1.一种基于人工智能与声发射技术的裂缝损伤定位方法,其特征在于,包括:S1、获取用于模拟裂缝声发射信号的断铅信号,并将所述断铅信号经小波分解得到包含多个小波分解图像的数据集;
S2、将数据集中的小波分解图像划分为不同频率段图像,通过卷积神经网络的初步训练找出最优频率段图像,并根据最优频率段图像进行训练,得到初始卷积神经网络;
S3、通过迁移学习将所述初始卷积神经网络已训练好的参数设置为迁移后的卷积神经网络的固定网络参数,重复步骤S2的流程,将获取的裂缝声发射信号送入迁移后的卷积神经网络进行训练,得到裂缝损伤识别定位模型;
S4、基于所述裂缝损伤识别定位模型对待测裂缝进行裂缝损伤分类和定位。
2.如权利要求1所述的一种基于人工智能与声发射技术的裂缝损伤定位方法,其特征在于,步骤S1包括:S11、利用声发射仪器采集用于模拟裂缝声发射信号的断铅信号;
S12、采用Morlet小波母函数以64尺度对所述断铅信号进行连续小波分解,得到时频域信息矩阵;
S13、基于时频域信息矩阵构建出多个小波分解图像;
S14、将多个所述小波分解图像作为数据集,并分别以60%、20%与20%的比例划分为训练集、优化集以及验证集。
3.如权利要求2所述的一种基于人工智能与声发射技术的裂缝损伤定位方法,其特征在于,所述小波分解图像的像素为1024*256。
4.如权利要求2所述的一种基于人工智能与声发射技术的裂缝损伤定位方法,其特征在于,步骤S2包括:S21、将训练集、优化集和测试集中的小波分解图像划分为不同频率段图像,并赋予不同的标签;
S22、将训练集中的不同频率段图像送入卷积神经网络进行初步训练;
S23、利用优化集比较不同频率段图像的分类识别性能,并找出最优频率段图像和其对应的标签;
S24、提取训练集、优化集和测试集中的最优频率段图像,将训练集中的最优频率段图像送入卷积神经网络进行训练,通过测试集测试性能,得到初始卷积神经网络。
5.如权利要求4所述的一种基于人工智能与声发射技术的裂缝损伤定位方法,其特征在于,将小波分解图依据0~255像素区段、128~383像素区段、256~511像素区段、384~
649像素区段、512~767像素区段、640~895像素区段以及768~1024像素区段分别划分为第一频率段图像、第二频率段图像、第三频率段图像、第四频率段图像、第五频率段图像、第六频率段图像以及第七频率段图像,并对应设置第一标签、第二标签、第三标签、第四标签、第五标签、第六标签以及第七标签。
6.如权利要求4所述的一种基于人工智能与声发射技术的裂缝损伤定位方法,其特征在于,所述初步训练的次数设置在80~100次。
7.如权利要求4所述的一种基于人工智能与声发射技术的裂缝损伤定位方法,其特征在于,步骤S24包括:S241、提取训练集、优化集和测试集中的最优频率段图像,将训练集中的最优频率段图像经过神经网络的卷积层与全连接层进行分类,得到分类结果;
S242、利用分类结果与正确标签的误差函数进行反向梯度传播,更新卷积层和全连接层的权值,从而完成一次卷积层与全连接层权值的更新迭代;
S243、重复步骤S241‑S242,直到分类结果与正确标签的误差连续多次没有下降,通过测试集测试性能,得到初始卷积神经网络。
8.一种基于人工智能与声发射技术的桥梁裂缝损伤定位系统,其特征在于,包括数据获取模块、数据处理模块、结果文档提交模块以及数据与分析结果显示模块;
所述数据获取模块,用于获取声发射信号;
所述数据处理模块,用于声发射信号的波形分类以及声发射源定位;
所述结果文档提交模块,用于提交分类结果与定位结果;
所述数据与分析结果显示模块,用于显示处理中的各类数据与分析结果;
其中,所述声发射信号为断铅信号,所述数据处理模块具体执行如下步骤:S1、将所述断铅信号经小波分解得到包含多个小波分解图像的数据集;
S2、将数据集中的小波分解图像划分为不同频率段图像,通过卷积神经网络的初步训练找出最优频率段图像,并根据最优频率段图像进行训练,得到初始卷积神经网络;
S3、通过迁移学习将所述初始卷积神经网络已训练好的参数设置为迁移后的卷积神经网络的固定网络参数,重复步骤S2的流程,将获取的裂缝声发射信号送入迁移后的卷积神经网络进行训练,得到裂缝损伤识别定位模型;
S4、基于所述裂缝损伤识别定位模型对待测裂缝进行裂缝损伤分类和定位。
9.如权利要求8所述的一种基于人工智能与声发射技术的桥梁裂缝损伤定位系统,其特征在于,所述数据处理模块采用极坐标分区的方式实现声发射源定位。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一项所述的基于人工智能与声发射技术的裂缝损伤定位方法。