[发明专利]一种基于堆叠卷积自编码器的分布式应变微小裂缝检测系统及方法

说明书

本发明公开了一种基于堆叠卷积自编码器的分布式应变裂缝检测系统及方法，首先利用深度神经网络良好的特征表征能力，将裂缝检测视为一个二分类问题，构建一个基于堆叠卷积自编码器的深度神经网络，实现结构体应变子序列的裂缝与非裂缝分类。本发明方法可以准确并且无遗漏地检测到实验室钢结构表面张口宽度为23μm的微小裂缝，为结构体分布式应变裂缝检测提供了一种高效的解决方案。

技术领域

本发明属于模式识别领域，具体涉及一种基于堆叠卷积自编码器的分布式应变微小裂缝检测系统及方法。

背景技术

裂缝检测一直是结构健康监测领域中的重要课题。裂缝检测方法包含了人工观测的方法和无损检测方法。人工观测的方法需要专门的维护人员使用专业的工具进行定期检查，该方法效率低、主观性强。无损检测方法主要通过超声波、X射线、探地雷达以及摄像机等获得的数据对结构体裂缝进行检测。这些传感器都是点对点传感器，无法针对结构体的整体数据进行测量，容易遗漏裂缝。

发明内容

本发明的目的在于提供一种基于堆叠卷积自编码器的分布式应变微小裂缝检测系统及方法，以克服上述现有技术存在的缺陷，本发明本发明能够对结构体的整体应变数据进行有效的采集，结构体整体应变数据进行裂缝检测，显著改善了裂缝检测的正确率，提升裂缝检测的检测效果，为结构健康监测提供了一种高效的裂缝检测方案。

为达到上述目的，本发明采用如下技术方案：

一种基于堆叠卷积自编码器的分布式应变裂缝检测系统，包括：

应变序列采集模块：用于对结构体表面的分布式应变进行采集；

应变序列预处理模块：用于将采集所得的分布式应变进行z-score标准化并截取为应变子序列；

基于堆叠卷积自编码器的特征自学习与表征模块：由3个卷积自动编码器模块构成，用于提取所划分的应变子序列的特征；

Softmax分类识别模块，用于对提取到的子序列特征进行二分类，判别每一个子序列属于裂缝子序列和非裂缝子序列的概率。

进一步地，应变序列采集模块：将光纤传感器敷设于结构体表面，使用基于BOTDA的分布式光纤传感系统对结构体表面的分布式应变进行采集。

进一步地，应变序列预处理模块包括：z-score标准化模块和滑窗模块；

z-score标准化模块将应变序列标准化为0均值1标准差的数据。

滑窗模块通过长度为24，步长为1的滑动窗口将标准化后的应变序列截取了一组长度都是24的应变子序列。

进一步地，基于堆叠卷积自编码器的特征自学习与表征模块：由3个卷积自编码器模块构成，用于提取所划分的应变子序列的特征，卷积自编码器模块对于输入数据x，特征h₂之间的关系可以表示为两个个公式，具体如下所示：

h₂＝pool(h₁)

其中，h₁为卷积后的特征；为卷积；W为卷积核；b为偏置向量；h₂为编码器输出特征；pool表示池化操作；s_f是编码器中的激活函数。特征h₂与输出之间的关系也可以表示为三个公式，具体如下所示：

其中，和为解码过程中第一次卷积的卷积核与偏置向量，为解码器中第一次卷积后的特征；upsample为上采样过程；为上采样后的特征；和为解码过程中第二次卷积的卷积核与偏置向量，s_g为解码器中的激活函数。