基于高光谱视觉建模框架的无损混凝土强度检测

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：Non-destructive concrete strength detection using a hyperspectral vision-based modeling framework

　　摘要：与非破坏性检测的传统方法相比，无损检测具有无侵入、实时性强且效率高的优势。高光谱成像被广泛用于通过无损检测识别损伤和评估材料老化状况，但关于其力学性能反演的研究却相对有限。本研究将400–1000纳米范围的高光谱数据应用于混凝土抗压强度的评估。通过将光谱特征与破坏性试验结果进行校准，构建了一种机器学习模型，用以定量关联光谱数据与强度值，从而拓展了该技术在结构性能评估中的应用范围。实验结果表明，在光谱预处理中引入库贝尔卡-蒙克理论可显著降低预测误差。反向传播算法、经遗传算法优化的反向传播算法、支持向量机以及随机森林模型的均方根误差分别降低了9.18%、4.33%、2.26%和5.64%。与文献中报道的4.71兆帕的均方根误差相比，本研究中的最优模型所得均方根误差为3.54兆帕，体现了一定的改进效果。决定系数R2达到了0.91，相应地提升了0.02。这些结果证明了高光谱技术作为可靠的无损混凝土强度评估方法的有效性。

引言：结构健康监测与损伤评估是基础设施工程领域面临的重要挑战[1]、[2]。作为现代工程结构的核心材料，准确评估混凝土的抗压强度对于确保其在高应力条件下的结构性能至关重要[3]、[4]。然而，随着使用时间的延长，隧道衬砌、水坝、建筑物、挡土墙以及桥梁等结构的力学性能不可避免地会出现不同程度的劣化[5]、[6]，因此及时检测尤为重要。2012年，日本萨萨隧道发生多块混凝土顶板坍塌事故，造成了巨大的经济损失[7]。2020年，咸阳市某项目现场的挡土墙发生坍塌，直接经济损失达730万元人民币[8]。1962年，丹江口大坝因混凝土质量问题而暂停施工。在美国，一栋高层公寓因混凝土强度不足，在正常施工荷载作用下逐渐坍塌。在天津的一个建筑项目中，由于混凝土未能达到设计要求且未能及时被发现，共有18栋建筑被拆除重建，直接经济损失约为7亿元。这些事故的发生在一定程度上可归因于检测效率不足。因此，开发高效、便捷且能实现大范围覆盖的检测方法对于降低安全风险具有重要意义[9]、[10]、[11]、[12]、[13]。

目前，用于评估强度指标的传统方法大致可分为两类：破坏性检测与无损检测[14]、[15]、[16]。芯样钻取法是一种常用的破坏性检测技术，用于在结构损伤评估中测定混凝土的抗压强度[17]、[18]。回弹法则是无损检测中最广泛采用的技术之一，它通过将混凝土的表面硬度与其抗压强度相关联来估算强度[19]、[20]。对于这两种方法而言，取样流程和操作方式都会对检测结果产生重大影响，且高度依赖于操作人员的技术水平。不过，在质量验收和争议仲裁等场景中，芯样钻取法仍为主流检测方式。此外，在某些应用场景中，接触式测量方法往往存在技术上的局限性。综上所述，依赖接触式测量的混凝土强度检测方法存在固有缺陷。

非接触式测量可实现远程检测，红外热成像和雷达便是非接触式无损检测的典型代表。尽管这两种技术的原理相似，但它们主要是根据材料的相对状态来估算强度值，难以直接获取材料的固有物理性质[4]、[21]。高光谱成像是一种非接触式的无损光学技术，可用于分析材料的成分与性质[22]、[23]。它被广泛应用于食品检测[24]、[25]、[26]、医学领域[27]、[28]以及地质学研究[29]、[30]、[31]。目前，仅有少数研究尝试利用高光谱、多光谱或图像数据来估算材料的力学性能。Mousavi等人[32]通过光谱技术建立了强度与高光谱图像数据之间的关联，并运用支持向量机对24份森林道路土壤样本的强度指标进行了评估分析。Bakun-Mazor等人[33]认为岩石的化学与物理性质与其组成材料的性质之间存在内在联系，他们通过光谱模型建立关联，间接评估了碳酸盐类材料的力学性能。Kereszturi等人[34]利用光谱技术预测了火山岩的强度和孔隙率，同时强调了该技术在识别岩体内部差异性方面的潜力。Zhang等人[35]则利用光谱技术预测了砂岩的强度指标。还有研究人员运用光谱技术将亚利桑那州的花岗岩按强度分为弱、中、强三个等级[36]。一些学者还利用光谱技术预测并分析了隧道衬砌的强度[37]。虽然这些研究的应用场景和最终目标各不相同，但它们的方法思路是一致的：即通过建立光谱特征与特定力学性能指标之间的关联，间接预测材料的力学性能[38]。

为验证光谱特征与强度指标之间映射关系的普遍性，本研究选择了成分较为均匀的混凝土结构作为研究对象，旨在开发一种高效、便捷、可覆盖大范围且无需破坏性的基于高光谱技术的检测方法。该方法的实施可分为两个阶段。首先，制备多强度级别的混凝土标准试件，以模拟实际的多任务检测场景（如图1所示），并构建一个包含400–1000纳米范围内高光谱数据以及标准抗压强度测量值的光谱-力学数据库；其次，应用库贝尔卡-蒙克理论对光谱数据进行预处理，之后训练机器学习模型，建立光谱特征与强度指标之间的非线性映射关系。通过交叉验证优化模型超参数，以提高预测精度。最后，以重庆的一座桥墩作为工程验证对象，通过现场测试验证了该模型在真实使用环境中的预测精度与实用性。

方法论：为满足对混凝土强度进行快速无损检测的需求，本研究提出了一种基于高光谱数据的自动强度反演方法，该方法旨在实现对基础设施薄弱区域的智能识别与辅助诊断。如图3所示，该方法基于机器学习框架构建，由三个核心模块组成：1）物理机制优化。该部分基于库贝尔卡-蒙克理论[39]，对漫反射光谱进行处理。

性能评估框架：在本研究中，采用了两种传统的评估指标来衡量模型在训练阶段和预测阶段的性能。F1分数和卡帕系数是用于分类模型的常规评估指标。F1分数通过平衡精确度与召回率，能够全面反映模型的性能；而卡帕系数则用于量化预测结果与实际分类结果之间的吻合程度，排除偶然因素的影响。对于这两个指标，其数值越大，表示模型的性能越好。

实验与结果：本节主要探讨了利用高光谱技术对混凝土强度指标进行无损评估的方法，系统地开展了区分度测试与预测测试。整个工作流程从数据准备开始，包括测试方案设计、环境控制、模型训练以及结果分析等环节。在此基础上，还通过现场采样进一步验证了该模型的适用性。实验结果表明，当运用高光谱成像技术时，能够有效……

结论与未来工作：本研究通过机器学习模型体系揭示了混凝土强度指标与高光谱特征之间的定量关联，并提出了一种以机器学习为导向的高光谱数据建模流程，以实现混凝土强度的无损检测。研究发现，融合库贝尔卡-蒙克理论的策略能有效提升类别边界识别的准确性。在三类分类任务和多类分类任务中，最优模型均为支持向量机，其F1分数和卡帕系数均表现较好。

利益冲突声明：作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。

致谢：本研究得到了国家自然科学基金（项目编号：52179096）、重庆市青年拔尖人才计划（项目编号：cstc2024ycjh-bgzxm0047）以及中国重庆市研究生创新基金（项目编号：CYB25042）的支持。

彭立新|杨海青|周晓宇|张旭|李行月|鞠安华|蒋中华
中国重庆市400045，重庆大学土木工程学院，山区土木工程安全与韧性国家重点实验室