CN113516334A - 一种大坝的接缝和裂缝的检验方法及系统 - Google Patents
一种大坝的接缝和裂缝的检验方法及系统 Download PDFInfo
- Publication number
- CN113516334A CN113516334A CN202110268099.3A CN202110268099A CN113516334A CN 113516334 A CN113516334 A CN 113516334A CN 202110268099 A CN202110268099 A CN 202110268099A CN 113516334 A CN113516334 A CN 113516334A
- Authority
- CN
- China
- Prior art keywords
- real
- quality data
- hidden danger
- time
- identifications
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000007689 inspection Methods 0.000 title description 6
- 231100001267 hazard identification Toxicity 0.000 claims abstract description 55
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 24
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Computer Security & Cryptography (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种大坝的接缝和裂缝的检验方法及系统,获取实时工程质量数据后,首先对实时工程质量数据进行特征提取以获取局部隐患特征;然后将局部隐患特征按照预设隐患类型为多个安全隐患标识,并对各安全隐患标识聚类形成与各安全隐患标识对应的聚类安全隐患标识;最后将各聚类安全隐患标识对应的聚类安全隐患标识特征按照预设隐患类型连接,以获得与实时工程质量数据对应的实时工程质量数据特征。本发明通过将局部隐患特征分为多个安全隐患标识以进行分步聚类,然后将各聚类安全隐患标识的聚类安全隐患标识特征依次排序获得实时工程质量数据对应的特征,提高了实时工程质量数据的识别精度,降低了工程发生安全事故的概率。
Description
技术领域
本发明涉及数据校验的技术领域,具体涉及一种大坝的接缝和裂缝的检验方法及系统。
背景技术
传统上的对大坝的接缝和裂缝检测是通过人工是使用对应的检测仪进行,这样就存在着很大误差或者检测不准确的问题,这样大坝就存在严重的安全隐患问题的存在,这样就会让人们的生命财产受到严重的威胁。
随着科技不断地发展,对大坝的接缝和裂缝是施工中检测的重要环节,这样不仅保障了大坝安全,降低了大坝的危险系数,也能将维修成本降到最低。
发明内容
本发明所要解决的技术问题是上述背景技术的技术问题,目的在于提供一种大坝的接缝和裂缝的检验方法及系统,解决大坝接缝和裂缝检测的问题。
本发明通过下述技术方案实现:
一种大坝的接缝和裂缝的检验方法,所述方法包括:
获取实时工程质量数据;
提取所述实时工程质量数据的实时质量隐患特征,以获得局部隐患特征;
将所述局部隐患特征按照预设隐患类型为多个安全隐患标识,并对各所述安全隐患标识进行聚类以获得与各所述安全隐患标识对应的聚类安全隐患标识;
将各所述聚类安全隐患标识对应的聚类安全隐患标识特征按照所述预设隐患类型依次排序,以获得所述实时工程质量数据对应的实时工程质量数据特征。
进一步地,在获取实时工程质量数据之前,所述工程识别方法还包括:
获取包含工程的原始安全系数;
通过对所述原始安全系数进工程体检测,以获得实时工程质量数据;
从所述实时工程质量数据中提取工程对应的安全隐患标识,以形成所述实时工程质量数据。
进一步地,将所述局部隐患特征按照预设隐患类型为多个安全隐患标识,并对各所述安全隐患标识进行聚类以获得与各所述安全隐患标识对应的聚类安全隐患标识,包括:
将所述局部隐患特征按照纵轴隐患类型平均分类,以形成多个所述安全隐患标识;分别对各所述安全隐患标识进行平均聚类,以获得多个所述聚类安全隐患标识。
其中,所述工程识别方法还包括:
通过特征提取网络提取所述实时工程质量数据的实时质量隐患特征,以获得所述局部隐患特征;
通过分步聚类网络将所述局部隐患特征按照所述预设隐患类型为多个安全隐患标识,并对各所述安全隐患标识进行聚类以获得多个聚类安全隐患标识;
通过全连接网络将各所述聚类安全隐患标识对应的聚类安全隐患标识特征按照所述预设隐患类型依次排序,以获得所述实时工程质量数据特征;其中,所述特征提取网络、所述分步聚类网络和所述全连接网络构成工程识别模型。
进一步地,所述工程识别模型为基于稠密卷积神经网络的模型。
进一步地,所述工程识别方法还包括:
通过预设大小的卷积核提取各所述聚类安全隐患标识的特征,以获得所述聚类安全隐患标识特征。
其中,所述实时工程质量数据包括待检实时工程质量数据和目标实时工程质量数据;所述工程识别方法还包括:
根据所述待检实时工程质量数据对应的待检实时工程质量数据特征和所述目标实时工程质量数据对应的目标实时工程质量数据特征,计算所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的相似度;
根据所述相似度判断所述待检实时工程质量数据中的工程是否为所述目标实时工程质量数据中的工程。
进一步地,计算所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的相似度,包括:
计算所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的安全参数;
根据所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的安全参数,确定所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的相似度。
进一步地,所述工程识别方法还包括:
根据所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的安全参数的大小,由近到远排列所述待检实时工程质量数据。
进一步地,所述工程识别方法还包括:
获取由数据采集设备采集的包含工程的原始安全系数;
对所述原始安全系数进工程体检测并提取工程安全隐患标识,以获得所述待检实时工程质量数据。
其中,所述工程识别方法还包括:
接收用户选择的工程数据,并将所述工程数据作为所述目标实时工程质量数据。
进一步地,所述工程识别方法还包括:
获取多个工程标注数据,各所述工程标注数据对应不同场景;将所述工程标注数据输入至所述工程识别模型,以对所述工程识别模型进行训练。
一种大坝的接缝和裂缝的检验系统,包括:数据采集设备和数据处理终端,所述数据采集设备和所述数据处理终端,所述数据处理终端具体用于:
获取实时工程质量数据;
提取所述实时工程质量数据的实时质量隐患特征,以获得局部隐患特征;
将所述局部隐患特征按照预设隐患类型为多个安全隐患标识,并对各所述安全隐患标识进行聚类以获得与各所述安全隐患标识对应的聚类安全隐患标识;
将各所述聚类安全隐患标识对应的聚类安全隐患标识特征按照所述预设隐患类型依次排序,以获得所述实时工程质量数据对应的实时工程质量数据特征。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明一种大坝的接缝和裂缝的检验方法及系统,获取实时工程质量数据后,首先对实时工程质量数据进行特征提取以获取局部隐患特征;然后将局部隐患特征按照预设隐患类型为多个安全隐患标识,并对各安全隐患标识聚类形成与各安全隐患标识对应的聚类安全隐患标识;最后将各聚类安全隐患标识对应的聚类安全隐患标识特征按照预设隐患类型连接,以获得与实时工程质量数据对应的实时工程质量数据特征。本发明通过将局部隐患特征分为多个安全隐患标识以进行分步聚类,然后将各聚类安全隐患标识的聚类安全隐患标识特征依次排序获得实时工程质量数据对应的特征,提高了实时工程质量数据的识别精度,降低了工程发生安全事故的概率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1为本发明实施例所提供的一种大坝的接缝和裂缝的检验系统的架构示意图;
图2为本发明实施例所提供的一种大坝的接缝和裂缝的检验方法的流程图;
图3为本发明实施例所提供的一种大坝的接缝和裂缝的检验装置的功能模块图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了便于对上述的应用于一种大坝的接缝和裂缝的检验方法及系统进行阐述,请结合参考图1,提供了本发明实施例所公开的一种大坝的接缝和裂缝的检验系统100的通信架构示意图。其中,所述一种大坝的接缝和裂缝的检验系统100可以包括数据处理终端200、以及信息采集端300,所述数据处理终端200与所述信息采集端300通信连接。
在具体的实施方式中,数据处理终端200和信息采集端300均可以是台式电脑、平板电脑、笔记本电脑、手机或者其他能够实现数据处理以及数据通信的电子设备,在此不作过多限定。
在上述基础上,请结合参阅图2,为本发明实施例所提供的一种大坝的接缝和裂缝的检验方法的流程示意图,所述一种大坝的接缝和裂缝的检验方法可以应用于图1中的数据处理,进一步地,所述一种大坝的接缝和裂缝的检验方法具体可以包括以下步骤S21-步骤S24所描述的内容。
步骤S21,获取实时工程质量数据。
步骤S22,提取所述实时工程质量数据的实时质量隐患特征,以获得局部隐患特征。
步骤S23,将所述局部隐患特征按照预设隐患类型为多个安全隐患标识,并对各所述安全隐患标识进行聚类以获得与各所述安全隐患标识对应的聚类安全隐患标识。
步骤S24,将各所述聚类安全隐患标识对应的聚类安全隐患标识特征按照所述预设隐患类型依次排序,以获得所述实时工程质量数据对应的实时工程质量数据特征。
可以理解的,在执行上述步骤S21-步骤S23所描述的内容时,获取实时工程质量数据后,首先对实时工程质量数据进行特征提取以获取局部隐患特征;然后将局部隐患特征按照预设隐患类型为多个安全隐患标识,并对各安全隐患标识聚类形成与各安全隐患标识对应的聚类安全隐患标识;最后将各聚类安全隐患标识对应的聚类安全隐患标识特征按照预设隐患类型连接,以获得与实时工程质量数据对应的实时工程质量数据特征。本发明通过将局部隐患特征分为多个安全隐患标识以进行分步聚类,然后将各聚类安全隐患标识的聚类安全隐患标识特征依次排序获得实时工程质量数据对应的特征,提高了实时工程质量数据的识别精度,降低了工程发生安全事故的概率。
基于上述基础,在获取实时工程质量数据之前,所述工程识别方法还包括以下步骤Q11-步骤Q13说描述的内容。
步骤Q11,获取包含工程的原始安全系数。
步骤Q12,通过对所述原始安全系数进工程体检测,以获得实时工程质量数据。
步骤Q13,从所述实时工程质量数据中提取工程对应的安全隐患标识,以形成所述实时工程质量数据。
可以理解的,在执行上述步骤Q11-步骤Q13说描述的内容时,通过在获取实时工程质量数据之前,对数据进行初步筛选和数据监测的方式,是数据更加的准确。
在具体实施过程中,发明人发现,将所述局部隐患特征按照预设隐患类型为多个安全隐患标识,并对各所述安全隐患标识进行聚类时,存在聚类紊乱的技术问题,从而难以精确的获得与各所述安全隐患标识对应的聚类安全隐患标识,为了改善上述技术问题,步骤S23所描述的将所述局部隐患特征按照预设隐患类型为多个安全隐患标识,并对各所述安全隐患标识进行聚类以获得与各所述安全隐患标识对应的聚类安全隐患标识的步骤,具体可以包括以下步骤S231-步骤S235所描述的内容。
步骤S231,将所述局部隐患特征按照纵轴隐患类型平均分类,以形成多个所述安全隐患标识;分别对各所述安全隐患标识进行平均聚类,以获得多个所述聚类安全隐患标识。
步骤S232,其中,所述工程识别方法还包括:
步骤S233,通过特征提取网络提取所述实时工程质量数据的实时质量隐患特征,以获得所述局部隐患特征。
步骤S234,通过分步聚类网络将所述局部隐患特征按照所述预设隐患类型为多个安全隐患标识,并对各所述安全隐患标识进行聚类以获得多个聚类安全隐患标识。
步骤S235,通过全连接网络将各所述聚类安全隐患标识对应的聚类安全隐患标识特征按照所述预设隐患类型依次排序,以获得所述实时工程质量数据特征;其中,所述特征提取网络、所述分步聚类网络和所述全连接网络构成工程识别模型。
可以理解的,在执行上述步骤S231-步骤S235所描述的内容时,将所述局部隐患特征按照预设隐患类型为多个安全隐患标识,并对各所述安全隐患标识进行聚类时,避免了聚类紊乱的技术问题,从而能够精确的获得与各所述安全隐患标识对应的聚类安全隐患标识。
基于上述基础,所述工程识别方法还包括以下步骤U1-步骤U4所描述的内容。
步骤U1,通过预设大小的卷积核提取各所述聚类安全隐患标识的特征,以获得所述聚类安全隐患标识特征。
步骤U2,其中,所述实时工程质量数据包括待检实时工程质量数据和目标实时工程质量数据;所述工程识别方法还包括:
步骤U3,根据所述待检实时工程质量数据对应的待检实时工程质量数据特征和所述目标实时工程质量数据对应的目标实时工程质量数据特征,计算所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的相似度。
步骤U4,根据所述相似度判断所述待检实时工程质量数据中的工程是否为所述目标实时工程质量数据中的工程。
可以理解的,在执行上述步骤U1-步骤U4所描述的内容时,通过卷积核的计算,得到安全隐患指标,这样使安全隐患检测更加的可靠,有效的避免由安全隐患带来的后果。
在具体实施过程中,发明人发现,计算所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的相似度时,存在判断相似度不准确的问题,从而难以准确的得到特征相似度,为了改善上述技术问题,步骤U3所描述的计算所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的相似度的步骤,具体可以包括以下步骤a1和步骤a2所描述的内容。
步骤a1,计算所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的安全参数。
步骤a2,根据所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的安全参数,确定所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的相似度。
可以理解的,在执行上述步骤a1和步骤a2所描述的内容,计算所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的相似度时,避免了判断相似度不准确的问题,从而能够准确的得到特征相似度。
基于上述基础,所述工程识别方法还包括步骤q1所描述的内容。
步骤q1,根据所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的安全参数的大小,由近到远排列所述待检实时工程质量数据。
可以理解的,在执行上述步骤q1所描述的内容时,能根据安全隐患参数值确定安全隐患,这样有效的避免了安全隐患带来的后果。
基于上述基础,所述工程识别方法还包括以下步骤r1-步骤r4所描述的内容。
步骤r1,获取由数据采集设备采集的包含工程的原始安全系数。
步骤r2,对所述原始安全系数进工程体检测并提取工程安全隐患标识,以获得所述待检实时工程质量数据。
步骤r3,其中,所述工程识别方法还包括:
步骤r4,接收用户选择的工程数据,并将所述工程数据作为所述目标实时工程质量数据。
可以理解的,在执行上述步骤r1-步骤r4所描述的内容时,通过多种方式检测大坝的接缝和裂缝,这样的处理方式对工程质量检测的更加的充分,将安全隐患降低到最低化,不仅保障了安全,还避免了经济损失。
基于上述基础,所述工程识别方法还包括以下步骤e1所描述的内容。
步骤e1,获取多个工程标注数据,各所述工程标注数据对应不同场景;将所述工程标注数据输入至所述工程识别模型,以对所述工程识别模型进行训练。
可以理解的,在执行上述步骤e1所描述的内容时,通过工程识别模型进行计算,有效的降低了误差,这样使工程更加的安全可靠。
基于同样的发明构思,还提供了一种大坝的接缝和裂缝的检验系统,其特征在于,包括:数据采集设备和数据处理终端,所述数据采集设备和所述数据处理终端,所述数据处理终端具体用于:
获取实时工程质量数据;
提取所述实时工程质量数据的实时质量隐患特征,以获得局部隐患特征;
将所述局部隐患特征按照预设隐患类型为多个安全隐患标识,并对各所述安全隐患标识进行聚类以获得与各所述安全隐患标识对应的聚类安全隐患标识;
将各所述聚类安全隐患标识对应的聚类安全隐患标识特征按照所述预设隐患类型依次排序,以获得所述实时工程质量数据对应的实时工程质量数据特征。
进一步地,所述数据处理终端具体用于:
获取包含工程的原始安全系数;
通过对所述原始安全系数进工程体检测,以获得实时工程质量数据;
从所述实时工程质量数据中提取工程对应的安全隐患标识,以形成所述实时工程质量数据。
进一步地,所述数据处理终端具体用于:
将所述局部隐患特征按照纵轴隐患类型平均分类,以形成多个所述安全隐患标识;分别对各所述安全隐患标识进行平均聚类,以获得多个所述聚类安全隐患标识;
其中,所述工程识别方法还包括:
通过特征提取网络提取所述实时工程质量数据的实时质量隐患特征,以获得所述局部隐患特征;
通过分步聚类网络将所述局部隐患特征按照所述预设隐患类型为多个安全隐患标识,并对各所述安全隐患标识进行聚类以获得多个聚类安全隐患标识;
通过全连接网络将各所述聚类安全隐患标识对应的聚类安全隐患标识特征按照所述预设隐患类型依次排序,以获得所述实时工程质量数据特征;其中,所述特征提取网络、所述分步聚类网络和所述全连接网络构成工程识别模型。
进一步地,所述数据处理终端具体用于:
所述工程识别模型为基于稠密卷积神经网络的模型。
进一步地,所述数据处理终端具体用于:
通过预设大小的卷积核提取各所述聚类安全隐患标识的特征,以获得所述聚类安全隐患标识特征;
其中,所述实时工程质量数据包括待检实时工程质量数据和目标实时工程质量数据;所述工程识别方法还包括:
根据所述待检实时工程质量数据对应的待检实时工程质量数据特征和所述目标实时工程质量数据对应的目标实时工程质量数据特征,计算所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的相似度;
根据所述相似度判断所述待检实时工程质量数据中的工程是否为所述目标实时工程质量数据中的工程。
进一步地,所述数据处理终端具体用于:
计算所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的安全参数;
根据所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的安全参数,确定所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的相似度。
进一步地,所述数据处理终端具体用于:
根据所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的安全参数的大小,由近到远排列所述待检实时工程质量数据。
进一步地,所述数据处理终端具体用于:
获取由数据采集设备采集的包含工程的原始安全系数;
对所述原始安全系数进工程体检测并提取工程安全隐患标识,以获得所述待检实时工程质量数据;
其中,所述工程识别方法还包括:
接收用户选择的工程数据,并将所述工程数据作为所述目标实时工程质量数据。
进一步地,所述数据处理终端具体用于:
获取多个工程标注数据,各所述工程标注数据对应不同场景;将所述工程标注数据输入至所述工程识别模型,以对所述工程识别模型进行训练。
基于上述同样的发明构思,请结合参阅图3,还提供了一种大坝的接缝和裂缝的检验装置500的功能模块框图,关于所述一种大坝的接缝和裂缝的检验装置500的详细描述如下。
一种大坝的接缝和裂缝的检验装置500,应用于数据处理终端,所述装置500包括:
数据获取模块510,用于获取实时工程质量数据;
特征提取模块520,用于提取所述实时工程质量数据的实时质量隐患特征,以获得局部隐患特征;
标识模块530,用于将所述局部隐患特征按照预设隐患类型为多个安全隐患标识,并对各所述安全隐患标识进行聚类以获得与各所述安全隐患标识对应的聚类安全隐患标识;
隐患确定模块540,用于将各所述聚类安全隐患标识对应的聚类安全隐患标识特征按照所述预设隐患类型依次排序,以获得所述实时工程质量数据对应的实时工程质量数据特征。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种大坝的接缝和裂缝的检验方法,其特征在于,所述方法包括:
获取实时工程质量数据;
提取所述实时工程质量数据的实时质量隐患特征,以获得局部隐患特征;
将所述局部隐患特征按照预设隐患类型为多个安全隐患标识,并对各所述安全隐患标识进行聚类以获得与各所述安全隐患标识对应的聚类安全隐患标识;
将各所述聚类安全隐患标识对应的聚类安全隐患标识特征按照所述预设隐患类型依次排序,以获得所述实时工程质量数据对应的实时工程质量数据特征。
2.根据权利要求1所述的工程识别方法,其特征在于,在获取实时工程质量数据之前,所述工程识别方法还包括:
获取包含工程的原始安全系数;
通过对所述原始安全系数进工程体检测,以获得实时工程质量数据;
从所述实时工程质量数据中提取工程对应的安全隐患标识,以形成所述实时工程质量数据。
3.根据权利要求1所述的工程识别方法,其特征在于,将所述局部隐患特征按照预设隐患类型为多个安全隐患标识,并对各所述安全隐患标识进行聚类以获得与各所述安全隐患标识对应的聚类安全隐患标识,包括:
将所述局部隐患特征按照纵轴隐患类型平均分类,以形成多个所述安全隐患标识;分别对各所述安全隐患标识进行平均聚类,以获得多个所述聚类安全隐患标识;
其中,所述工程识别方法还包括:
通过特征提取网络提取所述实时工程质量数据的实时质量隐患特征,以获得所述局部隐患特征;
通过分步聚类网络将所述局部隐患特征按照所述预设隐患类型为多个安全隐患标识,并对各所述安全隐患标识进行聚类以获得多个聚类安全隐患标识;
通过全连接网络将各所述聚类安全隐患标识对应的聚类安全隐患标识特征按照所述预设隐患类型依次排序,以获得所述实时工程质量数据特征;其中,所述特征提取网络、所述分步聚类网络和所述全连接网络构成工程识别模型。
4.根据权利要求3所述的工程识别方法,其特征在于,所述工程识别模型为基于稠密卷积神经网络的模型。
5.根据权利要求1所述的工程识别方法,其特征在于,所述工程识别方法还包括:
通过预设大小的卷积核提取各所述聚类安全隐患标识的特征,以获得所述聚类安全隐患标识特征;
其中,所述实时工程质量数据包括待检实时工程质量数据和目标实时工程质量数据;所述工程识别方法还包括:
根据所述待检实时工程质量数据对应的待检实时工程质量数据特征和所述目标实时工程质量数据对应的目标实时工程质量数据特征,计算所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的相似度;
根据所述相似度判断所述待检实时工程质量数据中的工程是否为所述目标实时工程质量数据中的工程。
6.根据权利要求5所述的工程识别方法,其特征在于,计算所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的相似度,包括:
计算所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的安全参数;
根据所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的安全参数,确定所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的相似度。
7.根据权利要求6所述的工程识别方法,其特征在于,所述工程识别方法还包括:
根据所述目标实时工程质量数据特征与所述待检实时工程质量数据特征的安全参数的大小,由近到远排列所述待检实时工程质量数据。
8.根据权利要求7所述的工程识别方法,其特征在于,所述工程识别方法还包括:
获取由数据采集设备采集的包含工程的原始安全系数;
对所述原始安全系数进工程体检测并提取工程安全隐患标识,以获得所述待检实时工程质量数据;
其中,所述工程识别方法还包括:
接收用户选择的工程数据,并将所述工程数据作为所述目标实时工程质量数据。
9.根据权利要求3所述的工程识别方法,其特征在于,所述工程识别方法还包括:
获取多个工程标注数据,各所述工程标注数据对应不同场景;将所述工程标注数据输入至所述工程识别模型,以对所述工程识别模型进行训练。
10.一种大坝的接缝和裂缝的检验系统,其特征在于,包括:数据采集设备和数据处理终端,所述数据采集设备和所述数据处理终端,所述数据处理终端具体用于:
获取实时工程质量数据;
提取所述实时工程质量数据的实时质量隐患特征,以获得局部隐患特征;
将所述局部隐患特征按照预设隐患类型为多个安全隐患标识,并对各所述安全隐患标识进行聚类以获得与各所述安全隐患标识对应的聚类安全隐患标识;
将各所述聚类安全隐患标识对应的聚类安全隐患标识特征按照所述预设隐患类型依次排序,以获得所述实时工程质量数据对应的实时工程质量数据特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110268099.3A CN113516334A (zh) | 2021-03-12 | 2021-03-12 | 一种大坝的接缝和裂缝的检验方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110268099.3A CN113516334A (zh) | 2021-03-12 | 2021-03-12 | 一种大坝的接缝和裂缝的检验方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113516334A true CN113516334A (zh) | 2021-10-19 |
Family
ID=78061333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110268099.3A Pending CN113516334A (zh) | 2021-03-12 | 2021-03-12 | 一种大坝的接缝和裂缝的检验方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516334A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120109353A1 (en) * | 2010-10-29 | 2012-05-03 | Siemens Aktiengesellschaft | Method for modeling a defect management routine in a manufacturing process and for handling the defect during the production process based on the defect management routine |
CN109472322A (zh) * | 2018-12-04 | 2019-03-15 | 东软集团股份有限公司 | 基于聚类的分类方法、装置、存储介质和电子设备 |
CN110378872A (zh) * | 2019-06-10 | 2019-10-25 | 河海大学 | 一种面向裂缝图像检测的多源自适应平衡迁移学习方法 |
KR20200005206A (ko) * | 2018-07-06 | 2020-01-15 | 에임시스템 주식회사 | 기계 학습 기반의 설비 이상 분류 시스템 및 방법 |
CN110853034A (zh) * | 2020-01-15 | 2020-02-28 | 清华四川能源互联网研究院 | 裂缝检测方法、装置、电子设备和计算机可读存储介质 |
CN111144651A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
CN112434930A (zh) * | 2020-11-20 | 2021-03-02 | 中国地质大学(武汉) | 钻进过程故障诊断方法、系统及设备 |
-
2021
- 2021-03-12 CN CN202110268099.3A patent/CN113516334A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120109353A1 (en) * | 2010-10-29 | 2012-05-03 | Siemens Aktiengesellschaft | Method for modeling a defect management routine in a manufacturing process and for handling the defect during the production process based on the defect management routine |
KR20200005206A (ko) * | 2018-07-06 | 2020-01-15 | 에임시스템 주식회사 | 기계 학습 기반의 설비 이상 분류 시스템 및 방법 |
CN109472322A (zh) * | 2018-12-04 | 2019-03-15 | 东软集团股份有限公司 | 基于聚类的分类方法、装置、存储介质和电子设备 |
CN110378872A (zh) * | 2019-06-10 | 2019-10-25 | 河海大学 | 一种面向裂缝图像检测的多源自适应平衡迁移学习方法 |
CN111144651A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
CN110853034A (zh) * | 2020-01-15 | 2020-02-28 | 清华四川能源互联网研究院 | 裂缝检测方法、装置、电子设备和计算机可读存储介质 |
CN112434930A (zh) * | 2020-11-20 | 2021-03-02 | 中国地质大学(武汉) | 钻进过程故障诊断方法、系统及设备 |
Non-Patent Citations (3)
Title |
---|
严新军;王亚军;侍克斌;: "拱坝横缝监测数据反馈分析", 水电能源科学, no. 11 * |
李珊;翟靖超;张利华;: "西藏朋曲流域水电工程地质灾害危险性评价", 地球与环境, no. 05 * |
王伟;沈振中;王连庆;: "基于粒子群聚类算法的大坝安全监控模型", 河海大学学报(自然科学版), no. 04 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171184B (zh) | 基于Siamese网络的用于行人重识别的方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
CN112949715A (zh) | 一种基于svm的轨道交通故障诊断方法 | |
CN110059635B (zh) | 一种皮肤瑕疵检测方法及装置 | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN111724290B (zh) | 基于深度分层模糊算法的环保设备识别方法与系统 | |
CN111831430A (zh) | 一种基于边缘计算的电力设备缺陷识别系统 | |
CN112325785A (zh) | 基于顶部平面拟合的铁塔变形监测方法及系统 | |
CN113723330A (zh) | 一种图表文档信息理解的方法及系统 | |
WO2019140641A1 (zh) | 信息处理方法、系统、云处理设备以及计算机程序产品 | |
CN112926621A (zh) | 数据标注方法、装置、电子设备及存储介质 | |
CN112308148A (zh) | 缺陷类别识别、孪生神经网络训练方法、装置及存储介质 | |
CN114972204A (zh) | 一种钢制品表面裂纹检测方法及设备 | |
CN113989196A (zh) | 一种基于视觉的耳机硅胶垫圈的外观缺陷检测方法 | |
CN108776453B (zh) | 一种基于计算机的建筑安全监控系统 | |
CN112132088B (zh) | 一种巡检点位漏巡识别方法 | |
CN113516334A (zh) | 一种大坝的接缝和裂缝的检验方法及系统 | |
CN111325708B (zh) | 一种输电线路检测方法和服务器 | |
CN105404682A (zh) | 一种基于数字图像内容的图书检索方法 | |
CN110765900B (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
CN114240928B (zh) | 板卡质量的分区检测方法、装置、设备及可读存储介质 | |
CN113762115B (zh) | 一种基于关键点检测的配网作业人员行为检测方法 | |
CN104915682A (zh) | 一种豆科种子识别系统及方法 | |
CN115601293A (zh) | 对象检测方法、装置、电子设备及可读存储介质 |
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 |