基于GoogLeNet的混凝土活動裂紋電磁輻射信號識別方法

關鍵詞： 混凝土; 活動裂紋; 電磁輻射; GoogLeNet; 信號識別

中圖分類號： TB9 文獻標志碼： A 文章編號： 1674–5124（2025）02–0030–09

0引言

混凝土作為橋梁、樓房和大壩等工程建筑中廣泛使用的材料，對國家的經濟發展和人民生活的保障起著至關重要的作用[1]。然而，隨著結構構件的受力、變形和溫度等變化，混凝土建筑內部容易形成無法維持穩定的活動裂紋，導致其結構穩定面臨潛在的風險與挑戰。如何識別和修復活動裂紋是混凝土結構安全領域研究的熱點問題[2]。

超聲波檢測、無人機圖像檢測、裂縫振弦監測、紅外監測和聲發射監測等方法被廣泛應用于混凝土活動裂紋識別和結構性能評估中[3-6]。然而，超聲波檢測主要用于定期對混凝土建筑進行檢測，由于其設備造價高、能量消耗大的原因，無法長時間對混凝土結構的穩定性進行監測；無人機圖像檢測主要通過巡視方式采集和分析圖像，確定裂紋的發展演變過程，但是無法識別混凝土內部的活動裂紋；裂縫振弦監測對于單個裂紋的發展演變具有良好的效果，但是無法實現多個裂紋的監測；紅外監測通過熱成像的差異確定裂紋位置，對混凝土內部的裂紋識別能力較差；聲發射監測具有靈敏度高的優勢，但是其接觸式和近距離監測限制了其大范圍應用。

有研究表明混凝土作為一種脆性材料，在活動裂紋產生瞬間，由于應力的突變和內部晶格的破裂，在裂紋表面產生振蕩的正負電荷，從而向空間輻射電磁信號[7]，其信號頻帶范圍可從10Hz 至1MHz。由于電磁輻射信號可在混凝土內部和空氣中傳播，利用電磁輻射信號監測混凝土建筑的結構穩定性具備非接觸和遠距離監測的潛在優勢。而現有的依據電磁輻射原理監測開裂的裝置主要通過人工識別和閾值判斷兩種方式確定開裂的狀態，其中人工識別方法費時費力，識別的準確率受操作人員的經驗影響較大；閾值判斷方法通過采集波形的幅值區分信號和噪聲，然而，混凝土開裂產生的電磁輻射信號幅值小，容易被環境噪聲所干擾，其次，突變噪聲的閾值往往與電磁輻射信號接近，單純的閾值判斷容易將突變的噪聲與混凝土開裂產生的電磁輻射信號混淆，導致通過電磁輻射信號判斷活動裂紋是否存在的方法誤判率較高。因此，有必要研究微弱電磁信號處理和識別方法，提高判別成功率。

信號處理方法如閾值去噪、頻域去噪作為信號識別方法的預處理階段，可對信號進行初步分解，但是無法反映信號頻率隨時間的變化特征。因此，研究人員提出短時傅里葉變換（STFT）[8]、小波變換[9]、經驗模態分解[10] 等時頻域處理方法。其中STFT 和連續小波變換（CWT）可將一維時域信號轉化為二維時頻圖，常常作為神經網絡等信號識別的預處理方法。

信號識別方法如支持向量機方法[11]、長短時記憶方法[12]、融合深度學習聚類分割方法[13] 和機器視覺[14] 等人工智能方法可對分解后的信號進行識別。其中，卷積神經網絡（CNN）作為一種在圖像處理和分類中表現優異的深度學習方法，衍生出了ResNet[15] 和GoogLeNet[16] 等多種結構，能夠有效地捕捉圖像的特征，實現對微弱信號的準確分類，廣泛應用于地震信號[17] 和振動信號[18] 的識別，然而在混凝土電磁輻射信號識別領域，卷積神經網絡算法的研究應用較少。

為了更準確地識別混凝土活動裂紋的電磁輻射信號與環境噪聲，本文基于GoogLeNet提出一種新的識別方法。該方法采用CWT 對電磁輻射信號進行分解，將信號轉化為二維的時頻域圖，提取了混凝土開裂電磁輻射信號的前期局部時頻域特征。結合改進的GoogLeNet模型，建立訓練識別模型，實現混凝土活動裂紋電磁輻射信號與環境噪聲的區分。

1混凝土開裂電磁輻射信號特征

混凝土材料在載荷、溫度變化等多種因素作用下，內部將會產生無法穩定的活動裂紋，而在裂紋不斷擴展中，由于應力的突變作用，裂紋表面的晶體發生晶格破裂，在裂紋尖端沿擴展方向處產生正負電荷，電荷隨開裂過程的變化而呈現振蕩衰減的特性，從而向空間中發射電磁輻射信號，其產生與采集過程如圖1所示。

電磁輻射信號經過混凝土和空氣介質的傳播而被電磁信號傳感器接收，接收的電磁信號通過數據傳輸、數據轉換模塊送入控制終端進行信號的識別。脆性材料開裂產生電磁輻射信號的形成原因比較復雜，研究人員提出了位錯理論、摩擦效應和壓磁效應等多種理論解釋其信號的產生與傳播規律。其中，Frid V 通過多年對開裂電磁輻射實驗規律的研究，提出了一種半經驗模型描述電磁輻射信號的特征[19]，這種模型目前被主流的研究學者所采納。其信號模型如下式所示：

式中：t——時間；

t₀——從開始采集到開裂發生的時間；

T——從開裂發生到電磁輻射信號達到最大值所需的時間；

τ——電磁輻射信號的上升時間和下降時間常數，需要通過實驗確定；

A₀——信號的峰值；

ω——信號的角頻率。

然而，公式（1）只描述了單個裂紋沿單一開裂方向產生的電磁輻射信號特征，而在實際采集過程中，多個活動裂紋可能同時出現，裂紋的開裂方向也往往隨時間變化，難以建立一個系統的模型描述開裂電磁輻射信號產生的規律。同時由于空間中存在各種電磁輻射噪聲，如電氣設備的開通與關斷信號也近似為振蕩衰減的信號，如果僅通過信號的時域或頻率特征區分信號和噪聲，其識別成功率通常較低。

2時頻分析

利用電磁輻射信號采集裝置獲取混凝土活動裂紋電磁輻射信號和環境噪聲。由于混凝土活動裂紋產生電磁信號是一個瞬時過程，電磁信號的頻率成分復雜且隨時間變化，常規的時域或頻域分析方法難以識別信號特征。因此，將一維的時域信號轉化為二維的時頻域信號圖，研究信號在開裂過程短時間內的時頻域變化。常規處理方法STFT 的窗長固定，動態分辨率較差，而電磁輻射信號的頻帶寬，且信號頻率不固定，因此本文最終選擇分辨率動態可調的CWT 方法對電磁輻射信號進行處理。信號x（t） 的連續小波變換可以表示為

通過公式（2）可將一維時域信號轉化為二維時頻域圖，并作為GoogLeNet 結構的原始輸入信號。

3模型結構

目前常用的CNN 結構主要有AlexNet、VGG、ResNet 以及GoogLeNet 等。本文在比較各種常用神經網絡方法后，選用GoogLeNet 作為基準網絡結構，并針對活動裂紋電磁輻射信號特征，對其進行了相應改進。

GoogLeNet結構通過引入Inception 模塊，有效解決深度增大引入的問題。Inception結構如圖2所示。這種并行多尺度卷積的結構可幫助網絡同時捕獲不同尺度和層次的特征，提高網絡的表達能力。在3×3前、5×5前、最大池化層后分別加上了1×1的卷積核用于降低網絡的計算量和參數數量。本文在GoogLeNet 的基礎上，為了減少網絡的復雜程度，去除了兩個輔助分類器；將原網絡中最后實現分類任務的全連接層輸出尺寸更改為3，并替換為一個新的分類層；同時為了進一步提高網絡的學習能力，減小過度擬合，在每一層卷積層之后加入激活函數，并選用ReLU函數作為激活單元，ReLU函數如公式（3）所示。模型的網絡結構如圖3所示。

4混凝土電磁輻射信號識別方法

4.1構建訓練數據集

混凝土活動裂紋的電磁輻射研究目前主要在實驗室環境下開展，還未有開源的混凝土活動裂紋電磁輻射信號數據庫，因此本文訓練樣本的電磁輻射信號數據集均取自實驗室環境的測試數據。因為混凝土開裂的電磁輻射信號弱，易受環境噪聲干擾，因此為了獲取純凈的活動裂紋電磁輻射信號，測試實驗在夜晚環境電磁輻射噪聲比較穩定時開展。對混凝土塊選用自膨脹劑緩慢開裂方式產生活動裂紋，實驗測試平臺如圖4 所示。混凝土樣塊破裂產生的電磁輻射信號通過電磁線圈傳感器采集和小信號放大器放大，最終經過數據采集裝置傳輸到PC端。其中，電磁線圈傳感器采用自制的低頻電磁線圈，諧振頻率設置為2.8 kHz。小信號放大器選用清誠公司生產的PAV和PAS兩種放大器，放大倍數設置為100倍。數據采集裝置選用清誠公司生產的8通道SWAE 聲發射信號采集裝置，信號采集方式設置為閾值觸發，采樣頻率為1 MHz，單次信號的采集時長為50ms。由于破裂劑膨脹的速度較慢，混凝土樣塊破裂持續時間可在1h以上，在噪聲比較穩定時開展實驗可準確獲取不同破裂程度混凝土產生的電磁輻射信號。通過多次開展混凝土樣塊破裂實驗，得到不同程度的電磁輻射信號原始數據。

空間中幅值不隨時間發生突然變化的電磁噪聲稱為環境噪聲，可通過將電磁輻射信號采集裝置靜置在電磁噪聲比較穩定的環境中采集得到。空間中幅值隨時間發生突然變化的電磁噪聲稱為突變噪聲，由于日常生活中電氣設備的開通關斷、無線電的干擾等均會產生突變的電磁輻射噪聲，其噪聲與活動裂紋電磁輻射信號類似，容易引起活動裂紋的誤識別。因此，通過設定信號采集閾值，將裝置放置于電磁噪聲波動較大的環境下，長期采集得到空間中電磁輻射突變噪聲。

訓練數據集中數據的采樣頻率為1MHz，每段數據的采樣點數為50 000，采樣時間為50 ms。電磁輻射信號及噪聲數據集如表1 所示。將原始數據集分為混凝土活動裂紋電磁輻射信號（EMR_C）、空間中電磁輻射突變噪聲（EMR_P）、空間中電磁輻射穩態環境噪聲（EMR_S）。訓練數據集一共分為三組數據，為了保證模型訓練時實驗條件的統一性，每組中訓練集與測試集的數據比例均為4∶1，只在C 組數據中減少樣本數據集，以便分析樣本數量減少對識別成功率的影響。

4.2信號識別流程

基于GoogLeNet 的混凝土電磁輻射信號識別方法首先利用CWT 將原始信號轉化為二維時頻域圖像，將圖像輸入到以GoogLeNet 為基礎的卷積神經網絡中，Batch size設置為15，初始學習率設置為0.0001，迭代周期設置為5，最大迭代次數設置為72次，通過比較損失率和準確率的變化情況，結合最大迭代次數綜合判定模型的求解結果。電磁輻射信號識別方法流程如圖5所示。

5實驗研究與分析

5.1時頻圖分析

在A組電磁輻射信號及噪聲數據集中選取EMR_C、EMR_P 和EMR_S 原始信號，其信號的時域和頻域特征如圖6所示。

環境噪聲的幅值低于突變噪聲和活動裂紋信號，但突變噪聲與活動裂紋信號的時域特征難以區分。同時，由于電磁信號幅值與開裂程度和開裂方向有關，其頻率隨時間存在明顯變化。因此，通過頻域的特征判斷信號與噪聲的差別存在較大誤差，需通過時頻域方法分析頻率隨時間的變化。

為了更好地分析CWT方法與其他時頻域分析方法的差異，本文選用常規的STFT作為比較對象，通過STFT和CWT方法處理后的三種類別的信號或噪聲如圖7所示。其中，顏色明亮的區域代表混凝土開裂電磁在該段時間段內某些頻率成分占比較大，通過時頻域圖可知，三種類別的信號或噪聲的主頻頻率均低于10kHz，具有明顯的低頻段特征。與環境噪聲相比，突變噪聲和活動裂紋信號的能量主要集中在早期階段，而環境噪聲中信號能量分布不固定。

通過進一步比較STFT和CWT處理后的圖像可知，CWT可區分突變噪聲與活動裂紋信號的差異，其信號能量雖然主要集中在早期，但是頻段存在明顯差異，如圖中紅色方框所示差異，突變噪聲的主要頻帶較低，分布在2.6 kHz附近，活動裂紋信號的主要頻帶較高， 分布在6.4 kHz附近。而STFT對突變噪聲和活動裂紋信號的區分能力較差，兩者的主要頻帶基本重疊在5 kHz 附近，無法完全將兩者的頻帶劃分開。

5.2 STFT與CWT方法比較

本文的訓練過程在Windows11上進行，所用CPU型號為Ryzen 73700， 運行內存為48GB，GPU 型號為GTX1650，最大迭代次數為72次。選用改進后的GoogLeNet 訓練原始訓練數據集，采用驗證數據集驗證訓練模型的準確率，訓練的總時間為2′58″。第一組數據通過CWT 或STFT 方法預處理，其訓練模型的準確率和損失率如圖8 所示。

采用STFT 或CWT 進行數據預處理的模型準確率和損失率在迭代40 次后基本趨于穩定，其中選用CWT 處理的模型準確率最終為99.63%，選用STFT 處理的模型準確率最終為99.25%。

經驗小波變換（EWT）和支持向量機（SVM）是信號處理和識別領域常用的方法，通過經驗小波變換可獲取不同模態下的信號的幅值、頻率、方差等特征，通過支持向量機將提取的不同模態特征進行分類和識別，可區分信號與噪聲。ResNet 是CNN中一種比較經典的網絡結構，主要用于解決深度CNN 模型難訓練的問題，也廣泛應用于信號去噪和識別中。比較EWT-SVM、CWT-ResNet、STFTGoogLeNet和CWT-GoogLeNet 四種方法對混凝土開裂電磁輻射信號和噪聲的識別成功率，其結果如表2 所示。在識別混凝土活動裂紋電磁輻射信號方面，EWT-SVM對開裂早期信號的特征提取能力較差，雖然對環境噪聲的識別成功率較高，但是由于突變噪聲和活動裂紋電磁信號的幅值和頻率特征相似，其區分成功率較低。與EWT-SVM 方法相比，通過分析開裂早期局部的時頻域特征變化，并引入CNN 結構可顯著提高信號識別成功率。其中，GoogLeNet 結構與ResNet 結構相比，在突變噪聲的識別中具有明顯的優勢，同時預處理方法中CWT相比STFT，由于其對混凝土開裂早期信號的主頻劃分更加準確，其識別成功率也有小幅度的提高。

5.3泛化能力測試

神經網絡算法容易陷入局部最優，導致訓練的模型無法適用于其他未驗證的數據集。因此，對本文所訓練的模型進行泛化能力測試，結果如圖9所示。其中A、B兩種訓練集的泛化識別準確率較高，而在利用C 訓練集進行訓練時，由于訓練的樣本量較少，模型陷入局部最優，導致泛化識別準確率較低。同時，預處理方式中，采用CWT的模型與采用STFT的模型相比具有更強的泛化能力，識別準確率高于97%。由此可知，本文提出的方法訓練的模型泛化能力更強，但是對訓練樣本有一定的要求，當樣本數量過少時，訓練的模型泛化能力有所降低。

5.4抗噪能力測試

對訓練模型的抗噪能力進行測試，模型準確率和損失率如圖10所示。從圖中可知，加入噪聲后訓練模型的準確率相比未加噪聲時，準確率和速度均有一定程度的下降，但是下降的幅度較小，模型的最終準確率為98.3%。

6結束語

本文提出的基于GoogLeNet的混凝土活動裂紋電磁輻射信號識別方法，通過搭建實驗測試平臺獲得了混凝土開裂的電磁輻射信號以及環境噪聲和突變噪聲原始數據，利用CWT 將時域電磁輻射信號轉化為二維的時頻域信號圖，提取了混凝土開裂電磁輻射信號的早期時頻域特征，將突變噪聲和電磁輻射信號的頻帶區分開，并通過改進GoogLeNet網絡搭建訓練模型，實現了對混凝土活動裂紋電磁輻射信號的準確識別。同時本文提出的方法具有較強的泛化能力和抗噪能力，可適用于多種場景下電磁輻射信號的識別，有利于推動混凝土活動裂紋的監測，保障混凝土建筑的安全穩定。