CN117557971A - 基于物联网的危房监测方法 - Google Patents
基于物联网的危房监测方法 Download PDFInfo
- Publication number
- CN117557971A CN117557971A CN202410047021.2A CN202410047021A CN117557971A CN 117557971 A CN117557971 A CN 117557971A CN 202410047021 A CN202410047021 A CN 202410047021A CN 117557971 A CN117557971 A CN 117557971A
- Authority
- CN
- China
- Prior art keywords
- crack
- wall
- dangerous
- indicate
- evaluation function
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000011161 development Methods 0.000 claims abstract description 16
- 230000000694 effects Effects 0.000 claims abstract description 9
- 230000000739 chaotic effect Effects 0.000 claims abstract description 6
- 230000004044 response Effects 0.000 claims abstract description 4
- 230000000630 rising effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000009413 insulation Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06V10/457—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 analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及危房监测领域，更具体地，本发明涉及基于物联网的危房监测方法。所述方法包括：获取墙体裂缝图像和危房等级；通过计算纵向发展趋势、最大游程距离和混乱程度构建裂缝变化情况向量；基于欧氏距离对裂缝进行聚类，获得评价函数，更新评价函数使聚类效果达到最优，从而获得裂缝所在墙体对应的危房等级；计算待测裂缝的裂缝变化情况向量与聚类中心的欧氏距离，获得待测裂缝所在墙体的目标危房等级，响应于目标危房等级上升，生成报警信号。通过本发明的技术方案，能够实时监测墙体状况，发现有危急情况并及时报警，分散人员，保障人身安全。
Description
技术领域
本发明一般地涉及危房监测领域。更具体地，本发明涉及基于物联网的危房监测方法。
背景技术
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。基于物联网的危房监测是指利用物联网技术对可能存在安全隐患或构成潜在风险的建筑物进行实时监测和管理。这种监测系统可以利用各种传感器、网络连接和数据分析技术，对建筑结构、环境条件、设备状态等进行持续监测和评估，从而提前发现潜在的危险，保障人员和财产的安全。基于物联网的危房监测系统可以提供更有效、更全面的危险识别和监测能力，帮助及时发现和解决安全隐患，提高建筑物的安全性和可靠性。这对于社会公共安全和城市可持续发展具有重要意义。
公开号为CN114757395A的专利申请文件公开了一种基于智能物联网的危房监测方法，该方法根据历史危房监测数据通过TCN（Temporal Convolutional Network时域卷积网络）预测未来危房状态，缺乏对危房变化的研究，如危房中裂缝随时间的变化对房屋的危险等级划分有着重要影响，相同的时间内房屋裂缝的变化情况决定着危房的危险等级。
发明内容
为解决上述一个或多个技术问题，本发明提出基于物联网的危房监测方法。为此，本发明在如下的多个方面中提供方案。
基于物联网的危房监测方法，包括步骤：获取历史的墙体裂缝图像和设定的危房等级；将预设时间段内所述墙体裂缝图像基于图像角点进行匹配，并对匹配后的所述墙体裂缝图像进行差分，获得裂缝形变图；对所述裂缝形变图进行连通域提取，获得边缘区域，获取所述边缘区域的外接矩形，计算所述外接矩形的纵向发展趋势；构建所述裂缝形变图的灰度游程矩阵，获得所述裂缝形变图的最大游程距离，并计算裂缝变化的混乱程度；根据所述纵向发展趋势、所述最大游程距离和所述混乱程度构建裂缝变化情况向量；基于所述裂缝变化情况向量和预设的墙体种类及所述墙体种类的权重计算欧氏距离，依据欧氏距离对裂缝进行聚类；对聚类结果进行评价，评价函数满足关系式：
其中，表示评价函数，/>表示第/>个聚类簇中危房等级为/>的样本个数，/>表示危房等级的等级总数，/>表示第/>个聚类簇中裂缝样本的个数。
响应于所述评价函数的值最大时，获得所述墙体种类的最优权重，此时聚类效果达到最优，获得裂缝所在墙体对应的危房等级；计算待测裂缝所在墙体的裂缝变化情况向量与聚类中心的欧氏距离，获得所述待测裂缝所在墙体的目标危房等级；响应于所述目标危房等级上升，生成报警信号。
在一个实施例中，所述纵向发展趋势满足关系式：
其中，表示纵向发展趋势，/>表示裂缝形变图中连通域的总个数，/>表示第/>个连通域的像素点个数，/>表示第/>个连通域的外接矩形的宽。
在一个实施例中，所述裂缝变化的混乱程度满足关系式：
其中，表示裂缝变化的混乱程度，/>表示灰度游程矩阵中第/>行第/>列的元素对应的游程欧氏距离，/>表示灰度游程矩阵归一化后第/>行第/>列的元素值。
在一个实施例中，所述欧氏距离满足关系式：
其中，表示裂缝/>所在墙体的裂缝变化情况向量和裂缝/>所在墙体的裂缝变化情况向量之间的欧氏距离，/>表示裂缝/>的裂缝变化情况向量，/>表示裂缝/>所在墙体对应的墙体种类的权重，/>表示裂缝/>的裂缝变化情况向量，/>表示裂缝/>所在墙体对应的墙体种类的权重。
在一个实施例中，初始化欧氏距离公式中所述墙体种类的权重，计算所述评价函数，根据预设线性关系更新所述权重，再次计算权重更新后的评价函数，遍历权重更新并计算评价函数的步骤，当评价函数达到最大时，获得所述墙体种类的最优权重，此时聚类效果达到最优。
本发明具有如下的有益效果：
1.根据裂缝变化情况和该裂缝所在位置是否为建筑物的主要承重位置对危房的等级进行判断，实时监测房屋的状况，发现有危急情况及时报警，分散人员，保障人身安全。
2.通过墙体裂缝图像中墙体裂缝的变化构建出裂缝变化情况向量，依据欧氏距离对裂缝进行聚类，设置评价函数，计算出当评价函数达到最优时对应的聚类簇个数，以及承重墙和非承重墙裂缝变化的权重，根据最优的聚类结果和待监测危房的裂缝变化情况得到待检测危房属于哪一个聚类簇，该聚类簇中所有样本危房等级中占比最多的危房等级即为待监测危房的危险等级，利用算法做出精准预判奠定基础，实现了对危房状态的预测，有利于减少由于危房管理不及时而造成人员伤亡。
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物联网的危房监测方法的流程图。
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。
本发明提供了基于物联网的危房监测方法。如图1所示，基于物联网的危房监测方法包括步骤S1-步骤S4，以下具体说明。
S1，获取墙体裂缝图像和危房等级。
在一个实施例中，使用CCD（Charge-Coupled Device电荷耦合器件）相机拍摄存在裂缝的墙体的图像，设定拍摄间隔，每次拍摄多张图像，从中选择对比度最高的图像作为当前存在裂缝的墙体的图像，对当前存在裂缝的墙体的图像使用高斯滤波去除噪声点得到墙体裂缝图像，专家根据去除噪声点后得到墙体裂缝图像对墙体给出初步的危房等级。
根据《城市危险房屋管理规定》房屋结构已经严重损坏、承重构件属于危险构件、丧失结构稳定和承载能力，不能保证居住和使用安全的房屋，对危险房屋进行房屋安全鉴定是对存在安全隐患的危险房屋进一步确定危险的程度及加固处理意见。房屋安全等级的标准划分为A、B、C、D四个等级：A级：房屋结构能满足正常使用要求，未发现危险点，房屋属于安全；B级：房屋为个别构件有点问题，但是不影响主体结构不影响居住，基本满足正常使用要求；C级：房屋部分承重结构不能满足正常使用要求，局部出现险情，构成局部危房，需进行房屋加固处理；D级：房屋承重结构已不能满足正常使用要求，房屋整体出现险情，构成整幢危房，需拆除重建。
危险房屋安全鉴定等级须经具备相关资质的危房鉴定机构认准过后划分的，并根据危房鉴定实际状况出具权威的房屋安全鉴定报告。
S2，通过计算纵向发展趋势、最大游程距离和混乱程度构建裂缝变化情况向量。
在一个实施例中，将按照预设时间间隔拍摄的相邻顺序的墙体裂缝图像转化为灰度图像，对灰度图像进行边缘检测，得到裂缝边缘图像，基于角点检测方法计算裂缝边缘图像的角点，将相邻两张裂缝边缘图像的裂缝边缘匹配，匹配后使用时间顺序中后一张裂缝边缘图像减去前一张裂缝边缘图像得到在预设时间间隔内的裂缝形变图。对裂缝边缘图像进行匹配的原因是：危房会出现倾斜或是相机采集时位置发生变化，造成前一张裂缝边缘图像中裂缝的位置和后一张裂缝边缘图像中裂缝的位置相比会出现变化，不在图像中的相同位置，如果直接对裂缝边缘图像进行差分会造成得到的裂缝形变图中，裂缝的形变较大，与实际情况不符的现象。
对裂缝形变图进行连通域提取，获得边缘区域，获取边缘区域的外接矩形，计算外接矩形的纵向发展趋势，纵向发展趋势满足关系式：
其中，表示纵向发展趋势，/>表示裂缝形变图中连通域的总个数，/>表示第/>个连通域的像素点个数，/>表示第/>个连通域的外接矩形的宽。
裂缝的发展趋势直接影响着房屋的安全，一般情况下，若裂缝是横向（行）发展，则该裂缝在较大程度上只会影响房屋的美观程度，若裂缝是纵向（列）发展，则该裂缝在影响墙体美观性的同时，还对墙体的使用性能造成影响。
获得裂缝形变图后，构建裂缝形变图的灰度游程矩阵，根据灰度游程矩阵得到裂缝形变图的最大游程距离，最大游程距离表示在预设时间间隔内墙体裂缝长度的最大变化长度。
根据灰度游程矩阵计算裂缝变化的混乱程度，混乱程度满足关系式：
其中，表示裂缝变化的混乱程度，/>表示灰度游程矩阵中第/>行第/>列的元素对应的游程欧氏距离，/>表示灰度游程矩阵归一化后第/>行第/>列的元素值。
最大游程距离反应了预设时间间隔内墙体裂缝长度的最大变化长度，裂缝变化的混乱程度反应了预设时间间隔内墙体裂缝个数的变化和每个裂缝长度的变化。
构建裂缝变化情况向量，裂缝变化情况向量包括纵向发展趋势、最大游程距离和混乱程度。
至此，能够获得裂缝变化情况向量。
S3，基于欧氏距离对裂缝进行聚类，获得评价函数，更新评价函数使聚类效果达到最优，从而获得裂缝所在墙体对应的危房等级。
具体的，根据裂缝变化情况向量和墙体种类计算欧氏距离，欧氏距离满足关系式：
其中，表示裂缝/>所在墙体的裂缝变化情况向量和裂缝/>所在墙体的裂缝变化情况向量之间的欧氏距离，/>表示裂缝/>的裂缝变化情况向量，/>表示裂缝/>所在墙体对应的墙体种类的权重，/>表示裂缝/>的裂缝变化情况向量，/>表示裂缝/>所在墙体对应的墙体种类的权重。
在一个实施例中，承重墙是用于支撑和承受上部结构（楼层、屋顶等）和其他垂直荷载的墙体，非承重墙主要用于分隔空间、提供隔热隔声、提供隐私等目的，并不承受建筑物的重要结构荷载。承重墙在维持建筑整体结构稳定方面发挥着重要作用，而非承重墙主要用于划分室内空间，提供隔音和隔热等功能。承重墙和非承重墙对应的权重不同，若裂缝所在墙体与裂缝/>所在墙体均为承重墙，那么/>的值与/>的值相等；若裂缝/>所在墙体与裂缝/>所在墙体均为非承重墙，那么/>的值与/>的值相等；若裂缝/>所在墙体为承重墙，裂缝/>所在墙体为非承重墙，那么/>的值取承重墙的权重值，/>的值取非承重墙的权重值。
依据欧氏距离对裂缝进行聚类，评价函数满足关系式：
其中，表示评价函数，/>表示第/>个聚类簇中危房等级为/>的样本个数，/>表示危房等级的等级总数，/>表示第/>个聚类簇中裂缝样本的个数。
当评价函数达到最大时，说明此时聚类效果达到最优，每一个聚类簇中裂缝所在墙体的危房等级基本一致。
在一个实施例中，聚类效果达到最优包括步骤：初始化欧氏距离公式中墙体种类的权重，计算评价函数，根据预设线性关系更新权重，计算权重更新后的评价函数，遍历权重更新并计算评价函数的步骤，当评价函数达到最大时，获得最优权重，获得墙体种类的最优权重，此时聚类效果达到最优。
根据欧氏距离裂缝所在的墙体聚类，设定聚类簇个数，评价函数达到最大时的聚类簇数量为最终的聚类簇个数，获得每个聚类簇对应的的危房等级。
S4，计算待测裂缝的裂缝变化情况向量与聚类中心的欧氏距离，获得待测裂缝所在墙体的目标危房等级，响应于目标危房等级上升，生成报警信号。
具体的，计算待测裂缝所在墙体的裂缝变化情况向量，并结合步骤S3获得的聚类结果和最优权重，计算待测裂缝所在墙体的裂缝变化情况向量与聚类中心的欧氏距离，欧氏距离最小的即为待测裂缝所在墙体所属的聚类簇，从而获得待测裂缝所在墙体的目标危房等级。
实时监测待测裂缝所在墙体的目标危房等级，当危房等级上升，生成报警信号。
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 (5)
1.基于物联网的危房监测方法，其特征在于，包括步骤：
获取历史的墙体裂缝图像和设定的危房等级；
将预设时间段内所述墙体裂缝图像基于图像角点进行匹配，并对匹配后的所述墙体裂缝图像进行差分，获得裂缝形变图；
对所述裂缝形变图进行连通域提取，获得边缘区域，获取所述边缘区域的外接矩形，计算所述外接矩形的纵向发展趋势；
构建所述裂缝形变图的灰度游程矩阵，获得所述裂缝形变图的最大游程距离，并计算裂缝变化的混乱程度；
根据所述纵向发展趋势、所述最大游程距离和所述混乱程度构建裂缝变化情况向量；
基于所述裂缝变化情况向量和预设的墙体种类及所述墙体种类的权重计算欧氏距离，依据欧氏距离对裂缝进行聚类；
对聚类结果进行评价，评价函数满足关系式：
其中，表示评价函数，/>表示第/>个聚类簇中危房等级为/>的样本个数，/>表示危房等级的等级总数，/>表示第/>个聚类簇中裂缝样本的个数；
响应于所述评价函数的值最大时，获得所述墙体种类的最优权重，此时聚类效果达到最优，获得裂缝所在墙体对应的危房等级；
计算待测裂缝所在墙体的裂缝变化情况向量与聚类中心的欧氏距离，获得所述待测裂缝所在墙体的目标危房等级；
响应于所述目标危房等级上升，生成报警信号。
2.根据权利要求1所述的基于物联网的危房监测方法，其特征在于，所述纵向发展趋势满足关系式：
其中，表示纵向发展趋势，/>表示裂缝形变图中连通域的总个数，/>表示第/>个连通域的像素点个数，/>表示第/>个连通域的外接矩形的宽。
3.根据权利要求1所述的基于物联网的危房监测方法，其特征在于，所述裂缝变化的混乱程度满足关系式：
其中，表示裂缝变化的混乱程度，/>表示灰度游程矩阵中第/>行第/>列的元素对应的游程距离，/>表示灰度游程矩阵归一化后第/>行第/>列的元素值。
4.根据权利要求1所述的基于物联网的危房监测方法，其特征在于，所述欧氏距离满足关系式：
其中，表示裂缝/>所在墙体的裂缝变化情况向量和裂缝/>所在墙体的裂缝变化情况向量之间的欧氏距离，/>表示裂缝/>的裂缝变化情况向量，/>表示裂缝/>所在墙体对应的墙体种类的权重，/>表示裂缝/>的裂缝变化情况向量，/>表示裂缝/>所在墙体对应的墙体种类的权重。
5.根据权利要求1所述的基于物联网的危房监测方法，其特征在于，初始化欧氏距离公式中所述墙体种类的权重，计算所述评价函数，根据预设线性关系更新所述权重，再次计算权重更新后的评价函数，遍历权重更新并计算评价函数的步骤，当评价函数达到最大时，获得所述墙体种类的最优权重，此时聚类效果达到最优。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410047021.2A CN117557971B (zh) | 2024-01-12 | 2024-01-12 | 基于物联网的危房监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410047021.2A CN117557971B (zh) | 2024-01-12 | 2024-01-12 | 基于物联网的危房监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117557971A true CN117557971A (zh) | 2024-02-13 |
| CN117557971B CN117557971B (zh) | 2024-03-26 |
Family
ID=89823721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410047021.2A Active CN117557971B (zh) | 2024-01-12 | 2024-01-12 | 基于物联网的危房监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117557971B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107063095A (zh) * | 2016-12-23 | 2017-08-18 | 张晓明 | 一种既有建筑房屋结构裂缝宽度变化的实时监测报警系统及识别方法 |
| US20190383784A1 (en) * | 2018-06-14 | 2019-12-19 | Exxonmobil Research And Engineering Company | Pipeline inspection assembly using synthetic weld flaws |
| CN112560573A (zh) * | 2020-10-29 | 2021-03-26 | 河北省地震局 | 一种建筑物震害信息检测提取方法 |
| CN113240649A (zh) * | 2021-05-19 | 2021-08-10 | 姚坚超 | 一种基于图像分析的建筑构件检测方法及系统 |
| CN114757395A (zh) * | 2022-03-22 | 2022-07-15 | 欧亚高科数字技术有限公司 | 一种基于智能物联网的危房监测方法 |
| CN115035141A (zh) * | 2022-06-13 | 2022-09-09 | 长安大学 | 基于图像处理的隧道裂缝远程监测与预警方法 |
| CN115221966A (zh) * | 2022-07-21 | 2022-10-21 | 杭州电子科技大学 | 一种边坡稳定性估计的信息融合方法 |
| CN116109954A (zh) * | 2023-04-04 | 2023-05-12 | 深圳市城市公共安全技术研究院有限公司 | 房屋安全隐患识别方法、装置及存储介质 |
-
2024
- 2024-01-12 CN CN202410047021.2A patent/CN117557971B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107063095A (zh) * | 2016-12-23 | 2017-08-18 | 张晓明 | 一种既有建筑房屋结构裂缝宽度变化的实时监测报警系统及识别方法 |
| US20190383784A1 (en) * | 2018-06-14 | 2019-12-19 | Exxonmobil Research And Engineering Company | Pipeline inspection assembly using synthetic weld flaws |
| CN112560573A (zh) * | 2020-10-29 | 2021-03-26 | 河北省地震局 | 一种建筑物震害信息检测提取方法 |
| CN113240649A (zh) * | 2021-05-19 | 2021-08-10 | 姚坚超 | 一种基于图像分析的建筑构件检测方法及系统 |
| CN114757395A (zh) * | 2022-03-22 | 2022-07-15 | 欧亚高科数字技术有限公司 | 一种基于智能物联网的危房监测方法 |
| CN115035141A (zh) * | 2022-06-13 | 2022-09-09 | 长安大学 | 基于图像处理的隧道裂缝远程监测与预警方法 |
| CN115221966A (zh) * | 2022-07-21 | 2022-10-21 | 杭州电子科技大学 | 一种边坡稳定性估计的信息融合方法 |
| CN116109954A (zh) * | 2023-04-04 | 2023-05-12 | 深圳市城市公共安全技术研究院有限公司 | 房屋安全隐患识别方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 李庆桐;黄宏伟;: "基于数字图像的盾构隧道衬砌裂缝病害诊断", 岩石力学与工程学报, no. 08, 31 December 2020 (2020-12-31) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117557971B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Carden et al. | Fuzzy clustering of stability diagrams for vibration‐based structural health monitoring | |
| CN115936448B (zh) | 一种基于大数据的城市配电网电力评估系统及方法 | |
| CN110260774B (zh) | 一种基于Pettitt算法的GNSS变形信息检验与预警方法 | |
| KR20200103180A (ko) | Sar 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법 및 그 방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체 | |
| CN111414828B (zh) | 一种异常聚集识别方法及装置 | |
| CN109525337A (zh) | WiFi指纹获取方法、装置、存储介质以及设备 | |
| 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 | |
| CN117557971B (zh) | 基于物联网的危房监测方法 | |
| CN102073952A (zh) | 一种水资源承载能力评价方法 | |
| Zhou et al. | Investigation of time-varying structural dynamic properties of high-rise buildings under typhoon conditions | |
| CN112052732A (zh) | 一种电缆异常自动报警的方法及装置 | |
| CN115389523A (zh) | 一种基于人机协作和视觉检测的建筑工程监理分析系统 | |
| CN113468473B (zh) | 户外固定大型机械设备的运行状态实时评估方法及系统 | |
| CN117330205B (zh) | 一种idc的环境监测预警方法及系统、存储介质 | |
| CN116304835B (zh) | 基于ai的动设备工况监测管理方法、系统、设备及介质 | |
| CN112488368A (zh) | 一种地震预测规则的优化方法和装置 | |
| KR20220084751A (ko) | 쇠퇴지역의 재난재해를 종합진단하는 시스템 및 방법 | |
| Zhou et al. | A machine learning-based stochastic subspace approach for operational modal analysis of civil structures | |
| CN102004915A (zh) | 基于纹理特征空间的震损建筑遥感快速提取技术 | |
| Hassani et al. | Variable sample size Exponentially Weighted Moving Average Chart With Measurement Errors | |
| Ghaderpour et al. | Analysis and Measurement of Parameters of Quality of Life in Informal Settlements Surrounding of Tehran Metropolis | |
| CN114723993B (zh) | 一种基于贝叶斯网络的农村房屋鉴定等级分类方法 | |
| CN116304761A (zh) | 工况类别分析方法、装置、电子设备及存储介质 | |
| CN114547868A (zh) | 一种基于bim的斜拉桥性能在线评估预测方法 | |
| Coskun et al. | Machine learning network suitable for accurate rapid seismic risk estimation of masonry building stocks |
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 |