Adaptive Signal Analysis for Automated Subsurface Defect Detection Using Impact Echo in Concrete Slabs
作者: Deepthi Pavurala, Duoduo Liao, Chaithra Reddy Pasunuru
分类: eess.SP, cs.AI, cs.CV
发布日期: 2024-12-23
备注: Accepted by IEEE Big Data 2024
期刊: IEEE BigData, Year: 2024; Pages: 3282-3291
DOI: 10.1109/BigData62323.2024.10825873
💡 一句话要点
提出一种自适应信号分析方法，用于混凝土板冲击回波无损检测中缺陷的自动检测。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 冲击回波 无损检测 混凝土缺陷检测 自适应信号处理 聚类分析
📋 核心要点
- 现有冲击回波检测方法依赖人工分析，效率低且易受主观因素影响，难以大规模应用。
- 提出一种自适应阈值方法，根据混凝土板的材料属性动态调整频率阈值，实现缺陷的自动识别。
- 实验结果表明，该方法在缺陷检测中取得了优异的性能，F1分数高达0.95，AUC-ROC达到0.83。
📝 摘要（中文）
本研究提出了一种新颖、自动化且可扩展的方法，用于检测和评估混凝土板中易发生地下缺陷的区域，该方法利用冲击回波（IE）信号分析。该方法集成了先进的信号处理、聚类和可视化分析技术，以识别地下异常。一种独特的自适应阈值方法根据每个板的独特材料属性定制基于频率的缺陷识别。该方法生成频率图、二值掩码和k-means聚类图，以自动分类缺陷和非缺陷区域。关键可视化技术，包括3D表面图、聚类图和等高线图，用于分析空间频率分布并突出显示结构异常。该研究利用了在美国联邦公路管理局（FHWA）高级传感技术无损评估实验室构建的标记数据集。评估包括地面实况掩蔽，将生成的缺陷图与从 FHWA 提供的信息导出的俯视图二值掩码进行比较。性能指标，特别是 F1 分数和 AUC-ROC，分别达到高达 0.95 和 0.83 的值。结果表明了该方法的稳健性，始终如一地识别出易发生缺陷的区域，且误报率极低，漏报缺陷很少。自适应频率阈值确保了在解决不同板之间变化时的灵活性，为检测结构异常提供了一个可扩展的框架。此外，由于其通用阈值机制，该方法适用于其他基于频率的信号，并具有集成多模态传感器融合的潜力。这种自动化且可扩展的管道最大限度地减少了人工干预，确保了准确高效的缺陷检测，进一步推进了无损评估（NDE）技术。
🔬 方法详解
问题定义：本研究旨在解决混凝土结构中地下缺陷的自动检测问题。传统的冲击回波检测方法依赖于人工信号分析，过程耗时且结果易受人为因素影响，难以满足大规模、高效率的检测需求。现有方法难以适应不同混凝土板材的差异性，导致检测精度下降。
核心思路：核心思路是利用自适应信号分析技术，根据每个混凝土板的材料特性动态调整频率阈值，从而实现缺陷的自动识别和分类。通过频率分析、聚类和可视化等手段，将缺陷区域与非缺陷区域区分开来，并生成直观的缺陷分布图。
技术框架：该方法主要包含以下几个阶段：1) 冲击回波信号采集；2) 信号预处理，包括去噪等；3) 频率分析，生成频率图；4) 自适应阈值处理，根据材料属性确定频率阈值；5) 二值掩码生成，将超过阈值的区域标记为缺陷；6) k-means聚类，对缺陷区域进行分类；7) 可视化分析，生成3D表面图、聚类图和等高线图，用于缺陷评估。
关键创新：最关键的创新在于自适应阈值处理方法。传统方法使用固定的频率阈值，无法适应不同混凝土板材的差异性。本研究提出的自适应阈值方法，能够根据每个板的材料属性动态调整阈值，从而提高检测精度和鲁棒性。
关键设计：自适应阈值的具体实现方式未知，论文中没有详细描述。k-means聚类的参数设置（如聚类数量k）可能需要根据具体应用场景进行调整。损失函数未知，因为这是一个无监督学习任务。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在 FHWA 数据集上取得了优异的性能，F1 分数高达 0.95，AUC-ROC 达到 0.83。与传统方法相比，该方法能够更准确地识别缺陷区域，并减少误报和漏报，证明了其在混凝土结构缺陷检测中的有效性和鲁棒性。
🎯 应用场景
该研究成果可应用于桥梁、隧道、建筑物等混凝土结构的无损检测，实现缺陷的快速、准确识别，降低维护成本，提高结构安全性。该方法还可扩展到其他基于频率的信号分析，并集成多模态传感器数据，具有广阔的应用前景。
📄 摘要（原文）
This pilot study presents a novel, automated, and scalable methodology for detecting and evaluating subsurface defect-prone regions in concrete slabs using Impact Echo (IE) signal analysis. The approach integrates advanced signal processing, clustering, and visual analytics to identify subsurface anomalies. A unique adaptive thresholding method tailors frequency-based defect identification to the distinct material properties of each slab. The methodology generates frequency maps, binary masks, and k-means cluster maps to automatically classify defect and non-defect regions. Key visualizations, including 3D surface plots, cluster maps, and contour plots, are employed to analyze spatial frequency distributions and highlight structural anomalies. The study utilizes a labeled dataset constructed at the Federal Highway Administration (FHWA) Advanced Sensing Technology Nondestructive Evaluation Laboratory. Evaluations involve ground-truth masking, comparing the generated defect maps with top-view binary masks derived from the information provided by the FHWA. The performance metrics, specifically F1-scores and AUC-ROC, achieve values of up to 0.95 and 0.83, respectively. The results demonstrate the robustness of the methodology, consistently identifying defect-prone areas with minimal false positives and few missed defects. Adaptive frequency thresholding ensures flexibility in addressing variations across slabs, providing a scalable framework for detecting structural anomalies. Additionally, the methodology is adaptable to other frequency-based signals due to its generalizable thresholding mechanism and holds potential for integrating multimodal sensor fusion. This automated and scalable pipeline minimizes manual intervention, ensuring accurate and efficient defect detection, further advancing Non-Destructive Evaluation (NDE) techniques.