CN111461071A - 一种基于深度学习算法的楼面活荷载统计方法及系统 - Google Patents

一种基于深度学习算法的楼面活荷载统计方法及系统 Download PDF

Info

Publication number
CN111461071A
CN111461071A CN202010364830.8A CN202010364830A CN111461071A CN 111461071 A CN111461071 A CN 111461071A CN 202010364830 A CN202010364830 A CN 202010364830A CN 111461071 A CN111461071 A CN 111461071A
Authority
CN
China
Prior art keywords
indoor
crowd
weight
live load
pictures
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010364830.8A
Other languages
English (en)
Inventor
陈隽
李洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202010364830.8A priority Critical patent/CN111461071A/zh
Publication of CN111461071A publication Critical patent/CN111461071A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/36—Indoor scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于深度学习算法的楼面活荷载统计方法及系统，该方法具体为：将室内物体图片和室内人群图片分别输入训练好的室内物体检测模型和人群计数模型，对应获得物体特征和室内人数；将物体特征输入网络爬虫，获取室内物体重量，根据人群数量和人群平均体重计算室内人群重量，根据室内物体重量和室内人群重量计算楼面活荷载；其中，所述的训练过程为：收集室内物体图片和室内人群图片并进行标记处理，构成数据库，利用数据库训练室内物体检测模型和人群计数模型。与现有技术相比，本发明具有效率高、准确性高等优点。

Description

一种基于深度学习算法的楼面活荷载统计方法及系统
技术领域
本发明涉及建筑结构技术领域，尤其是涉及一种基于深度学习算法的楼面活荷载统计方法及系统。
背景技术
我国较早之前建成的建筑物有相当一部分超过预定的设计基准期，已经有比较严重的老化，包括一些民用住宅、工业厂房、公共建筑物等在内的大量建筑物，虽未超过使用年限，但其中不少也已经发生了安全质量的问题，有一部分己经成为“危房”，无法直接继续使用，对上述几类有问题的建筑物，要将他们拆除重建又将花费大量的人力物力，因此需要对危险建筑物进行加固；此外还有些建筑物需要做用途的改变，例如学校闲置会议室改成图书馆，住宅楼改造成办公楼等，这往往需要对结构进行改造加固，对既有的结构进行加固之前，首先要进行既有结构的可靠性进行评定与分析，其中，可变荷载作为可靠性分析的基本变量，可变荷载中的楼面活荷载又是最重要的组成部分，需准确推断其标准值，过大将造成加固工作量增大，造成人力物力的浪费，过小会使结构的可靠度降低，安全性能不足。
现有技术也给出了一些解决方案，中国文献“建筑楼面活荷载的小样本统计推断”(贾存龙，2013.06.20)提出了线性回归推断方法和贝叶斯推断方法，线性回归推断方法利用极大值I型分布分位值，建立的小样本条件下建筑楼面活荷载标准值；贝叶斯推断方法是以信度的相关理论为基础，建立的小样本条件下建筑楼面活荷载标准值，但这两种方法均需要以场楼面活荷载调查统计的实测数据为基础，建筑结构的活荷载数据无法通过电子监控设备随时间自动收集，目前，楼面活荷载建模所需的数据都由研究人员现场调查获得，因此活荷载统计受到人力、时间成本的限制，难以大规模开展，活荷载研究中的调查面积或实测样本量相对较小，数据统计的显着性和活荷载模型的质量在很大程度上受到样本代表性的限制；此外，随着社会经济的快速发展，人民物质生活水平有了大幅提高，结构形式和荷载分布与以往相比也有了很大变化，而荷载规范中活荷载取值所依据的基础数据仍是上世纪八十年代的调查结果。因此，荷载统计仍是结构可靠度分析中最薄弱的部分。建筑结构活荷载需要解决样本数量、人力成本、现场称重、时效性差等关键难题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习算法的楼面活荷载统计方法及系统，效率高、准确性高。
本发明的目的可以通过以下技术方案来实现：
一种基于深度学习算法的楼面活荷载统计方法，具体为：
将室内物体图片和室内人群图片分别输入训练好的室内物体检测模型和人群计数模型，对应获得物体特征和室内人数；
将物体特征输入网络爬虫，从网络大数据中挖掘出室内物体重量，根据人群数量和人群平均体重计算室内人群重量，根据室内物体重量和室内人群重量计算楼面活荷载；
所述的室内物体检测模型和人群计数模型基于Keras深度学习平台搭建；
其中，所述的训练过程为：
收集室内物体图片和室内人群图片并labelImg工具进行标记处理，构成数据库，利用数据库中的物体图片训练室内物体检测模型，利用数据库中的室内人群图片训练人群计数模型。
进一步地，所述的物体特征包括物体直接特征和物体间接特征，将物体直接特征输入具有检索关键字功能的网络爬虫，将物体间接特征输入具有图像匹配功能的网络爬虫。
进一步地，所述的训练过程采用的损失函数为L(t,b,c,r,z,o)为：
L(t,b,c,r,z,o)＝Lloc(t,b)+Lconf(c,r)+Lcla(z,o)
其中，Lloc(t,b)为先验框偏差量损失，Lconf(c,r)为物体置信度损失，Lcla(z,o)为目标类别损失；
Lloc(t,b)采用真实偏差量
Figure BDA0002476381300000021
和预测偏差量t的之差的平方和，计算公式如下：
Figure BDA0002476381300000022
其中，λ为平衡系数；S为三个尺度特征图下目标物体所在网格中与真实边界框重叠最大的先验框集合；σ(·)为Sigmoid函数；
Lconf(c,r)采用真实物体置信度r与预测边界框物体置信度
Figure BDA0002476381300000031
的二值交叉熵损失函数，计算公式如下：
Figure BDA0002476381300000032
其中T为三个尺度特征图下除S外，预测边界框与真实边界框重叠区域与两者并集之比小于0.5的先验框集合；
Lcla(z,o)采用的真实物体类别o与预测边界框物体类别
Figure BDA0002476381300000033
的二值交叉熵损失函数，计算公式如下：
Figure BDA0002476381300000034
其中，C表示物体总类别；
训练时将样本目标检测模型，计算损失函数，利用梯度下降法优化目标检测模型的网络参数使损失函数下降。
进一步地，基于Keras深度学习平台搭建室内物体检测模型和人群计数模型。
进一步地，采用labelImg工具标记处理收集的室内物体图片和室内人群图片。
一种基于深度学习算法的楼面活荷载统计系统，包括数据采集模块、物体检测模块、人群计数模块和荷载统计模块，所述的数据采集模块，用于采集室内物体图片和室内人群图片，所述的物体检测模块，用于将室内物体图片输入训练好的室内物体检测模型，获得物体特征，所述的人群计数模块，用于将室内人群图片输入训练好的人群计数模型，获得室内人数，所述的荷载统计模块，用于将物体特征输入网络爬虫，获得室内物体重量，根据室内人数和人群平均体重根据计算室内人群重量，根据室内物体重量和室内人群重量计算楼面活荷载，所述的室内物体检测模型和人群计数模型基于Keras深度学习平台搭建；
其中，所述的训练过程为：
收集室内物体图片和室内人群图片并labelImg工具进行标记处理，构成数据库，利用数据库训练室内物体检测模型和人群计数模型。
进一步地，所述的物体特征包括物体直接特征和物体间接特征，所述的荷载统计模块将物体直接特征输入具有检索关键字功能的网络爬虫，将物体间接特征输入具有图像匹配功能的网络爬虫。
进一步地，所述的训练过程采用的损失函数为L(t,b,c,r,z,o)为：
L(t,b,c,r,z,o)＝Lloc(t,b)+Lconf(c,r)+Lcla(z,o)
其中，Lloc(t,b)为先验框偏差量损失，Lconf(c,r)为物体置信度损失，Lcla(z,o)为目标类别损失；
Lloc(t,b)采用真实偏差量
Figure BDA0002476381300000041
和预测偏差量t的之差的平方和，计算公式如下：
Figure BDA0002476381300000042
其中，λ为平衡系数；S为三个尺度特征图下目标物体所在网格中与真实边界框重叠最大的先验框集合；σ(·)为Sigmoid函数；
Lconf(c,r)采用真实物体置信度r与预测边界框物体置信度
Figure BDA0002476381300000043
的二值交叉熵损失函数，计算公式如下：
Figure BDA0002476381300000044
其中T为三个尺度特征图下除S外，预测边界框与真实边界框重叠区域与两者并集之比小于0.5的先验框集合；
Lcla(z,o)采用的真实物体类别o与预测边界框物体类别
Figure BDA0002476381300000045
的二值交叉熵损失函数，计算公式如下：
Figure BDA0002476381300000046
其中，C表示物体总类别。
与现有技术相比，本发明具有以如下有益效果：
(1)本发明基于深度学习平台搭建室内物体检测模型和人群计数模型，可通分别根据采集的室内物体图片和室内人群图片对应输出物体特征和室内人数，将物体特征输入网络爬虫，获取室内物体重量，根据人群数量和人群平均体重计算室内人群重量，根据室内物体重量和室内人群重量计算楼面活荷载，不需要实际测量和统计每一类活载荷的物体重量，效率高，速度快；
(2)本发明将物体特征包括物体直接特征和物体间接特征，将物体直接特征输入具有检索关键字功能的网络爬虫，将物体间接特征输入具有图像匹配功能的网络爬虫，提高了统计物体重量的速度和准确度。
附图说明
图1为目标检测模型的结构示意图；
图2为具有检索关键字功能的网络爬虫框架图；
图3为具有图像匹配功能的网络爬虫框架图；
图4为本发明的方法流程图；
图5为训练过程中损失下降曲线图；
图6为各物体重量分布图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
一种基于深度学习算法的楼面活荷载统计方法，如图4，具体为：
收集室内物体图片和室内人群图片，并用labelImg工具标记处理收集的图片，构成楼面活荷载数据库；
基于Keras深度学习平台搭建目标检测模型，分别利用楼面活荷载数据库中标记的室内物体图片和人群图片优化目标检测模型，对应获得室内物体检测模型和人群计数模型，目标检测模型能够学习数据的内在规律，快速处理语音、图片和视频等非结构化数据；
如图2，利用物体直接特征搭建具有关键字检索功能的网络爬虫框架，首先提取物体的关键字并决定数据源Extract key words&Determine the site，然后将网址的标志符URL通过基于爬虫框架中的调度器Scheduler、框架中心Engine、下载器Downloader、网络爬虫器Spider和项目管道ItemPipeline进行重量数据的筛选和提取，最后将重量结果存放于MongoDB数据库中，其中步骤1～14为数据流动的过程，循环执行上述两个框架中的步骤1—14来爬取重量数据，直到爬虫框架中没有新的请求。
如图3，利用物体间接特征搭建具有图像匹配功能的网络爬虫框架，由图1中的目标检测模型Indoor object detection model、调查图片Survey images、图像匹配模块Selenium&Image retrieval以及图2中的网络爬虫Web crawler组成；
通过室内物体检测模型和网络爬虫框架获取室内物体重量，通过人群计数模型以及人群平均体重获取室内人群重量，根据室内物体重量和室内人群重量获得楼面活荷载。
目标检测模型的网络结构图如图1所示，其中，包括5层依次连接的残差单元ResM，循环次数对应为1、2、8、8和4次，Input为网络输入层，Conv为卷积层，Concatenate为融合层，LReLU为Leaky ReLU激活函数层，ZeroPadding为零填充层，UpSampling为上采样层，Add为相加层，BatchNormalization为批规范化层，长度、宽度和深度为416*416*3的调查图片输入Input，输出3个长度、宽度和深度分别为13*13*30、26*26*30以及52*52*30的输出张量，并基于该输出张量进行物体检测和人群计数；
训练目标检测模型所采用的损失函数L(t,b,c,r,z,o)为：
L(t,b,c,r,z,o)＝Lloc(t,b)+Lconf(c,r)+Lcla(z,o)
其中，Lloc(t,b)为先验框偏差量损失，Lconf(c,r)为物体置信度损失，Lcla(z,o)为目标类别损失；
Lloc(t,b)采用真实偏差量
Figure BDA0002476381300000061
和预测偏差量t的之差的平方和，计算公式如下：
Figure BDA0002476381300000062
其中，λ为平衡系数；S为三个尺度特征图下目标物体所在网格中与真实边界框重叠最大的先验框集合；σ(·)为Sigmoid函数；
Lconf(c,r)采用真实物体置信度r与预测边界框物体置信度
Figure BDA0002476381300000066
的二值交叉熵损失函数，计算公式如下：
Figure BDA0002476381300000063
其中T为三个尺度特征图下除S外，预测边界框与真实边界框重叠区域与两者并集之比小于0.5的先验框集合；
Lcla(z,o)采用的真实物体类别o与预测边界框物体类别
Figure BDA0002476381300000064
的二值交叉熵损失函数，计算公式如下：
Figure BDA0002476381300000065
其中，C表示物体总类别。
图5为训练过程中的损失下降过程，训练时将样本目标检测模型，计算损失函数，利用梯度下降法优化目标检测模型的网络参数使损失下降。
以会议室为例，测量出该会议室的长和宽分别为6.3m和6.2m；
对于会议室中的持久性活荷载，拍摄室内物体图片，其中，拍取具有物体直接特征的饮水机背后的产品标识照片，拍取椅子、桌子和讲台的包含物体间接特征的的若干照片，以语音的方式记录各类持久性活荷载的数量；对于会议室中为临时性活荷载的人群，拍取包含该人群所有人脸的室内人群图片；
利用室内物体检测模型去除室内物体图片中背景和其他物体的影响，获得室内物体特征，室内物体特征包括物体直接特征和物体间接特征，将物体直接特征输入具有关键字检索功能的网络爬虫框架，将物体间接特征输入具有图像匹配功能的网络爬虫框架，最终获取室内各类持久性活荷载的重量，即室内物体重量；通过人群计数模型对室内人群图片进行人脸检测，获取室内人群数量，结合人群平均体重获取室内人群的重量，根据室内物体重量和室内人群重量获得楼面活荷载，调查结果对比如图6和表1：
表1调查结果对比表
Figure BDA0002476381300000071
基于本实施例获得的荷载值与实测结果相差较小，综合考虑时间与人力成本的显著差异，运用本实施例可以快速并较为准确地开展楼面活荷载调查。
实施例2
与实施例1对应的一种基于深度学习算法的楼面活荷载统计系统，包括：
数据采集模块，用于采集室内物体图片和室内人群图片；
物体检测模块，用于将室内物体图片输入训练好的室内物体检测模型，获得物体特征；
人群计数模块，用于将室内人群图片输入训练好的人群计数模型，获得室内人数；
荷载统计模块，用于将物体特征输入网络爬虫，获得室内物体重量，根据室内人数和人群平均体重根据计算室内人群重量，根据室内物体重量和室内人群重量计算楼面活荷载；
室内物体检测模型和人群计数模型基于Keras深度学习平台搭建；
其中，训练过程为：
收集室内物体图片和室内人群图片并labelImg工具进行标记处理，构成数据库，利用数据库训练室内物体检测模型和人群计数模型。
物体特征包括物体直接特征和物体间接特征，荷载统计模块将物体直接特征输入具有检索关键字功能的网络爬虫，将物体间接特征输入具有图像匹配功能的网络爬虫。
训练过程采用的损失函数为L(t,b,c,r,z,o)为：
L(t,b,c,r,z,o)＝Lloc(t,b)+Lconf(c,r)+Lcla(z,o)
其中，Lloc(t,b)为先验框偏差量损失，Lconf(c,r)为物体置信度损失，Lcla(z,o)为目标类别损失；
Lloc(t,b)采用真实偏差量
Figure BDA0002476381300000081
和预测偏差量t的之差的平方和，计算公式如下：
Figure BDA0002476381300000082
其中，λ为平衡系数；S为三个尺度特征图下目标物体所在网格中与真实边界框重叠最大的先验框集合；σ(·)为Sigmoid函数；
Lconf(c,r)采用真实物体置信度r与预测边界框物体置信度
Figure BDA0002476381300000085
的二值交叉熵损失函数，计算公式如下：
Figure BDA0002476381300000083
其中T为三个尺度特征图下除S外，预测边界框与真实边界框重叠区域与两者并集之比小于0.5的先验框集合；
Lcla(z,o)采用的真实物体类别o与预测边界框物体类别
Figure BDA0002476381300000084
的二值交叉熵损失函数，计算公式如下：
Figure BDA0002476381300000091
其中，C表示物体总类别。
实施例1和实施例2提出了一种基于深度学习算法的楼面活荷载统计方法及系统，将深度学习与楼面活荷载统计相结合，利用目标检测和网络爬虫技术，在不称量室内物体的前提条件下获得其重量，从而快速且省时省力地完成楼面活荷载统计。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于深度学习算法的楼面活荷载统计方法，其特征在于，具体为：
将室内物体图片和室内人群图片分别输入训练好的室内物体检测模型和人群计数模型，对应获得物体特征和室内人数；
将物体特征输入网络爬虫，获取室内物体重量，根据人群数量和人群平均体重计算室内人群重量，根据室内物体重量和室内人群重量计算楼面活荷载；
其中，所述的训练过程为：
收集室内物体图片和室内人群图片并进行标记处理，构成数据库，利用数据库训练室内物体检测模型和人群计数模型。
2.根据权利要求1所述的一种基于深度学习算法的楼面活荷载统计方法，其特征在于，所述的物体特征包括物体直接特征和物体间接特征，将物体直接特征输入具有检索关键字功能的网络爬虫，将物体间接特征输入具有图像匹配功能的网络爬虫。
3.根据权利要求1所述的一种基于深度学习算法的楼面活荷载统计方法，其特征在于，所述的训练过程采用的损失函数为L(t,b,c,r,z,o)为：
L(t,b,c,r,z,o)＝Lloc(t,b)+Lconf(c,r)+Lcla(z,o)
其中，Lloc(t,b)为先验框偏差量损失，Lconf(c,r)为物体置信度损失，Lcla(z,o)为目标类别损失；
所述的Lloc(t,b)的计算公式如下：
Figure FDA0002476381290000011
其中，
Figure FDA0002476381290000012
为真实偏差量，t为预测偏差量，λ为平衡系数；S为三个尺度特征图下目标物体所在网格中与真实边界框重叠最大的先验框集合；σ(·)为Sigmoid函数；
所述的Lconf(c,r)的计算公式如下：
Figure FDA0002476381290000013
其中，r为真实物体置信度，
Figure FDA0002476381290000014
为预测边界框物体置信度；
所述的Lcla(z,o)的计算公式如下：
Figure FDA0002476381290000015
其中，o真实物体类别，
Figure FDA0002476381290000021
为预测边界框物体类别，C表示物体总类别。
4.根据权利要求1所述的一种基于深度学习算法的楼面活荷载统计方法，其特征在于，基于Keras深度学习平台搭建室内物体检测模型和人群计数模型。
5.根据权利要求1所述的一种基于深度学习算法的楼面活荷载统计方法，其特征在于，采用labelImg工具标记处理收集的室内物体图片和室内人群图片。
6.一种基于深度学习算法的楼面活荷载统计系统，其特征在于，包括：
数据采集模块，用于采集室内物体图片和室内人群图片；
物体检测模块，用于将室内物体图片输入训练好的室内物体检测模型，获得物体特征；
人群计数模块，用于将室内人群图片输入训练好的人群计数模型，获得室内人数；
荷载统计模块，用于将物体特征输入网络爬虫，获得室内物体重量，根据室内人数和人群平均体重根据计算室内人群重量，根据室内物体重量和室内人群重量计算楼面活荷载；
其中，所述的训练过程为：
收集室内物体图片和室内人群图片并进行标记处理，构成数据库，利用数据库训练室内物体检测模型和人群计数模型。
7.根据权利要求6所述的一种基于深度学习算法的楼面活荷载统计系统，其特征在于，所述的物体特征包括物体直接特征和物体间接特征，所述的荷载统计模块将物体直接特征输入具有检索关键字功能的网络爬虫，将物体间接特征输入具有图像匹配功能的网络爬虫。
8.根据权利要求6所述的一种基于深度学习算法的楼面活荷载统计系统，其特征在于，所述的训练过程采用的损失函数为L(t,b,c,r,z,o)为：
L(t,b,c,r,z,o)＝Lloc(t,b)+Lconf(c,r)+Lcla(z,o)
其中，Lloc(t,b)为先验框偏差量损失，Lconf(c,r)为物体置信度损失，Lcla(z,o)为目标类别损失；
所述的Lloc(t,b)的计算公式如下：
Figure FDA0002476381290000022
其中，
Figure FDA0002476381290000023
为真实偏差量，t为预测偏差量，λ为平衡系数；S为三个尺度特征图下目标物体所在网格中与真实边界框重叠最大的先验框集合；σ(·)为Sigmoid函数；
所述的Lconf(c,r)的计算公式如下：
Figure FDA0002476381290000031
其中，r为真实物体置信度，
Figure FDA0002476381290000032
为预测边界框物体置信度；
所述的Lcla(z,o)的计算公式如下：
Figure FDA0002476381290000033
其中，o真实物体类别，
Figure FDA0002476381290000034
为预测边界框物体类别，C表示物体总类别。
9.根据权利要求6所述的一种基于深度学习算法的楼面活荷载统计系统，其特征在于，基于Keras深度学习平台搭建室内物体检测模型和人群计数模型。
10.根据权利要求6所述的一种基于深度学习算法的楼面活荷载统计系统，其特征在于，采用labelImg工具标记处理收集的室内物体图片和室内人群图片。
CN202010364830.8A 2020-04-30 2020-04-30 一种基于深度学习算法的楼面活荷载统计方法及系统 Pending CN111461071A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010364830.8A CN111461071A (zh) 2020-04-30 2020-04-30 一种基于深度学习算法的楼面活荷载统计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010364830.8A CN111461071A (zh) 2020-04-30 2020-04-30 一种基于深度学习算法的楼面活荷载统计方法及系统

Publications (1)

Publication Number Publication Date
CN111461071A true CN111461071A (zh) 2020-07-28

Family

ID=71681371

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010364830.8A Pending CN111461071A (zh) 2020-04-30 2020-04-30 一种基于深度学习算法的楼面活荷载统计方法及系统

Country Status (1)

Country Link
CN (1) CN111461071A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392458A (zh) * 2021-06-21 2021-09-14 中国建筑科学研究院有限公司 一种楼面均布活荷载设计预期状况参数的确定方法
CN115564901A (zh) * 2022-11-30 2023-01-03 四川信用通数字科技股份有限公司 一种构建3d建筑模型的方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968534A (zh) * 2012-11-27 2013-03-13 河海大学 基于稳定分布的楼面活荷载标准值设计方法
CN106932160A (zh) * 2017-03-15 2017-07-07 上海建为历保科技股份有限公司 古建筑受荷分析方法
CN108876774A (zh) * 2018-06-07 2018-11-23 浙江大学 一种基于卷积神经网络的人群计数方法
CN109344736A (zh) * 2018-09-12 2019-02-15 苏州大学 一种基于联合学习的静态图像人群计数方法
CN109886085A (zh) * 2019-01-03 2019-06-14 四川弘和通讯有限公司 基于深度学习目标检测的人群计数方法
CN110084244A (zh) * 2019-03-14 2019-08-02 上海达显智能科技有限公司 基于图像识别物体的方法、智能设备及应用
CN110765964A (zh) * 2019-10-30 2020-02-07 常熟理工学院 基于计算机视觉的电梯轿厢内异常行为的检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968534A (zh) * 2012-11-27 2013-03-13 河海大学 基于稳定分布的楼面活荷载标准值设计方法
CN106932160A (zh) * 2017-03-15 2017-07-07 上海建为历保科技股份有限公司 古建筑受荷分析方法
CN108876774A (zh) * 2018-06-07 2018-11-23 浙江大学 一种基于卷积神经网络的人群计数方法
CN109344736A (zh) * 2018-09-12 2019-02-15 苏州大学 一种基于联合学习的静态图像人群计数方法
CN109886085A (zh) * 2019-01-03 2019-06-14 四川弘和通讯有限公司 基于深度学习目标检测的人群计数方法
CN110084244A (zh) * 2019-03-14 2019-08-02 上海达显智能科技有限公司 基于图像识别物体的方法、智能设备及应用
CN110765964A (zh) * 2019-10-30 2020-02-07 常熟理工学院 基于计算机视觉的电梯轿厢内异常行为的检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DLUT_YAN: "《yolov3损失函数》", 《HTTPS://BLOG.CSDN.NET/WEIXIN_43384257/ARTICLE/DETAILS/100986249》 *
杨华: "《基于图像处理技术的交通枢纽综合体人员荷载监测研究》", 《中国优秀博硕士学位全文数据库（博士） 信息科技辑》 *
杨娜等: "《藏式古建结构动力响应计算中人群荷载参数敏感性分析》", 《北京交通大学学报》 *
陈隽等: "《建筑物活荷载的大数据调查方法研究》", 《同济大学学报（自然科学版）》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392458A (zh) * 2021-06-21 2021-09-14 中国建筑科学研究院有限公司 一种楼面均布活荷载设计预期状况参数的确定方法
CN113392458B (zh) * 2021-06-21 2023-12-12 中国建筑科学研究院有限公司 一种楼面均布活荷载设计预期状况参数的确定方法
CN115564901A (zh) * 2022-11-30 2023-01-03 四川信用通数字科技股份有限公司 一种构建3d建筑模型的方法及装置
CN115564901B (zh) * 2022-11-30 2023-03-21 四川信用通数字科技股份有限公司 一种构建3d建筑模型的方法及装置

Similar Documents

Publication Publication Date Title
CN110703057A (zh) 基于数据增强和神经网络的电力设备局部放电诊断方法
CN111461071A (zh) 一种基于深度学习算法的楼面活荷载统计方法及系统
CN106776575A (zh) 一种实时语义搜索工作机会的系统及方法
Wang et al. Forest fire detection based on lightweight Yolo
Zhang et al. Linking data model and formula to automate KPI calculation for building performance benchmarking
CN116091719B (zh) 一种基于物联网的河道数据管理方法及系统
CN115641162A (zh) 一种基于建筑工程造价的预测数据分析系统和方法
CN114491081A (zh) 基于数据血缘关系图谱的电力数据溯源方法及系统
CN111080491A (zh) 一种基于视频识别的施工现场检查系统及方法
CN113962660A (zh) 一种基于ai技术的建筑工人行为安全管理矫正方法及系统
CN115809795B (zh) 一种基于数字化的生产班组的承载能力评估方法和装置
CN116720610A (zh) 一种用于住宅建筑的碳排放预测方法及系统
CN110968596A (zh) 一种基于标签系统的数据处理方法
Sun et al. Automatic building age prediction from street view images
Zhang et al. Benchmark Study on a Novel Online Dataset for Standard Evaluation of Deep Learning-based Pavement Cracks Classification Models
CN115936477A (zh) 一种基于边云协同的工业企业效益综合评价方法及系统
CN106816871B (zh) 一种电力系统状态相似性分析方法
CN115062954A (zh) 应用于工程建设的多维度风险评估方法、装置和设备
CN115186935A (zh) 一种机电设备非线性故障预测方法及系统
CN113448840A (zh) 基于预测缺陷率和模糊综合评价模型的软件质量评价方法
Wang et al. Air quality data analysis and forecasting platform based on big data
Shi et al. An innovative approach to determine building window-to-wall ratios for urban energy simulation
Song et al. Autonomous identification of bridge concrete cracks using unmanned aircraft images and improved lightweight deep convolutional networks
CN116028309B (zh) 一种体系运行情况的量化监测系统及其监测方法
CN117767579B (zh) 基于AutoML的电网大数据分析方法及自动化建模系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200728