CN117435940A - 一种面向冬季混凝土养护过程中光谱检测方法 - Google Patents

一种面向冬季混凝土养护过程中光谱检测方法 Download PDF

Info

Publication number
CN117435940A
CN117435940A CN202311755933.7A CN202311755933A CN117435940A CN 117435940 A CN117435940 A CN 117435940A CN 202311755933 A CN202311755933 A CN 202311755933A CN 117435940 A CN117435940 A CN 117435940A
Authority
CN
China
Prior art keywords
hyperspectral
concrete surface
concrete
cracking
spectrum
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.)
Granted
Application number
CN202311755933.7A
Other languages
English (en)
Other versions
CN117435940B (zh
Inventor
王心智
孙全胜
刘彦程
孙明刚
孙洪鹏
池波
付新新
孙运慧
李驰
郭刘婷
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.)
Longjian Road and Bridge Co Ltd
Original Assignee
Longjian Road and Bridge Co Ltd
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 Longjian Road and Bridge Co Ltd filed Critical Longjian Road and Bridge Co Ltd
Priority to CN202311755933.7A priority Critical patent/CN117435940B/zh
Publication of CN117435940A publication Critical patent/CN117435940A/zh
Application granted granted Critical
Publication of CN117435940B publication Critical patent/CN117435940B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明涉及光谱检测技术领域,提出了一种面向冬季混凝土养护过程中光谱检测方法,包括:获取混凝土表面高光谱序列;根据混凝土表面高光谱序列计算不同位置之间的光谱协同差异系数,计算混凝土表面高光谱数据调节阈值,获取混凝土表面光谱二值映射特征,计算混凝土表面开裂常量和混凝土表面开裂高光谱调节指数,根据混凝土表面开裂高光谱调节指数获取混凝土表面高光谱凸显调节特征序列,获取混凝土开裂波段个数,计算混凝土表面高光谱聚类损失数值,获取混凝土高光谱开裂特征波段;根据混凝土高光谱开裂特征波段对混凝土表面高光谱序列匹配并对养护过程中的混凝土进行检测。本发明较为准确地获取混凝土养护过程中开裂区域的高光谱波段。

Description

一种面向冬季混凝土养护过程中光谱检测方法
技术领域
本发明涉及光谱检测技术领域,具体涉及一种面向冬季混凝土养护过程中光谱检测方法。
背景技术
随着经济高速飞跃发展,公路和城市桥梁的建设规模越来越大,同时建设过程中的施工周期越来越短,对建设施工过程提出了相对较高的要求。因此在施工建设过程中需要大量的施工时间,此时冬季不再是传统意义上的施工淡季,是符合时下要求的普遍现象。但冬季气温、湿度相较于其他季节变化较大,且日照时间相对较短,在冬季施工过程中极易出现混凝土强度较低从而导致的开裂,开裂位置处的混凝土相对于其他位置更容易发生腐蚀,对公路和桥梁混凝土安全性造成了严重威胁。
为了确保混凝土结构和质量的整体安全性,需要对混凝土进行保养维护,同时在保养维护过程中对混凝土结构状态进行检测,从而及时对混凝土结构缺陷进行检测。
发明内容
本发明提供一种面向冬季混凝土养护过程中光谱检测方法,以解决传统高光谱数据聚类过程中无法准确获取混凝土养护过程中开裂区域光谱波段的问题,所采用的技术方案具体如下:
本发明一个实施例一种面向冬季混凝土养护过程中光谱检测方法,该方法包括以下步骤:
步骤S001,获取混凝土表面高光谱序列;
步骤S002,根据混凝土表面高光谱序列计算不同位置之间的光谱协同差异系数,获取混凝土表面不同位置处的光谱预设特征窗口,根据混凝土表面光谱协同差异系数计算不同窗口区域处的混凝土表面高光谱数据调节阈值,根据混凝土表面高光谱数据调节阈值获取混凝土表面光谱二值映射特征,根据混凝土表面光谱二值映射特征计算混凝土表面开裂常量和混凝土表面开裂高光谱调节指数,根据混凝土表面开裂高光谱调节指数获取混凝土表面高光谱凸显调节特征序列;
步骤S003,根据混凝土表面高光谱凸显调节特征序列获取混凝土开裂波段个数,根据混凝土开裂波段个数计算混凝土表面高光谱聚类损失数值,根据混凝土表面高光谱聚类损失数值获取混凝土高光谱开裂特征波段;
步骤S004,根据混凝土高光谱开裂特征波段对混凝土表面高光谱序列匹配并对养护过程中的混凝土进行检测。
优选地,所述根据混凝土养护光谱数据计算不同位置之间的光谱协同差异系数的数学表达式为:
式中,表示了混凝土表面高光谱序列中第i个位置和第k个位置处的DTW距离,/>,/>分别表示了第i个位置和第k个位置处的混凝土表面高光谱序列数据,表示了归一化函数,/>,/>分别表示了第i个位置和第k个位置处混凝土表面高光谱序列中的最大值,/>,/>分别表示了第i个位置和第k个位置处混凝土表面高光谱序列中的最小值,/>表示了以自然常数为底的指数函数,W表示了混凝土表面光谱预设特征窗口大小,/>,/>分别表示了第i个位置和第k个位置处混凝土表面高光谱序列的均值,/>表示了混凝土表面第i个位置和第k个位置之间的光谱协同差异系数。
优选地,所述根据混凝土表面光谱协同差异系数计算不同窗口区域处的混凝土表面高光谱数据调节阈值的方法为:
将每个不同光谱预设特征窗口中所有不同的光谱协同差异系数均值记为对应窗口区域的混凝土表面高光谱数据调节阈值。
优选地,所述根据混凝土表面高光谱数据调节阈值获取混凝土表面光谱二值映射特征的方法为:
将每个不同光谱预设特征窗口中所有大于等于混凝土表面高光谱数据调节阈值的数值设为第一预设值,将每个不同光谱预设特征窗口中所有小于混凝土表面高光谱数据调节阈值的数值设为第二预设值,按照顺时针顺序排列得到混凝土表面光谱二值映射特征。
优选地,所述根据混凝土表面光谱二值映射特征计算混凝土表面开裂常量和高光谱调节指数的方法为:
将混凝土表面光谱二值映射特征中每个数值全部设为第三预设值,利用位权法转换得到混凝土表面的开裂常量,将混凝土表面光谱二值映射特征利用位权法转换得到混凝土表面开裂高光谱调节指数。
优选地,所述根据混凝土表面开裂高光谱调节指数获取混凝土表面高光谱凸显调节特征序列的方法为:
将每个不同光谱预设特征窗口的混凝土表面开裂高光谱调节指数与混凝土表面的开裂常量的比值记为第一比值,将第一比值与混凝土表面高光谱序列中每个数值的乘积记为混凝土表面高光谱凸显调节特征序列。
优选地,所述根据混凝土表面高光谱凸显调节特征序列获取混凝土开裂波段个数的方法为:
将混凝土表面不同位置处所有高光谱凸显调节特征序列中所有相同波段数据作为贝叶斯变点检测算法输入,获取对应波段下的混凝土高光谱跳变点个数,将所有混凝土高光谱跳变点个数大于混凝土波段跳变筛选阈值的波段记为混凝土开裂波段个数。
优选地,所述根据混凝土开裂波段个数计算混凝土表面高光谱聚类损失数值的数学表达式为:
上式中,Nr表示了混凝土表面高光谱不同数据点个数,Nc表示了混凝土表面开裂波段个数,Np表示了混凝土表面高光谱序列长度,表示了峰度计算函数,/>表示了在混凝土表面i位置处第s个波段为中心预设长度下的混凝土高光谱凸显调节特征局部序列,/>表示了类中心第k个波段高光谱数据,/>表示了混凝土表面i位置处第s个波段处的高光谱数据,Jc表示了混凝土表面高光谱聚类损失数值。
优选地,所述根据混凝土表面高光谱聚类损失数值获取混凝土高光谱开裂特征波段的方法为:
利用混凝土表面高光谱聚类损失数值对K-Medoids算法聚类过程进行优化,将混凝土表面高光谱聚类损失数值取值最小时得到的混凝土高光谱波段作为混凝土高光谱开裂特征波段。
优选地,所述根据混凝土高光谱开裂特征波段对混凝土表面高光谱序列匹配并对养护过程中的混凝土进行检测的方法为:
将混凝土表面不同位置处高光谱序列数据与所有混凝土高光谱开裂特征波段的数据做差,若存在差值为零的结果,则混凝土表面出现开裂;若差值不为零,则混凝土表面不存在开裂。
本发明的有益效果是:本发明通过对混凝土表面高光谱序列计算得到不同位置处的光谱协同差异系数,并根据光谱协同差异系数获取混凝土表面不同区域处的混凝土表面开裂高光谱调节指数,从而对混凝土表面高光谱数据进行调整得到混凝土表面高光谱凸显调节特征序列,通过混凝土表面高光谱凸显调节特征序列对混凝土表面中开裂区域特征进行凸显表示,有效的规避混凝土原始高光谱数据在开裂变化不明显区域中容易出现异物同谱现象引起的混凝土表面开裂高光谱数据特征表现不清晰问题,同时,本发明根据混凝土表面高光谱凸显调节特征序列的变化情况对传统高光谱K-Medoids聚类判断过程进行优化,通过优化后的聚类函数较为准确的获取混凝土表面开裂区域的高光谱开裂特征波段,避免了传统K-Medoids聚类过程中由于聚类函数计算不当导致混凝土表面开裂特征波段聚类获取精确性较差的问题。进一步地,通过混凝土表面开裂区域的高光谱开裂特征波段与混凝土表面高光谱序列进行匹配,对混凝土表面开裂区域进行较为准确的检测,同时也有效地规避了直接对高光谱数据进行计算过程中由于光谱波段数据较多而影响对混凝土表面检测实时效果的影响。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种面向冬季混凝土养护过程中光谱检测方法的流程示意图;
图2为混凝土表面光谱协调变换系数计算过程示意图。
具体实施方式
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。
请参阅图1,其示出了本发明一个实施例提供的一种面向冬季混凝土养护过程中光谱检测方法流程图,该方法包括以下步骤:
步骤S001,获取混凝土表面高光谱序列。
需要说明的是,在混凝土施工养护过程中,若混凝土材料结构受到自然环境影响导致混凝土表面出现开裂,开裂位置处的混凝土相较于其他正常位置处混凝土更容易受到侵蚀,开裂位置处的混凝土结构状态相较于正常区域处的混凝土结构状态具有较大的差异,此时不同结构状态下混凝土对不同波段状态下的光谱反射吸收状态存在差异,因此在混凝土养护过程中通过便携式地物光谱仪获取混凝土表面光谱序列,在混凝土表面不同位置处均存在一个高光谱序列,假设混凝土表面i位置处的高光谱序列为。假设采集得到的混凝土表面高光谱序列长度Np,记为512,即表示了混凝土高光谱共有Np不同的波段,假设采集得到的混凝土表面共有Nr个不同的高光谱数据点。
步骤S002,根据混凝土表面高光谱序列计算不同位置之间的光谱协同差异系数,获取混凝土表面不同位置处的光谱预设特征窗口,根据混凝土表面光谱协同差异系数计算不同窗口区域处的混凝土表面高光谱数据调节阈值,根据混凝土表面高光谱数据调节阈值获取混凝土表面光谱二值映射特征,根据混凝土表面光谱二值映射特征计算混凝土表面开裂常量和混凝土表面开裂高光谱调节指数,根据混凝土表面开裂高光谱调节指数获取混凝土表面高光谱凸显调节特征序列。
需要说明的是,由于混凝土表面成分相对复杂,不同混凝土成分对光谱吸收和反射的情况有所差异,因此通过步骤S001获取得到的混凝土表面高光谱序列中含有多种不同波段的信息,不同波段的混凝土信息中存在较大冗余,若对混凝土表面高光谱序列中所有不同波段信息全部进行计算,此时会导致计算成本较高,影响混凝土表面检测过程中的实时性效果,因此需要首先根据采集得到的混凝土表面高光谱序列获取混凝土表面高光谱序列的关键光谱信息。
式中,表示了混凝土表面高光谱序列中第i个位置和第k个位置处的DTW距离,/>,/>分别表示了第i个位置和第k个位置处的混凝土表面高光谱序列数据,表示了归一化函数,/>,/>分别表示了第i个位置和第k个位置处混凝土表面高光谱序列中的最大值,/>,/>分别表示了第i个位置和第k个位置处混凝土表面高光谱序列中的最小值,/>表示了以自然常数为底的指数函数,W表示了混凝土表面光谱预设特征窗口大小,/>,/>分别表示了第i个位置和第k个位置处混凝土表面高光谱序列的均值,/>表示了混凝土表面第i个位置和第k个位置之间的光谱协同差异系数。
通过上式可以计算得到混凝土表面第i个位置和第k个位置之间的光谱协同差异系数,如图2所示,本发明令混凝土表面光谱预设特征窗口W的大小取值为5,在具体应用中,实施者可根据具体情况进行设置。若混凝土表面第i个位置和第k个位置处于混凝土表面中正常区域时,两个不同位置处的最大光谱数据和最小光谱数据之间差距应相对较小,两个不同位置处的正常区域混凝土高光谱数据的均值变化情况也应较为相近,同时两个不同位置处高光谱序列变化情况应较为相近,此时计算得到的两个不同位置处的DTW距离也应较为接近,此时混凝土表面位置i和位置k之间的光谱协调差异系数也会相对较小;反之,若对于混凝土开裂区域处,由于不同混凝土的开裂缺陷情况存在差异,因此两个不同位置处混凝土高光谱数据变化情况应相对较大,此时计算得到的混凝土缺陷区域处位置i和位置k的光谱协同差异系数数值会相对较大。
需要说明的是,在混凝土养护中对混凝表面进行光谱检测时,混凝土表面开裂异常区域的高光谱数据相对于其他正常区域的高光谱数据具有较为明显的变化。但若混凝土表面开裂区域面积相对较小,此时混凝土表面开裂区域的高光谱数据变化特征相对其他区域并不明显,此时,混凝土开裂区域的高光谱原始数据相对于其他正常区域的高光谱数据可能差异并不明显,容易出现“异物同谱”的缺点,此时需要结合光谱协同差异系数进一步计算。
具体地,在混凝土表面的每个不同位置为中心均可以获取得到大小为的混凝土表面光谱预设特征窗口,分别计算每个不同位置处为中心的窗口区域中光谱协同差异系数的均值,将第i个位置处为中心的窗口区域的光谱协同差异系数的均值记为混凝土表面高光谱数据调节阈值/>
在第i个位置为中心的混凝土表面窗口区域中,若第k个位置与混凝土中心位置i处计算得到的光谱协同差异系数越大,说明在第i个混凝土表面窗口区域中发生混凝土开裂的可能性越高,因此将每个混凝土表面窗口区域中光谱协同差异系数大于等于高光谱数据调节阈值的二值特征记为1,反之,将光谱协同差异系数小于高光谱数据调节阈值的二值特征记为0。
对于大小为的不同位置处为中心的混凝土表面窗口区域,每个不同位置处可以获取得到相应的二值特征,将大小为/>的窗口区域二值特征按照顺时针顺序排列可以得到对应窗口区域处的混凝土表面光谱二值映射特征,对于每个不同窗口区域的光谱二值映射特征使用位权法转化得到对应的混凝土表面开裂高光谱调节指数。
上式中,表示了混凝土表面位置i处混凝土表面开裂高光谱调节指数,MDp表示了混凝土表面开裂常量系数,/>表示了混凝土表面i处的高光谱序列,/>表示混凝土表面i处的高光谱凸显调节特征序列。
通过上式可以计算得到混凝土表面i位置处的高光谱调节数据,在混凝土表面光谱预设特征窗口中,若混凝土表面出现开裂,则不同位置处的二值特征应全部为1,这种特殊情况下计算得到的十进制数值记为混凝土表面开裂常数。若混凝土表面开裂区域在混凝土表面窗口区域中占比越大时,此时计算得到的混凝土表面开裂高光谱调节指数会相对较大,从而对于混凝土表面i处开裂区域的高光谱凸显调节特征也会相对较大。相较于原始混凝土表面高光谱数据,通过高光谱凸显调节特征可以更为有效地反映出混凝土表面开裂区域处的光谱数据变化特点,从而进可能避免混凝土光谱中出现的“异物同谱”缺陷。特别地,混凝土表面高光谱凸显调节特征序列应与混凝土高光谱序列长度一致,即拥有相同的波段。
步骤S003,根据混凝土表面高光谱凸显调节特征序列获取混凝土开裂波段个数,根据混凝土开裂波段个数计算混凝土表面高光谱聚类损失数值,根据混凝土表面高光谱聚类损失数值获取混凝土高光谱开裂特征波段。
需要说明的是,由于冬季自然环境相对较为恶劣,此时混凝土表面不同区域处受到侵蚀引起的混凝土表面开裂变化程度有所差异,不同开裂状态下的混凝土表面区域中光谱数据状态有所差异。因此,需要对混凝土表面高光谱数据中不同波段数据的变化情况进行计算。
具体地,在混凝土表面开裂区域处计算得到的高光谱凸显调节特征数值越大,混凝土表面不同开裂状态处的高光谱数值会存在不同差距,当混凝土高光谱凸显调节特征数值发生跳变时说明对应光谱波段表现了混凝土表面开裂区域的光谱波段变化情况。
将混凝土表面高光谱凸显调节特征序列中第k个波段处的所有数据作为贝叶斯变点检测的输入,获取得到第k个波段处的混凝土高光谱跳变点个数。若混凝土表面均为正常无缺陷区域,则此时混凝土表面不同区域对不同波段的吸收反射情况应较为接近,此时混凝土表面不同区域处相同波段的跳变点个数应相对较少。反之,若混凝土表面出现开裂缺陷时,在混凝土表面不同区域处相同波段会出现较多的跳变点。因此,令混凝土波段跳变筛选阈值,在具体应用中,实施者可根据具体情况进行设置。
若第k个波段处的混凝土高光谱跳变点个数大于混凝土波段跳变筛选阈值,说明当前第k个波段混凝土存在开裂情况,因此将所有混凝土高光谱跳变点大于混凝土波段筛选跳变阈值的所有波段个数记为混凝土开裂波段个数Nc。
为了获取混凝土表面开裂区域处高光谱波段,将所有大于混凝土波段跳变筛选阈值的混凝土光谱波段作为K-Medoids算法的聚类中心,对混凝土表面不同位置处的高光谱序列数据进行聚类。
上式中,Nr表示了混凝土表面高光谱不同数据点个数,Nc表示了混凝土表面开裂波段个数,Np表示了混凝土表面高光谱序列长度,表示了峰度计算函数,/>表示了在混凝土表面i位置处第s个波段为中心预设长度下的混凝土高光谱凸显调节特征局部序列,/>表示了类中心第k个波段高光谱数据,/>表示了混凝土表面i位置处第s个波段处的高光谱数据,Jc表示了混凝土表面高光谱聚类损失数值。
通过上式对混凝土表面高光谱数据进行聚类,若不同波段处的混凝土高光谱数据与类中心处的高光谱数据越接近,同时,为了更加准确地反映混凝土表面不同位置处高光谱数据聚类分布情况,取预设长度为的混凝土高光谱凸显调节特征局部序列,并计算局部序列的峰度,当局部序列的峰度越小,说明在对应局部区域中高光谱波段数据分布越集中,此时计算得到的混凝土表面高光谱聚类损失数值也会相对较小。当混凝土表面高光谱聚类损失数值取值最小时,认为此时K-Medoids算法收敛,得到Nc个不同高光谱开裂特征波段。
步骤S004,根据混凝土高光谱开裂特征波段对混凝土表面高光谱序列匹配并对养护过程中的混凝土进行检测。
通过混凝土波段跳变筛选阈值可以初步对当前混凝土养护过程中混凝土表面开裂情况进行判断,若混凝土表面正常,无开裂破损,则此时计算得到的混凝土开裂波段个数应为0。反之,若计算得到的混凝土开裂波段个数不为0,说明当前混凝土表面存在开裂异常,并在混凝土表面高光谱数据中与Nc个不同的高光谱开裂特征波段进行对比,当Nc个不同高光谱开裂特征波段至少存在一个与原始混凝土表面高光谱数据匹配对应时,认为当前混凝土存在开裂。本发明通过直接做差相减作为匹配过程中,当两个不同波段数据相减为0时,认为波段完成匹配。对于开裂区域混凝土进行标记,便于后续混凝土的进一步养护。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。

Claims (10)

1.一种面向冬季混凝土养护过程中光谱检测方法,其特征在于,该方法包括以下步骤:
步骤S001,获取混凝土表面高光谱序列;
步骤S002,根据混凝土表面高光谱序列计算不同位置之间的光谱协同差异系数,获取混凝土表面不同位置处的光谱预设特征窗口,根据混凝土表面光谱协同差异系数计算不同窗口区域处的混凝土表面高光谱数据调节阈值,根据混凝土表面高光谱数据调节阈值获取混凝土表面光谱二值映射特征,根据混凝土表面光谱二值映射特征计算混凝土表面开裂常量和混凝土表面开裂高光谱调节指数,根据混凝土表面开裂高光谱调节指数获取混凝土表面高光谱凸显调节特征序列;
步骤S003,根据混凝土表面高光谱凸显调节特征序列获取混凝土开裂波段个数,根据混凝土开裂波段个数计算混凝土表面高光谱聚类损失数值,根据混凝土表面高光谱聚类损失数值获取混凝土高光谱开裂特征波段;
步骤S004,根据混凝土高光谱开裂特征波段对混凝土表面高光谱序列匹配并对养护过程中的混凝土进行检测。
2.根据权利要求1所述的一种面向冬季混凝土养护过程中光谱检测方法,其特征在于,所述根据混凝土表面高光谱序列计算不同位置之间的光谱协同差异系数的数学表达式为:
式中,表示了混凝土表面高光谱序列中第i个位置和第k个位置处的DTW距离,,/>分别表示了第i个位置和第k个位置处的混凝土表面高光谱序列数据,/>表示了归一化函数,/>,/>分别表示了第i个位置和第k个位置处混凝土表面高光谱序列中的最大值,/>,/>分别表示了第i个位置和第k个位置处混凝土表面高光谱序列中的最小值,/>表示了以自然常数为底的指数函数,W表示了混凝土表面光谱预设特征窗口大小,/>,/>分别表示了第i个位置和第k个位置处混凝土表面高光谱序列的均值,/>表示了混凝土表面第i个位置和第k个位置之间的光谱协同差异系数。
3.根据权利要求2所述的一种面向冬季混凝土养护过程中光谱检测方法,其特征在于,所述根据混凝土表面光谱协同差异系数计算不同窗口区域处的混凝土表面高光谱数据调节阈值的方法为:
将每个不同光谱预设特征窗口中所有不同的光谱协同差异系数均值记为对应窗口区域的混凝土表面高光谱数据调节阈值。
4.根据权利要求3所述的一种面向冬季混凝土养护过程中光谱检测方法,其特征在于,所述根据混凝土表面高光谱数据调节阈值获取混凝土表面光谱二值映射特征的方法为:
将每个不同光谱预设特征窗口中所有大于等于混凝土表面高光谱数据调节阈值的数值设为第一预设值,将每个不同光谱预设特征窗口中所有小于混凝土表面高光谱数据调节阈值的数值设为第二预设值,按照顺时针顺序排列得到混凝土表面光谱二值映射特征。
5.根据权利要求4所述的一种面向冬季混凝土养护过程中光谱检测方法,其特征在于,所述根据混凝土表面光谱二值映射特征计算混凝土表面开裂常量和混凝土表面开裂高光谱调节指数的方法为:
将混凝土表面光谱二值映射特征中每个数值全部设为第三预设值,利用位权法转换得到混凝土表面的开裂常量,将混凝土表面光谱二值映射特征利用位权法转换得到混凝土表面开裂高光谱调节指数。
6.根据权利要求5所述的一种面向冬季混凝土养护过程中光谱检测方法,其特征在于,所述根据混凝土表面开裂高光谱调节指数获取混凝土表面高光谱凸显调节特征序列的方法为:
将每个不同光谱预设特征窗口的混凝土表面开裂高光谱调节指数与混凝土表面的开裂常量的比值记为第一比值,将第一比值与混凝土表面高光谱序列中每个数值的乘积记为混凝土表面高光谱凸显调节特征序列。
7.根据权利要求6所述的一种面向冬季混凝土养护过程中光谱检测方法,其特征在于,所述根据混凝土表面高光谱凸显调节特征序列获取混凝土开裂波段个数的方法为:
将混凝土表面不同位置处所有高光谱凸显调节特征序列中所有相同波段数据作为贝叶斯变点检测算法输入,获取对应波段下的混凝土高光谱跳变点个数,将所有混凝土高光谱跳变点个数大于混凝土波段跳变筛选阈值的波段记为混凝土开裂波段个数。
8.根据权利要求7所述的一种面向冬季混凝土养护过程中光谱检测方法,其特征在于,所述根据混凝土开裂波段个数计算混凝土表面高光谱聚类损失数值的数学表达式为:
上式中,Nr表示了混凝土表面高光谱不同数据点个数,Nc表示了混凝土表面开裂波段个数,Np表示了混凝土表面高光谱序列长度,表示了峰度计算函数,/>表示了在混凝土表面i位置处第s个波段为中心预设长度下的混凝土高光谱凸显调节特征局部序列,表示了类中心第k个波段高光谱数据,/>表示了混凝土表面i位置处第s个波段处的高光谱数据,Jc表示了混凝土表面高光谱聚类损失数值。
9.根据权利要求8所述的一种面向冬季混凝土养护过程中光谱检测方法,其特征在于,所述根据混凝土表面高光谱聚类损失数值获取混凝土高光谱开裂特征波段的方法为:
利用混凝土表面高光谱聚类损失数值对K-Medoids算法聚类过程进行优化,将混凝土表面高光谱聚类损失数值取值最小时得到的混凝土高光谱波段作为混凝土高光谱开裂特征波段。
10.根据权利要求1所述的一种面向冬季混凝土养护过程中光谱检测方法,其特征在于,所述根据混凝土高光谱开裂特征波段对混凝土表面高光谱序列匹配并对养护过程中的混凝土进行检测的方法为:
将混凝土表面不同位置处高光谱序列数据与所有混凝土高光谱开裂特征波段的数据做差,若存在差值为零的结果,则混凝土表面出现开裂;若差值不为零,则混凝土表面不存在开裂。
CN202311755933.7A 2023-12-20 2023-12-20 一种面向冬季混凝土养护过程中光谱检测方法 Active CN117435940B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311755933.7A CN117435940B (zh) 2023-12-20 2023-12-20 一种面向冬季混凝土养护过程中光谱检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311755933.7A CN117435940B (zh) 2023-12-20 2023-12-20 一种面向冬季混凝土养护过程中光谱检测方法

Publications (2)

Publication Number Publication Date
CN117435940A true CN117435940A (zh) 2024-01-23
CN117435940B CN117435940B (zh) 2024-03-05

Family

ID=89553878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311755933.7A Active CN117435940B (zh) 2023-12-20 2023-12-20 一种面向冬季混凝土养护过程中光谱检测方法

Country Status (1)

Country Link
CN (1) CN117435940B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117740663A (zh) * 2024-02-21 2024-03-22 中冶建筑研究总院(深圳)有限公司 混凝土结构硫酸盐侵蚀耐久性评定方法、系统及装置
CN117969535A (zh) * 2024-04-01 2024-05-03 黑龙江省泰斯特森工程检测有限公司 一种路桥混凝土缺陷无损检测方法及系统
CN118351980A (zh) * 2024-06-18 2024-07-16 四川交通职业技术学院 一种混凝土材料性能检测方法及系统

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794437A (zh) * 2010-03-19 2010-08-04 武汉大学 一种高光谱遥感影像异常探测方法
CN103065160A (zh) * 2013-01-23 2013-04-24 西安电子科技大学 基于局部协同表示和邻域信息约束的高光谱图像分类方法
CN106023065A (zh) * 2016-05-13 2016-10-12 中国矿业大学 一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法
CN107576619A (zh) * 2017-09-04 2018-01-12 华北理工大学 检测混凝土腐蚀产物的高光谱测试与分析方法
CN108389188A (zh) * 2018-01-30 2018-08-10 大庆师范学院 一种稀疏高光谱异常目标检测方法
CN110991493A (zh) * 2019-11-09 2020-04-10 华东师范大学 一种协同表示和异常剔除的高光谱异常检测方法
WO2022166363A1 (zh) * 2021-02-07 2022-08-11 浙江师范大学 一种基于近邻子空间划分高光谱影像波段选择方法及系统
CN115439431A (zh) * 2022-08-29 2022-12-06 西安电子科技大学 基于光谱损失函数的栈式降噪自编码器和协同表示的高光谱异常检测方法
CN115931764A (zh) * 2023-01-09 2023-04-07 中冶建筑研究总院(深圳)有限公司 混凝土表面遭受的最高温度近红外高光谱成像检测方法
KR20230052683A (ko) * 2021-10-13 2023-04-20 고려대학교 산학협력단 초분광 카메라와 머신러닝을 이용한 비접촉식 콘크리트 압축강도 평가시스템 및 평가방법
CN116137067A (zh) * 2023-02-28 2023-05-19 西安邮电大学 一种基于系数分析协同表示的高光谱图像异常检测方法
CN116188465A (zh) * 2023-04-26 2023-05-30 济宁市保田农机技术推广专业合作社 基于图像处理技术的作物生长状态检测方法
CN116245751A (zh) * 2022-12-29 2023-06-09 中国电建集团中南勘测设计研究院有限公司 水域无人机高光谱影像耀斑处理方法、设备及存储介质
CN116416231A (zh) * 2023-03-29 2023-07-11 中国人民解放军火箭军工程大学 一种高光谱异常检测方法和装置
CN116858748A (zh) * 2023-07-15 2023-10-10 天津大学 土石堤坝渗漏程度的精细化辨识巡查方法及装置
CN117112979A (zh) * 2023-10-20 2023-11-24 昆山尚瑞智能科技有限公司 一种光谱测量过程中误差补偿优化方法
CN117132778A (zh) * 2023-10-27 2023-11-28 昆山尚瑞智能科技有限公司 一种光谱测量校正计算方法及系统

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794437A (zh) * 2010-03-19 2010-08-04 武汉大学 一种高光谱遥感影像异常探测方法
CN103065160A (zh) * 2013-01-23 2013-04-24 西安电子科技大学 基于局部协同表示和邻域信息约束的高光谱图像分类方法
CN106023065A (zh) * 2016-05-13 2016-10-12 中国矿业大学 一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法
CN107576619A (zh) * 2017-09-04 2018-01-12 华北理工大学 检测混凝土腐蚀产物的高光谱测试与分析方法
CN108389188A (zh) * 2018-01-30 2018-08-10 大庆师范学院 一种稀疏高光谱异常目标检测方法
CN110991493A (zh) * 2019-11-09 2020-04-10 华东师范大学 一种协同表示和异常剔除的高光谱异常检测方法
WO2022166363A1 (zh) * 2021-02-07 2022-08-11 浙江师范大学 一种基于近邻子空间划分高光谱影像波段选择方法及系统
KR20230052683A (ko) * 2021-10-13 2023-04-20 고려대학교 산학협력단 초분광 카메라와 머신러닝을 이용한 비접촉식 콘크리트 압축강도 평가시스템 및 평가방법
CN115439431A (zh) * 2022-08-29 2022-12-06 西安电子科技大学 基于光谱损失函数的栈式降噪自编码器和协同表示的高光谱异常检测方法
CN116245751A (zh) * 2022-12-29 2023-06-09 中国电建集团中南勘测设计研究院有限公司 水域无人机高光谱影像耀斑处理方法、设备及存储介质
CN115931764A (zh) * 2023-01-09 2023-04-07 中冶建筑研究总院(深圳)有限公司 混凝土表面遭受的最高温度近红外高光谱成像检测方法
CN116137067A (zh) * 2023-02-28 2023-05-19 西安邮电大学 一种基于系数分析协同表示的高光谱图像异常检测方法
CN116416231A (zh) * 2023-03-29 2023-07-11 中国人民解放军火箭军工程大学 一种高光谱异常检测方法和装置
CN116188465A (zh) * 2023-04-26 2023-05-30 济宁市保田农机技术推广专业合作社 基于图像处理技术的作物生长状态检测方法
CN116858748A (zh) * 2023-07-15 2023-10-10 天津大学 土石堤坝渗漏程度的精细化辨识巡查方法及装置
CN117112979A (zh) * 2023-10-20 2023-11-24 昆山尚瑞智能科技有限公司 一种光谱测量过程中误差补偿优化方法
CN117132778A (zh) * 2023-10-27 2023-11-28 昆山尚瑞智能科技有限公司 一种光谱测量校正计算方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ALAA SHABAN: "Determination of Concrete Properties Using Hyperspectral Imaging Technology: A Review", SCIENCE JOURNAL OF CIVIL ENGINEERING & ARCHITECTURE, no. 3, 31 December 2013 (2013-12-31), pages 1 - 11 *
潘一凡 等: "公路路面质量遥感监测研究进展", 遥感学报, 31 December 2017 (2017-12-31), pages 796 - 811 *
肖国峰 等: "基于GF-2遥感影像的典型道路路面类型识别", 公路, no. 10, 31 October 2020 (2020-10-31), pages 18 - 25 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117740663A (zh) * 2024-02-21 2024-03-22 中冶建筑研究总院(深圳)有限公司 混凝土结构硫酸盐侵蚀耐久性评定方法、系统及装置
CN117740663B (zh) * 2024-02-21 2024-06-04 中冶建筑研究总院(深圳)有限公司 混凝土结构硫酸盐侵蚀耐久性评定方法、系统及装置
CN117969535A (zh) * 2024-04-01 2024-05-03 黑龙江省泰斯特森工程检测有限公司 一种路桥混凝土缺陷无损检测方法及系统
CN117969535B (zh) * 2024-04-01 2024-06-07 黑龙江省泰斯特森工程检测有限公司 一种路桥混凝土缺陷无损检测方法及系统
CN118351980A (zh) * 2024-06-18 2024-07-16 四川交通职业技术学院 一种混凝土材料性能检测方法及系统
CN118351980B (zh) * 2024-06-18 2024-10-01 四川交通职业技术学院 一种混凝土材料性能检测方法及系统

Also Published As

Publication number Publication date
CN117435940B (zh) 2024-03-05

Similar Documents

Publication Publication Date Title
CN117435940B (zh) 一种面向冬季混凝土养护过程中光谱检测方法
CN106059492B (zh) 基于功率预测的光伏组件阴影故障类型判定方法
CN116580308B (zh) 一种土壤修复的监测方法及监测装置
CN110717610A (zh) 一种基于数据挖掘的风电功率预测方法
CN110133755A (zh) 基于gra-lmbp权重的多天气类型下直散分离建模预测控制方法
CN116012726A (zh) 一种基于深度学习的黑臭水体遥感监测分级方法
CN112329790B (zh) 一种城市不透水面信息快速提取方法
CN110852492A (zh) 一种基于马氏距离找相似的光伏功率超短期预测方法
CN110674864A (zh) 一种含同步相量量测装置的风电异常数据辨识方法
CN115689068A (zh) 一种基于室温修正和CNN-BiLSTM的热负荷预测方法
Guo et al. A new approach for interval forecasting of photovoltaic power based on generalized weather classification
CN117578425A (zh) 一种极端天气情况下的区域功率预测修正方法
CN117350161A (zh) 一种基于条件生成对抗网络的风电功率极端场景生成方法
CN115660898B (zh) 基于svr的分类式风电短期功率预测精度提升方法及设备
CN112945881A (zh) 一种基于高光谱特征参数的马铃薯叶片含水量监测方法
CN114419455B (zh) 一种基于多源遥感数据的区域沙化程度判断方法
CN115983095A (zh) 一种基于聚类算法、神经网络和遗传算法的光伏发电预测方法
CN113344293B (zh) 一种基于nca-融合回归树模型的光伏功率预测方法
CN111596384B (zh) 一种基于天气类型有效识别的斜面辐射预测方法
CN113177188B (zh) 一种基于光谱新特征的反演叶片叶绿素含量的方法
Li Health monitoring of photovoltaic modules using electrical measurements
CN115238967A (zh) 一种结合云图和相邻电站集群的光伏功率预测方法及装置
CN115514315A (zh) 一种基于优化gru模型的分布式光伏电站pr预测方法
CN114169226A (zh) 短期电力负荷预测方法、计算机设备以及存储介质
CN117993739B (zh) 基于数据去噪和补点修正的光伏出力超短期预测方法

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