基于聲信號的抹灰墻質量檢測及試驗研究

基于聲信號的抹灰墻質量檢測及試驗研究

0 引言

建筑外墻飾面層的設計施工是施工過程中的一個重要環節，但由于抹灰墻自身及外界因素的影響，在施工和使用過程中逐漸出現了一系列的問題，出現了空鼓、脫落等現象，不僅影響建筑物的視覺效果，還嚴重影響到人們的生命財產安全[1、2]。

用于檢測墻體的方法有很多，傳統的檢測方法主要是通過檢測者人工敲擊墻面或者用敲擊錘隨意性地劃過墻面，聽取聲音的特點判別墻面是否存在缺陷，該方法可能會在一定程度上造成墻體的損壞，而且主要依賴于檢測者的主觀經驗，隨意性較大，準確性可能達不到要求[3]。

本文將利用聲音傳感器和采集卡等設備，采集抹灰墻不同黏結情況的敲擊聲信號，通過對聲信號進行預處理，提取聲信號的梅爾頻率倒譜參數（MFCC），并采用動態時間規整（DTW）算法對參數進行識別，分析參考樣本數數量的大小對識別率的影響，初步驗證用聲信號檢測識別抹灰墻黏結缺陷的可行性和有效性。

1 敲擊聲信號能量分析[4]

通過將敲擊動力學的過程轉化為二自由度彈簧系統，進行簡化建模分析（圖1）。

兩個彈簧倔強系數分別為Kf和Kc，即為墻體的彎曲強度和非線性接觸區域的強度，墻體和敲擊球的等效質量分別為M0和M1。

圖1 敲擊過程的彈簧模型

視墻體的初始狀態為靜態的，在敲擊過程中，當敲擊錘速度減小為零時，墻體達到最大變形，此時所有的初動能全部轉化為墻體的彎曲振動能量以及接觸范圍內所形變產生的能量。因此，不考慮墻體變形產生的剪切力和敲擊產生的壓縮波等成分，能量守恒方程可寫成如下式子：

式中， V0—敲擊球的初動能；

Ef—墻體的彎曲變形能量；

Ec—接觸范圍內的能量，包含墻體的形變能量和敲擊錘的形變能量，該部分能量通過敲擊錘的反彈最終轉化為敲擊錘的剩余振動能量。

將λ定義為初動能轉為墻體彎曲振動能量的比率，假設敲擊錘與圓盤的中心接觸，圓盤厚度h，半徑，k12為常數，由文獻[5]得到以下表達式：

當墻體存在空鼓時，其等效厚度小于正常的墻體，因而敲擊過程中敲擊錘的初動能轉化為墻體彎曲振動的能量比率遠大于正常墻體對應的情況。由于彎曲振動的頻率較低，因此可以根據敲擊聲信號的頻譜分析來判別墻體是否存在空鼓。

2 聲信號識別原理

對聲信號進行識別時，首先對采集的聲信號進行預處理，提取特定的信號參數，并保存為標準信號。然后，輸入待測樣本參數，將其特征參數與標準特征參數進行比較。如果誤差在允許的范圍內，則表示待測樣本與標準樣本匹配，否則樣本不匹配。

2.1 預處理流程

對聲信號進行預處理的流程如圖2所示。

2.2 預加重處理

通過對聲信號的高頻部分加重，達到提高信號的高頻分辨率和使信號頻譜更加平緩的效果。預加重的實現一般是由一階的而數字濾波器來實現：

式中，α—預加重系數，0.9＜α＜1.0 ，α通常

取0.95。

2.3 濾波

采用梅爾濾波器組對聲信號進行濾波。

2.4 信號歸一化

消除不同信號樣本間的數量級差異。

2.5 分幀和加窗處理

聲信號在非常短的時間范圍內是可視為近似穩定的信號，即聲信號具有短時平穩性。通常取每幀時長為10~30ms，幀長為200，幀移取80。分幀后進行加窗處理，常用的有矩形窗和漢明窗兩種。

矩形窗函數：

圖2 聲信號預處理結構流程圖

漢明窗函數：

2.6 端點檢測

采用基于短時平均過零率和短時能量的端點檢測方法。在信噪比較高的環境下，敲擊聲信號的能量遠大于噪聲的能量，所以僅需對輸入的短時能量和短時平均過零率進行逐幀比較就可區分敲擊信號段、噪音段。在求出短時能量和短時平均過零率之后，設置高門限和低門限，即先選取一個較高的短時能量值進行粗判，再利用短時過零率進行二次判別。當短時能量低于低門限，而下一幀高于低門限，則說明進入了信號段；反之，則進入了噪音段。直到二者均低于低門限時，說明信號段結束。具體端點檢測如圖3所示。

3 敲擊聲信號特征提取與識別

3.1 Mel頻率倒譜系數（MFCC）及參數提取[6-10]

梅爾頻率到譜系數（MFCC）表示人耳對于頻率的感知呈非線性特性，能準確反應聲信號的聽覺特征。Mel標度與頻率之間的關系是：

式中， f—線性刻度的頻率，單位Hz；

圖3 有效端點檢測

Mel(f)—Mel標度。

提取MFCC參數的過程如下（圖4）：

圖4 MFCC的提取流程圖

（1）對預處理后的每一幀進行離散的傅里葉變換（DFT），求得線性頻譜X(k)，轉換公式為：

（2）求線性頻譜幅度X(k)的平方，得到幅度譜。

（3）將幅度譜通過梅爾三角濾波器組形成Mel頻譜輸出m(l)，l=1，2，…，L，L取24。

（4）將Mel頻譜取對數，進而做離散余弦變換（DCT），即可得到MFCC參數：

3.2 動態時間規整算法（DTW）[11-14]

動態時間規整算法（DTW）屬于目前聲信號識別較常用的模板匹配法，其原理是找到一個時間規整函數m=w(n) ，將待測樣本信號的特征矢量R={r1，r2，…，rm} 映射到參考樣本模板的特征矢量U={u1，u2，…，un} (m≠n)，且滿足式子：

式中， D[n,w(n)]—第n幀待測樣本特征矢量與第m幀參考模板的的特征矢量之間的距離；

D[i , j]—在最優化的時間規整情況下，兩個模板之間的距離測度。

如圖5所示，黑色路徑為利用動態規劃（DP）方法從矩陣D（m，n）中找出的倒譜距離失真最小的路徑，使該路徑與模板信號的倒譜距離失真累積最小。

通過對敲擊聲信號進行提取MFCC參數之后，將待測樣本的信號參數與參考模板的信號特征參數進行匹配，得到匹配與參考模板之間的累積距離之和，累積距離小者，則與對應的參考模板類型相似度越高，從而判斷待測樣本的類型，得出墻體的檢測結果。

4 試驗與討論

4.1 試驗系統及設置

本試驗的系統主要由聲音傳感器、敲擊錘、信號采集儀及計算機組成。聲音傳感器采用江蘇聯能電子技術有限公司的MP40，靈敏度為45.2mV/Pa，可測聲音頻率范圍20～20 000Hz。信號采集儀采用凌華科技（中國）有限公司的USB-2405，是一款24位高性能USB接口動態信號采集模塊，擁有4個輸入通道，每個通道采樣頻率最高可達128ks/s，可實時顯示和存貯采集信號，并導出供Matlab識別的數據文件，進一步對數據進行處理和分析。

敲擊聲信號由焊有直徑為20mm金屬球的敲擊錘來實現，信號通過聲音傳感器接收至信號采集卡，通過A/D轉換上傳至數據處理端，采樣率取值為12.8kHz。為減少周圍環境噪音對采集信號的影響，將聲音傳感器置于離敲擊點約10cm處（圖6）。

本試驗的對象為700mm×1200mm的實驗墻體，分別模擬正常、空鼓墻體的真實情況。部分典型的正常、空鼓信號波形如圖7、8所示。

根據采集到的聲信號，對空鼓墻體和正常墻體的頻譜進行分析和比對，可以看出，正常墻體對應的頻譜圖特征峰主要在3 000Hz左右，而空鼓墻體對應的頻譜特征主要集中在500～2 500Hz低頻帶范圍內。這是由于墻體存在空鼓時，其等效厚度小于正常的墻體，敲擊過程中產生的初動能轉化為墻體的彎曲振動能量比率遠大于正常墻體對應的情況，低頻帶范圍反應了空鼓墻體的彎曲振動。但是，由于外界環境噪音的干擾，以及人工手動敲擊的力度存在差異性，會導致正常墻體在3 000Hz左右的頻譜特征峰發生變動及低頻帶彎曲振動能量改變。因此，若單純采用頻譜特征對墻體進行識別，容易出現誤判。

4.2 試驗結果討論

通過敲擊正常及空鼓的不同位置獲得不同的聲信號波形，并針對正常、空鼓的墻體，分別選取100個樣本，訓練成參考模板。再次分別選取正常墻體和空鼓墻體各40個樣本進行分類測試（表1、2）。

從表1模型匹配的識別結果顯示，采用MFCC參數與DTW算法相結合的識別方法，正常墻體的識別率為92.5%，空鼓墻體的識別率為97.5%。

圖5 待測模板與參考模板倒譜距離矩陣

圖6 信號采集

圖7 正常墻體對應的時域圖及頻譜圖

圖8 空鼓墻體對應的時域圖及頻譜圖

表1 DTW算法的識別結果

表2 不同數量的參考樣本對識別結果的影響

表2給出參考樣本數量對同一組待測樣本識別率的影響，可以看出，隨著參考樣本數的增加，墻體空鼓和正常的識別率呈現上升的趨勢。在同樣條件下，由于墻體的敲擊聲信號采集方便，過程簡單，因此可以通過增加參考樣本的數量來提高墻體空鼓或正常的識別率。

5 結語

綜上所述，本文通過試驗研究墻體存在空鼓的實際問題。利用在敲擊抹灰墻體產生的聲信號，提取了多組信號樣本的MFCC參數，并利用DTW算法原理對樣本進行識別檢測。試驗結果驗證了該算法具有訓練方便、識別率高、實用性強等特點，在抹灰墻體的空鼓檢測中，有效地檢測出墻體空鼓位置，避免了墻體的空鼓問題對建筑物的安全性造成影響。隨著參考樣本數量的增加，其所包含的樣本參數信息越全面，在對空鼓墻體進行識別時，有效提高了識別率。

[1]周桂萍.外墻飾面磚空鼓脫落主要原因與防治措施[J].江漢石油職工大學學報,2015,04:50-51.

[2]馬秋柱.外墻面磚黏貼工藝探討[A].河南省土木建筑學會.河南省土木建筑學會2010年學術大會論文集[C].河南省土木建筑學會: 2010:3.

[3]孫牽宇,童峰,曹紹杰.基于SPCE61A的墻體空鼓聲無損檢測系統[J].聲學技術,2007,06:1150-1154.

[4]TONG Feng, S K TSO, M Y Y Hung, Impactacoustics-based health monitoring of tile-wall bonding integrity using principal component analysis[J]. Journal of Sound and Vibration, 2006, 294(7): 329-340. [5]Sansalone M, William B. Streett, Impact-echo NDE of Concrete and Masonry[M]. Bullbrier Press, Ithaca, N. Y.,2003.

[6]李澤,崔宣,馬雨廷,陳俊宇. MFCC和LPCC特征參數在說話人識別中的研究[J].河南工程學院學報(自然科學版),2010,02:51-55.

[7]陳勇,屈志毅,劉瑩,酒康,郭愛平,楊志國.語音特征參數MFCC的提取及其應用[J].湖南農業大學學報(自然科學版),2009,S1:106-107.

[8]胡政權,曾毓敏,宗原,李夢超.說話人識別中MFCC參數提取的改進[J].計算機工程與應用,2014,07:217-220. [9]王正創.基于MFCC的聲紋識別系統研究[D].江南大學,2014.

[10]周春暉.基于MFCC特征和GMM模型的說話人識別系統研究[D].蘭州理工大學,2013.

[11]朱淑琴,趙瑛. DTW語音識別算法研究與分析[J].微計算機信息,2012,05:150-151+163.

[12]蘇昊,王民,李寶. 一種改進的DTW語音識別系統[J].中國西部科技,2011,01:38-39+94.

[13]陳孟元.基于改進型DTW算法和MFCC的語音識別[J]. 安徽工程大學學報,2014,01:53-57.

[14]侯瑞真.基于DTW算法的在線語音識別與仿真[D].北方工業大學,2014.

Quality Inspection and Experimental Study of Plastered Wall Based on Acoustic Signals

■ 張旭清 Zhang Xuqing 劉文白 Liu Wenbai 孔 戈 Kong Ge 高建衛 Gao Jianwei

利用聲音傳感器和采集卡搭建起來的試驗系統，單點單次敲擊抹灰墻試驗墻體，采集聲信號的時域波形圖。考慮到人耳對墻體敲擊聲信號不同頻率的感受程度，利用人耳的聽覺特性，通過提取梅爾頻率倒譜系數（MFCC），并采用動態時間規整（DTW）算法對信號樣本進行識別分類，分析參考樣本數數量的大小對識別率的影響，初步驗證用聲信號檢測識別抹灰墻黏結缺陷的可行性和有效性。

梅爾頻率倒譜系數；動態時間規整；識別率

The test system consisting of sound sensors and acquisition card is used to inspect the wall and form the time-domain waveform utilizing the acoustic signal produced by "single tap, single time" on plastered wall. Considering human ear's perception for percussive sound signals with different frequencies, we analyzed the infl uence of sample size over recognition rate by extracting the Mel Frequency Cepstrum Coeffi cient (MFCC), using the Dynamic Time Warping (DTW) algorithm and utilizing human ear's auditory characteristics, by which we initially verifi ed the feasibility and effectiveness of acoustic signals in inspecting plastered wall's bonding defects.

Mel Frequency Cepstrum Coeffi cient, Dynamic Time Warping, recognition rate

2016-10-27）

國家自然科學基金項目（51078228）、國家海洋公益性行業科研專項經費項目（201105024-5）、2013年上海市研究生教育創新計劃實施項目“學位點建設培育”（20131129）、上海市科學技術委員會立項項目《既有建筑外圍護結構飾面層脫落風險檢測技術及標準的制定》（編號15DZ0500700）。

張旭清，上海海事大學海洋科學與工程學院碩士研究生；劉文白，上海海事大學海洋科學與工程學院教授，碩士生、博士生導師；孔戈，上海眾材工程檢測有限公司總經理，高級工程師；高建衛，上海眾材工程檢測有限公司科研中心主任，高級工程師。