基于声信号的抹灰墙质量检测及试验研究

基于声信号的抹灰墙质量检测及试验研究

0 引言

建筑外墙饰面层的设计施工是施工过程中的一个重要环节，但由于抹灰墙自身及外界因素的影响，在施工和使用过程中逐渐出现了一系列的问题，出现了空鼓、脱落等现象，不仅影响建筑物的视觉效果，还严重影响到人们的生命财产安全[1、2]。

用于检测墙体的方法有很多，传统的检测方法主要是通过检测者人工敲击墙面或者用敲击锤随意性地划过墙面，听取声音的特点判别墙面是否存在缺陷，该方法可能会在一定程度上造成墙体的损坏，而且主要依赖于检测者的主观经验，随意性较大，准确性可能达不到要求[3]。

本文将利用声音传感器和采集卡等设备，采集抹灰墙不同黏结情况的敲击声信号，通过对声信号进行预处理，提取声信号的梅尔频率倒谱参数（MFCC），并采用动态时间规整（DTW）算法对参数进行识别，分析参考样本数数量的大小对识别率的影响，初步验证用声信号检测识别抹灰墙黏结缺陷的可行性和有效性。

1 敲击声信号能量分析[4]

通过将敲击动力学的过程转化为二自由度弹簧系统，进行简化建模分析（图1）。

两个弹簧倔强系数分别为Kf和Kc，即为墙体的弯曲强度和非线性接触区域的强度，墙体和敲击球的等效质量分别为M0和M1。

图1 敲击过程的弹簧模型

视墙体的初始状态为静态的，在敲击过程中，当敲击锤速度减小为零时，墙体达到最大变形，此时所有的初动能全部转化为墙体的弯曲振动能量以及接触范围内所形变产生的能量。因此，不考虑墙体变形产生的剪切力和敲击产生的压缩波等成分，能量守恒方程可写成如下式子：

式中， V0—敲击球的初动能；

Ef—墙体的弯曲变形能量；

Ec—接触范围内的能量，包含墙体的形变能量和敲击锤的形变能量，该部分能量通过敲击锤的反弹最终转化为敲击锤的剩余振动能量。

将λ定义为初动能转为墙体弯曲振动能量的比率，假设敲击锤与圆盘的中心接触，圆盘厚度h，半径，k12为常数，由文献[5]得到以下表达式：

当墙体存在空鼓时，其等效厚度小于正常的墙体，因而敲击过程中敲击锤的初动能转化为墙体弯曲振动的能量比率远大于正常墙体对应的情况。由于弯曲振动的频率较低，因此可以根据敲击声信号的频谱分析来判别墙体是否存在空鼓。

2 声信号识别原理

对声信号进行识别时，首先对采集的声信号进行预处理，提取特定的信号参数，并保存为标准信号。然后，输入待测样本参数，将其特征参数与标准特征参数进行比较。如果误差在允许的范围内，则表示待测样本与标准样本匹配，否则样本不匹配。

2.1 预处理流程

对声信号进行预处理的流程如图2所示。

2.2 预加重处理

通过对声信号的高频部分加重，达到提高信号的高频分辨率和使信号频谱更加平缓的效果。预加重的实现一般是由一阶的而数字滤波器来实现：

式中，α—预加重系数，0.9＜α＜1.0 ，α通常

取0.95。

2.3 滤波

采用梅尔滤波器组对声信号进行滤波。

2.4 信号归一化

消除不同信号样本间的数量级差异。

2.5 分帧和加窗处理

声信号在非常短的时间范围内是可视为近似稳定的信号，即声信号具有短时平稳性。通常取每帧时长为10~30ms，帧长为200，帧移取80。分帧后进行加窗处理，常用的有矩形窗和汉明窗两种。

矩形窗函数：

图2 声信号预处理结构流程图

汉明窗函数：

2.6 端点检测

采用基于短时平均过零率和短时能量的端点检测方法。在信噪比较高的环境下，敲击声信号的能量远大于噪声的能量，所以仅需对输入的短时能量和短时平均过零率进行逐帧比较就可区分敲击信号段、噪音段。在求出短时能量和短时平均过零率之后，设置高门限和低门限，即先选取一个较高的短时能量值进行粗判，再利用短时过零率进行二次判别。当短时能量低于低门限，而下一帧高于低门限，则说明进入了信号段；反之，则进入了噪音段。直到二者均低于低门限时，说明信号段结束。具体端点检测如图3所示。

3 敲击声信号特征提取与识别

3.1 Mel频率倒谱系数（MFCC）及参数提取[6-10]

梅尔频率到谱系数（MFCC）表示人耳对于频率的感知呈非线性特性，能准确反应声信号的听觉特征。Mel标度与频率之间的关系是：

式中， f—线性刻度的频率，单位Hz；

图3 有效端点检测

Mel(f)—Mel标度。

提取MFCC参数的过程如下（图4）：

图4 MFCC的提取流程图

（1）对预处理后的每一帧进行离散的傅里叶变换（DFT），求得线性频谱X(k)，转换公式为：

（2）求线性频谱幅度X(k)的平方，得到幅度谱。

（3）将幅度谱通过梅尔三角滤波器组形成Mel频谱输出m(l)，l=1，2，…，L，L取24。

（4）将Mel频谱取对数，进而做离散余弦变换（DCT），即可得到MFCC参数：

3.2 动态时间规整算法（DTW）[11-14]

动态时间规整算法（DTW）属于目前声信号识别较常用的模板匹配法，其原理是找到一个时间规整函数m=w(n) ，将待测样本信号的特征矢量R={r1，r2，…，rm} 映射到参考样本模板的特征矢量U={u1，u2，…，un} (m≠n)，且满足式子：

式中， D[n,w(n)]—第n帧待测样本特征矢量与第m帧参考模板的的特征矢量之间的距离；

D[i , j]—在最优化的时间规整情况下，两个模板之间的距离测度。

如图5所示，黑色路径为利用动态规划（DP）方法从矩阵D（m，n）中找出的倒谱距离失真最小的路径，使该路径与模板信号的倒谱距离失真累积最小。

通过对敲击声信号进行提取MFCC参数之后，将待测样本的信号参数与参考模板的信号特征参数进行匹配，得到匹配与参考模板之间的累积距离之和，累积距离小者，则与对应的参考模板类型相似度越高，从而判断待测样本的类型，得出墙体的检测结果。

4 试验与讨论

4.1 试验系统及设置

本试验的系统主要由声音传感器、敲击锤、信号采集仪及计算机组成。声音传感器采用江苏联能电子技术有限公司的MP40，灵敏度为45.2mV/Pa，可测声音频率范围20～20 000Hz。信号采集仪采用凌华科技（中国）有限公司的USB-2405，是一款24位高性能USB接口动态信号采集模块，拥有4个输入通道，每个通道采样频率最高可达128ks/s，可实时显示和存贮采集信号，并导出供Matlab识别的数据文件，进一步对数据进行处理和分析。

敲击声信号由焊有直径为20mm金属球的敲击锤来实现，信号通过声音传感器接收至信号采集卡，通过A/D转换上传至数据处理端，采样率取值为12.8kHz。为减少周围环境噪音对采集信号的影响，将声音传感器置于离敲击点约10cm处（图6）。

本试验的对象为700mm×1200mm的实验墙体，分别模拟正常、空鼓墙体的真实情况。部分典型的正常、空鼓信号波形如图7、8所示。

根据采集到的声信号，对空鼓墙体和正常墙体的频谱进行分析和比对，可以看出，正常墙体对应的频谱图特征峰主要在3 000Hz左右，而空鼓墙体对应的频谱特征主要集中在500～2 500Hz低频带范围内。这是由于墙体存在空鼓时，其等效厚度小于正常的墙体，敲击过程中产生的初动能转化为墙体的弯曲振动能量比率远大于正常墙体对应的情况，低频带范围反应了空鼓墙体的弯曲振动。但是，由于外界环境噪音的干扰，以及人工手动敲击的力度存在差异性，会导致正常墙体在3 000Hz左右的频谱特征峰发生变动及低频带弯曲振动能量改变。因此，若单纯采用频谱特征对墙体进行识别，容易出现误判。

4.2 试验结果讨论

通过敲击正常及空鼓的不同位置获得不同的声信号波形，并针对正常、空鼓的墙体，分别选取100个样本，训练成参考模板。再次分别选取正常墙体和空鼓墙体各40个样本进行分类测试（表1、2）。

从表1模型匹配的识别结果显示，采用MFCC参数与DTW算法相结合的识别方法，正常墙体的识别率为92.5%，空鼓墙体的识别率为97.5%。

图5 待测模板与参考模板倒谱距离矩阵

图6 信号采集

图7 正常墙体对应的时域图及频谱图

图8 空鼓墙体对应的时域图及频谱图

表1 DTW算法的识别结果

表2 不同数量的参考样本对识别结果的影响

表2给出参考样本数量对同一组待测样本识别率的影响，可以看出，随着参考样本数的增加，墙体空鼓和正常的识别率呈现上升的趋势。在同样条件下，由于墙体的敲击声信号采集方便，过程简单，因此可以通过增加参考样本的数量来提高墙体空鼓或正常的识别率。

5 结语

综上所述，本文通过试验研究墙体存在空鼓的实际问题。利用在敲击抹灰墙体产生的声信号，提取了多组信号样本的MFCC参数，并利用DTW算法原理对样本进行识别检测。试验结果验证了该算法具有训练方便、识别率高、实用性强等特点，在抹灰墙体的空鼓检测中，有效地检测出墙体空鼓位置，避免了墙体的空鼓问题对建筑物的安全性造成影响。随着参考样本数量的增加，其所包含的样本参数信息越全面，在对空鼓墙体进行识别时，有效提高了识别率。

[1]周桂萍.外墙饰面砖空鼓脱落主要原因与防治措施[J].江汉石油职工大学学报,2015,04:50-51.

[2]马秋柱.外墙面砖黏贴工艺探讨[A].河南省土木建筑学会.河南省土木建筑学会2010年学术大会论文集[C].河南省土木建筑学会: 2010:3.

[3]孙牵宇,童峰,曹绍杰.基于SPCE61A的墙体空鼓声无损检测系统[J].声学技术,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]李泽,崔宣,马雨廷,陈俊宇. MFCC和LPCC特征参数在说话人识别中的研究[J].河南工程学院学报(自然科学版),2010,02:51-55.

[7]陈勇,屈志毅,刘莹,酒康,郭爱平,杨志国.语音特征参数MFCC的提取及其应用[J].湖南农业大学学报(自然科学版),2009,S1:106-107.

[8]胡政权,曾毓敏,宗原,李梦超.说话人识别中MFCC参数提取的改进[J].计算机工程与应用,2014,07:217-220. [9]王正创.基于MFCC的声纹识别系统研究[D].江南大学,2014.

[10]周春晖.基于MFCC特征和GMM模型的说话人识别系统研究[D].兰州理工大学,2013.

[11]朱淑琴,赵瑛. DTW语音识别算法研究与分析[J].微计算机信息,2012,05:150-151+163.

[12]苏昊,王民,李宝. 一种改进的DTW语音识别系统[J].中国西部科技,2011,01:38-39+94.

[13]陈孟元.基于改进型DTW算法和MFCC的语音识别[J]. 安徽工程大学学报,2014,01:53-57.

[14]侯瑞真.基于DTW算法的在线语音识别与仿真[D].北方工业大学,2014.

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

■ 张旭清 Zhang Xuqing 刘文白 Liu Wenbai 孔 戈 Kong Ge 高建卫 Gao Jianwei

利用声音传感器和采集卡搭建起来的试验系统，单点单次敲击抹灰墙试验墙体，采集声信号的时域波形图。考虑到人耳对墙体敲击声信号不同频率的感受程度，利用人耳的听觉特性，通过提取梅尔频率倒谱系数（MFCC），并采用动态时间规整（DTW）算法对信号样本进行识别分类，分析参考样本数数量的大小对识别率的影响，初步验证用声信号检测识别抹灰墙黏结缺陷的可行性和有效性。

梅尔频率倒谱系数；动态时间规整；识别率

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）

国家自然科学基金项目（51078228）、国家海洋公益性行业科研专项经费项目（201105024-5）、2013年上海市研究生教育创新计划实施项目“学位点建设培育”（20131129）、上海市科学技术委员会立项项目《既有建筑外围护结构饰面层脱落风险检测技术及标准的制定》（编号15DZ0500700）。

张旭清，上海海事大学海洋科学与工程学院硕士研究生；刘文白，上海海事大学海洋科学与工程学院教授，硕士生、博士生导师；孔戈，上海众材工程检测有限公司总经理，高级工程师；高建卫，上海众材工程检测有限公司科研中心主任，高级工程师。