墙灌浆连接的缺陷识别方法通过对灌浆套筒或浆锚孔道直接进行数字成像以及基于支持向量机的图像训练、测试、分割，输出缺陷图像，能够快速准确地识别缺陷区，便于工程应用。
[0092] 以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
