一种混凝土结构老化程度检测方法和装置与流程

1.本发明涉及混凝土检测领域，尤其是一种混凝土结构老化程度检测方法和装置。


背景技术：

2.由于外界荷载作用和内部材料缺陷，建筑结构物在使用过程中不可避免的出现结构损伤和刚度退化现象。裂缝是结构刚度退化的最早迹象之一，裂缝的形成不仅使得结构刚度降低，而且由于裂缝的形成使得结构中的钢筋暴露在空气和雨水之中，导致钢筋不断被锈蚀，进一步导致结构强度降低，从而严重影响结构的安全使用，甚至出现坍塌造成巨大的损失。因此，准确的判断混凝土老化程度以指导采取合理的结构修复措施，对于维护建筑结构的安全可靠有着重要意义。
3.现有技术中对混凝土老化检测多为人工根据经验进行巡检，根据人观察到的混凝土颜色、裂缝以及其他表面细节根据经验判断老化程度。所述方法耗时耗力，且较为主观，无法实现客观评定。


技术实现要素：

4.为了解决上述技术问题，本发明提供一种混凝土结构老化程度检测方法和装置。所述方法基于探地雷达以及图像采集装置对待检测的混凝土块进行检测，得到雷达信号以及图像信号，通过对雷达信号和图像信号的融合及识别获得混凝土老化评估指标值，结合多个指标值以及其权重，计算得到混凝土老化程度。
5.为了解决上述存在的技术问题，实现发明目的，本发明是通过以下技术方案实现的：一种混凝土结构老化程度检测方法，包括如下步骤：s1：获取雷达信号以及图像信号，包括采用探地雷达对混凝土进行检测以及采用图像采集装置采集混凝土表面图像信号；s2：基于改进的小波算法结合聚类分析及熵滤波的方法对雷达信号进行双重滤波去噪；s3：雷达信号处理分析，提取信号特征，所述信号特征包括基于功率谱提取雷达信号的功率谱特征；s4：雷达信号融合，将多个雷达信号进行融合；s5：对图像信号进行去噪，得到图像信号颜色特征；s6：基于步骤s4得到的融合后的雷达信号特征以及步骤s5得到的图像信号颜色特征进行混凝土老化评估指标值计算；s7：基于改进的g1-熵权法对混凝土老化评估指标进行融合计算，确定混凝土的老化程度。
6.进一步的，所述步骤s2中的改进的小波算法结合聚类分析及熵滤波包括：s21：建立回波信号模型，设回波信号wr由三部分组成：
7.其中，dr、sr、nr分别为直达波、目标信号以及噪声分量矩阵；s22：对wr进行奇异值分解可得：
8.其中，m,n为水平和垂直方向上的采样点个数，，，d为m*n阶半正定矩阵，其主对角元素为由大到小排列的奇异值；对wr进行重构，可得：
9.其中，为排在第i个位置的奇异值，为相互正交的秩1等距矩阵序列，wr为wi的非负线性组合；直达波、信号以及噪声的近似表达式为：
10.s23：基于熵理论对k1和k2进行估计：定义，则dr、sr、nr可重写为：
11.根据熵理论，可以得到下式所示的定义：
12.其中，熵函数ω如下：
13.ω(a)为矩阵a的能量在垂直方向上的分散程度，ω(a)越大意味着矩阵a的能量越分散；表示图像的矩阵；获取ω(k)的第一局部最大值和第二局部最大值，分别为k1和k
2 +1；s24：基于k1和k2的值进行第一次去噪，具体为：根据k1和k2分别得到回波信号wr三个组成分量，进一步将直达波和噪声分量滤除，得到目标信号，即为第一次去噪结果；s25：对第一次去噪结果进行小波变换，得到不同分解次数下的近似值、水平细节、垂直细节与对角线信号；s26：对小波分解后的各部分信号进行k-svd算法处理，在迭代次数内稀疏编码和更新字典元素；s27：用最后一次迭代得到的稀疏系数和字典进行重构；s28：将重构处理后的不同信号进行小波逆变换，并进行进一步的自适应双边滤波，得到第二次去噪后的信号。
14.进一步的，所述更新字典元素包括如下步骤：a.找到应用原子的图像块索引集合；b.针对任一索引，计算表示误差；c.构造误差矩阵，由表示误差构成，每个表示误差作为列向量；d.将误差矩阵进行奇异值分解。
15.进一步的，所述步骤s3中功率谱特征包括最大峰值、最大谱宽、功率最大的峰区以及各个分段的能量和。
16.进一步的，所述步骤s4包括：s41：建立融合模型；s42：基于相关分析算法进行信号分类；s43:选择特征子类并进行信号特征融合。
17.进一步的，基于遗传算法选择特征子类。
18.进一步的，所述步骤s6包括基于步骤s4得到的融合的雷达信号特征计算混凝土裂缝大小、深度、混凝土腐蚀程度；基于步骤s5得到的图像信号颜色特征计算混凝土颜色指标值。
19.进一步的，所述改进的g1-熵权法包括：s71：基于g1法确定第一权重，包括：a.确定评估指标序关系；设为混凝土老化评估指标，其包括混凝土裂缝大小、深度、混凝土颜色、混凝土腐蚀程度，根据经验设定混凝土老化评估指标的重要程度为：，其中；
b.判断序关系中相邻指标的相对重要性；规定统一的判断准则，设相邻工作指标和的重要程度比为ri，则：
20.其中，和分别为评估指标和的权重；c.利用积乘法计算权重，如下所示：
21.s72：基于熵权法确定第二权重a.对各个指标数据进行无量纲化处理，如下式：
22.其中，u
ij
为混凝土老化评估指标fi的第j个数据，min u
ij
为混凝土老化评估指标fi的最小值，max u
ij
为混凝土老化评估指标fi的最大值；b.计算熵值以及熵权向量，熵值计算如下式所示：
23.其中，si为熵值；熵权向量计算如下式所示：
24.s73：确定综合权重基于如下方式结合第一权重和第二权重得到综合权重：
25.其中，为第k个混凝土老化评估指标的综合权重，wk为基于g1法得到的第一权重，pk为熵权法得到的第二权重；s74：基于综合权重结合混凝土老化评估指标得到混凝土老化程度
26.其中，qk为第k个混凝土老化评估指标的评估值。
27.本发明还提供一种混凝土结构老化程度检测装置，其包括：信号采集模块，其用于采用探地雷达对混凝土进行检测以及采用图像采集装置采
集混凝土表面图像信号；雷达信号去噪模块，其用于基于改进的小波算法结合聚类分析及熵滤波的方法进行双重滤波去噪；雷达信号处理模块，其用于对雷达信号进行处理分析，并提取信号特征；雷达信号融合模块，其用于将多个雷达信号的特征进行融合；图像信号处理模块，其用于对图像信号进行去噪，得到图像信号颜色特征；混凝土老化评估指标值计算模块，其用于基于雷达信号融合模块得到的融合后的雷达信号特征以及图像信号处理模块得到的图像信号颜色特征进行混凝土老化评估指标值计算。
28.老化程度计算模块，其用于基于改进的g1-熵权法对混凝土老化评估指标进行融合计算，确定混凝土的老化程度。
29.此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有混凝土结构老化程度检测方法的程序指令，所述混凝土结构老化程度检测的程序指令可被一个或者多个处理器执行，以实现如上所述的混凝土结构老化程度检测方法的步骤。
30.与现有技术相比，本发明的有益效果为：（1）基于多种混凝土老化评估指标结合对应的权重实现混凝土结构老化程度的客观评定。
31.（2）基于改进的小波算法结合聚类分析及熵滤波的方法进行雷达信号的双重滤波去噪，实现了更加有效地滤除雷达回波信号中的噪声，从而为后续信号处理识别提供较高质量的信号。
32.（3）基于改进的g1-熵权法对混凝土老化评估指标进行融合计算确定最优的混凝土老化评估指标综合权重，实现了最优权重判定，进一步提高了混凝土老化程度判定的准确性。
附图说明
33.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1是根据本技术实施例的一种混凝土结构老化程度检测方法流程示意图。
34.图2是根据本技术实施例的一种探地雷达设置示意图。
35.图3是根据本技术实施例的一种信号融合方法示意图。
36.附图标记：1.待测混凝土、2.雷达起始位置、3.雷达结束位置、4.裂缝。
具体实施方式
37.下面结合附图对本公开实施例进行详细描述。
38.以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神
下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
39.还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
40.参见图1，一种混凝土结构老化程度检测方法包括以下步骤：s1：获取雷达信号以及图像信号，包括：s11：采用探地雷达对混凝土进行检测，如图2所示，将探地雷达设置在混凝土表面，通过移动雷达获取不同位置的雷达信号。
41.s12：采用图像采集装置采集混凝土表面图像信号。
42.s2：对雷达信号进行去噪探地雷达探测目标时，由于会受到环境噪声和杂波干扰，导致回波信号存在杂波，因此，需要对获得的雷达信号进行去噪处理。
43.在现有技术中，对雷达信号去噪常用方法是均值滤波、奇异值滤波、主成分分析、小波分析等传统方法，上述方法对于混合多种杂波的雷达信号无法实现有效的噪声去除，进而影响后续信号处理识别，对此，本发明基于改进的小波算法结合聚类分析及熵滤波的方法进行双重滤波去噪，具体实现方式如下：s21：建立回波信号模型，设回波信号wr由三部分组成：
44.其中，dr、sr、nr分别为直达波、目标信号以及噪声分量矩阵；s22：对wr进行奇异值分解可得：
45.其中，m,n为水平和垂直方向上的采样点个数，，，d为m*n阶半正定矩阵，其主对角元素为由大到小排列的奇异值；对wr进行重构，可得：
46.其中，为排在第i个位置的奇异值，为相互正交的秩1等距矩阵序列，wr为wi的非负线性组合。
47.直达波主要分布在较大奇异值对应的矩阵，而噪声则主要分布在奇异值较小的对应矩阵，因此可得直达波、信号以及噪声的近似表达式为：
48.s23：基于熵理论对k1和k2进行估计：定义，则dr、sr、nr可重写为：
49.根据熵理论，可以得到下式所示的定义：
50.ω(a)为矩阵a的能量在垂直方向上的分散程度，ω(a)越大意味着矩阵a的能量越分散；表示图像的矩阵；获取ω(k)的第一局部最大值和第二局部最大值，分别为k1和k
2 +1。
51.可选的，第二局部最大值通过熵变化得到，如下式所示：
52.其中，g为设定的熵变化阈值。当熵变化小于g时，得到k2。
53.s24：基于k1和k2的值进行第一次去噪，具体为：根据k1和k2分别得到回波信号wr三个组成分量，进一步将直达波和噪声分量滤除，得到目标信号，即为第一次去噪结果。
54.s25：对第一次去噪结果进行小波变换，得到不同分解次数下的近似值、水平细节、垂直细节与对角线信号。可选的，选择三次小波分解。
55.s26：对小波分解后的各部分信号进行k-svd算法处理，在迭代次数内稀疏编码和更新字典元素；其中包括：所述稀疏编码采用正交匹配追踪方法，所述方法将字典进行施密特正交化，使各
原子相互线性无关，被选出的最相关的原子组成的集合彼此都是正交的，包括如下步骤：（1）初始化残差，选择的原子集为空集，迭代次数；其中，为测量向量。
56.（2）求解寻找与残差最相关的原子，ti为原子的索引。更新索引集，将放到已选原子集中；（3）最小二乘得到本次迭代稀疏系数：
57.（4）更新残差；（5）判断是否满足停止条件，满足时，结束算法；若不满足，则，重新返回第(2)步继续执行。
58.所述停止条件可以为残差小于设定阈值。
59.所述更新字典元素包括如下步骤：a.找到应用该原子的图像块索引集合b.针对任一索引，计算表示误差；c.构造误差矩阵，由表示误差构成，每个表示误差作为列向量；将误差矩阵进行奇异值分解。
60.k-svd方法去噪框架下字典从含噪数据中学习特征并且不断完善，使的含有噪声干扰的信号在此字典下得到的稀疏系数更加稀疏。
61.s27：用最后一次迭代得到的稀疏系数和字典进行重构;s28：将重构处理后的不同信号进行小波逆变换，并进行进一步的自适应双边滤波，得到第二次去噪后的信号。
62.经过二次去噪，实现了更加有效地滤除雷达回波信号中的噪声，从而为后续信号处理识别提供较高质量的信号。
63.s3：雷达信号处理分析，提取信号特征对去噪之后的雷达信号进行处理分析，包括：可选的，基于功率谱提取雷达信号的功率谱特征，其中包括最大峰值、最大谱宽、功率最大的峰区以及各个分段的能量和。
64.所述各个分段的能量和如下式得到：
65.其中，p
x
为功率，wi2、wi1分别为分段的上下限。
66.s4：雷达信号融合，将多个雷达信号进行融合，如图3所示，具体包括以下步骤：s41：建立融合模型在特征层基于相关分析算法进行信号分类，并分别选择不同类别中的信号进行融合得到融合信号。
67.s42：基于相关分析算法进行信号分类，包括如下步骤：a.定义自适应最近邻距离，构造距离矩阵d使得元素为：
68.其中，，是对欧几里得距离重新度量准则，其中，sw为类内散布矩阵，sb为类间散布矩阵，ε为调和参数，，基于所述调和参数可以起到加速收敛的作用。其中，，其中，yi为降维后的数据实例。
69.b.选择用户定义近邻参数k并定义权值，权值矩阵计算方式如下：
70.其中，δ为自定义参数。
71.c.构造代价函数如下：
72.其中，；可选的，基于拉普拉斯本征映射算法计算y。
73.根据代价函数的大小将雷达信号分为l类。
74.s43:选择特征子类并进行信号融合。
75.由于受到多种因素的影响，导致所提取的特征存在主观性、猜测性以及一定程度的冗余。为了消除特征提取的主观性，提高雷达信号分选识别的准确率，本发明采用特征选择算法旋转特征子类，子类中的特征用于后续的识别。
76.可选的，基于遗传算法选择特征子类：a.遗传参数初始化，种群规模为n，迭代次数t；初始值设为0，变异率和交叉率的综合因子为β。采用佳点集方法产生初始种群n(t)。
77.b.按照适应度函数计算种群的适应度，按升序排列，选择出规模为p的最佳个体组f(t)。
78.c.将初始种群n(t)分割成n1(t)~n
p
(t)，分别对n2(t)~n
p
(t)其进行关键基因位统计，保留优秀基因到m2(t)~m
p
(t)。
79.d.选取最佳个体组f(t)中的f2(t)~f
p
(t)对应与n2(t)~n
p
(t)中的个体进行佳点集交叉。采用步骤c中保留下的基因值对n2(t+1)~n
p
(t+1)引导变异。随机产生n/p个新个体赋值给n1(t+1)，并将n1(t)~n
p
(t)赋值给n(t+1)。
80.e.根据适应度函数计算n(t+1)的适应度值，最佳个体组与n(t+1)中的个体进行竞争替换，将适应度高的个体组成新的最佳个体组f(t+1)，并重新进行适应度升序排列。
81.f.若最佳个体组连续k代都无变化，需要进行突变操作，产生新的种群并选出最佳个体完善替代步骤d中最佳个体组的个体。
82.g.进化代数t增加1，执行步骤c，直到算法结束。
83.其中，适应度函数如下：设共有l类雷达信号样本规模为n，每个样本的特征维数为m，即雷达信号训练样本集为(xk,yk),xk∈ｒm，yk∈{1，
…
，l}，定义含有i(i=1，
…
，m)个特征的特征子集的区分度
dfsi如下式所示：
84.其中，nj是第j类雷达样本数，1≤j≤l，为包含当前i个特征的特征子集在整个数据集上的均值向量，为第j类雷达信号的均值向量，为第j类雷达信号第k个样本对应当前i个特征的特征向量。上式中分子表示l个类别中各类别分别包含当前i个特征的特征子集的均值向量与整个雷达信号样本对应当前i个特征的均值向量的距离平方和，其值越大，类间越疏;分母表示的各类雷达信号数据对应当前i个特征的特征子集的类内方差，方差越小，类内越紧凑。
85.所述特征子集的区分度dfsi表示了当前i个雷达信号特征的特征子集的类间距离和与类内方差之比,其值越大表明选择出的特征子集性能越好。
86.选择特征子集的区分度dfsi大于设定阈值的雷达信号的特征子集，根据选择的特征子集进行信号特征融合。
87.s5：对图像信号进行去噪，得到图像信号颜色特征。
88.s6：基于步骤s4得到的融合后的雷达信号特征以及步骤s5得到的图像信号颜色特征进行混凝土老化评估指标值计算。
89.混凝土老化评估指标，其包括但不限于混凝土裂缝大小、深度、混凝土颜色、混凝土腐蚀程度。
90.进一步的，基于步骤s4得到的融合的雷达信号特征计算混凝土裂缝大小、深度、混凝土腐蚀程度；基于步骤s5得到的图像信号颜色特征计算混凝土颜色指标值。
91.可选的，基于ga-bp神经网络根据雷达信号特征得到混凝土裂缝大小、深度、混凝土腐蚀程度，范围大小为0-p。
92.可选的，基于cnn图像识别算法对图像信号的颜色特征进行识别，得到混凝土颜色指标值，范围大小为0-p。所述混凝土颜色指标值对应不同老化程度的混凝土颜色。
93.s7：基于混凝土老化评估指标进行老化程度计算基于改进的g1-熵权法对混凝土老化评估指标进行融合计算，确定混凝土的老化程度，包括如下步骤：s71：基于g1法确定第一权重，包括：a.确定评估指标序关系。设为混凝土老化评估指标，其包括混凝土裂缝大小、深度、混凝土颜色、混凝土腐蚀程度，根据经验设定混凝土老化评估指标的重要程度为：，其中。
94.b.判断序关系中相邻指标的相对重要性。规定统一的判断准则，设相邻工作指标和的重要程度比为ri，则：
95.其中，和分别为评估指标和的权重。
96.c.利用积乘法计算权重，如下所示：
97.s72：基于熵权法确定第二权重a.对各个指标数据进行无量纲化处理，如下式：
98.其中，u
ij
为混凝土老化评估指标fi的第j个数据，min u
ij
为混凝土老化评估指标fi的最小值，max u
ij
为混凝土老化评估指标fi的最大值。
99.b.计算熵值以及熵权向量，熵值计算如下式所示：
100.其中，si为熵值；熵权向量计算如下式所示：
101.s73：确定综合权重基于如下方式结合第一权重和第二权重得到综合权重：
102.其中，为第k个混凝土老化评估指标的综合权重，wk为基于g1法得到的第一权重，pk为熵权法得到的第二权重。
103.s74：基于综合权重结合混凝土老化评估指标得到混凝土老化程度
104.其中，qk为第k个混凝土老化评估指标的评估值。
105.在本实施方式中，基于多种混凝土老化评估指标结合对应的权重实现混凝土结构老化程度的客观评定。基于改进的小波算法结合聚类分析及熵滤波的方法进行雷达信号的双重滤波去噪，实现了更加有效地滤除雷达回波信号中的噪声，从而为后续信号处理识别提供较高质量的信号。基于改进的g1-熵权法对混凝土老化评估指标进行融合计算确定最优的混凝土老化评估指标综合权重，实现了最优权重判定，进一步提高了混凝土老化程度判定的准确性。
106.本发明实施例还提出一种混凝土结构老化程度检测装置，包括：信号采集模块，其用于采用探地雷达对混凝土进行检测以及采用图像采集装置采集混凝土表面图像信号；雷达信号去噪模块，其用于基于改进的小波算法结合聚类分析及熵滤波的方法进行双重滤波去噪；雷达信号处理模块，其用于对雷达信号进行处理分析，并提取信号特征；雷达信号融合模块，其用于将多个雷达信号的特征进行融合；图像信号处理模块，其用于对图像信号进行去噪，得到图像信号颜色特征；混凝土老化评估指标值计算模块，其用于基于雷达信号融合模块得到的融合后的雷达信号特征以及图像信号处理模块得到的图像信号颜色特征进行混凝土老化评估指标值计算。
107.老化程度计算模块，其用于基于改进的g1-熵权法对混凝土老化评估指标进行融合计算，确定混凝土的老化程度。
108.此外，本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有混凝土结构老化程度检测方法的程序指令，所述混凝土结构老化程度检测程序指令可被一个或者多个处理器执行，以实现如上所述的混凝土结构老化程度检测方法的步骤。
109.以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

技术特征：
1.一种混凝土结构老化程度检测方法，其特征在于，包括如下步骤：s1：获取雷达信号以及图像信号，包括采用探地雷达对混凝土进行检测以及采用图像采集装置采集混凝土表面图像信号；s2：基于改进的小波算法结合聚类分析及熵滤波的方法对雷达信号进行双重滤波去噪；s3：雷达信号处理分析，提取信号特征，所述信号特征包括基于功率谱提取雷达信号的功率谱特征；s4：雷达信号融合，将多个雷达信号进行融合；s5：对图像信号进行去噪，得到图像信号颜色特征；s6：基于步骤s4得到的融合后的雷达信号特征以及步骤s5得到的图像信号颜色特征进行混凝土老化评估指标值计算；s7：基于改进的g1-熵权法对混凝土老化评估指标进行融合计算，确定混凝土的老化程度。2.根据权利要求1所述的混凝土结构老化程度检测方法，其特征在于，所述步骤s2中的改进的小波算法结合聚类分析及熵滤波包括：s21：建立回波信号模型，设回波信号w
r
由三部分组成：，其中，d
r
、s
r
、n
r
分别为直达波、目标信号以及噪声分量矩阵；s22：对w
r
进行奇异值分解可得：，其中，m,n为水平和垂直方向上的采样点个数，，，d为m*n阶半正定矩阵，其主对角元素为由大到小排列的奇异值；对w
r
进行重构，可得：，其中，为排在第i个位置的奇异值，为相互正交的秩1等距矩阵序列，w
r
为w
i
的非负线性组合；直达波、信号以及噪声的近似表达式为：
，s23：基于熵理论对k1和k2进行估计：定义，则d
r
、s
r
、n
r
重写为：，根据熵理论，得到下式所示的定义：，其中，熵函数ω如下：，ω(a)为矩阵a的能量在垂直方向上的分散程度，ω(a)越大意味着矩阵a的能量越分散；表示图像的矩阵；获取ω(k)的第一局部最大值和第二局部最大值，分别为k1和k
2 +1；s24：基于k1和k2的值进行第一次去噪，具体为：根据k1和k2分别得到回波信号w
r
三个组成分量，进一步将直达波和噪声分量滤除，得到目标信号，即为第一次去噪结果；s25：对第一次去噪结果进行小波变换，得到不同分解次数下的近似值、水平细节、垂直细节与对角线信号；s26：对小波分解后的各部分信号进行k-svd算法处理，在迭代次数内稀疏编码和更新字典元素；s27：用最后一次迭代得到的稀疏系数和字典进行重构；s28：将重构处理后的不同信号进行小波逆变换，并进行进一步的自适应双边滤波，得
到第二次去噪后的信号。3.根据权利要求2所述的混凝土结构老化程度检测方法，其特征在于，所述更新字典元素包括如下步骤：a.找到应用原子的图像块索引集合；b.针对任一索引，计算表示误差；c.构造误差矩阵，由表示误差构成，每个表示误差作为列向量；d.将误差矩阵进行奇异值分解。4.根据权利要求1所述的混凝土结构老化程度检测方法，其特征在于，所述步骤s3中功率谱特征包括最大峰值、最大谱宽、功率最大的峰区以及各个分段的能量和。5.根据权利要求1所述的混凝土结构老化程度检测方法，其特征在于，所述步骤s4包括：s41：建立融合模型；s42：基于相关分析算法进行信号分类；s43：选择特征子类并进行信号特征融合。6.根据权利要求5所述的混凝土结构老化程度检测方法，其特征在于，基于遗传算法选择特征子类。7.根据权利要求1所述的混凝土结构老化程度检测方法，其特征在于，所述步骤s6包括基于步骤s4得到的融合的雷达信号特征计算混凝土裂缝大小、深度、混凝土腐蚀程度；基于步骤s5得到的图像信号颜色特征计算混凝土颜色指标值。8.根据权利要求1所述的混凝土结构老化程度检测方法，其特征在于，所述改进的g1-熵权法包括：s71：基于g1法确定第一权重，包括：a.确定评估指标序关系；设为混凝土老化评估指标，其包括混凝土裂缝大小、深度、混凝土颜色、混凝土腐蚀程度，根据经验设定混凝土老化评估指标的重要程度为：，其中；b.判断序关系中相邻指标的相对重要性；规定统一的判断准则，设相邻工作指标和的重要程度比为r
i
，则：，，其中，和分别为评估指标和的权重；c.利用积乘法计算权重，如下所示：，s72：基于熵权法确定第二权重a.对各个指标数据进行无量纲化处理，如下式：
，其中，u
ij
为混凝土老化评估指标f
i
的第j个数据，min u
ij
为混凝土老化评估指标f
i
的最小值，max u
ij
为混凝土老化评估指标f
i
的最大值；b.计算熵值以及熵权向量，熵值计算如下式所示：，其中，s
i
为熵值；熵权向量计算如下式所示：，s73：确定综合权重基于如下方式结合第一权重和第二权重得到综合权重：，其中，为第k个混凝土老化评估指标的综合权重，w
k
为基于g1法得到的第一权重，p
k
为熵权法得到的第二权重；s74：基于综合权重结合混凝土老化评估指标得到混凝土老化程度，其中，q
k
为第k个混凝土老化评估指标的评估值。9.一种基于如权利要求1-8任意一项所述的混凝土结构老化程度检测方法的装置，其特征在于，其包括：信号采集模块，其用于采用探地雷达对混凝土进行检测以及采用图像采集装置采集混凝土表面图像信号；雷达信号去噪模块，其用于基于改进的小波算法结合聚类分析及熵滤波的方法进行双重滤波去噪；雷达信号处理模块，其用于对雷达信号进行处理分析，并提取信号特征；雷达信号融合模块，其用于将多个雷达信号的特征进行融合；图像信号处理模块，其用于对图像信号进行去噪，得到图像信号颜色特征；混凝土老化评估指标值计算模块，其用于基于雷达信号融合模块得到的融合后的雷达信号特征以及图像信号处理模块得到的图像信号颜色特征进行混凝土老化评估指标值计算；老化程度计算模块，其用于基于改进的g1-熵权法对混凝土老化评估指标进行融合计
算，确定混凝土的老化程度。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有混凝土结构老化程度检测方法的程序指令，所述混凝土结构老化程度检测的程序指令可被一个或多个处理器执行，以实现如权利要求1-8任意一项所述的混凝土结构老化程度检测方法的步骤。

技术总结
本发明公开了一种混凝土结构老化程度检测方法和装置，所述方法包括获取雷达信号以及图像信号，基于改进的小波算法结合聚类分析及熵滤波的方法对雷达信号进行双重滤波去噪，雷达信号处理分析，提取信号特征，雷达信号融合，对图像信号进行去噪，得到图像信号颜色特征，基于融合后的雷达信号特征以及图像信号颜色特征进行混凝土老化评估指标值计算，基于改进的G1-熵权法对混凝土老化评估指标进行融合计算，确定混凝土的老化程度。本发明实现了混凝土结构老化程度的客观评定，且在处理雷达信号时采用了改进的小波算法结合聚类分析及熵滤波的方法进行滤波，提高了评定的准确度。提高了评定的准确度。提高了评定的准确度。


技术研发人员：罗梅东 王家兴 程林 罗中政
受保护的技术使用者：深圳市洪发建筑工程有限公司
技术研发日：2023.08.31
技术公布日：2023/10/7