CN113592090B - 基于深度学习的建筑质量预测方法、装置及存储介质 - Google Patents
基于深度学习的建筑质量预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113592090B CN113592090B CN202111133867.0A CN202111133867A CN113592090B CN 113592090 B CN113592090 B CN 113592090B CN 202111133867 A CN202111133867 A CN 202111133867A CN 113592090 B CN113592090 B CN 113592090B
- Authority
- CN
- China
- Prior art keywords
- deep learning
- learning model
- dimension
- quality
- building
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000013136 deep learning model Methods 0.000 claims abstract description 104
- 238000013441 quality evaluation Methods 0.000 claims abstract description 43
- 238000012216 screening Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 41
- 238000010276 construction Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000009435 building construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于深度学习的建筑质量预测方法、装置及存储介质，包括：获取多个维度的质量数据，每个维度的质量数据分别包括相应的质量评价分数、维度信息以及建筑种类信息；基于建筑种类信息确定不同维度信息的维度权重值，同一个建筑的多个维度的质量数据具有相同的建筑种类信息；根据多个维度信息对第一深度学习模型中的变量值进行筛选得到第二深度学习模型，第二深度学习模型中的变量与多个维度的质量数据相对应；基于多个维度的质量数据对第二深度学习模型中变量值的变量权重进行调整得到第三深度学习模型；将多个质量评价分数和维度权重值输入至第三深度学习模型得到建筑质量预测结果、准确性预测结果以及综合性结果。
Description
技术领域
本发明涉及建筑质量技术领域，尤其涉及一种基于深度学习的建筑质量预测方法、装置及存储介质。
背景技术
建设工程质量检测是指依据国家有关法律、法规、工程建设强制性标准和设计文件，对建设工程的材料、构配件、设备，以及工程实体质量、使用功能等进行测试，确定其质量特性的活动。
在进行建筑质量检测过程中，包括了多种维度、层次的检测。例如说地基基础工程检测、主体结构工程现场检测以及建筑幕墙工程检测等。其中，地基基础工程检测包括地基及复合地基承载力静载检测、桩的承载力检测、桩身完整性检测以及锚杆锁定力检测。
在现有的检测过程中，输出的大多是一个合格和不合格的绝对值，此时就会造成很多开发商、建筑商，按照最低标准去施工建设。无法使发包人、购买主体对合格的建筑的工程质量有个量化的概念。
发明内容
本发明实施例提供一种基于深度学习的建筑质量预测方法、装置及存储介质，能够对建筑质量进行量化的预测，使得发包人、购买主体对于施工方的建筑施工有个量化的比较。
本发明实施例的第一方面，提供一种基于深度学习的建筑质量预测方法，包括：
获取多个维度的质量数据，每个维度的质量数据分别包括相应的质量评价分数、维度信息以及建筑种类信息；
基于所述建筑种类信息确定不同维度信息的维度权重值，同一个建筑的多个维度的质量数据具有相同的建筑种类信息；
根据多个维度信息对第一深度学习模型中的变量值进行筛选得到第二深度学习模型，所述第二深度学习模型中的变量与所述多个维度的质量数据相对应；
基于所述多个维度的质量数据对所述第二深度学习模型中变量值的变量权重进行调整得到第三深度学习模型；
将多个质量评价分数和维度权重值输入至所述第三深度学习模型得到建筑质量预测结果、准确性预测结果以及综合性结果。
可选地，在第一方面的一种可能实现方式中，基于所述建筑种类信息确定不同维度信息的维度权重值包括：
将当前的建筑种类信息与预设种类信息比对得到当前的权重排序表，每个预设种类信息分别具有与其对应的权重排序表；
提取所述维度信息位于所述权重排序中的第一权重排序值；
根据所述维度信息的数量对所述第一权重排序值进行修正得到第二权重排序值，基于所述第二权重排序值确定不同维度信息的维度权重值。
可选地，在第一方面的一种可能实现方式中，根据多个维度信息对所述第一深度学习模型中的变量值进行筛选得到第二深度学习模型包括：
获取所有质量数据的所有维度信息生成维度集合A(a1,a2,…，an)，其中an为第n个维度信息；
筛选与维度集合A对应的变量值得到变量值集合B(b1,b2,…，bi)，其中bi为第i个变量值；
提取所述第一深度学习模型与所述变量值集合B(b1,b2,…，bi)对应的计算单元得到计算集合C(c1,c2,…，ci)；
基于所述计算集合C(c1,c2,…，ci)得到第二深度学习模型。
可选地，在第一方面的一种可能实现方式中，基于所述多个维度的质量数据对所述第二深度学习模型中变量值的变量权重进行调整得到第三深度学习模型包括：
获取第二深度学习模型中每个变量值的变量权重，通过以下公式对变量权重调整，
其中，s2为调整后的变量权重，s1为调整前的变量，d1为第一深度学习模型中的计算单元的数量，d2为第二深度学习模型中的计算单元的数量，K为调整系数，N为质量数据的数量。
可选地，在第一方面的一种可能实现方式中，将多个质量评价分数和维度权重值输入至所述第三深度学习模型得到建筑质量预测结果、准确性预测结果以及综合性结果包括：
所述第三深度学习模型基于以下公式计算建筑质量预测结果，
Mq为第q个维度信息的维度权重值，s2q为第q个调整后的变量权重，eq1第q个质量评价分数，eq2为第q个质量评价分数的总分值，u为质量评价分数的数量。
可选地，在第一方面的一种可能实现方式中，将多个质量评价分数和维度权重值输入至所述第三深度学习模型得到建筑质量预测结果、准确性预测结果以及综合性结果包括：
分别获取第一深度学习模型和第二深度学习模型中计算单元的数量得到第一计算数量和第二计算数量；
通过以下公式得到准确性预测结果，
其中，x2为准确性预测结果，f1为第一计算数量，f2为第二计算数量，P为预设准确值。
可选地，在第一方面的一种可能实现方式中，将多个质量评价分数和维度权重值输入至所述第三深度学习模型得到建筑质量预测结果、准确性预测结果以及综合性结果包括：
获取所述建筑质量预测结果和准确性预测结果，通过以下公式得到综合性结果，
其中，x3为综合性结果，Y1质量权重，Y2为准确性权重。
可选地，在第一方面的一种可能实现方式中，还包括：
接收反馈数据，所述反馈数据至少包括准确性修正值；
将所述准确性修正值与所述准确性预测结果比较得到偏移值；
通过以下公式基于所述偏移值对预设准确值修正，
其中，P修为修正后的预设准确值，x4为准确性修正值，x4-x2为偏移值，g1为增加偏移值，g2为减少偏移值。
本发明实施例的第二方面，提供一种基于深度学习的建筑质量预测装置，包括：
获取模块，用于获取多个维度的质量数据，每个维度的质量数据分别包括相应的质量评价分数、维度信息以及建筑种类信息；
确定模块，用于基于所述建筑种类信息确定不同维度信息的维度权重值，同一个建筑的多个维度的质量数据具有相同的建筑种类信息；
筛选模块，用于根据多个维度信息对所述第一深度学习模型中的变量值进行筛选得到第二深度学习模型，所述第二深度学习模型中的变量与所述多个维度的质量数据相对应；
调整模块，用于基于所述多个维度的质量数据对所述第二深度学习模型中变量值的变量权重进行调整得到第三深度学习模型；
预测模块，用于将多个质量评价分数和维度权重值输入至所述第三深度学习模型得到建筑质量预测结果、准确性预测结果以及综合性结果。
本发明实施例的第三方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。
本发明提供的一种基于深度学习的建筑质量预测方法、装置及存储介质，能够基于深度学习模型在多个维度下对建筑施工的质量进行预测，得到一个量化的预测值，方便用户根据需要进行将不同的建筑主体之间进行施工质量的量化对比。使得用户可以在选择建筑主体时，不仅能看到各个建筑主体的建筑质量是否为合格，还可以根据量化的分数更加直观地比较。
本发明可以根据输入的质量数据的不同维度对深度学习模型中的变量值进行筛选，得到与输入的质量数据的维度相对应的第三深度学习模型。使得本发明的适用性更强，即可以输入任意组合的多个维度质量数据至本申请的深度学习模型中，本申请都可以进行预测，解决了只能够输入固定维度的质量数据才能够使深度学习模型进行预测的问题，使得本发明适用性较强。
本发明可以根据输入的质量数据的数量不同，输出关于建筑质量预测结果的准确性预测结果。使得当使用者输入的质量数据的维度较少时，本发明可以进行准确性的预测，即其输入的质量数据的维度越少，则准确性可能就越低，使得用户可以通过多种方向来确定施工质量。
本发明可以根据使用者输入的准确性修正值对预设准确值进行修正，在修正过程中，根据准确性预测结果与准确性修正值之间的偏移量的大小进行调整，使得修正后的预设准确值更加准确，进而提高了深度学习模型的准确性，使深度学习模型能够持续学习。
附图说明
图1为基于深度学习的建筑质量预测方法的流程图；
图2为基于深度学习的建筑质量预测装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
本发明提供一种基于深度学习的建筑质量预测方法，如图1所示其流程图，具体过程包括：
步骤S110、获取多个维度的质量数据，每个维度的质量数据分别包括相应的质量评价分数、维度信息以及建筑种类信息。本发明中的质量数据，可以是地基基础工程检测质量数据、主体结构工程现场检测质量数据、建筑幕墙工程检测质量数据、地基及复合地基承载力静载检测质量数据、桩的承载力检测质量数据、桩身完整性检测以及锚杆锁定力检测质量数据等内容，对于质量数据的具体形式，本发明不做限定。
在质量检测时，质量检测人员会在某一个维度根据建筑的实际情况判断质量合格或者不合格，如果不合格则直接记为不合格。如果合格的话可以进行相应的打分。打分可以是十分制、百分制等形式，其打分的分数记为质量评价分数。质量检测人员可以根据以往的工作经验进行打分，例如说对墙体厚度、幕墙材料等方面进行打分，对于打分的逻辑，本发明不做任何限定。
维度信息即是质量数据所对应的维度，例如说质量数据为地基基础工程检测质量数据时，则维度信息为地基基础工程检测维度，质量数据为桩的承载力检测质量数据，则维度信息为桩的承载力检测维度。
建筑种类信息是需要具体区分的，建筑种类信息可以是住宅楼、体育场馆、写字楼、别墅、水坝等信息。由于不同的建筑物对于不同维度的建筑质量是不同的，所以本发明会对建筑的种类进行区分，通过建筑种类信息即用来对建筑种类进行区分。
步骤S120、基于所述建筑种类信息确定不同维度信息的维度权重值，同一个建筑的多个维度的质量数据具有相同的建筑种类信息。
其中，步骤S120包括：
步骤S1201、将当前的建筑种类信息与预设种类信息比对得到当前的权重排序表，每个预设种类信息分别具有与其对应的权重排序表。例如说，建筑种类信息有2个，分别为水坝和别墅，水坝对于地基基础工程检测、主体结构工程现场检测比较看重，对于建筑幕墙工程检测则可能不看重，则此时其权重排序表的顺序可能为【地基基础工程检测，主体结构工程检测，建筑幕墙工程检测】。别墅可能会对建筑幕墙工程检测比较看重，则此时其权重排序表的顺序可能为【建筑幕墙工程检测，主体结构工程检测，地基基础工程检测】。上述的看重或不看重并不是说可以检测的质量可以不合格，而是在所有检测都合格的基础上可能更关心某一个维度的质量。
步骤S1202、提取所述维度信息位于所述权重排序中的第一权重排序值。由于用户可能对于不同维度的工程检测可能会有不同的看重情况，所以本发明会根据权重排序表设置不同维度信息的权重值。例如说，水坝中地基基础工程检测对应的维度信息为地基基础工程维度，建筑幕墙工程检测对应的维度信息为建筑幕墙工程维度，则地基基础工程维度的权重值大于建筑幕墙工程维度的权重值。同理，在别墅中，建筑幕墙工程维度的权重值大于地基基础工程维度的权重值。
本发明可以为不同建筑种类信息的权重排序表赋予不同的数值，例如说权重排序表的顺序可能为【地基基础工程检测，主体结构工程检测，建筑幕墙工程检测】的数值为【3,2,1】，则此时地基基础工程检测的第一权重排序值为3。权重排序表的顺序可能为【建筑幕墙工程检测，主体结构工程检测，地基基础工程检测】的数值为【3,2,1】，则此时地基基础工程检测的第一权重排序值为1。
步骤S1203、根据所述维度信息的数量对所述第一权重排序值进行修正得到第二权重排序值，基于所述第二权重排序值确定不同维度信息的维度权重值。例如说，获取的建筑种类信息为别墅，维度信息只有两个，包括建筑幕墙工程维度和地基基础工程维度，并没有主体结构工程维度，则此时获得第一权重排序值只有建筑幕墙工程维度对应的3和地基基础工程维度对应的1，此时维度信息的数量减少了1个，则此时可以按照以下公式调整每个维度信息对应的第一权重排序值，即
O1＝O2-0.2(O3-O4)
其中，O1为第二权重排序值，O2第一权重排序值，O3为权重排序表中维度信息的数量，O4为获取的维度信息的数量。
通过以上公式，可以根据维度信息的数量对第二权重排序值进行调整，使得在维度信息较少时，两个维度信息的第二权重排序值的差值不会相差过大。保障输出的建筑质量预测结果的准确性。O1即可作为维度权重值。
在另外一种可能的实施方式中，例如说，获取的建筑种类信息为别墅，维度信息只有两个，包括建筑幕墙工程维度和地基基础工程维度，并没有主体结构工程维度，则此时获得第一权重排序值只有建筑幕墙工程维度对应的3和地基基础工程维度对应的1，此时维度信息的数量减少了1个，即权重排序表中对应2的主体结构工程维度没有了，则此时直接将地基基础工程维度对主体结构工程维度进行替换，即将地基基础工程维度对应的1替换为2。替换后，地基基础工程维度对应的第二权重排序值即为2，因为其排在了第2位，此时地基基础工程维度的维度权重值为2。通过以上方式，也可以保障在维度信息较少时，两个维度信息的第二权重排序值的差值不会相差过大。保障输出的建筑质量预测结果的准确性。
步骤S130、根据多个维度信息对所述第一深度学习模型中的变量值进行筛选得到第二深度学习模型，所述第二深度学习模型中的变量与所述多个维度的质量数据相对应。
其中，步骤S130包括，
获取所有质量数据的所有维度信息生成维度集合A(a1,a2,…，an)，其中an为第n个维度信息。本发明会想接收到的质量数据的维度信息按照集合的方式进行统计，集合可能为A【地基基础工程维度，主体结构工程维度，建筑幕墙工程维度】
筛选与维度集合A对应的变量值得到变量值集合B(b1,b2,…，bi)，其中bi为第i个变量值。变量值即为深度学习模型中的变量值，由于每个建筑中不同的维度信息会具有不同的质量评价分数，所以本发明会根据维度确定相应的变量值，例如说地基基础工程维度所对应的变量值即为地基基础工程量值，此时地基基础工程量值的输入即可能是某一个建筑的地基基础工程维度的质量评价分数。
提取所述第一深度学习模型与所述变量值集合B(b1,b2,…，bi)对应的计算单元得到计算集合C(c1,c2,…，ci)。计算单元可以看做是
以及
因为不同的变量值会具有不同的计算单元，例如说维度信息为2个时，则此时变量值即为2个，相对应的计算单元也就是2个。
基于所述计算集合C(c1,c2,…，ci)得到第二深度学习模型。本发明可以根据计算集合C(c1,c2,…，ci)构建出最终的第二深度学习模型。
通过以上的技术方案，本发明可以根据用户输入的不同维度的质量数据、不同的维度信息、不同的建筑种类信息得到相适应的第二深度学习模型，实现深度学习模型的筛选、定制，提高了建筑质量预测结果、准确性预测结果以及综合性结果的准确性。
步骤S140、基于所述多个维度的质量数据对所述第二深度学习模型中变量值的变量权重进行调整得到第三深度学习模型。
在一个可能的实施方式中，步骤S140包括：
获取第二深度学习模型中每个变量值的变量权重，通过以下公式对变量权重调整，
其中，s2为调整后的变量权重，s1为调整前的变量，d1为第一深度学习模型中的计算单元的数量，d2为第二深度学习模型中的计算单元的数量，K为调整系数，N为质量数据的数量。
在第二深度学习模型中，每个变量值都会具有与其对应的变量权重，本发明会根据第二深度学习模型与第一深度学习模型中计算单元的数量关系对变量权重进行调整。因为计算单元越少，则此时输入的质量评价分数、维度信息就越少，模型的输出结果颗粒就越大，因为维度信息少，出现一两个数量差值较大的评价分数就会对模型的输出结果造成影响，所以本发明会提高变量权重，避免因为输入的维度信息较少时，因为一个评价分数过低或过高而对整体的建筑质量预测结果影响较大。保障深度学习模型的准确性。
步骤S150、将多个质量评价分数和维度权重值输入至所述第三深度学习模型得到建筑质量预测结果、准确性预测结果以及综合性结果。
在一个可能的实施方式中，将多个质量评价分数和维度权重值输入至所述第三深度学习模型得到建筑质量预测结果、准确性预测结果以及综合性结果包括：
所述第三深度学习模型基于以下公式计算建筑质量预测结果，
Mq为第q个维度信息的维度权重值，s2q为第q个调整后的变量权重，eq1第q个质量评价分数，eq2为第q个质量评价分数的总分值，u为质量评价分数的数量。
本发明在计算建筑质量预测结果时，会统计每个维度信息的维度权重值、变量权重以及质量评价分数，并且将质量评价分数与质量评价分数的总分值进行作比，使得本发明输入的质量评价分数可以是既有十分制、又有百分制，都能够进行统一的处理。本发明在得到建筑质量预测结果的过程中，会考虑多个维度的变量，使得建筑质量预测结果的准确度较高。
在一个可能的实施方式中，将多个质量评价分数和维度权重值输入至所述第三深度学习模型得到建筑质量预测结果、准确性预测结果以及综合性结果包括：
分别获取第一深度学习模型和第二深度学习模型中计算单元的数量得到第一计算数量和第二计算数量；
通过以下公式得到准确性预测结果，
其中，x2为准确性预测结果，f1为第一计算数量，f2为第二计算数量，P为预设准确值。在实际的应用场景中，一个建筑的工程质量的好与坏不能够通过一个维度的质量来全部体现，当用户对于某一个建筑输入的质量数据的维度较少时，则此时对于该建筑质量预测结果可能会存在较大的误差，所以本发明会根据其输入的质量数据的维度进行比较，得到相应的准确性预测结果。
例如说，一个建筑具有10维度考核项目质量的质量数据，此时第一计算数量即为10，第一深度学习模型中的计算单元为10个。但是，用户仅仅输入了6个维度的质量数据，则此时准确性预测结果则无法达到预设准确值。本发明中的预设准确值可以是百分之90，即当用户输入了10个维度的质量数据时，准确性预测结果为百分之90。
在一个可能的实施方式中，将多个质量评价分数和维度权重值输入至所述第三深度学习模型得到建筑质量预测结果、准确性预测结果以及综合性结果包括：
获取所述建筑质量预测结果和准确性预测结果，通过以下公式得到综合性结果，
其中，x3为综合性结果，Y1质量权重，Y2为准确性权重。
本发明在得到建筑质量预测结果和准确性预测结果后，会得到综合性结果，使得使用者可以根据综合性结果对质量预测和准确性预测进行结合来看。并且，可以根据建筑种类信息的不同对质量权重Y1和准确性权重Y2进行调节，例如说别墅这种小型建筑，建筑质量预测结果准确性会较高，则此时准确性权重Y2就会调高，相反则调低准确性权重Y2。
本发明还包括：
接收反馈数据，所述反馈数据至少包括准确性修正值；
将所述准确性修正值与所述准确性预测结果比较得到偏移值；
通过以下公式基于所述偏移值对预设准确值修正，
其中，P修为修正后的预设准确值，x4为准确性修正值，x4-x2为偏移值，g1为增加偏移值，g2为减少偏移值。
当x4≥x2，则证明准确率偏低或者是正合适，则此时需要将准确率调高或不变，即使
当x4<x2，则证明准确率偏高，则此时需要将准确率调低，即使
在实际的使用过程中，或者是训练的过程中，本发明可以在输出一个准确性预测结果后，接收用户反馈的准确性修正值，根据准确性修正值和准确性预测结果的偏移量确定修正后的预设准确值P修，提高了深度学习模型的准确率。
本发明提供一种基于深度学习的建筑质量预测装置，如图2所示其结构图，包括：
获取模块，用于获取多个维度的质量数据，每个维度的质量数据分别包括相应的质量评价分数、维度信息以及建筑种类信息；
确定模块，用于基于所述建筑种类信息确定不同维度信息的维度权重值，同一个建筑的多个维度的质量数据具有相同的建筑种类信息；
筛选模块，用于根据多个维度信息对所述第一深度学习模型中的变量值进行筛选得到第二深度学习模型，所述第二深度学习模型中的变量与所述多个维度的质量数据相对应；
调整模块，用于基于所述多个维度的质量数据对所述第二深度学习模型中变量值的变量权重进行调整得到第三深度学习模型；
预测模块，用于将多个质量评价分数和维度权重值输入至所述第三深度学习模型得到建筑质量预测结果、准确性预测结果以及综合性结果。
其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits，简称：ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种基于深度学习的建筑质量预测方法，其特征在于，包括：
获取多个维度的质量数据，每个维度的质量数据分别包括相应的质量评价分数、维度信息以及建筑种类信息；
基于所述建筑种类信息确定不同维度信息的维度权重值，同一个建筑的多个维度的质量数据具有相同的建筑种类信息；
根据多个维度信息对第一深度学习模型中的变量值进行筛选得到第二深度学习模型，第二深度学习模型中的变量与多个维度的质量数据相对应；
基于多个维度的质量数据对第二深度学习模型中变量值的变量权重进行调整得到第三深度学习模型；
将多个质量评价分数和维度权重值输入至第三深度学习模型得到建筑质量预测结果、准确性预测结果以及综合性结果；
根据多个维度信息对所述第一深度学习模型中的变量值进行筛选得到第二深度学习模型，具体过程包括：
获取所有质量数据的所有维度信息生成维度集合A(a1,a2,…，an)，其中，an为第n个维度信息；
筛选与维度集合A对应的变量值得到变量值集合B(b1,b2,…，bi)，其中，bi为第i个变量值；
提取所述第一深度学习模型与变量值集合B(b1,b2,…，bi)对应的计算单元，得到计算集合C(c1,c2,…，ci)；
基于计算集合C(c1,c2,…，ci)得到第二深度学习模型。
2.根据权利要求1所述的基于深度学习的建筑质量预测方法，其特征在于，
基于所述建筑种类信息确定不同维度信息的维度权重值，具体过程包括：
将当前的建筑种类信息与预设种类信息比对得到当前的权重排序表，每个预设种类信息分别具有与其对应的权重排序表；
提取维度信息位于权重排序中的第一权重排序值；
根据维度信息的数量对第一权重排序值进行修正得到第二权重排序值，基于第二权重排序值确定不同维度信息的维度权重值。
3.根据权利要求1所述的基于深度学习的建筑质量预测方法，其特征在于，
基于所述多个维度的质量数据对第二深度学习模型中变量值的变量权重进行调整，得到第三深度学习模型，具体过程包括：
获取第二深度学习模型中每个变量值的变量权重，通过以下公式对变量权重调整：
其中，s2为调整后的变量权重，s1为调整前的变量，d1为第一深度学习模型中的计算单元的数量，d2为第二深度学习模型中的计算单元的数量，K为调整系数，N为质量数据的数量。
4.根据权利要求3所述的基于深度学习的建筑质量预测方法，其特征在于，
将多个质量评价分数和维度权重值输入至所述第三深度学习模型得到建筑质量预测结果、准确性预测结果以及综合性结果，其中，建筑质量预测结果获取过程为：
所述第三深度学习模型基于以下公式计算建筑质量预测结果：
其中，Mq为第q个维度信息的维度权重值，s2q为第q个调整后的变量权重，eq1第q个质量评价分数，eq2为第q个质量评价分数的总分值，u为质量评价分数的数量。
5.根据权利要求4所述的基于深度学习的建筑质量预测方法，其特征在于，
将多个质量评价分数和维度权重值输入至所述第三深度学习模型得到建筑质量预测结果、准确性预测结果以及综合性结果，其中，准确性预测结果获取过程为：
分别获取第一深度学习模型和第二深度学习模型中计算单元的数量，得到第一计算数量和第二计算数量；
通过以下公式得到准确性预测结果：
其中，x2为准确性预测结果，f1为第一计算数量，f2为第二计算数量，P为预设准确值。
6.根据权利要求5所述的基于深度学习的建筑质量预测方法，其特征在于，
将多个质量评价分数和维度权重值输入至所述第三深度学习模型得到建筑质量预测结果、准确性预测结果以及综合性结果，其中，综合性结果获取过程为：
获取建筑质量预测结果和准确性预测结果，通过以下公式得到综合性结果：
其中，x3为综合性结果，Y1质量权重，Y2为准确性权重。
7.根据权利要求5所述的基于深度学习的建筑质量预测方法，其特征在于，还包括：
接收反馈数据，反馈数据至少包括准确性修正值；
将准确性修正值与所述准确性预测结果比较得到偏移值；
通过以下公式，基于偏移值对预设准确值修正：
其中，P修为修正后的预设准确值，x4为准确性修正值，x4-x2为偏移值，g1为增加偏移值，g2为减少偏移值。
8.一种基于深度学习的建筑质量预测装置，其特征在于，包括：
获取模块，用于获取多个维度的质量数据，每个维度的质量数据分别包括相应的质量评价分数、维度信息以及建筑种类信息；
确定模块，用于基于所述建筑种类信息确定不同维度信息的维度权重值，同一个建筑的多个维度的质量数据具有相同的建筑种类信息；
筛选模块，用于根据多个维度信息对第一深度学习模型中的变量值进行筛选得到第二深度学习模型，第二深度学习模型中的变量与所述多个维度的质量数据相对应；
调整模块，用于基于多个维度的质量数据对第二深度学习模型中变量值的变量权重进行调整得到第三深度学习模型；
预测模块，用于将多个质量评价分数和维度权重值输入至第三深度学习模型得到建筑质量预测结果、准确性预测结果以及综合性结果；
根据多个维度信息对所述第一深度学习模型中的变量值进行筛选得到第二深度学习模型，具体过程包括：
获取所有质量数据的所有维度信息生成维度集合A(a1,a2,…，an)，其中，an为第n个维度信息；
筛选与维度集合A对应的变量值得到变量值集合B(b1,b2,…，bi)，其中，bi为第i个变量值；
提取所述第一深度学习模型与变量值集合B(b1,b2,…，bi)对应的计算单元，得到计算集合C(c1,c2,…，ci)；
基于计算集合C(c1,c2,…，ci)得到第二深度学习模型。
9.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现权利要求1至7中任一所述的基于深度学习的建筑质量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111133867.0A CN113592090B (zh) | 2021-09-27 | 2021-09-27 | 基于深度学习的建筑质量预测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111133867.0A CN113592090B (zh) | 2021-09-27 | 2021-09-27 | 基于深度学习的建筑质量预测方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113592090A CN113592090A (zh) | 2021-11-02 |
| CN113592090B true CN113592090B (zh) | 2021-12-24 |
Family
ID=78242215
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111133867.0A Active CN113592090B (zh) | 2021-09-27 | 2021-09-27 | 基于深度学习的建筑质量预测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113592090B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117726241B (zh) * | 2024-02-18 | 2024-05-10 | 深圳市建匠工程有限公司 | 建筑结构质量检测方法、设备及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105205615A (zh) * | 2015-10-16 | 2015-12-30 | 安徽新创建材科技有限公司 | 一种建筑质量评估云平台 |
| CN110969370B (zh) * | 2020-01-14 | 2023-05-02 | 深圳市建筑科学研究院股份有限公司 | 建筑结构构件的质量风险分析方法 |
| CN111639462B (zh) * | 2020-05-29 | 2023-04-18 | 桂林电子科技大学 | 一种基于深度置信神经网络的自然通风环境下建筑室内热舒适预测方法 |
-
2021
- 2021-09-27 CN CN202111133867.0A patent/CN113592090B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113592090A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Evidential reasoning rule for MADM with both weights and reliabilities in group decision making | |
| Stein | Benchmarking default prediction models: Pitfalls and remedies in model validation | |
| US8019734B2 (en) | Statistical determination of operator error | |
| Engelmann et al. | The Basel II risk parameters: estimation, validation, and stress testing | |
| WO2018121396A1 (zh) | 商户价值评价方法 | |
| Morales et al. | A financial stability index for Colombia | |
| US7720822B1 (en) | Quality management in a data-processing environment | |
| US20170300546A1 (en) | Method and Apparatus for Data Processing in Data Modeling | |
| JP2003316950A (ja) | 信用評価システム及び信用評価方法 | |
| CN111160582B (zh) | 设备故障识别方法、装置及计算机可读存储介质 | |
| CN113592090B (zh) | 基于深度学习的建筑质量预测方法、装置及存储介质 | |
| CN111860698A (zh) | 确定学习模型的稳定性的方法和装置 | |
| CN111461329B (zh) | 一种模型的训练方法、装置、设备及可读存储介质 | |
| CN108182503B (zh) | 一种工业用离心泵的质量评价方法及其设备 | |
| CN109634854B (zh) | 一种检测软件工程算法组态异常的方法 | |
| CN116188039A (zh) | 供应商智能推荐方法及系统 | |
| US20210326755A1 (en) | Learning model creation device, material property prediction device, and learning model creation method and program | |
| CN116127450A (zh) | 一种模型评估方法及装置 | |
| CN114295814A (zh) | 一种油液检测的阈值生成方法及系统 | |
| WO2019227415A1 (zh) | 一种评分卡模型的调整方法、装置、服务器及存储介质 | |
| US7343352B2 (en) | Method and system for assessing the quality and cost of inspection | |
| CN117436795B (zh) | 一种用于分级管理的仓库物资监测方法及系统 | |
| Galyean | Orthogonal PSF taxonomy for human reliability analysis | |
| CN117132169A (zh) | 电力人工智能模型调用评价方法及系统 | |
| WO2021090394A1 (ja) | 知的財産権の評価システム、知的財産権の評価方法、評価用プログラム、及び修正用データ |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220726 Address after: 210000 room 103-18, building 8, No. 2 Shuanglong street, Qinhuai District, Nanjing, Jiangsu Province Patentee after: Nanjing China Construction Eighth Bureau Smart Technology Co.,Ltd. Address before: 210046 Yao Yao Road, 18 Yao Road, Jiangsu, Nanjing Patentee before: THE THIRD CONSTRUCTION Co.,Ltd. OF CHINA CONSTRUCTION EIGHTH ENGINEERING DIVISION |
|
| TR01 | Transfer of patent right |