新書推薦：
《
南方往事：一个跨国家庭的中国记忆（1936—1951）
》
售價：NT$
449
《
AI时代企业转型之路，解码降本增效的智能引擎，重塑企业核心竞争力。
》
售價：NT$
291
《
兰香缘 终结篇 作者禾晏山经典力作
》
售價：NT$
407
《
新见宋代东南地区家族墓志考释
》
售價：NT$
551
《
绝美的棒针蕾丝编织：24款超实用的披肩、毛衣和小物
》
售價：NT$
301
《
审判
》
售價：NT$
347
《
三国争霸（全三册）第2版（跟着渤海小吏，读一部不一样的三国史！有趣、有洞见、有知识点，把人情世故、底
》
售價：NT$
908
《
习惯的演进：基于十七世纪普通法思想史的考察与分析
》
售價：NT$
352
|
| 內容簡介： |
|
《钢筋混凝土探地雷达检测方法与应用》系统阐述了探地雷达在钢筋混凝土检测中的应用，内容包括探地雷达的基本理论、混凝土内钢筋的探地雷达回波特征及深度学习在钢筋识别中的应用，重点介绍了钢筋直径、保护层厚度和锈蚀的检测方法，强调了探地雷达在提高无损检测精度和效率方面的作用，并展示了最新研究进展及应用案例。
|
| 目錄：
|
|
目录序前言第1章 绪论 11.1 引言 11.2 国内外研究现状 21.2.1 基于探地雷达的钢筋目标识别与定位方法 21.2.2 混凝土隐蔽缺陷探地雷达增强成像方法 41.2.3 基于探地雷达的钢筋直径检测方法 41.2.4 基于探地雷达的钢筋锈蚀检测方法 5参考文献 7第2章 探地雷达的电磁波基本理论 112.1 电磁波传播的基本规律 112.1.1 Maxwell方程组 112.1.2 本构关系 122.1.3 电磁波的波动特征 122.1.4 电介质的电性参数 142.1.5 电磁波的反射与透射 152.1.6 电磁波的衰减 172.2 探地雷达的工作原理 182.2.1 硬件系统组成 182.2.2 数据采集方式 192.2.3 探测方式 202.2.4 数据呈现方式 212.2.5 探地雷达的性能指标 232.3 钢筋目标的探地雷达回波特征 242.3.1 钢筋回波信号的显著特性 252.3.2 钢筋回波特征的影响因素 252.4 天线极化方式及其应用 272.4.1 线极化、圆极化和椭圆极化 282.4.2 线极化组合形式 322.4.3 混合极化 322.4.4 极化探地雷达的应用 342.5 探地雷达数据预处理 352.5.1 去除天线耦合 352.5.2 直流偏移校正 362.5.3 零时校正 362.5.4 背景杂波去除 362.5.5 增益 392.5.6 滤波 402.5.7 实例分析 422.6 本章小结 46参考文献 46第3章 探地雷达的钢筋智能识别 503.1 深度学习模型概述：卷积神经网络 503.1.1 卷积神经网络的基本原理 503.1.2 卷积神经网络训练过程 553.1.3 深度学习目标检测算法 603.2 数据集构建 663.2.1 混凝土内钢筋数据的采集 663.2.2 数据预处理 663.2.3 数据标注与划分 683.3 目标识别算法的训练与验证 703.3.1 模型的前向传播 703.3.2 模型的反向传播 723.3.3 非极大值抑制 753.3.4 模型验证 753.4 实例分析 773.4.1 探地雷达钢筋数据集建立案例 773.4.2 训练与测试结果分析 783.5 本章小结 81参考文献 81第4章 混凝土隐蔽缺陷探地雷达识别与成像 844.1 混凝土隐蔽缺陷电磁响应仿真与实测分析 844.1.1 隐蔽缺陷仿真模型 844.1.2 实测数据分析 904.2 基于探地雷达数据集的迁移学习智能识别算法 924.2.1 迁移学习数据集 924.2.2 混凝土隐蔽缺陷数据集 934.2.3 训练与测试结果分析 944.3 逆时偏移 954.3.1 基于爆炸反射面的逆时偏移成像 954.3.2 基于互相关的逆时偏移成像 974.3.3 基于Poynting矢量分解的逆时偏移成像 994.3.4 逆时偏移成像结果 1014.4 本章小结 104参考文献 104第5章 混凝土钢筋网屏蔽效应及杂波抑制 1065.1 钢筋网屏蔽效应 1065.1.1 电磁波在钢筋混凝土中的传播和衰减规律 1065.1.2 金属圆柱体散射的解析解 1075.1.3 FDTD仿真结果分析 1095.1.4 室内试验结果分析 1115.2 基于深度学习的钢筋杂波抑制 1145.2.1 残差通道注意力网络框架 1145.2.2 数据集建立 1165.2.3 数值验证 1205.2.4 实验室验证 1225.3 实例分析 1235.3.1 地铁隧道探地雷达天线选型 1235.3.2 无砟轨道板脱空探测试验 1265.3.3 隧道壁后空洞探测试验 1285.4 本章小结 130参考文献 130第6章 结合探地雷达与电磁感应的双探头检测方法 1336.1 电磁感应原理 1336.1.1 电磁感应现象 1336.1.2 电磁感应法检测原理 1346.1.3 电磁感应数据处理 1356.1.4 钢筋检测仪 1376.2 探地雷达与电磁感应双探头钢筋检测仪 1386.3 双探头钢筋检测仪标定试验 1396.3.1 标定试验平台 1406.3.2 电磁感应标定试验结果 1416.4 混凝土内钢筋特征反演方法 1446.4.1 基于*小均方误差的钢筋特征反演方法 1446.4.2 基于1D CNN的钢筋特征反演方法 1546.5 实例分析 1586.5.1 室内试验 1586.5.2 现场试验 1626.6 本章小结 163参考文献 164第7章 基于双极化探地雷达的钢筋检测方法 1687.1 圆柱体散射理论 1687.1.1 TMy极化下的散射 1697.1.2 TEy极化下的散射 1707.1.3 相对振幅比与相位差 1707.2 相位差增强成像方法 1727.3 相位差钢筋直径估计方法 1737.3.1 交叉小波变换 1737.3.2 钢筋直径估计 1757.4 实例分析 1757.4.1 双极化相位差增强成像方法实例 1757.4.2 双极化相位差钢筋直径估计方法实例 1827.5 本章小结 188参考文献 189第8章 钢筋早期锈蚀检测 1918.1 极化探地雷达系统和极化校准 1918.1.1 极化探地雷达系统 1918.1.2 极化校准 1948.2 极化分解方法 1988.2.1 相干矩阵 1988.2.2 H-α分解法 1988.3 实例分析 2018.3.1 钢筋加速锈蚀方案 2018.3.2 单极化探地雷达数据分析 2048.3.3 混合极化探地雷达数据分析 2088.4 本章小结 217参考文献 217
|
| 內容試閱：
|
|
第1章绪论 1.1引言 钢筋混凝土具有易得、施工简便和经济可靠等特点，是工程建设中的主要材料[1]。然而，钢筋混凝土在施工过程中可能存在保护层厚度不足、钢筋数量不够（间距过大）、钢筋直径偏小、钢筋锈蚀（图1-1）等严重影响建筑使用安全的问题[2]。在建筑服役期间，由于氯离子侵蚀或混凝土碳化，混凝土内部钢筋可能会发生锈蚀并形成锈蚀产物，因而体积膨胀，产生膨胀应力，进而致使混凝土开裂甚至脱落[3]。因此，在钢筋混凝土建筑验收阶段及其服役期间，必须对其钢筋进行定期检测[4]。传统的钢筋检测方法如取芯、钻孔或移除部分混凝土对钢筋进行目视检查，虽然能够提供准确的信息，但成本高、耗时长，且只能在少数点采样，提供的信息具有局限性，检测造成的局部结构损伤还可能加速钢筋锈蚀甚至裂缝扩展[5]。故而如何高效、精准地对混凝土内部钢筋进行无损检测（nondestructive testing，NDT）并及时发现潜在病害，已成为土木工程结构健康检测领域的研究热点之一[6]。 图1-1混凝土内钢筋典型缺陷 无损检测是在不损坏被检测对象的前提下，利用射线、超声、红外、电磁等方法对材料、零件、设备的缺陷及化学和物理参数进行检测。无损检测技术种类繁多，在制定具体的无损检测方案时，需重点考虑以下因素[7]：①结构隐蔽缺陷的埋深；②检测目标的垂直与横向分辨率要求；③目标与周围环境在物理性质上的对比度；④目标信号的信噪比。 探地雷达（ground penetrating radar，GPR）技术作为一种无损检测技术，因其检测速度快、操作简便而广泛应用于钢筋混凝土结构检测[5]，但仍存在以下问题[5，8]。 （1）传统的双*线目标识别和定位方法处理过程复杂，参数不固定，严重依赖工作人员的经验，难以满足现场快速检测的需求。 （2）使用探地雷达检测钢筋混凝土隐蔽缺陷时，强烈的钢筋杂波常常严重干扰甚至覆盖缺陷回波。 （3）单极化探地雷达仅能采集单一雷达数据，无法全面获取探测目标的几何属性及其他特征信息。 （4）钢筋锈蚀过程复杂且涉及多种参数，单极化探地雷达无法有效评估这些变化。 针对这些问题，本书将介绍多种基于探地雷达的钢筋无损检测方法： （1）利用具备高精度和高检测速度的单次检测多框检测器（single shot multibox detector，SSD）深度学习模型实现钢筋双*线的智能识别，并结合绕射叠加偏移、图像二值化和双*线顶点定位等处理步骤，自动获取钢筋的位置信息。 （2）引入一种增强残差通道注意力网络（residual channelattention networks，RCAN）的深度学习模型，用于抑制钢筋杂波信号，以增强混凝土隐蔽缺陷的成像效果。 （3）开发了一套融合电磁感应（electromagnetic induction，EMI）与探地雷达的双探头钢筋检测仪，在无须先验信息的情况下同时实现钢筋直径和保护层厚度的准确检测。 （4）基于两个正交极化通道中钢筋电磁散射信号的相位差变化规律，提出一种双极化相位差增强成像方法，实现了对钢筋的增强探测及直径估算。 （5）分析不同锈蚀阶段钢筋的电磁响应特征，将H-α分解法用于提取钢筋的电磁极化散射特征，实现了混凝土内部钢筋早期锈蚀的定性检测。 这些检测方法提升了钢筋检测的精度与效率，为钢筋混凝土健康评估提供了可靠手段。 1.2国内外研究现状 1.2.1基于探地雷达的钢筋目标识别与定位方法 在土木工程领域，探地雷达已成为检测混凝土结构隐蔽缺陷、定位地下管道等的重要工具[9，10]。在探地雷达二维雷达剖面（B-scan）中，钢筋、管道等圆柱体目标通常呈现双*线的特征。因此，国内外学者针对探地雷达图像中双*线的识别与定位开展了大量研究。Capineri等采用Hough变换对探地雷达图像中的双*线进行识别[11]，尽管该方法对噪声与干扰具有较强的鲁棒性，但直接处理整幅图像时计算成本过高。为此，Maas等使用Viola-Jones算法缩小目标区域以减少计算量，再利用广义Hough变换导出双*线参数[12]。Mertens等在利用Canny算子进行边缘检测的同时，综合考虑了双*线的形态、坐标和边缘细节等信息，进一步提升了双*线识别精度[13]。然而，在实际应用中，噪声和图像模糊会削弱边缘检测的效果[14]。考虑到这一点，Sagnard等通过归纳收发天线间距、目标半径、顶点坐标和背景介电常数等先验信息，采用模板匹配的方法来识别双*线[15]。该方法虽有良好的鲁棒性，但其在实际应用中的推广受限于对大量先验信息的依赖[16]。Pasolli等提出了基于数学模型的双*线识别方法[17]，通过遗传算法处理探地雷达二值化图像，并利用水平位置、垂直位置和斜率特征构建模板进行匹配，实现了多双*线提取。然而，该方法的效果依赖于二值化阈值的选择[14]。Kobayashi等将双*线特征视为概率分布，结合狄利克雷过程混合模型（Dirichlet process mixture model，DPMM）与双*线函数[18]，并通过机器学习估计出双*线目标的位置。但该方法计算成本较高。与此不同，Chen等改进了传统的双*线拟合算法，采用正交距离度量替代几何距离，并引入概率混合模型，通过贝叶斯信息准则（Bayesian information criterion，BIC）计算匹配的双*线个数[19]。这种方法虽然提高了双*线识别的准确性，但仍面临计算复杂度高和参数选择困难的挑战。尽管上述探地雷达双*线目标识别和定位方法已取得较好的成果，但其处理过程较为复杂，且依赖专业人士的经验。 基于机器学习的双*线特征识别和定位方法能够实现双*线的自动识别，其本质为计算机视觉算法与统计机器学习的结合使用[20]。Dou等采用列连接聚类（column connection clustering，C3）算法对输入图像中的双*线进行拟合，然后利用机器学习模型来识别双*线特征，并通过正交距离拟合获取每个双*线的几何参数[21]，实现了双*线的精准定位。与此同时，Kaur等通过支持向量机（support vector machine，SVM）与方向梯度直方图特征的结合，实现了大量双*线的精准识别与定位[14]。这些识别雷达图像中双*线特征的监督学习方法具有较高的识别精度，且能通过标记的样本进行训练和参数优化[22]，然而测试结果的质量在很大程度上依赖于训练样本的数据质量和规模[12]。此外，尽管这些方法在标准的仿真数据中表现良好，但在处理实测探地雷达图像时，由于双*线特征更为复杂（如残缺、变形和交叉双*线等），识别效果较差[23]。 随着计算机计算能力的提升，深度学习在处理结构化数据方面展现出优异性能，已逐步成为探地雷达图像解译的重要方法[24]。相比于需要人工提取特征的传统机器学习方法，深度学习能够自动从数据中学习并提取更为复杂的特征，尤其适合处理复杂的大规模图像数据。因此，深度学习算法在钢筋雷达图像的检测、识别和定位任务中具有显著的优势。常见的深度学习网络，如卷积神经网络（convolution neural networks，CNN）[25]、基于候选区域的卷积神经网络（region-based CNN，R-CNN）[26]、Faster R-CNN[27]及SSD[28]、YOLO（you only look once）[29]等，均被用于钢筋雷达图像的检测。本书第3章将详细探讨深度学习在探地雷达图像双*线识别中的应用。 1.2.2混凝土隐蔽缺陷探地雷达增强成像方法 在使用探地雷达检测钢筋混凝土的隐蔽缺陷时，强烈的钢筋杂波常常严重干扰甚至淹没缺陷回波。笔者曾在实验室中使用探地雷达测试钢筋对电磁波的屏蔽效应，测试结果表明，高频信号相对于低频信号穿透钢筋网的效果更优[30]，相关实验内容将在本书第4章中详细介绍。针对混凝土内钢筋强干扰，国内外学者通过开发多种算法来抑制钢筋网的强回波信号，增强隐蔽缺陷的成像效果。例如，Qin等提出了一种基于主成分分析（principal component analysis，PCA）去除杂波并突出有效信号的方法，将其应用于监测注浆层的变化[31]。但该方法仍过度依赖人工解读和技术人员的经验。随着深度学习的出现，这一问题得到了有效解决。Hou等采用CNN抑制钢筋强反射，并使用支持向量机实现病害的自动检测，从而提高了混凝土缺陷检测的精度和效率[32]。Wang等提出了一种基于生成对抗网络（generative adversarial network，GAN）的反射杂乱消除算法，该方法因其卓越的鲁棒性而受到广泛关注[33]。Ge等使用F-K偏移技术定位钢筋信号区域，并成功去除了该区域的钢筋信号，从而有效抑制了钢筋杂波的影响[34]。这些研究为钢筋混凝土衬里后缺陷的精确检测奠定了理论基础。然而，这些算法通常仅适用于单层钢筋网的探地雷达数据，如要处理更复杂场景的数据，则需要在深度学习模型中加入对复杂结构的考虑。 针对钢筋混凝土探地雷达数据中双层钢筋网杂波干扰的问题，笔者引入了一种基于增强残差通道注意力网络的深度学习算法[35]。与其他主要关注单层钢筋网格的算法不同，该方法对更具挑战性的双层钢筋网格进行优化，为保持探地雷达数据中的信号特征并便于后续处理，其侧重于信号处理而非直接的图像处理。该方法的详细内容将在本书的第4章中进一步阐述。 1.2.3基于探地雷达的钢筋直径检测方法 在检测混凝土内的钢筋时，需要测量其保护层厚度、间距和直径[36]。尽管前人的研究提出了多种基于深度学习的探地雷达钢筋自动识别与定位算法[28，36]，但基于探地雷达的钢筋直径检测研究较为有限。Shihab等建立了圆柱体的半径与其回波信号双程走时的数学模型，并通过双*线拟合实现了对大直径地下圆柱目标的直径估计[37]。然而，用于混凝土检测的探地雷达天线的标称频率通常为1～2GHz，其辐射的电磁波波长远大于钢筋的直径[28]，因此双*线拟合方法难以准确估算钢筋直径[37，38]。Jazayeri等采用全波形反演方法估算钢筋直径，直径估计的误差不超过11%，但该方法计算成本较高[39]。为了提高计算效率，Giannakis等采用机器学习方法实现了钢筋直径的实时估计，然而用该方法得到的估计值的精度受限于探地雷达分辨率[40]。 为克服上述钢筋直径检测方法的局限性，研究者们开始探索多传感器融合检测方法，其中电磁感应与探地雷达的融合及双极化探地雷达的应用尤为受关注[41]。本书第4章将详细阐述如何结合电磁感应与探地雷达各自的优势，以实现更精确、更可靠的钢筋直径与保护层厚度检测。 双极化探地雷达系统通过采用两对在正交方向上布置的共极化天线，能获取更多的目标信息[42，43]，从而提升目标成像和分类的精度[44，45]。此外，双极化探地雷达在钢筋锈蚀检测和方向估算方面也表现出良好效果[46，47]。Zanzi等发现双极化探地雷达的雷达散射能量比可用于钢筋直径估计[48]，但由于数据不稳定，需多次测量以保证准确性。Sun等基于探地雷达天线的超宽带特性，推导出用于钢筋直径估算的超宽带双极化散射能量比公式[49]，使得单次采集即可精准测量钢筋直径。但若钢筋目标发生倾斜，直径反演精度会受影响[50]。为此，Guo等利用双极化探地雷达信号计算自然谐振频率，提出了一种消除钢筋走向影响的半径反演方法[51]。 尽管上述研究在双极化探地雷达信号的振幅分析方面取得了一定进展，笔者发现，相较于振幅信息，探地雷达的相位信息更为稳定[52]。鉴于此，本书第7章将详细介绍一种双极化相位差的钢筋直径估计方法。该方法不仅具备双极化探地雷达的优势，还充分利用相位信息的鲁棒性，从而提高了钢筋直径的测量精度。 1.2.4基
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
