CN117420011B - 一种混凝土砖块多点式抗压强度检测系统 - Google Patents
一种混凝土砖块多点式抗压强度检测系统 Download PDFInfo
- Publication number
- CN117420011B CN117420011B CN202311733006.5A CN202311733006A CN117420011B CN 117420011 B CN117420011 B CN 117420011B CN 202311733006 A CN202311733006 A CN 202311733006A CN 117420011 B CN117420011 B CN 117420011B
- Authority
- CN
- China
- Prior art keywords
- pressure
- concrete brick
- compressive strength
- map
- local
- 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
- 239000011456 concrete brick Substances 0.000 title claims abstract description 177
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000009826 distribution Methods 0.000 claims abstract description 45
- 238000010586 diagram Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims description 29
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000005192 partition Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 23
- 238000000034 method Methods 0.000 description 22
- 239000004567 concrete Substances 0.000 description 13
- 239000011449 brick Substances 0.000 description 10
- 230000001066 destructive effect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000009658 destructive testing Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 230000006378 damage Effects 0.000 description 6
- 239000004568 cement Substances 0.000 description 5
- 238000002360 preparation method Methods 0.000 description 5
- 239000004576 sand Substances 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000004566 building material Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 239000004575 stone Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000007847 structural defect Effects 0.000 description 2
- 230000002459 sustained effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000011372 high-strength concrete Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/02—Details
- G01N3/06—Special adaptations of indicating or recording means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/02—Details
- G01N3/06—Special adaptations of indicating or recording means
- G01N3/068—Special adaptations of indicating or recording means with optical indicating or recording means
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种混凝土砖块多点式抗压强度检测系统,其检测所述被检测混凝土砖块在第一作用力下的压力数据;将所述被检测混凝土砖块在第一作用力下的压力数据处理为压力分布图;对所述被检测混凝土砖块在第一作用力下的压力分布图进行分析以确定所述被检测混凝土砖块的质量是否符合预定标准;以及,显示所述被检测混凝土砖块的质量是否符合预定标准的结果。这样,可以智能化地判断被检测混凝土砖块的质量是否符合预定标准。
Description
技术领域
本发明涉及智能化检测技术领域,尤其涉及一种混凝土砖块多点式抗压强度检测系统。
背景技术
混凝土砖块是一种常用的建筑材料,由水泥、砂、石等混合而成,经过高温高压的成型工艺制成。混凝土砖块的抗压强度是指在单位面积上所能承受的最大压力,是衡量混凝土砖块质量和使用性能的重要指标。为了保证混凝土砖块的安全和耐久性,需要对其进行抗压强度检测,以确定其是否符合相关的标准和规范。
目前,通常对混凝土砖块进行破坏性检测。也就是,将混凝土砖块放在专用的压力机上,施加不断增大的压力,直到砖块发生破裂,记录此时的压力值,作为抗压强度的测量结果。这种方法虽然准确可靠,但是会造成混凝土砖块的损毁和浪费,而且只能对少数样品进行检测,不能反映整体的质量分布。
因此,期待一种优化的混凝土砖块抗压强度检测方案。
发明内容
本发明实施例提供一种混凝土砖块多点式抗压强度检测系统,其检测所述被检测混凝土砖块在第一作用力下的压力数据;将所述被检测混凝土砖块在第一作用力下的压力数据处理为压力分布图;对所述被检测混凝土砖块在第一作用力下的压力分布图进行分析以确定所述被检测混凝土砖块的质量是否符合预定标准;以及,显示所述被检测混凝土砖块的质量是否符合预定标准的结果。这样,可以智能化地判断被检测混凝土砖块的质量是否符合预定标准。
本发明实施例还提供了一种混凝土砖块多点式抗压强度检测系统,其包括:
部署于被检测混凝土砖块的压力传感器阵列,用于检测所述被检测混凝土砖块在第一作用力下的压力数据;
可通信地连接于所述压力传感器阵列的数据采集器,用于将所述被检测混凝土砖块在第一作用力下的压力数据处理为压力分布图;
可通信地连接于所述数据采集器的数据处理器,用于对所述被检测混凝土砖块在第一作用力下的压力分布图进行分析以确定所述被检测混凝土砖块的质量是否符合预定标准;以及
可通信地连接于所述数据处理器的显示器,用于显示所述被检测混凝土砖块的质量是否符合预定标准的结果。
在上述混凝土砖块多点式抗压强度检测系统中,所述数据处理器,包括:
图像特征提取模块,用于对所述压力分布图进行图像特征提取以得到压力多尺度关联特征图;及
质量确定模块,用于基于所述压力多尺度关联特征图,确定所述被检测混凝土砖块的质量是否符合预定标准。
在上述混凝土砖块多点式抗压强度检测系统中,所述图像特征提取模块,包括:
特征提取单元,用于提取所述压力分布图的邻域特征与全局特征以得到压力局部关联特征图和压力全局关联特征图;以及
融合单元,用于融合所述压力局部关联特征图和所述压力全局关联特征图以得到所述压力多尺度关联特征图。
在上述混凝土砖块多点式抗压强度检测系统中,所述特征提取单元,用于:
将所述压力分布图通过基于第一卷积神经网络模型的压力局部关联特征提取器以得到所述压力局部关联特征图;以及
将所述压力局部关联特征图通过基于非局部神经网络模型的压力全局关联特征提取器以得到所述压力全局关联特征图。
在上述混凝土砖块多点式抗压强度检测系统中,所述质量确定模块,包括:
优化单元,用于对所述压力多尺度关联特征图进行优化以得到优化压力多尺度关联特征图;以及
分类单元,用于将所述优化压力多尺度关联特征图通过分类器以得到分类结果,所述分类结果用于表示所述被检测混凝土砖块的质量是否符合预定标准。
在上述混凝土砖块多点式抗压强度检测系统中,所述优化单元,用于:以如下优化公式对所述压力多尺度关联特征图进行优化以得到优化压力多尺度关联特征图;
其中,所述优化公式为:
其中,是所述压力多尺度关联特征图的/>位置的特征值,/>是所述压力多尺度关联特征图的/>位置的特征值,且/>为局部空间分割系数,/>是过渡符号,/>是所述优化压力多尺度关联特征图的/>位置的特征值。
与现有技术相比,本申请提供的一种混凝土砖块多点式抗压强度检测系统,其检测所述被检测混凝土砖块在第一作用力下的压力数据;将所述被检测混凝土砖块在第一作用力下的压力数据处理为压力分布图;对所述被检测混凝土砖块在第一作用力下的压力分布图进行分析以确定所述被检测混凝土砖块的质量是否符合预定标准;以及,显示所述被检测混凝土砖块的质量是否符合预定标准的结果。这样,可以智能化地判断被检测混凝土砖块的质量是否符合预定标准。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中提供的一种混凝土砖块多点式抗压强度检测系统的框图。
图2为本发明实施例中提供的一种混凝土砖块多点式抗压强度检测系统中所述数据处理器的框图。
图3为本发明实施例中提供的一种混凝土砖块多点式抗压强度检测方法的流程图。
图4为本发明实施例中提供的一种混凝土砖块多点式抗压强度检测方法的系统架构的示意图。
图5为本发明实施例中提供的一种混凝土砖块多点式抗压强度检测系统的应用场景图。
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明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
混凝土砖块是一种常用的建筑材料,广泛应用于建筑、道路和其他基础设施的建设中,由水泥、砂、石等材料混合而成,经过高温高压的成型工艺制成坚固的砖块。
混凝土砖块具有较高的抗压强度,能够承受较大的压力和荷载,在建筑结构中能够提供稳定的支撑和保持长期的耐久性。混凝土砖块是非可燃材料,具有良好的抗火性能,在火灾发生时,可以有效地阻止火势蔓延,提供更多的逃生时间和保护财产的安全。混凝土砖块具有较好的隔音和隔热性能,能够有效地隔离噪音和热量传导,提供更加舒适和宁静的室内环境。混凝土砖块可以根据需要进行不同形状和尺寸的制造,适应各种建筑设计需求,也比较容易进行施工和安装,可以通过简单的堆砌或粘结方法进行组装。混凝土砖块的生产过程中使用的材料主要是水泥、砂和石,这些材料在大部分地区都很充足,同时,混凝土砖块可以回收利用,在拆除或改建建筑时可以进行再利用,减少对自然资源的消耗。
混凝土砖块是一种经济、实用、耐久的建筑材料,被广泛应用于各种建筑项目中,包括住宅、商业建筑、工业设施等,在建筑结构的稳定性、安全性和舒适性方面发挥着重要的作用。
混凝土砖块的抗压强度是指在单位面积上所能承受的最大压力,是衡量混凝土砖块质量和使用性能的重要指标之一。混凝土砖块的抗压强度取决于多个因素,包括混凝土的配比、水灰比、固化时间、砂石的质量等。一般来说,混凝土砖块的抗压强度会随着水灰比的降低、固化时间的延长和砂石质量的提高而增加。
混凝土砖块的抗压强度可以根据不同的国家或地区的标准和规范进行分类,分类包括普通混凝土砖块、轻质混凝土砖块和高强度混凝土砖块等,不同类型的混凝土砖块在抗压强度上有所差异,适用于不同的工程和建筑需求。混凝土砖块的抗压强度对于确保建筑结构的安全和耐久性非常重要,在设计和施工过程中,需要根据具体的工程要求和使用环境,选择合适的混凝土砖块类型和抗压强度等级。
为了保证混凝土砖块的安全和耐久性,需要对其进行抗压强度检测,以确定其是否符合相关的标准和规范。以下是一般的抗压强度检测步骤:
1. 样品制备:从生产的混凝土砖块中随机选取一定数量的样品。样品通常是砖块的一部分或整块砖。
2. 样品准备:将选取的样品表面清洁干净,并确保样品的尺寸符合规定的标准。
3. 试验设备准备:准备好破坏性试验所需的设备,包括压力机和相应的夹具。
4. 试验执行:将样品放置在压力机的夹具中,施加逐渐增加的压力,直到样品发生破坏。在试验过程中,记录压力和变形数据。
5. 数据处理:根据试验过程中记录的压力和变形数据,计算出样品的抗压强度。抗压强度通常以单位面积上所能承受的最大压力表示,单位为兆帕(MPa)。
抗压强度检测的结果可以用于评估混凝土砖块的质量和性能,并与相关标准或规范进行对比。这有助于确保混凝土砖块的使用符合安全和可靠的要求。需要注意的是,抗压强度检测是一种破坏性试验,只能对少量样品进行检测,可能会导致资源浪费和成本增加。因此,研究人员一直在探索非破坏性的抗压强度检测方法,以提高效率和减少资源消耗。
混凝土砖块的抗压强度通常通过破坏性试验来进行测定,在破坏性试验中,混凝土砖块被放置在专用的压力机上,施加逐渐增大的压力,直到砖块发生破裂,记录此时的压力值,作为抗压强度的测量结果。
首先,从生产的混凝土砖块中随机选取一定数量的样品,样品通常是砖块的一部分或整块砖。然后,将选取的样品表面清洁干净,并确保样品的尺寸符合规定的标准,通常,样品的尺寸为砖块的一半或四分之一大小。接着,准备好破坏性试验所需的设备,包括压力机和夹具,夹具通常由两个平面夹具组成,用于夹持样品。然后,将样品放置在压力机的夹具中,确保样品的负荷面与夹具平面保持垂直。接着,启动压力机,逐渐施加增大的压力到样品上,直到样品发生破坏。在试验过程中,记录压力和变形数据。最后,记录样品破坏时的最大压力值,作为抗压强度的测量结果。通常以单位面积上所能承受的最大压力表示,单位为兆帕(MPa)。
破坏性检测方法能够直接测量混凝土砖块的抗压强度,但它需要取样、制备样品,并且在试验过程中会造成样品的破坏和浪费。因此,在一些情况下,人们也会考虑使用非破坏性检测方法来评估混凝土砖块的抗压强度。非破坏性检测方法不会破坏样品,可以对更多的砖块进行检测,并减少资源浪费。
然后,对混凝土砖块进行破坏性检测存在一些弊端,破坏性检测需要取样和制备样品,这会消耗大量的混凝土砖块和其他试验资源,这可能导致浪费和成本增加。破坏性检测需要进行实验室试验,包括样品制备和压力机测试等步骤,需要一定的时间和人力成本。破坏性检测的过程会导致被测试样品的损坏和破坏,这意味着这些样品无法再次使用,特别是对于珍贵或有限的样品来说,这是一种资源浪费。破坏性检测中的试验过程和数据处理可能存在一定的误差,例如在样品制备、压力加载和数据记录等方面,这可能会对最终的抗压强度结果产生影响。
破坏性检测在某些情况下仍然是一种有效的方法来评估混凝土砖块的抗压强度。然而,由于其存在的弊端,研究人员一直在努力开发非破坏性检测方法,以减少资源消耗、提高效率并降低对样品的破坏。这些非破坏性方法可以通过对混凝土砖块的其他特性进行测量和分析,如声波传播速度、电阻率和超声波反射等来评估其抗压强度。这些方法可以提供更快速、经济和可持续的检测手段。
因此,在本申请中,提供一种优化的混凝土砖块抗压强度检测方案。
在本发明的一个实施例中,图1为本发明实施例中提供的一种混凝土砖块多点式抗压强度检测系统的框图。如图1所示,根据本发明实施例的混凝土砖块多点式抗压强度检测系统100,包括:部署于被检测混凝土砖块的压力传感器阵列1,用于检测所述被检测混凝土砖块在第一作用力下的压力数据;可通信地连接于所述压力传感器阵列1的数据采集器2,用于将所述被检测混凝土砖块在第一作用力下的压力数据处理为压力分布图;可通信地连接于所述数据采集器2的数据处理器3,用于对所述被检测混凝土砖块在第一作用力下的压力分布图进行分析以确定所述被检测混凝土砖块的质量是否符合预定标准;以及,可通信地连接于所述数据处理器3的显示器4,用于显示所述被检测混凝土砖块的质量是否符合预定标准的结果。
压力传感器阵列1部署于被检测混凝土砖块上的一组传感器,用于测量混凝土砖块在第一作用力下的压力数据。这些传感器通常布置在混凝土砖块的表面或内部,以获取压力分布的信息。
数据采集器2与压力传感器阵列1可通信地连接的设备,用于接收和记录被检测混凝土砖块在第一作用力下的压力数据,数据采集器可以是一个物理设备或计算机系统,负责采集和存储传感器的输出数据。
数据处理器3与数据采集器2可通信地连接的设备,用于对被检测混凝土砖块在第一作用力下的压力分布图进行分析。数据处理器可以进行各种算法和计算,以确定混凝土砖块的质量是否符合预定标准,可以检测异常压力分布、计算平均压力值等。
显示器4与数据处理器3可通信地连接的设备,用于显示被检测混凝土砖块的质量是否符合预定标准的结果。显示器可以是计算机显示屏、触摸屏或其他输出设备,用于向用户展示检测结果,例如通过图形、数字或文本形式显示。
这个系统的工作流程是:压力传感器阵列测量混凝土砖块在第一作用力下的压力数据,数据采集器接收并记录这些数据,数据处理器对压力数据进行分析以确定混凝土砖块的质量是否符合预定标准,最后,显示器向用户展示检测结果。
针对上述技术问题,本申请的技术构思为:基于被检测混凝土砖块在第一作用力下的压力分布图来判断被检测混凝土砖块的质量是否符合预定标准。应可以理解,如果压力分布图显示混凝土砖块在受到压力时呈现均匀分布,即各个区域受力相似且平衡,则表明混凝土砖块的内部结构均匀、质量良好;如果压力分布图显示混凝土砖块在受到压力时存在局部区域的高压集中,即某些区域承受更大的压力,而其他区域压力较小,则可能表示混凝土砖块存在结构缺陷或不均匀的质量问题。由此,在本申请的技术方案中,期待通过对压力分布图的特征提取与全局分析,来智能化地判断被检测混凝土砖块的质量是否符合预定标准。
图2为本发明实施例中提供的一种混凝土砖块多点式抗压强度检测系统中所述数据处理器的框图。如图2所示,所述数据处理器3,包括:图像特征提取模块110,用于对所述压力分布图进行图像特征提取以得到压力多尺度关联特征图;及,质量确定模块120,用于基于所述压力多尺度关联特征图,确定所述被检测混凝土砖块的质量是否符合预定标准。
图像特征提取模块110和质量确定模块120是数据处理器中的两个关键模块,用于分析压力分布图并确定混凝土砖块的质量是否符合预定标准。
在所述图像特征提取模块110中,对压力分布图进行图像特征提取,目的是从图像中提取出有意义的特征,以便后续的质量确定分析。在混凝土砖块的压力分布图中,可能存在多种特征,如压力的集中区域、分散区域、不均匀分布等。因此,选择合适的特征提取方法和算法非常重要。
通过图像特征提取,可以将复杂的压力分布图转化为更具代表性的特征图,这些特征图可以帮助揭示混凝土砖块内部的压力分布规律,提供更直观、可视化的信息,为后续的质量确定提供有用的数据基础。
在所述质量确定模块120中,基于压力多尺度关联特征图进行质量确定,在这个模块中,设计合适的算法和规则来分析特征图,并根据预定标准判断混凝土砖块的质量,这可能涉及到与预定标准的比较、阈值的设定、异常检测等。
质量确定模块的主要目标是对混凝土砖块的质量进行评估和判定。通过基于压力多尺度关联特征图的分析,可以快速、准确地确定混凝土砖块是否符合预定标准。这有助于提高生产效率和质量控制,并减少人工检测的主观性和误差。
图像特征提取模块和质量确定模块在混凝土砖块质量检测系统中起着关键作用,图像特征提取模块通过提取压力分布图的特征,将其转化为更具代表性的特征图,为后续的质量确定提供数据基础。质量确定模块利用压力多尺度关联特征图进行分析和判定,快速准确地评估混凝土砖块的质量是否符合预定标准,从而提高生产效率和质量控制水平。
在本申请的一个实施例中,所述图像特征提取模块110,包括:征提取单元,用于提取所述压力分布图的邻域特征与全局特征以得到压力局部关联特征图和压力全局关联特征图;以及,融合单元,用于融合所述压力局部关联特征图和所述压力全局关联特征图以得到所述压力多尺度关联特征图。
首先,从压力分布图中提取邻域特征和全局特征,邻域特征可以捕捉到局部的压力分布模式,而全局特征则能够反映整体的压力分布情况。在特征提取过程中,选择适当的特征提取方法和算法,以确保提取到具有区分度和代表性的特征。
通过提取压力分布图的邻域特征和全局特征,可以从不同尺度上捕捉到混凝土砖块内部的压力关联信息。邻域特征和全局特征的组合可以提供更全面、多角度的特征表达,有助于更准确地描述混凝土砖块的压力分布特征。
然后,将压力局部关联特征图和压力全局关联特征图进行融合,得到压力多尺度关联特征图。在融合过程中,可以使用不同的融合策略,如加权平均、特征拼接、特征映射等,选择合适的融合策略需要考虑特征的重要性和互补性。
融合压力局部关联特征图和压力全局关联特征图可以综合利用局部和全局的信息,提供更丰富、更全面的压力多尺度关联特征图。这有助于更好地捕捉混凝土砖块内部的压力关联性,提高质量确定的准确性和可靠性。
特征提取单元和融合单元在图像特征提取模块中起着重要作用,特征提取单元通过提取压力分布图的邻域特征和全局特征,提供了多尺度的特征表达,更全面地描述了混凝土砖块的压力分布特征。融合单元将局部和全局特征进行融合,得到压力多尺度关联特征图,综合利用了不同尺度的信息,提高了质量确定的准确性和可靠性。
其中,所述数据处理器算法和逻辑决定了质量判定的准确性和可靠性,其在混凝土砖块多点式抗压强度检测系统中扮演着关键的角色。具体而言,所述数据处理器的实现过程为:首先,对所述压力分布图进行图像特征提取以得到压力多尺度关联特征图。也就是,捕获所述压力分布图中所蕴含的压力隐含分布模式。
在本申请的一个实施例中,所述特征提取单元,用于:将所述压力分布图通过基于第一卷积神经网络模型的压力局部关联特征提取器以得到所述压力局部关联特征图;以及,将所述压力局部关联特征图通过基于非局部神经网络模型的压力全局关联特征提取器以得到所述压力全局关联特征图。
卷积神经网络 (CNN) 是一种有效的图像处理方法,能够自动学习和提取图像中的局部特征。通过使用基于CNN的压力局部关联特征提取器,可以从压力分布图中提取出与局部特征相关的信息,这些局部特征可以反映混凝土砖块内部的局部压力分布模式,例如压力的集中区域、分散区域等。
CNN模型在训练过程中通过多个卷积层和池化层逐渐提取出更高级别的特征表示。通过基于CNN的压力局部关联特征提取器,可以获得更抽象、更具代表性的特征图,这些特征图可以更好地描述混凝土砖块的局部压力关联性,提供更丰富、更准确的信息。
CNN模型具有自动学习能力,可以根据大量的训练数据自动学习特征表示。通过训练基于CNN的压力局部关联特征提取器,可以充分利用已有的数据集,让模型自动学习如何从压力分布图中提取有意义的局部关联特征,这样可以减轻人工特征设计的负担,并且具有更好的泛化能力。
通过基于第一卷积神经网络模型的压力局部关联特征提取器,可以从压力分布图中提取出与局部特征相关的信息,获得更具代表性、更准确的压力局部关联特征图。这有助于更好地描述混凝土砖块的局部压力关联性,提高质量确定的准确性和可靠性。
进一步地,非局部神经网络模型能够捕捉到全局的关联信息。通过使用基于非局部神经网络模型的压力全局关联特征提取器,可以从压力局部关联特征图中提取出与全局特征相关的信息,这些全局特征可以反映混凝土砖块整体的压力分布情况,例如整体的压力均衡性、压力的渐变程度等。
非局部神经网络模型在设计中引入了非局部操作,可以捕捉到图像中不同位置之间的长程依赖关系,通过基于非局部神经网络模型的压力全局关联特征提取器,可以对压力局部关联特征图进行全局上下文建模,从而更好地理解和利用不同局部特征之间的关系。非局部神经网络模型具有较大的感受野,可以跨越较大的空间范围进行特征提取,通过基于非局部神经网络模型的压力全局关联特征提取器,可以获得更丰富、更全局的特征表达,从而提高了对混凝土砖块压力分布的理解和表示能力。
基于非局部神经网络模型的压力全局关联特征提取器能够从压力局部关联特征图中提取全局关联特征,捕捉混凝土砖块整体的压力分布情况,并通过全局上下文建模提高特征表达能力,有助于更全面、更准确地描述混凝土砖块的压力特征,提高质量评估的准确性和可靠性。
在本申请的一个具体示例中,对所述压力分布图进行图像特征提取以得到压力多尺度关联特征图的编码过程,包括:先将所述压力分布图通过基于第一卷积神经网络模型的压力局部关联特征提取器以得到压力局部关联特征图;随后,将所述压力局部关联特征图通过基于非局部神经网络模型的压力全局关联特征提取器以得到压力全局关联特征图;再融合所述压力局部关联特征图和所述压力全局关联特征图以得到压力多尺度关联特征图。
也就是,利用所述第一卷积神经网络模型来构建所述压力局部关联特征提取器以捕捉所述压力分布图的邻域特征;并通过所述非局部神经网络模型来构建压力全局关联特征提取器以捕获所述压力分布图的全局关联特征;再通过特征融合方式将两者信息进行结合与交互。
在本申请中,基于第一卷积神经网络(Convolutional Neural Network,CNN)模型的压力局部关联特征提取器是一种用于从压力分布图中提取局部特征的方法。压力局部关联特征提取器通常由多个卷积层组成,卷积层使用一组可学习的滤波器(也称为卷积核)在输入数据上进行滑动窗口操作,从而提取出局部特征。每个滤波器会检测不同的特征,例如边缘、纹理等,卷积层通过对输入数据进行卷积操作并应用激活函数,生成一系列的特征图。在卷积层之后,压力局部关联特征提取器通常包含池化层,池化层用于减小特征图的尺寸,并保留最显著的特征。常用的池化操作包括最大池化和平均池化。池化层有助于减少模型的参数数量,并提高模型的计算效率。在卷积层和池化层之后,压力局部关联特征提取器通常会应用激活函数来引入非线性,激活函数包括ReLU(Rectified Linear Unit)、LeakyReLU等,激活函数的引入有助于增加模型的表达能力,使其能够更好地拟合非线性关系。
通过基于第一卷积神经网络模型的压力局部关联特征提取器,可以从压力分布图中提取出与局部特征相关的信息,这些特征可以用于进一步的分析和应用,例如破坏性检测、非破坏性检测等。
基于非局部神经网络模型的压力全局关联特征提取器是一种用于从压力分布图中提取全局关联特征的方法。非局部神经网络模型引入了非局部操作,用于捕捉图像中不同位置之间的长程依赖关系,在压力全局关联特征提取器中,非局部操作用于建立全局上下文关系,将不同位置的特征进行关联和交互。压力全局关联特征提取器通过非局部操作,从压力局部关联特征图中提取全局关联特征,这些全局关联特征可以反映混凝土砖块整体的压力分布情况,例如整体的压力均衡性、压力的渐变程度等。压力全局关联特征提取器通常由多个非局部模块组成,每个非局部模块包含了非局部操作,用于建立全局关联特征。这些非局部模块可以根据需要进行堆叠,以增加模型的深度和表达能力。在压力全局关联特征提取器中,通常会使用特征融合的方法将局部特征和全局关联特征进行结合,这可以通过简单的特征拼接或者更复杂的注意力机制实现。特征融合的目的是综合利用局部和全局信息,提高对混凝土砖块压力特征的表示能力。
基于非局部神经网络模型的压力全局关联特征提取器通过非局部操作和全局关联特征提取,能够捕捉混凝土砖块压力分布的全局关联性,这种特征提取器可以提高对混凝土砖块质量的评估准确性和可靠性,从而在非破坏性检测中发挥重要作用。
在本申请的一个实施例中,所述质量确定模块120,包括:优化单元,用于对所述压力多尺度关联特征图进行优化以得到优化压力多尺度关联特征图;以及,分类单元,用于将所述优化压力多尺度关联特征图通过分类器以得到分类结果,所述分类结果用于表示所述被检测混凝土砖块的质量是否符合预定标准。
优化单元用于对压力多尺度关联特征图进行优化,以得到优化的压力多尺度关联特征图。通过对特征图的调整和优化,增强特征的表达能力和区分度。通过优化单元,可以增强特征图中的有用信息,减少噪声和冗余信息的影响,有助于提高特征的质量和可靠性。优化单元可以对不同尺度的特征进行适应和调整,使得特征能够更好地反映混凝土砖块的压力分布情况,通过尺度适应,可以捕捉到不同尺度上的关键特征信息。优化单元可以将来自不同尺度的特征进行融合,以综合利用多尺度的信息,有助于提高对混凝土砖块质量的评估准确性和鲁棒性。
分类单元用于将优化的压力多尺度关联特征图通过分类器,以得到分类结果,表示被检测混凝土砖块的质量是否符合预定标准,进行质量分类和判定。分类单元通过分类器对优化的压力多尺度关联特征图进行分类,将混凝土砖块划分为符合预定标准和不符合标准的两类,有助于快速准确地评估混凝土砖块的质量。分类单元的输出结果可以根据预定标准进行判定,判断混凝土砖块的质量是否达到预期要求,有助于自动化质量控制和判定过程,提高工作效率和准确性。
优化单元通过优化和尺度适应,增强了特征的表达能力和区分度;分类单元通过分类器和预定标准判定,实现了对混凝土砖块质量的快速准确评估。这两个单元的有益效果共同提高了混凝土砖块质量检测的准确性和可靠性。
在本申请的技术方案中,在本申请的技术方案中,将所述压力局部关联特征图通过基于非局部神经网络模型的压力全局关联特征提取器得到所述压力全局关联特征图时,考虑到所述非局部神经网络模型对所述压力分布全局关联特征的提取是在所述压力局部关联特征图的基础上进行的,因此所述压力全局关联特征图也会在一定程度上包含压力分布局部关联特征信息。进一步地,在融合所述压力局部关联特征图和所述压力全局关联特征图以得到所述压力多尺度关联特征图后,如果能够提升所述压力多尺度关联特征图作为高维特征的空间信息表达效果,则能够提升所述压力多尺度关联特征图的表达效果,进而提升所述压力多尺度关联特征图通过分类器得到的分类结果的精准度。基于此,本申请对所述压力多尺度关联特征图进行优化。
在本申请的一个具体示例中,所述优化单元,用于:以如下优化公式对所述压力多尺度关联特征图进行优化以得到优化压力多尺度关联特征图;
其中,所述优化公式为:
其中,是所述压力多尺度关联特征图的/>位置的特征值,/>是所述压力多尺度关联特征图的/>位置的特征值,且/>为局部空间分割系数,/>是过渡符号,/>是所述优化压力多尺度关联特征图的/>位置的特征值。
具体地,以所述压力多尺度关联特征图展开后的希尔伯特空间内的局部分割空间为基准,对所述压力多尺度关联特征图/>在高维特征空间内的特征流形进行曲面的局部积分,从而基于积分函数的局部积分处理,来修正所述压力多尺度关联特征图/>的局部空间展开后的非平稳数据序列所表达的特征流形的相变不连续点,从而获得特征流形的更精细的结构和几何特征,提升所述压力多尺度关联特征图/>在高维特征空间内的空间信息表达效果,以改进其通过分类器得到的分类结果的准确性。
进一步地,将所述压力多尺度关联特征图通过分类器以得到分类结果,所述分类结果用于表示被检测混凝土砖块的质量是否符合预定标准。
综上,基于本发明实施例的混凝土砖块多点式抗压强度检测系统100被阐明,基于被检测混凝土砖块在第一作用力下的压力分布图来判断被检测混凝土砖块的质量是否符合预定标准。应可以理解,如果压力分布图显示混凝土砖块在受到压力时呈现均匀分布,即各个区域受力相似且平衡,则表明混凝土砖块的内部结构均匀、质量良好;如果压力分布图显示混凝土砖块在受到压力时存在局部区域的高压集中,即某些区域承受更大的压力,而其他区域压力较小,则可能表示混凝土砖块存在结构缺陷或不均匀的质量问题。
如上所述,根据本发明实施例的混凝土砖块多点式抗压强度检测系统100可以实现在各种终端设备中,例如用于混凝土砖块多点式抗压强度检测的服务器等。在一个示例中,根据本发明实施例的混凝土砖块多点式抗压强度检测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该混凝土砖块多点式抗压强度检测系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该混凝土砖块多点式抗压强度检测系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该混凝土砖块多点式抗压强度检测系统100与该终端设备也可以是分立的设备,并且该混凝土砖块多点式抗压强度检测系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图3为本发明实施例中提供的一种混凝土砖块多点式抗压强度检测方法的流程图。图4为本发明实施例中提供的一种混凝土砖块多点式抗压强度检测方法的系统架构的示意图。如图3和图4所示,一种混凝土砖块多点式抗压强度检测方法,包括:S210,检测所述被检测混凝土砖块在第一作用力下的压力数据;S220,将所述被检测混凝土砖块在第一作用力下的压力数据处理为压力分布图;S230,对所述被检测混凝土砖块在第一作用力下的压力分布图进行分析以确定所述被检测混凝土砖块的质量是否符合预定标准;以及,S240,显示所述被检测混凝土砖块的质量是否符合预定标准的结果。
本领域技术人员可以理解,上述混凝土砖块多点式抗压强度检测方法中的各个步骤的具体操作已经在上面参考图1到图2的混凝土砖块多点式抗压强度检测系统的描述中得到了详细介绍,并因此,将省略其重复描述。
图5为本发明实施例中提供的一种混凝土砖块多点式抗压强度检测系统的应用场景图。如图5所示,在该应用场景中,首先,检测所述被检测混凝土砖块在第一作用力(例如,如图5中所示意的F)下的压力数据(例如,如图5中所示意的C);然后,将获取的压力数据输入至部署有混凝土砖块多点式抗压强度检测算法的服务器(例如,如图5中所示意的S)中,其中所述服务器能够基于混凝土砖块多点式抗压强度检测算法对所述压力数据进行处理,以确定工尺谱符号的标签值。
以上所述的具体实施例,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例而已,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 (6)
1.一种混凝土砖块多点式抗压强度检测系统,其特征在于,包括:
部署于被检测混凝土砖块的压力传感器阵列,用于检测所述被检测混凝土砖块在第一作用力下的压力数据;
可通信地连接于所述压力传感器阵列的数据采集器,用于将所述被检测混凝土砖块在第一作用力下的压力数据处理为压力分布图;
可通信地连接于所述数据采集器的数据处理器,用于对所述被检测混凝土砖块在第一作用力下的压力分布图进行分析以确定所述被检测混凝土砖块的质量是否符合预定标准;以及
可通信地连接于所述数据处理器的显示器,用于显示所述被检测混凝土砖块的质量是否符合预定标准的结果。
2. 根据权利要求1所述的混凝土砖块多点式抗压强度检测系统,其特征在于,所述数据处理器,包括:
图像特征提取模块,用于对所述压力分布图进行图像特征提取以得到压力多尺度关联特征图;及
质量确定模块,用于基于所述压力多尺度关联特征图,确定所述被检测混凝土砖块的质量是否符合预定标准。
3. 根据权利要求2所述的混凝土砖块多点式抗压强度检测系统,其特征在于,所述图像特征提取模块,包括:
特征提取单元,用于提取所述压力分布图的邻域特征与全局特征以得到压力局部关联特征图和压力全局关联特征图;以及
融合单元,用于融合所述压力局部关联特征图和所述压力全局关联特征图以得到所述压力多尺度关联特征图。
4. 根据权利要求3所述的混凝土砖块多点式抗压强度检测系统,其特征在于,所述特征提取单元,用于:
将所述压力分布图通过基于第一卷积神经网络模型的压力局部关联特征提取器以得到所述压力局部关联特征图;以及
将所述压力局部关联特征图通过基于非局部神经网络模型的压力全局关联特征提取器以得到所述压力全局关联特征图。
5. 根据权利要求4所述的混凝土砖块多点式抗压强度检测系统,其特征在于,所述质量确定模块,包括:
优化单元,用于对所述压力多尺度关联特征图进行优化以得到优化压力多尺度关联特征图;以及
分类单元,用于将所述优化压力多尺度关联特征图通过分类器以得到分类结果,所述分类结果用于表示所述被检测混凝土砖块的质量是否符合预定标准。
6.根据权利要求5所述的混凝土砖块多点式抗压强度检测系统,其特征在于,所述优化单元,用于:以如下优化公式对所述压力多尺度关联特征图进行优化以得到优化压力多尺度关联特征图;
其中,所述优化公式为:
其中,是所述压力多尺度关联特征图的/>位置的特征值,/>是所述压力多尺度关联特征图的/>位置的特征值,且/>为局部空间分割系数,/>是过渡符号,是所述优化压力多尺度关联特征图的/>位置的特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311733006.5A CN117420011B (zh) | 2023-12-18 | 2023-12-18 | 一种混凝土砖块多点式抗压强度检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311733006.5A CN117420011B (zh) | 2023-12-18 | 2023-12-18 | 一种混凝土砖块多点式抗压强度检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117420011A CN117420011A (zh) | 2024-01-19 |
CN117420011B true CN117420011B (zh) | 2024-03-15 |
Family
ID=89525119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311733006.5A Active CN117420011B (zh) | 2023-12-18 | 2023-12-18 | 一种混凝土砖块多点式抗压强度检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117420011B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002257744A (ja) * | 2001-03-02 | 2002-09-11 | Takenaka Komuten Co Ltd | コンクリートの欠陥検査方法およびコンクリートの欠陥検査装置 |
JP2011153924A (ja) * | 2010-01-27 | 2011-08-11 | Taiheiyo Cement Corp | コンクリート硬化体の圧縮強度推定方法 |
CN108338447A (zh) * | 2018-05-16 | 2018-07-31 | 福建鸿星尔克体育用品有限公司 | 一种带足部信息采集及压力测量系统运动鞋 |
CN112686888A (zh) * | 2021-01-27 | 2021-04-20 | 上海电气集团股份有限公司 | 混凝土轨枕裂纹的检测方法、系统、设备和介质 |
CN113063930A (zh) * | 2021-03-22 | 2021-07-02 | 上海建工建材科技集团股份有限公司 | 一种基于神经网络的3d打印混凝土力学性能在线监测方法 |
CN115497574A (zh) * | 2022-09-05 | 2022-12-20 | 中交第二航务工程局有限公司 | 一种基于模型融合的hpc抗压强度预测方法和系统 |
CN115644858A (zh) * | 2022-12-27 | 2023-01-31 | 广东工业大学 | 基于多传感器数据融合技术的穿戴式智能化步态分析仪 |
CN116146280A (zh) * | 2022-12-20 | 2023-05-23 | 中煤科工开采研究院有限公司 | 综采工作面煤壁片帮趋势及区域分析方法及装置 |
CN116434893A (zh) * | 2023-06-12 | 2023-07-14 | 中才邦业(杭州)智能技术有限公司 | 混凝土抗压强度预测模型、构建方法、介质、电子设备 |
-
2023
- 2023-12-18 CN CN202311733006.5A patent/CN117420011B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002257744A (ja) * | 2001-03-02 | 2002-09-11 | Takenaka Komuten Co Ltd | コンクリートの欠陥検査方法およびコンクリートの欠陥検査装置 |
JP2011153924A (ja) * | 2010-01-27 | 2011-08-11 | Taiheiyo Cement Corp | コンクリート硬化体の圧縮強度推定方法 |
CN108338447A (zh) * | 2018-05-16 | 2018-07-31 | 福建鸿星尔克体育用品有限公司 | 一种带足部信息采集及压力测量系统运动鞋 |
CN112686888A (zh) * | 2021-01-27 | 2021-04-20 | 上海电气集团股份有限公司 | 混凝土轨枕裂纹的检测方法、系统、设备和介质 |
CN113063930A (zh) * | 2021-03-22 | 2021-07-02 | 上海建工建材科技集团股份有限公司 | 一种基于神经网络的3d打印混凝土力学性能在线监测方法 |
CN115497574A (zh) * | 2022-09-05 | 2022-12-20 | 中交第二航务工程局有限公司 | 一种基于模型融合的hpc抗压强度预测方法和系统 |
CN116146280A (zh) * | 2022-12-20 | 2023-05-23 | 中煤科工开采研究院有限公司 | 综采工作面煤壁片帮趋势及区域分析方法及装置 |
CN115644858A (zh) * | 2022-12-27 | 2023-01-31 | 广东工业大学 | 基于多传感器数据融合技术的穿戴式智能化步态分析仪 |
CN116434893A (zh) * | 2023-06-12 | 2023-07-14 | 中才邦业(杭州)智能技术有限公司 | 混凝土抗压强度预测模型、构建方法、介质、电子设备 |
Non-Patent Citations (2)
Title |
---|
基于BP神经网络的绿色混凝土抗压强度预测模型;徐国强;苏幼坡;韩佃利;张静;;混凝土;20130227(第02期);全文 * |
基于PSO-SVM的混凝土抗压强度预测模型;龚珍;卜小波;吴浩;;混凝土;20131227(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117420011A (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zou et al. | Multicategory damage detection and safety assessment of post‐earthquake reinforced concrete structures using deep learning | |
Yang et al. | Damage identification of frame structure based on approximate Metropolis–Hastings algorithm and probability density evolution method | |
Shin et al. | Digital vision based concrete compressive strength evaluating model using deep convolutional neural network | |
CN116127239B (zh) | 岩体损伤状态测评方法、装置及存储介质 | |
CN110362886A (zh) | 一种基于不确定性分析的城镇砌体住宅安全评估方法 | |
KR20190130257A (ko) | 콘크리트 시설물의 표면 이미지 및 딥 컨볼루션 신경망 알고리즘을 이용한 콘크리트 압축강도 예측 방법 및 그 시스템 | |
CN111753776B (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
CN116953196B (zh) | 一种钢制三通的缺陷检测与安全状态评估方法 | |
CN117764980A (zh) | 基于红外多特征融合的复合材料缺陷自动识别与度量方法 | |
CN115311601A (zh) | 一种基于视频分析技术的火灾探测分析方法 | |
CN104361579A (zh) | 一种沥青混合料的各向异性程度评估方法 | |
CN111879709A (zh) | 湖泊水体光谱反射率检验方法及装置 | |
Adhikari et al. | Automated prediction of condition state rating in bridge inspection | |
CN117420011B (zh) | 一种混凝土砖块多点式抗压强度检测系统 | |
Zhu et al. | Detecting air pockets for architectural concrete quality assessment using visual sensing | |
CN111141472B (zh) | 一种抗震支吊架检测方法及系统 | |
CN117392452A (zh) | 基于图像分析的墙体裂缝检测系统及其方法 | |
CN113111534B (zh) | 一种基于土水特征曲线评估土体结构损伤的方法 | |
CN115144259A (zh) | 一种钢材抗形变性能检测方法及系统 | |
CN112903928A (zh) | 基于改进层次分析的室内空气质量评价方法 | |
CN105528657A (zh) | 基于北斗和向量机的建筑物震害预测方法 | |
Lin et al. | House Inspection System Using Artificial Intelligence for Crack Identification | |
CN106198746A (zh) | 一种超声波智能检测木材构件胶缝缺陷方法 | |
Zhang et al. | Segmented correspondence curve regression model for quantifying reproducibility of high-throughput experiments | |
CN112070761B (zh) | 一种基于深度学习的明虾新鲜度无损检测方法 |
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 |