CN117493858B - 基于人工智能的基桩完整性识别方法 - Google Patents
基于人工智能的基桩完整性识别方法 Download PDFInfo
- Publication number
- CN117493858B CN117493858B CN202311852925.4A CN202311852925A CN117493858B CN 117493858 B CN117493858 B CN 117493858B CN 202311852925 A CN202311852925 A CN 202311852925A CN 117493858 B CN117493858 B CN 117493858B
- Authority
- CN
- China
- Prior art keywords
- foundation pile
- attribute
- category
- projection
- integrity
- 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 38
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 239000006185 dispersion Substances 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 13
- 230000005540 biological transmission Effects 0.000 description 8
- 238000005553 drilling Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004567 concrete Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 239000011178 precast concrete Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Foundations (AREA)
Abstract
本发明涉及基桩识别领域,更具体地,本发明涉及基于人工智能的基桩完整性识别方法。所述方法包括:获取基桩完整性类别和基桩属性;基于线性判别分析将基桩属性降维,获得新基桩属性;基于预设算法对新基桩属性分类,计算未被分类的难负样本的难分类度;建立神经网络模型对难负样本进行基桩完整性识别。通过本发明的技术方案,能够降低基桩完整性检测结果出现误判的概率,提高基桩完整性的识别准确率。
Description
技术领域
本发明一般地涉及基桩识别领域。更具体地,本发明涉及基于人工智能的基桩完整性识别方法。
背景技术
根据国家有关部门的规定,基桩的完整性分为四类,Ⅰ类桩桩身完整,Ⅱ类桩桩身有轻微缺陷,不会影响桩身结构承载力的正常发挥,Ⅲ类桩桩身有明显缺陷,对桩身结构承载力有影响,Ⅳ类桩桩身存在严重缺陷。一般Ⅰ类桩和Ⅱ类桩表示桩没问题,Ⅲ类桩是有问题,必须要进行处理之后才能进行下道工序施工,Ⅳ类桩是必须要返工进行处理。
近年来,随着人工智能技术的快速发展,越来越多的领域应用的人工智能技术。基桩完整性识别是通过一些物理的方法获得基桩的一些信息,根据这些信息判断基桩的完整性,但这些方法受制于检测原理的限制,检测的结果或多或少会出现误判,检测结果较为准确的静载试验法虽然检测结果更为准确,但是其有时会存在试验本身会改变检测结果的情况,即多次试验的结果不一致。
授权公告号为CN111428297B的专利文件公开了基于BP神经网络的桩基P~S曲线确定方法,该方法通过BP神经网络确定桩基P~S曲线,再根据待测桩基的P~S曲线确定待测桩基极限承载力。目前的方法主要通过单一的技术原理检测基桩完整性,受制于检测原理的限制,检测的结果会出现误判。
发明内容
为解决上述一个或多个技术问题,本发明提出获取基桩完整性类别和基桩属性;基于线性判别分析将基桩属性降维,获得新基桩属性;基于预设算法对新基桩属性分类,计算未被分类的难负样本的难分类度;建立神经网络模型对难负样本进行基桩完整性识别。为此,本发明在如下的多个方面中提供方案。
基于人工智能的基桩完整性识别方法,包括步骤:获取基桩完整性类别和基桩属性;基于线性判别分析将所述基桩属性降维,获得新基桩属性;基于预设算法对所述新基桩属性分类;将未被分类的新基桩属性对应的基桩样本定义为难负样本,计算所述难负样本的难分类度;建立神经网络模型,根据所述难负样本和难分类度对模型进行训练,得到识别模型,输出基桩完整性识别结果,其中,模型训练中所述神经网络模型的损失函数满足关系式:
其中,表示第/>个基桩样本的损失函数,/>表示神经网络模型的预测值,/>表示第/>个基桩样本的真实值,/>表示第/>个基桩样本的难分类度,/>表示基桩样本/>的基桩完整性预测错误的惩罚因子。
响应于待检测的基桩完整性类别及基桩属性,根据识别模型,生成基桩完整性识别结果。
在一个实施例中,基于线性判别分析将所述基桩属性降维包括步骤:设置降维的投影函数,所述投影函数满足关系式:
其中,表示投影前的属性值,/>表示投影后的属性值,/>表示投影矩阵。
类别的原始中心点满足关系式:
其中,表示类别/>的原始中心点,/>表示类别/>的基桩样本个数,/>表示类别/>的属性值集合,/>表示投影前的属性值。
根据投影函数,调整类别的原始中心点得到类别/>投影后中心点,类别/>投影后中心点满足关系式:
其中,表示类别/>投影后中心点,/>表示投影矩阵,/>表示类别/>的原始中心点。
计算类别的分散程度,类别/>的分散程度满足关系式:
其中,表示类别/>的分散程度,/>表示类别/>的基桩样本个数,/>表示属于投影后类别/>的样本,/>表示类别/>投影后中心点,/>表示投影后的属性值。
根据不同类别投影后中心点之间的距离以及分散程度设置线性判别的损失函数,线性判别的损失函数满足关系式:
其中,表示线性判别的损失函数,/>表示类别/>投影后中心点,/>表示类别/>的分散程度,/>表示类别/>投影后中心点。
当线性判别的损失函数达到最小时的投影变化即是线性判别分析的投影矩阵;线性判别分析得到降维后的新基桩属性。
在一个实施例中,基于预设算法对所述新基桩属性分类包括:对新基桩属性进行阈值分割:属性值的基桩样本为Ⅰ类桩;/>属性值/>的基桩样本为Ⅱ类桩;属性值/>的基桩样本为Ⅲ类桩;属性值/>的基桩样本为Ⅳ类桩;其余属性值的基桩样本为难负样本。
在一个实施例中,所述难负样本的难分类度满足关系式:
其中,表示第/>个基桩样本的难分类度,/>表示第/>个基桩样本的属性值,表示第/>个阈值,/>表示分类错误的基桩样本个数,/>表示难负样本的个数。
在一个实施例中,所述神经网络模型为反向传播神经网络,反向传播神经网络包括输入层、隐藏层和输出层;所述输入层用于接收难负样本的新基桩属性输入,所述隐藏层对输入信息进行特征提取后,将提取到的特征输入到所述输出层以输出基桩完整性类别的预测值。
本发明具有如下的有益效果:
1. 能够降低基桩完整性检测结果出现误判的概率,提高基桩完整性的识别准确率。
2.通过现有的检测基桩完整性的方法获得基桩的属性,根据基桩的属性和基桩完整性的类别使用线性判别分析对属性进行降维,降维完成后根据每个新的基桩属性对基桩完整性进行识别,将无法识别或识别不准确的难负样本提取出来,计算每个难负样本的难分类度,构建神经网络模型,使用难负样本训练神经网络模型,根据难负样本的难分类度构建模型的损失函数,使用梯度下降算法训练神经网络模型,模型训练完毕后,对新的难负样本进行基桩完整性识别。本发明与现有的方法相比可以在不改变基桩完整性的前提下,提高基桩完整性的识别准确率。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是本发明实施例基于人工智能的基桩完整性识别方法的流程图。
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。
应当理解,当本发明的权利要求、说明书及附图使用术语“第一”、“第二”等时,其仅是用于区别不同对象,而不是用于描述特定顺序。本发明的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本发明提供了基于人工智能的基桩完整性识别方法。如图1所示,基于人工智能的基桩完整性识别方法包括步骤S1-步骤S4,以下具体说明。
S1,获取基桩完整性类别和基桩属性。
在一个实施例中,通过对基桩使用低应变法、高应变法、声波透射法、钻芯法等方法获取基桩检测数据。
低应变法的检测仪器设备应包括激振设备、传感器、信号采集及处理器和专用附件,其主要技术性能指标不应低于现行《基桩动测仪》(JG/T 3055)中规定的2级标准要求,具有连续采集、快速自动存贮、显示实测信号和处理分析信号的功能。高应变法检测仪器设备应包括激振设备、信号采集及分析仪、传感器和贯入度测量仪。声波透射法的设备检测仪器系统应由径向换能器、声波发射、接收放大、数据采集、数据处理、显示及存储等部分组成,检测仪应具有波形实时显示和声参量自动判读功能。当采用单孔声波折射法检测时,应具有一发双收功能。钻芯法的设备应采用液压操纵的钻机,钻机应配备单动双管钻具及相应的孔口管、扩孔器、卡簧、扶正稳定器和可捞取松软渣样的钻具,钻杆应顺直,直径宜为50mm。根据基桩的实际和专家经验给每一个基桩的完整性一个等级,基桩完整性等级包括:Ⅰ类桩、Ⅱ类桩、Ⅲ类桩和Ⅳ类桩。
在实际基桩检测过程中,根据不同基桩适合的多种方法对基桩进行检测,如高应变法宜用于等截面非嵌岩灌注桩、预制混凝土桩和钢桩的现场检测。
在一个实施例中,低应变法通过粘接在桩顶的传感器接收来自桩中的应力波信号,得到波传输的速度信号,可以计算得到速度传输的平均速度,还可以对其使用小波变换,获得不同时刻速度传输的频率,通过高应变法可以得到桩身单桩竖向承载力,声波透测法可以获得超声脉冲穿过各横截面时的声参数(如整桩波速、波幅的平均值),钻芯法可以获得基桩的长度、混凝土强度、桩底沉渣厚度、持力层情况等属性。
至此,获取基桩完整性类别和基桩属性。
S2,基于线性判别分析将基桩属性降维,获得新基桩属性。
在一个实施例中,先将基桩属性中属性值不是一维属性值的用适合的方法将其化为一维属性,示例性的,低应变法中获得的不同时刻速度传输的频率。对所获得的所有属性和基桩完整性类别使用线性判别分析进行降维,降维过程如下:
设置降维的投影函数,所述投影函数满足关系式:
其中,表示投影前的属性值,/>表示投影后的属性值,/>表示投影矩阵。
类别的原始中心点满足关系式:
其中,表示类别/>的原始中心点,/>表示类别/>的基桩样本个数,/>表示类别/>的属性值集合,/>表示投影前的属性值。
根据投影函数,调整类别的原始中心点得到类别/>投影后中心点,类别/>投影后中心点满足关系式:
其中,表示类别/>投影后中心点,/>表示投影矩阵,/>表示类别/>的原始中心点。
计算类别的分散程度,类别/>的分散程度满足关系式:
其中,表示类别/>的分散程度,/>表示类别/>的基桩样本个数,/>表示属于投影后类别/>的样本,/>表示类别/>投影后中心点,/>表示投影后的属性值。
根据不同类别投影后中心点之间的距离以及分散程度设置线性判别的损失函数,线性判别的损失函数满足关系式:
其中,表示线性判别的损失函数,/>表示类别/>投影后中心点,/>表示类别/>的分散程度,/>表示类别/>投影后中心点。
当线性判别的损失函数达到最小时的投影变化即是线性判别分析的投影矩阵。损失函数达到最小时同一类别内的点距离越近,不同类别间的点越远。
线性判别分析得到降维后的新基桩属性。
至此,能够获得降维后的新基桩属性。
S3,基于预设算法对新基桩属性分类,计算未被分类的难负样本的难分类度。
具体的,根据步骤S2获得的降维后的新基桩属性对基桩样本进行判断,对新的基桩属性进行阈值分割对基桩完整性进行判断。
在一个实施例中,线性判别分析后得到一个新的属性,利用新的属性对基桩的完整性进行判断,对新基桩属性进行阈值分割:属性值的基桩样本为Ⅰ类桩;/>属性值/>的基桩样本为Ⅱ类桩;/>属性值/>的基桩样本为Ⅲ类桩;属性值/>的基桩样本为Ⅳ类桩;其余属性值的基桩样本为难负样本。
将难负样本全部提取出来,计算难负样本的难分类度,难负样本的难分类度满足关系式:
其中,表示第/>个基桩样本的难分类度,/>表示第/>个基桩样本的属性值,表示第/>个阈值,/>表示分类错误的基桩样本个数,/>表示难负样本的个数。
表示将第/>个阈值和第/>个基桩样本的属性值两个值作为区间的两端点,在区间内的分类错误的基桩样本个数。
同理,表示将第/>个阈值和第/>个阈值作为区间的两端点,在区间内的难负样本的个数。
难负样本的难分类度表示的其实是模型提升多少分类准确性可以对其进行分类。
至此,能够获得难负样本的难分类度。
S4,建立神经网络模型对难负样本进行基桩完整性识别。
具体的,神经网络模型为反向传播神经网络,反向传播神经网络包括输入层、隐藏层和输出层;输入层用于接收难负样本的新基桩属性输入,隐藏层对输入信息进行特征提取后,将提取到的特征输入到输出层以输出基桩完整性类别的预测值。
设定神经网络模型的损失函数,神经网络模型的损失函数满足关系式:
其中,表示第/>个基桩样本的损失函数,/>表示神经网络模型的预测值,/>表示第/>个基桩样本的真实值,/>表示第/>个基桩样本的难分类度,/>表示基桩样本/>的基桩完整性预测错误的惩罚因子,惩罚因子越小损失函数越大,表示惩罚越大,即越难分类的样本,其分类错误的损失越大,模型在训练的过程中会更加关注其分类的准确性。
模型建立后,使用难负样本训练模型,当模型达到设定的最大训练次数或模型的损失小于预设的损失阈值时,模型停止训练,模型训练完成后根据模型的评价指标选择最优的模型。
在一个实施例中,通过设备采集到基桩的不同属性,利用步骤S2得到的投影矩阵对采集到的属性进行降维得到基桩新的属性,根据步骤S3的阈值判断基桩的完整性,如果根据阈值不能准确的判断其完整性,将该基桩新的属性输入到训练完毕的神经网络模型中,模型输出该基桩完整性的类别,完成对基桩完整性识别。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (2)
1.基于人工智能的基桩完整性识别方法,其特征在于,包括步骤:
获取基桩完整性类别和基桩属性;
基于线性判别分析将所述基桩属性降维,获得新基桩属性;
基于预设算法对所述新基桩属性分类;
将未被分类的新基桩属性对应的基桩样本定义为难负样本,计算所述难负样本的难分类度;
建立神经网络模型,根据所述难负样本和难分类度对模型进行训练,得到识别模型,输出基桩完整性识别结果,其中,模型训练中所述神经网络模型的损失函数满足关系式:
其中,表示第/>个基桩样本的损失函数,/>表示神经网络模型的预测值,/>表示第/>个基桩样本的真实值,/>表示第/>个基桩样本的难分类度,/>表示基桩样本/>的基桩完整性预测错误的惩罚因子;
响应于待检测的基桩完整性类别及基桩属性,根据识别模型,生成基桩完整性识别结果;
基于线性判别分析将所述基桩属性降维包括步骤:
设置降维的投影函数,所述投影函数满足关系式:
其中,表示投影前的属性值,/>表示投影后的属性值,/>表示投影矩阵;
类别的原始中心点满足关系式:
其中,表示类别/>的原始中心点,/>表示类别/>的基桩样本个数,/>表示类别/>的属性值集合,/>表示投影前的属性值;
根据投影函数,调整类别的原始中心点得到类别/>投影后中心点,类别/>投影后中心点满足关系式:
其中,表示类别/>投影后中心点,/>表示投影矩阵,/>表示类别/>的原始中心点;
计算类别的分散程度,类别/>的分散程度满足关系式:
其中,表示类别/>的分散程度,/>表示类别/>的基桩样本个数,/>表示属于投影后类别/>的样本,/>表示类别/>投影后中心点,/>表示投影后的属性值;
根据不同类别投影后中心点之间的距离以及分散程度设置线性判别的损失函数,线性判别的损失函数满足关系式:
其中,表示线性判别的损失函数,/>表示类别/>投影后中心点,/>表示类别/>的分散程度,/>表示类别/>投影后中心点;
当线性判别的损失函数达到最小时的投影变化即是线性判别分析的投影矩阵;
线性判别分析得到降维后的新基桩属性;
基于预设算法对所述新基桩属性分类包括:
对新基桩属性进行阈值分割:
属性值的基桩样本为Ⅰ类桩;
属性值/>的基桩样本为Ⅱ类桩;
属性值/>的基桩样本为Ⅲ类桩;
属性值的基桩样本为Ⅳ类桩;
其余属性值的基桩样本为难负样本;
所述难负样本的难分类度满足关系式:
其中,表示第/>个基桩样本的难分类度,/>表示第/>个基桩样本的属性值,/>表示第/>个阈值,/>表示分类错误的基桩样本个数,/>表示难负样本的个数。
2.根据权利要求1所述的基于人工智能的基桩完整性识别方法,其特征在于,所述神经网络模型为反向传播神经网络,反向传播神经网络包括输入层、隐藏层和输出层;所述输入层用于接收难负样本的新基桩属性输入,所述隐藏层对输入信息进行特征提取后,将提取到的特征输入到所述输出层以输出基桩完整性类别的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311852925.4A CN117493858B (zh) | 2023-12-29 | 2023-12-29 | 基于人工智能的基桩完整性识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311852925.4A CN117493858B (zh) | 2023-12-29 | 2023-12-29 | 基于人工智能的基桩完整性识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117493858A CN117493858A (zh) | 2024-02-02 |
CN117493858B true CN117493858B (zh) | 2024-03-26 |
Family
ID=89669437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311852925.4A Active CN117493858B (zh) | 2023-12-29 | 2023-12-29 | 基于人工智能的基桩完整性识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117493858B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339686A (zh) * | 2016-08-29 | 2017-01-18 | 江苏大学 | 一种基于稀疏判别模板特征的行人检测方法 |
CN108564030A (zh) * | 2018-04-12 | 2018-09-21 | 广州飒特红外股份有限公司 | 面向车载热成像行人检测的分类器训练方法和装置 |
CN109403395A (zh) * | 2018-12-20 | 2019-03-01 | 铜仁学院 | 桥梁桩基础一种新型无损检测方法 |
CN109447026A (zh) * | 2018-11-09 | 2019-03-08 | 北京智博联科技股份有限公司 | 一种基于支持向量机的桩身完整性类别自动识别方法 |
CN111549833A (zh) * | 2020-05-11 | 2020-08-18 | 安徽建大交通科技有限公司 | 一种基桩检测方法、系统和存储介质 |
CN112302061A (zh) * | 2020-09-29 | 2021-02-02 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 低应变基桩完整性检测信号的智能化快速解释方法 |
CN112418266A (zh) * | 2020-10-15 | 2021-02-26 | 南昌大学 | 一种基于卷积神经网络的桩基础完整性分类识别方法 |
CN112926117A (zh) * | 2021-03-01 | 2021-06-08 | 郑州大学 | 一种基于bas-bp的桩基水平承载力预测方法 |
WO2022178978A1 (zh) * | 2021-02-26 | 2022-09-01 | 西北工业大学 | 一种基于最大化比率和线性判别分析的数据降维方法 |
CN115404920A (zh) * | 2022-08-05 | 2022-11-29 | 广东交科检测有限公司 | 一种基桩检测方法及系统 |
CN115471711A (zh) * | 2022-10-18 | 2022-12-13 | 中交四航工程研究院有限公司 | 一种基于特征曲线匹配低应变曲线的桩基缺陷识别方法 |
WO2023089347A1 (en) * | 2021-11-17 | 2023-05-25 | Semmelweis Egyetem | Method and system for biometric identification |
CN116702029A (zh) * | 2023-05-29 | 2023-09-05 | 中铁第四勘察设计院集团有限公司 | 一种基于深度神经网络的桩基推荐及数据集设计方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9491187B2 (en) * | 2013-02-15 | 2016-11-08 | Qualcomm Incorporated | APIs for obtaining device-specific behavior classifier models from the cloud |
US20170046510A1 (en) * | 2015-08-14 | 2017-02-16 | Qualcomm Incorporated | Methods and Systems of Building Classifier Models in Computing Devices |
WO2021178731A1 (en) * | 2020-03-04 | 2021-09-10 | Karl Denninghoff | Neurological movement detection to rapidly draw user attention to search results |
-
2023
- 2023-12-29 CN CN202311852925.4A patent/CN117493858B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339686A (zh) * | 2016-08-29 | 2017-01-18 | 江苏大学 | 一种基于稀疏判别模板特征的行人检测方法 |
CN108564030A (zh) * | 2018-04-12 | 2018-09-21 | 广州飒特红外股份有限公司 | 面向车载热成像行人检测的分类器训练方法和装置 |
CN109447026A (zh) * | 2018-11-09 | 2019-03-08 | 北京智博联科技股份有限公司 | 一种基于支持向量机的桩身完整性类别自动识别方法 |
CN109403395A (zh) * | 2018-12-20 | 2019-03-01 | 铜仁学院 | 桥梁桩基础一种新型无损检测方法 |
CN111549833A (zh) * | 2020-05-11 | 2020-08-18 | 安徽建大交通科技有限公司 | 一种基桩检测方法、系统和存储介质 |
CN112302061A (zh) * | 2020-09-29 | 2021-02-02 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 低应变基桩完整性检测信号的智能化快速解释方法 |
CN112418266A (zh) * | 2020-10-15 | 2021-02-26 | 南昌大学 | 一种基于卷积神经网络的桩基础完整性分类识别方法 |
WO2022178978A1 (zh) * | 2021-02-26 | 2022-09-01 | 西北工业大学 | 一种基于最大化比率和线性判别分析的数据降维方法 |
CN112926117A (zh) * | 2021-03-01 | 2021-06-08 | 郑州大学 | 一种基于bas-bp的桩基水平承载力预测方法 |
WO2023089347A1 (en) * | 2021-11-17 | 2023-05-25 | Semmelweis Egyetem | Method and system for biometric identification |
CN115404920A (zh) * | 2022-08-05 | 2022-11-29 | 广东交科检测有限公司 | 一种基桩检测方法及系统 |
CN115471711A (zh) * | 2022-10-18 | 2022-12-13 | 中交四航工程研究院有限公司 | 一种基于特征曲线匹配低应变曲线的桩基缺陷识别方法 |
CN116702029A (zh) * | 2023-05-29 | 2023-09-05 | 中铁第四勘察设计院集团有限公司 | 一种基于深度神经网络的桩基推荐及数据集设计方法 |
Non-Patent Citations (3)
Title |
---|
ANALYSIS OF REFLECTOGRAMS OF PILE INTEGRITY TEST USING IMAGE PROCESSING TECHNIQUE;Debnath P K;BANGLADESH UNIVERSITY OF ENGINEERING AND TECHNOLOGY;20220531;第1-56页 * |
基于YOLOv4的公路路面病害检测方法研究;贾晨;华东交通大学;20220115;第1-68页 * |
基于单阶段检测器的小目标检测优化算法研究;张宇;南京信息工程大学;20230115;第1-64页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117493858A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113807570B (zh) | 基于XGBoost的水库大坝风险等级评估方法及系统 | |
CN114168906B (zh) | 一种基于云计算的测绘地理信息数据采集系统 | |
CN110082429B (zh) | 一种结合机器学习的隧道衬砌无损检测的辅助判定方法 | |
CN105842341B (zh) | 一种智能化的声波透射法检测基桩完整性的测试与分析方法 | |
CN115147208A (zh) | 一种基于人工智能的供应链金融信用风险评价方法及系统 | |
CN114638128A (zh) | 联合静力触探和剪切波速测试的液化判别方法及系统 | |
CN117493858B (zh) | 基于人工智能的基桩完整性识别方法 | |
CN109447026B (zh) | 一种基于支持向量机的桩身完整性类别自动识别方法 | |
CN110231401B (zh) | 一种测点间信息关联方法及土木结构无损检测方法 | |
Finas et al. | Automatic shear wave velocity estimation in bender element testing | |
CN103954628B (zh) | 联合eemd和近似熵的钢管损伤监控方法 | |
CN111881800A (zh) | 基于ar模型和自助检验的钢管混凝土脱空缺陷检测方法 | |
CN110231410B (zh) | 锚杆无损检测数据智能解释方法 | |
CN117093922A (zh) | 一种基于改进svm的不平衡样本油藏复杂流体识别方法 | |
CN110806444B (zh) | 基于浅地层剖面仪与svm的海底底质识别与分类方法 | |
CN116658148A (zh) | 岩性识别方法 | |
CN111948286A (zh) | 一种基于超声波和深度学习的应力检测方法、装置及设备 | |
CN112069621A (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN117949539B (zh) | 一种工程建筑强度检测系统及其检测方法 | |
CN116434082B (zh) | 基于深度学习的湖泊水环境遥感监测方法 | |
CN117110584B (zh) | 一种应变型隧道岩爆烈度等级预测方法 | |
CN116989937B (zh) | 一种机械密封件的检测方法及装置 | |
CN115266914B (zh) | 基于声学信号处理的沉桩质量监测系统及监测方法 | |
CN114778695B (zh) | 一种冲击地压矿井锚杆锚固质量无损监测分析方法 | |
CN112686325B (zh) | 一种基于灰度包络的水下目标搜索方案评估决策方法 |
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 |