CN117710380A - 一种混凝土透气性智能检测方法及系统 - Google Patents
一种混凝土透气性智能检测方法及系统 Download PDFInfo
- Publication number
- CN117710380A CN117710380A CN202410169235.7A CN202410169235A CN117710380A CN 117710380 A CN117710380 A CN 117710380A CN 202410169235 A CN202410169235 A CN 202410169235A CN 117710380 A CN117710380 A CN 117710380A
- Authority
- CN
- China
- Prior art keywords
- pixel
- pitted surface
- difference
- concrete
- obtaining
- 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
- 239000004567 concrete Substances 0.000 title claims abstract description 136
- 230000035699 permeability Effects 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 87
- 238000001228 spectrum Methods 0.000 claims abstract description 69
- 230000003595 spectral effect Effects 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 230000001105 regulatory effect Effects 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 15
- 239000000463 material Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 14
- 238000005070 sampling Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000005336 cracking Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000009435 building construction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011381 foam concrete Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 102000037983 regulatory factors Human genes 0.000 description 1
- 108091008025 regulatory factors Proteins 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及混凝土性能检测技术领域,具体涉及一种混凝土透气性智能检测方法及系统,该方法包括:采集混凝土样本的高光谱数据,获得每个像元的像元光谱曲线;根据高光谱数据获得麻面区域像元集合;根据麻面区域像元集合中的各像元的像元光谱曲线获得共轭极线偏差系数和中心外延谱线差异系数;根据中心外延谱线差异系数之间的差异获得解混优化调控因子;根据解混优化调控因子以及高光谱数据获得端元矩阵和丰度矩阵;获取标准端元矩阵和标准丰度矩阵;根据端元矩阵、丰度矩阵与标准端元矩阵、标准丰度矩阵之间的差异获得混凝土样本的透气性检测结果。从而实现对混凝土透气性智能检测,提高检测精度。
Description
技术领域
本发明涉及混凝土性能检测技术领域,具体涉及一种混凝土透气性智能检测方法及系统。
背景技术
混凝土是一种由水泥、沙子石料、水和其他添加剂混合而成的人造建筑材料,因其具备坚固、耐久和可塑性强的优点被广泛用于建筑、桥梁、道路和水坝等结构中。混凝土透气性是评估混凝土性能的重要指标,用于评估混凝土的耐久性、防水性、安全性和节能环保特性,而透气性检测是保障混凝土结构性能、延长使用寿命、提高结构耐久性的重要手段。
屋面混凝土受光照和外界环境影响大,为减小温差引起的变形开裂,屋面混凝土材料更注重其透气性,采用泡沫混凝土、预埋透气管等方式,增加屋面混凝土的透气性,降低温差,预防由温差引起开裂而降低屋面结构的耐久性、使用寿命。
高光谱检测是物质定性识别的重要手段,通过目标物的光谱反射曲线与标准光谱曲线进行对比,即可得到目标物的参数差异。但是混凝土是混合物,由此检测得到的光谱曲线是混凝土多种物质成分光谱曲线混合结果,因此需要对光谱进行解混。Fast ICA快速独立成分分析算法通过对混合光谱分析最终得到混凝土各个成分的光谱矩阵,但是在FastICA算法在解混时,解混矩阵的初始权重影响算法的收敛速度和陷入局部最优的可能性,而通常情况下该算法取一组范数为1的随机数,无法保证得到较快的收敛速度,甚至出现算法无法收敛导致每次运算得到的独立成分分量不同导致解混结果不准确,进而影响混凝土透气性的检测精度。针对上述问题,本发明提出了一种混凝土透气性智能检测方法及系统,旨在通过对混凝土高光谱数据进行分析,利用光谱信息得到初始光谱解混矩阵,最终提高混凝土透气性的检测精度。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种混凝土透气性智能检测方法及系统,所采用的技术方案具体如下:
第一方面,本发明实施例提供了一种混凝土透气性智能检测方法,该方法包括以下步骤:
采集混凝土样本的高光谱数据,获得高光谱数据中每个像元对各波长的反射强度;将每个像元对所有波长的反射强度采用三次样条插值法进行拟合获得每个像元的像元光谱曲线;
根据混凝土的高光谱数据获得麻面凹陷区域以及麻面区域像元集合;根据麻面区域像元集合中的各像元的像元光谱曲线获得各像元的共轭极线偏差系数;根据麻面区域像元集合获得边界像元集合和中心像元,结合边界像元集合中的像元对各波长的反射强度与中心像元对各波长的反射强度的差异获得外延谱线偏差系数;根据边界像元集合中各像元与中心像元的共轭极线偏差系数之间的差异以及外延谱线偏差系数获得麻面凹陷区域的中心外延谱线差异系数;根据所有麻面凹陷区域的中心外延谱线差异系数之间的差异获得各麻面凹陷区域的麻面光谱综合混叠系数;根据麻面凹陷区域的麻面光谱综合混叠系数以及麻面凹陷区域内各像元的共轭极线偏差系数获得解混优化调控因子;根据解混优化调控因子以及混凝土样本的高光谱数据获得混凝土样本的高光谱数据的端元矩阵和丰度矩阵;
获取数据库中透气性合格的标准混凝土高光谱数据的端元矩阵和丰度矩阵,分别记为标准端元矩阵和标准丰度矩阵;根据混凝土样本的高光谱数据的端元矩阵、丰度矩阵与标准端元矩阵、标准丰度矩阵之间的差异获得混凝土样本的透气性检测结果。
进一步,所述根据混凝土的高光谱数据获得麻面凹陷区域以及麻面区域像元集合,包括:
对混凝土的高光谱数据采用真彩色合成算法合成一张真彩色合成图像;
采用G-FRNet语义分割神经网络模型对真彩色合成图像进行分割,获得平整混凝土区域和麻面区域;将麻面区域中得每个闭合区域作为一个麻面凹陷区域;
对于各麻面凹陷区域,将所述高光谱数据中位于麻面凹陷区域内部的像元所组成的集合记为麻面区域像元集合。
进一步,所述根据麻面区域像元集合中的各像元的像元光谱曲线获得各像元的共轭极线偏差系数,包括:
对于麻面区域像元集合中的各像元,获取像元的像元光谱曲线上的极值点,将所有极值点中相邻的极大值和极小值作为像元的一个极值共轭对;
对于像元的各极值共轭对,计算极值共轭对中的极大值与极小值的差值,记为第一差值;将极值共轭对中的极大值对应的波长与极小值对应的波长的差值记为第二差值;计算第一差值与第二差值的比值,获取以自然常数为底数,以所述比值为指数的指数函数;
将像元的所有所述指数函数的计算结果的均值作为像元的共轭极线偏差系数。
进一步,所述根据麻面区域像元集合获得边界像元集合和中心像元,结合边界像元集合中的像元对各波长的反射强度与中心像元对各波长的反射强度的差异获得外延谱线偏差系数,包括:
将麻面区域像元集合中位于麻面凹陷区域边缘的像元所组成的集合记为麻面凹陷区域的边界像元集合,位于麻面凹陷区域中心的像元记为中心像元;
分别将每个波长记为待分析波长;
对于边界像元集合中的各像元,计算像元对待分析波长的反射强度与中心像元对待分析波长的反射强度之间的差值绝对值,获取1与所述差值绝对值的和值;获取以自然常数为底数,以所述和值为真数的对数函数;将像元的所有所述对数函数的计算结果的和值作为像元的外延谱线偏差系数。
进一步,所述根据边界像元集合中各像元与中心像元的共轭极线偏差系数之间的差异以及外延谱线偏差系数获得麻面凹陷区域的中心外延谱线差异系数,包括:
对于边界像元集合中的各像元,计算像元的共轭极线偏差系数与中心像元的共轭极线偏差系数的差值绝对值,获取所述差值绝对值的相反数,计算以自然常数为底数,以所述相反数为指数的指数函数;获取像元的外延谱线偏差系数与所述指数函数的计算结果的比值;
将边界像元集合中所有像元的所述比值的均值作为麻面凹陷区域的中心外延谱线差异系数。
进一步,所述根据所有麻面凹陷区域的中心外延谱线差异系数之间的差异获得各麻面凹陷区域的麻面光谱综合混叠系数,包括:
分别将每个麻面凹陷区域记为待分析区域;
以待分析区域的中心像元为中心,预设距离为半径构建局部对比区域,将位于局部对比区域内部以及与局部对比区域相交的所有麻面凹陷区域所组成的集合作为麻面凹陷区域的麻面对照集合;
计算所述麻面对照集合中各麻面凹陷区域的中心外延谱线差异系数与待分析区域的中心外延谱线差异系数的差值绝对值;获取所述麻面对照集合中所有所述差值绝对值的和值;
统计所述麻面对照集合中麻面凹陷区域的数量,计算待分析区域的中心外延谱线差异系与所述麻面对照集合中麻面凹陷区域的数量的乘积,获取以2为底数,以所述乘积为真数的对数函数;将所述对数函数的计算结果与所述和值的乘积作为待分析区域的麻面光谱综合混叠系数。
进一步,所述根据麻面凹陷区域的麻面光谱综合混叠系数以及麻面凹陷区域内各像元的共轭极线偏差系数获得解混优化调控因子,包括:
对于麻面凹陷区域内的各像元,将像元的共轭极线偏差系数与麻面凹陷区域的麻面光谱综合混叠系数的乘积作为像元的解混优化调控因子。
进一步,所述根据解混优化调控因子以及混凝土样本的高光谱数据获得混凝土样本的高光谱数据的端元矩阵和丰度矩阵,包括:
对于各像元,当像元位于麻面凹陷区域时,将像元的解混优化调控因子作为像元的权重调节系数;当像元位于平整混凝土区域时,将第一预设数值作为像元的权重调节系数;
获取混凝土样本中单一材料的数量,记为端元数量;获取长度为端元数量,均值为第二预设数值,方差为像元权重调节系数且服从伽马分布的序列,记为像元的初始解混序列;
将混凝土样本的高光谱数据中包含的所有像元的初始解混序列纵向排列所组成的矩阵作为初始解混矩阵;
将混凝土样本的高光谱数据以及初始解混矩阵输入Fast ICA算法获得混凝土样本的高光谱数据的端元矩阵和丰度矩阵。
进一步,所述根据混凝土样本的高光谱数据的端元矩阵、丰度矩阵与标准端元矩阵、标准丰度矩阵之间的差异获得混凝土样本的透气性检测结果,包括:
计算混凝土样本的高光谱数据的丰度矩阵与标准丰度矩阵之间的结构相似性,记为配比差异;计算混凝土样本的高光谱数据的端元矩阵与标准端元矩阵之间的结构相似性,记为材料差异;将所述配比差异与所述材料差异之间的最大值作为混凝土样本的标准差异系数;
标准差异系数大于或等于预设标准阈值的混凝土样本的透气性检测结果为合格。
第二方面,本发明实施例还提供了一种混凝土透气性智能检测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明至少具有如下有益效果:
本发明提出一种混凝土透气性智能检测方法及系统,通过分析混凝土样本表面形态对获得的光谱信息的影响,对混凝土高光谱数据进行区域划分得到麻面凹陷区域;通过分析不同麻面凹陷区域的大小、深浅和形状将对像元的光谱混合程度的不同,根据麻面凹陷区域中像元的共轭极值对得到共轭极线偏差系数,反映了面凹陷区域中每个像元的光谱混合程度;通过分析麻面凹陷区域的形态,不同位置像元对光的折射和反射方向不同,结合麻面凹陷区域中心像元与边界像元的差异以及与局部对比区域得到当前麻面凹陷区域的麻面光谱综合混叠系数,衡量了麻面凹陷区域内整体的光谱混叠情况;结合每个像元的位置信息得到每个像元的解混优化调控因子,计算高光谱数据的初始解混矩阵,解决了传统Fast ICA算法中通过随机解混矩阵初始化导致的光谱解混速度慢,容易陷入局部最优的缺陷,通过对像元自身与麻面凹陷区域内整体的光谱混叠情况,对像元的解混矩阵进行初始化,由此提高光谱解混的准确度,进而提高混凝土透气性的检测精度。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例提供的一种混凝土透气性智能检测方法的步骤流程图;
图2为初始解混矩阵的具体计算流程示意图;
图3为麻面凹陷区域示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种混凝土透气性智能检测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种混凝土透气性智能检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种混凝土透气性智能检测方法的步骤流程图,该方法包括以下步骤:
步骤S001,通过光谱分析仪获取混凝土的高光谱数据。
为了获取房屋墙面混凝土透气性的真实情况,本发明采用Hyperion 3000高光谱分析仪采集待检测的混凝土平面。通常情况下屋面混凝土的透气性与混凝土的成分配比有关,为了排除水分对混凝土高光谱数据的干扰,因此选择固化后的待检测混凝土样本。
获得混凝土的高光谱数据记作,具体为/>,其中/>表示高光谱数据的第/>个像元,/>表示高光谱数据中像元总个数。针对单个像元/>,其中/>表示第i个像元序列对第/>个波长的反射强度,L表示光谱分析仪中波长的数量。此外高光谱数据采集的过程中不可避免的受到环境噪声干扰,本发明采用小波阈值去噪算法对采集得到光谱信号进行降噪处理。
至此,即可根据本实施例上述方法获取混凝土的高光谱数据中每个像元对各波长的反射强度。
步骤S002,通过对高光谱数据进行划分得到平整混凝土区域和麻面凹陷区域,针对麻面凹陷区域的像元进行共轭极值计算得到共轭极线偏差系数,结合麻面区域内中心像元与边界像元反射强度差异得到麻面像元中心外延谱线差异系数,划分局部对比区域计算出当前麻面凹陷区域的麻面光谱综合混叠系数,结合像元的位置信息得到解混优化调控因子,根据优化调控因子得到高光谱数据的初始解混矩阵。
对于房屋建筑施工过程中的屋面混凝土浇筑过程,由于混凝土内空气排除不干净或者混凝土浆液渗漏等原因,通常会在混凝土表面会形成凹陷的小坑,即表面粗糙、不平整的现象,这种现象在混凝土结构浇筑领域内称为麻面。麻面凹陷的小坑对于不同波长的电磁波会形成波长光线的反射和散射从而导致光谱混叠更加严重,因此能够结合混凝土的麻面凹陷信息获得初始解混矩阵,初始解混矩阵的具体计算流程如图2所示。
为了得到麻面凹陷区域的光谱信息,需要获取麻面凹陷区域在光谱数据中的凹陷位置信息。本发明针对混凝土高光谱数据通过GRBS真彩合成算法将多波段的光谱数据拟合为一张真彩色图像,且在真彩色图像中像元的位置信息保持不变。然后采用G-FRNet语义分割神经网络模型对真彩色图像进行二分类区域提取,将混凝土高光谱数据划分为平整混凝土区域和麻面区域,将麻面区域中得每个闭合区域作为一个麻面凹陷区域。其中,GRBS真彩合成算法和G-FRNet语义分割神经网络模型的具体实现过程为公知技术,不再赘述。
麻面凹陷区域在被平整区域分割为零散分布状态,由此根据混凝土高光谱区域的位置信息,按照从左到右,从上到下的顺序对麻面凹陷区域进行区域标号。将当前采样的高光谱数据中位于麻面凹陷区域内部的像元所组成的集合作为麻面区域像元集合。
由于麻面凹陷区域的大小、深浅和形状将对像元的光谱混合干扰程度是不同的,由此需要结合麻面区域的像元谱线进行分析处理。为了获取像元谱线变化情况,本实施例采用三次样条插值法对像元对各波长的反射强度进行拟合得到像元光谱曲线,由于三次样条插值法为曲线拟合领域公知技术,不再赘述。
针对麻面凹陷区域中第i个像元的像元光谱曲线用表示,并且通过数学计算能够像元光谱曲线上的极值点,并且将极值点中相邻的极大值和极小值组成一个极值共轭对,用/>表示第r个麻面凹陷区域中第i个像元的第j个极值共轭对,其中/>和/>分别表示极值共轭对中的极大值和极小值。由此结合麻面凹陷区域的像元信息,得到共轭极线偏差系数:
式中,表示当前采样混凝土高光谱数据中第r个麻面凹陷区域内第i个像元的共轭极线偏差系数,/>表示第r个麻面凹陷区域内第i个像元的极值共轭对的个数,/>表示以自然常数为底的指数函数,/>和/>分别表示当前采样混凝土高光谱数据中第r个麻面凹陷区域内第i个像元的第j个极值共轭对中的极大值和极小值,/>表示计算极值共轭对的波长差值。
共轭极线偏差系数反映了在麻面凹陷区域单个像元光谱曲线的共轭极值偏差,若当前像元光谱混合较为严重时,表明当前像元的光谱信息包含麻面凹陷区域内光谱仪照射波长光散射和反射共同混合的结果,通常各个成分光谱信息与噪声叠加的效果,造成像元的光谱曲线中极值变化较为频繁,并且极值变化幅度较大,最终导致共轭极线偏差系数的值较大。相反,若当前像元光谱混合较轻时,得到像元光谱曲线能够较为真实的反映像元位置的成分信息,由此像元光谱曲线的变化较为平滑,使得/>的值减小。
麻面大部分是由气泡形成的孔状区域,如图3所示,麻面凹陷区域的横截面近似为半圆,则越靠近中心越接近于水平面反射面,对光的反射是竖直向上的,像元的光谱混合越轻;而越靠近边缘的像元越容易收到其他电磁波反射、散射的影响叠造成混叠现象比较严重。由此需要结合麻面凹陷区域的位置信息衡量麻面凹陷区域整体的光谱混叠状况。将麻面区域像元集合中位于第r个麻面凹陷区域边缘的像元所组成的集合作为第r个麻面凹陷区域的边界像元集合用表示,位于麻面凹陷区域坐标中心的像元记为中心像元。计算麻面凹陷区域的中心外延谱线差异系数:
式中,表示在当前采样混凝土高光谱数据中第r个麻面凹陷区域的中心外延谱线差异系数,/>表示当前采样第r个麻面凹陷区域对应边界像元集合/>中像元的个数,/>表示边界像元集合中第i个像元的外延谱线偏差系数,/>表示当前采样第r个麻面凹陷区域对应边界像元集合/>中第i个像元对第/>个波长的反射强度,/>表示当前采样第r个麻面凹陷区域的中心像元对第/>个波长的反射强度,/>表示以自然常数为底的指数函数,/>和/>分别表示第r个麻面凹陷区域的边界像元集合中第i个像元与麻面凹陷区域中心像元的共轭极线偏差系数,L表示光谱分析仪中波长的数量,/>表示以自然常数为底的对数函数。
中心外延谱线差异系数反映当前第r个麻面凹陷区域内中心和边界的光谱混叠情况,如麻面凹陷区域内较为平整或者面积较小时,得到中心像元序列与边界像元的差异程度较小,得到外延谱线偏差系数/>的值较小,此外中心像元与边界像元集合受光谱混叠较轻,由此像元光谱曲线较为光滑得到共轭极线偏差系数的差异较小,即/>的值较小,最终使得像元中心外延谱线差异系数/>的值较小。相反,若当前麻面凹陷区域内凹凸不平或凹陷面积较大,中心像元由于受光谱仪光线直射,光谱混叠较轻,而边界上的像元受麻面凹陷区域内凹凸颗粒的影响,光谱混叠较为严重,因此两者之间的差异较大,最终得到/>的值较大。
由于麻面凹陷区域周围的麻面凹陷区域的形状和面积会影响麻面凹陷区域内像元谱线的混叠情况,为了衡量当前麻面凹陷区域内整体的光谱混叠情况,首先以第r个麻面凹陷区域的中心像元为中心,D为半径构建局部对比区域,本实施例设置D=200,将位于局部对比区域内部以及与局部对比区域相交的所有麻面凹陷区域所组成的集合作为麻面对照集合。由此针对局部对比区域内的麻面对照集合与中心麻面凹陷区域进行对比,得到当前麻面凹陷区域的麻面光谱综合混叠系数:
式中,表示当前采样第r个麻面凹陷区域的麻面光谱综合混叠系数,/>表示以2为底的对数函数,/>表示在当前采样混凝土高光谱数据中第r个麻面凹陷区域的中心外延谱线差异系数,/>表示当前采样第r个麻面凹陷区域的麻面对照集合中麻面凹陷区域的数量,/>表示当前采样第r个麻面凹陷区域的麻面对照集合中第j个麻面凹陷区域的中心外延谱线差异系数。
通过划分局部对比区域,将区域内的麻面凹陷区域组合成一个麻面对照集合,若第r个麻面凹陷区域的局部范围内,其余麻面凹陷区域数量较少,并且与麻面对照集合中麻面凹陷区域的形状均匀、大小相似,则两者之间的中心外延谱线差异系数的差异较小,即的值小,最终得到麻面光谱综合混叠系数/>的值较小。相反,若划分的局部对比区域内各个麻面凹陷区域的形状大小差异较大,最终得到/>的值增大。
麻面光谱综合混叠系数能够反映当前麻面凹陷区域中光谱谱线的综合混叠情况,而针对区域内部每个像元的位置信息和共轭极线偏差系数,得到解混优化调控因子:
式中,表示当前采样第r个麻面区域像元集合内第i个像元的解混优化调控因子,/>表示当前采样第r个麻面凹陷区域的麻面光谱综合混叠系数,/>表示当前采样混凝土高光谱数据中第r个麻面区域像元集合内第i个像元的共轭极线偏差系数。
通过解混优化调控因子对麻面凹陷区域内的像元在解混进行权重优化,若当前麻面凹陷区域内的光谱混叠较为严重时,得到麻面光谱综合混叠系数/>值较大,此时若当前像元距离区域中心像元较远时,该像元光谱曲线通常混叠较重,对应/>的值较大,最终得到解混优化调控因子/>的值较大。相反,若麻面凹陷区域内整体的光谱混叠较轻时,最终得到/>的值较小。
通过计算得到当前采样每个麻面凹陷区域内像元对应的解混优化调控因子,由此实现对解混矩阵的计算,此处以高光谱中单个像元为例,利用解混优化调控因子计算单个像元的初始解混矩阵计算过程中的权重调节系数:
其中,表示像元的权重调节系数,/>表示当前采样第r个麻面凹陷区域内第t个像元的解混优化调控因子,/>表示平整混凝土区域的像元调节系数,平整混凝土区域的像元调节系数本实施例取值为/>。
获取屋面混凝土样本中单一材料的数量n,即端元的数量为n。第t个像元的初始解混序列为:生成长度为/>,均值为1,方差为/>,服从伽马分布的随机序列。若像元对应的麻面凹陷区域,表明像元混叠较为严重,各个端元的比例差距较大,最后得到的/>值较大;若像元位于平整混凝土区域,则像元混叠较轻,由此生成方差较小的伽马序列。
以上述单个像元为例,针对当前采样的高光谱数据,通过上述像元的初始解混序列的计算方式计算所有像元的初始解混序列,将所有像元的初始解混序列从上往下排列得到初始解混矩阵,维度为/>,/>表示高光谱数据中像元总个数。
步骤S003,将初始解混矩阵带入到解混算法中进行光谱解混,得到最终的端元矩阵和丰度矩阵,根据端元矩阵和丰度矩阵获得混凝土样本的透气性检测结果。
将高光谱像元矩阵和初始解混矩阵/>带入到Fast ICA算法中进行光谱解混,最终得到混凝土样本的高光谱数据对应的端元矩阵B和丰度矩阵E。
房屋建筑施工过程中,屋面混凝土的透气性与组成混凝土的材料以及材料配比息息相关,而解混后的端元矩阵B反映的是屋面混凝土的材料光谱信息,而丰度矩阵E反映各个材料的配比状况。由此将混凝土样本的高光谱数据对应的端元矩阵和丰度矩阵与数据库中透气性合格的标准混凝土高光谱数据得到的标准端元矩阵与标准丰度矩阵/>分别进行SSIM结构相似性计算,最终得到配比差异和材料差异。将配比差异与材料差异之间的最大值作为混凝土样本的标准差异系数/>。
若标准差异系数大于或等于标准阈值/>,则表明当前待检测混凝土样本符合透气性标准,透气性检测结果为合格;反之将不符合透气性标准,透气性检测结果为不合格,标准阈值本实施例取值为0.8。
混凝土样本的透气性检测结果为不合格时,说明混凝土透气性不好,在房屋建筑施工过程需及时提示相关操作人员,采取相应的措施以提高屋面混凝土的透气性,以预防施工过程中极端天气的温差较大造成屋面混凝土开裂情况。实施者可通过降低温差来提高屋面混凝土的透气性,此外实施者可采用其他措施提升屋面混凝土透气性,具体措施以及方法本实施例不做特殊限制。
基于与上述方法相同的发明构思,本发明实施例还提供了一种混凝土透气性智能检测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种混凝土透气性智能检测方法中任意一项所述方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种混凝土透气性智能检测方法,其特征在于,该方法包括以下步骤:
采集混凝土样本的高光谱数据,获得高光谱数据中每个像元对各波长的反射强度;将每个像元对所有波长的反射强度采用三次样条插值法进行拟合获得每个像元的像元光谱曲线;
根据混凝土的高光谱数据获得麻面凹陷区域以及麻面区域像元集合;根据麻面区域像元集合中的各像元的像元光谱曲线获得各像元的共轭极线偏差系数;根据麻面区域像元集合获得边界像元集合和中心像元,结合边界像元集合中的像元对各波长的反射强度与中心像元对各波长的反射强度的差异获得外延谱线偏差系数;根据边界像元集合中各像元与中心像元的共轭极线偏差系数之间的差异以及外延谱线偏差系数获得麻面凹陷区域的中心外延谱线差异系数;根据所有麻面凹陷区域的中心外延谱线差异系数之间的差异获得各麻面凹陷区域的麻面光谱综合混叠系数;根据麻面凹陷区域的麻面光谱综合混叠系数以及麻面凹陷区域内各像元的共轭极线偏差系数获得解混优化调控因子;根据解混优化调控因子以及混凝土样本的高光谱数据获得混凝土样本的高光谱数据的端元矩阵和丰度矩阵;
获取数据库中透气性合格的标准混凝土高光谱数据的端元矩阵和丰度矩阵,分别记为标准端元矩阵和标准丰度矩阵;根据混凝土样本的高光谱数据的端元矩阵、丰度矩阵与标准端元矩阵、标准丰度矩阵之间的差异获得混凝土样本的透气性检测结果。
2.如权利要求1所述的一种混凝土透气性智能检测方法,其特征在于,所述根据混凝土的高光谱数据获得麻面凹陷区域以及麻面区域像元集合,包括:
对混凝土的高光谱数据采用真彩色合成算法合成一张真彩色合成图像;
采用G-FRNet语义分割神经网络模型对真彩色合成图像进行分割,获得平整混凝土区域和麻面区域;将麻面区域中得每个闭合区域作为一个麻面凹陷区域;
对于各麻面凹陷区域,将所述高光谱数据中位于麻面凹陷区域内部的像元所组成的集合记为麻面区域像元集合。
3.如权利要求1所述的一种混凝土透气性智能检测方法,其特征在于,所述根据麻面区域像元集合中的各像元的像元光谱曲线获得各像元的共轭极线偏差系数,包括:
对于麻面区域像元集合中的各像元,获取像元的像元光谱曲线上的极值点,将所有极值点中相邻的极大值和极小值作为像元的一个极值共轭对;
对于像元的各极值共轭对,计算极值共轭对中的极大值与极小值的差值,记为第一差值;将极值共轭对中的极大值对应的波长与极小值对应的波长的差值记为第二差值;计算第一差值与第二差值的比值,获取以自然常数为底数,以所述比值为指数的指数函数;
将像元的所有所述指数函数的计算结果的均值作为像元的共轭极线偏差系数。
4.如权利要求2所述的一种混凝土透气性智能检测方法,其特征在于,所述根据麻面区域像元集合获得边界像元集合和中心像元,结合边界像元集合中的像元对各波长的反射强度与中心像元对各波长的反射强度的差异获得外延谱线偏差系数,包括:
将麻面区域像元集合中位于麻面凹陷区域边缘的像元所组成的集合记为麻面凹陷区域的边界像元集合,位于麻面凹陷区域中心的像元记为中心像元;
分别将每个波长记为待分析波长;
对于边界像元集合中的各像元,计算像元对待分析波长的反射强度与中心像元对待分析波长的反射强度之间的差值绝对值,获取1与所述差值绝对值的和值;获取以自然常数为底数,以所述和值为真数的对数函数;将像元的所有所述对数函数的计算结果的和值作为像元的外延谱线偏差系数。
5.如权利要求1所述的一种混凝土透气性智能检测方法,其特征在于,所述根据边界像元集合中各像元与中心像元的共轭极线偏差系数之间的差异以及外延谱线偏差系数获得麻面凹陷区域的中心外延谱线差异系数,包括:
对于边界像元集合中的各像元,计算像元的共轭极线偏差系数与中心像元的共轭极线偏差系数的差值绝对值,获取所述差值绝对值的相反数,计算以自然常数为底数,以所述相反数为指数的指数函数;获取像元的外延谱线偏差系数与所述指数函数的计算结果的比值;
将边界像元集合中所有像元的所述比值的均值作为麻面凹陷区域的中心外延谱线差异系数。
6.如权利要求1所述的一种混凝土透气性智能检测方法,其特征在于,所述根据所有麻面凹陷区域的中心外延谱线差异系数之间的差异获得各麻面凹陷区域的麻面光谱综合混叠系数,包括:
分别将每个麻面凹陷区域记为待分析区域;
以待分析区域的中心像元为中心,预设距离为半径构建局部对比区域,将位于局部对比区域内部以及与局部对比区域相交的所有麻面凹陷区域所组成的集合作为麻面凹陷区域的麻面对照集合;
计算所述麻面对照集合中各麻面凹陷区域的中心外延谱线差异系数与待分析区域的中心外延谱线差异系数的差值绝对值;获取所述麻面对照集合中所有所述差值绝对值的和值;
统计所述麻面对照集合中麻面凹陷区域的数量,计算待分析区域的中心外延谱线差异系与所述麻面对照集合中麻面凹陷区域的数量的乘积,获取以2为底数,以所述乘积为真数的对数函数;将所述对数函数的计算结果与所述和值的乘积作为待分析区域的麻面光谱综合混叠系数。
7.如权利要求1所述的一种混凝土透气性智能检测方法,其特征在于,所述根据麻面凹陷区域的麻面光谱综合混叠系数以及麻面凹陷区域内各像元的共轭极线偏差系数获得解混优化调控因子,包括:
对于麻面凹陷区域内的各像元,将像元的共轭极线偏差系数与麻面凹陷区域的麻面光谱综合混叠系数的乘积作为像元的解混优化调控因子。
8.如权利要求2所述的一种混凝土透气性智能检测方法,其特征在于,所述根据解混优化调控因子以及混凝土样本的高光谱数据获得混凝土样本的高光谱数据的端元矩阵和丰度矩阵,包括:
对于各像元,当像元位于麻面凹陷区域时,将像元的解混优化调控因子作为像元的权重调节系数;当像元位于平整混凝土区域时,将第一预设数值作为像元的权重调节系数;
获取混凝土样本中单一材料的数量,记为端元数量;获取长度为端元数量,均值为第二预设数值,方差为像元权重调节系数且服从伽马分布的序列,记为像元的初始解混序列;
将混凝土样本的高光谱数据中包含的所有像元的初始解混序列纵向排列所组成的矩阵作为初始解混矩阵;
将混凝土样本的高光谱数据以及初始解混矩阵输入Fast ICA算法获得混凝土样本的高光谱数据的端元矩阵和丰度矩阵。
9.如权利要求1所述的一种混凝土透气性智能检测方法,其特征在于,所述根据混凝土样本的高光谱数据的端元矩阵、丰度矩阵与标准端元矩阵、标准丰度矩阵之间的差异获得混凝土样本的透气性检测结果,包括:
计算混凝土样本的高光谱数据的丰度矩阵与标准丰度矩阵之间的结构相似性,记为配比差异;计算混凝土样本的高光谱数据的端元矩阵与标准端元矩阵之间的结构相似性,记为材料差异;将所述配比差异与所述材料差异之间的最大值作为混凝土样本的标准差异系数;
标准差异系数大于或等于预设标准阈值的混凝土样本的透气性检测结果为合格。
10.一种混凝土透气性智能检测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410169235.7A CN117710380B (zh) | 2024-02-06 | 2024-02-06 | 一种混凝土透气性智能检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410169235.7A CN117710380B (zh) | 2024-02-06 | 2024-02-06 | 一种混凝土透气性智能检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117710380A true CN117710380A (zh) | 2024-03-15 |
CN117710380B CN117710380B (zh) | 2024-04-12 |
Family
ID=90148417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410169235.7A Active CN117710380B (zh) | 2024-02-06 | 2024-02-06 | 一种混凝土透气性智能检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117710380B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100303371A1 (en) * | 2009-05-29 | 2010-12-02 | Raytheon Company | System and Method For Reducing Dimensionality Of Hyperspectral Images |
JP2011236485A (ja) * | 2010-05-12 | 2011-11-24 | Sumitomo Osaka Cement Co Ltd | 電気防食工法 |
CN108427934A (zh) * | 2018-03-28 | 2018-08-21 | 北京科技大学 | 一种高光谱影像混合像元分解方法 |
CN109815825A (zh) * | 2018-12-27 | 2019-05-28 | 中国科学院西安光学精密机械研究所 | 相似性约束凸非负矩阵分解的高光谱异常目标检测方法 |
CN110672822A (zh) * | 2019-09-23 | 2020-01-10 | 郑州航空工业管理学院 | 一种桥梁混凝土的结构缺陷的无损检测系统 |
CN115131614A (zh) * | 2022-07-06 | 2022-09-30 | 浙江大学 | 一种基于高光谱图像的金属由粗而细分类方法 |
CN115620128A (zh) * | 2022-09-20 | 2023-01-17 | 南昌工程学院 | 一种高光谱异常检测方法 |
CN115937302A (zh) * | 2022-12-26 | 2023-04-07 | 杭州电子科技大学 | 结合边缘保持的高光谱图像亚像元定位方法 |
CN116188423A (zh) * | 2023-02-22 | 2023-05-30 | 哈尔滨工业大学 | 基于病理切片高光谱图像的超像素稀疏解混检测方法 |
-
2024
- 2024-02-06 CN CN202410169235.7A patent/CN117710380B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100303371A1 (en) * | 2009-05-29 | 2010-12-02 | Raytheon Company | System and Method For Reducing Dimensionality Of Hyperspectral Images |
JP2011236485A (ja) * | 2010-05-12 | 2011-11-24 | Sumitomo Osaka Cement Co Ltd | 電気防食工法 |
CN108427934A (zh) * | 2018-03-28 | 2018-08-21 | 北京科技大学 | 一种高光谱影像混合像元分解方法 |
CN109815825A (zh) * | 2018-12-27 | 2019-05-28 | 中国科学院西安光学精密机械研究所 | 相似性约束凸非负矩阵分解的高光谱异常目标检测方法 |
CN110672822A (zh) * | 2019-09-23 | 2020-01-10 | 郑州航空工业管理学院 | 一种桥梁混凝土的结构缺陷的无损检测系统 |
CN115131614A (zh) * | 2022-07-06 | 2022-09-30 | 浙江大学 | 一种基于高光谱图像的金属由粗而细分类方法 |
CN115620128A (zh) * | 2022-09-20 | 2023-01-17 | 南昌工程学院 | 一种高光谱异常检测方法 |
CN115937302A (zh) * | 2022-12-26 | 2023-04-07 | 杭州电子科技大学 | 结合边缘保持的高光谱图像亚像元定位方法 |
CN116188423A (zh) * | 2023-02-22 | 2023-05-30 | 哈尔滨工业大学 | 基于病理切片高光谱图像的超像素稀疏解混检测方法 |
Non-Patent Citations (4)
Title |
---|
DANIEL R. GUILDENBECHER 等: "3D optical diagnostics for explosively driven deformation and fragmentation", 《INTERNATIONAL JOURNAL OF IMPACT ENGINEERING》, 30 April 2022 (2022-04-30), pages 1 - 30 * |
DONG-MIN WOO 等: "Epipolar Resampling of Pushbroom Satellite Images Using Piecewise Linear Implementation of Pseudo Epipolar Line", 《INTERNATIONAL JOURNAL OF GRID AND DISTRIBUTED COMPUTING》, 31 May 2018 (2018-05-31), pages 1 - 12 * |
仇培涛: "硫酸腐蚀下大孔隙混凝土孔隙结构和渗透性演化规律研究", 《中国博士学位论文全文数据库 (工程科技Ⅰ辑)》, 15 July 2021 (2021-07-15), pages 015 - 29 * |
王珍兰 等: "水工混凝土表面透气性检测分析", 《粉煤灰综合利用》, 25 June 2017 (2017-06-25), pages 49 - 53 * |
Also Published As
Publication number | Publication date |
---|---|
CN117710380B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190538B (zh) | 一种基于遥感技术的多泥沙河流三角洲海岸带演化分析方法 | |
GB2581293A (en) | A method for detecting degree of crack development of asphalt pavement | |
CN106023133B (zh) | 一种基于多特征联合处理的高分辨率遥感影像水体提取方法 | |
CN108830844B (zh) | 一种基于多时相高分辨率遥感影像的设施蔬菜提取方法 | |
CN105243367A (zh) | 一种基于卫星遥感数据的水体范围监测方法和装置 | |
EP1417632A1 (en) | Robust stain detection and quantification for histological specimens based on a physical model for stain absorption | |
CN102158653A (zh) | 一种实时高动态范围数字图像获取装置及方法 | |
CN106373127A (zh) | 用于木材树种及表面缺陷的激光扫描并行检测方法 | |
CN110443810A (zh) | 基于快速邻接体素查询的点云平面分割方法 | |
Meroño et al. | Recognition of materials and damage on historical buildings using digital image classification | |
CN110645961A (zh) | 基于遥感和ndvi的森林资源动态变化检测方法 | |
CN110163035A (zh) | 一种先验数据支持的云阴影识别方法 | |
CN102855485A (zh) | 一种小麦抽穗的自动检测方法 | |
CN111951292B (zh) | 物体表面反射属性提取方法、装置、设备及存储介质 | |
CN109359604A (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN108318458B (zh) | 一种适用于不同天气条件下的室外典型地物pBRDF的测量方法 | |
CN115330664A (zh) | 基于图像识别的围岩风化程度全自动识别方法及装置 | |
CN106650749B (zh) | 一种高分辨率光学影像中直角建筑物的标绘方法 | |
CN117710380B (zh) | 一种混凝土透气性智能检测方法及系统 | |
CN114898118A (zh) | 基于多源点云的输电线路房屋拆迁量自动统计方法及系统 | |
CN114724045A (zh) | 一种濒陆浅海水下地形反演方法 | |
CN111339959A (zh) | 基于sar和光学影像融合的近海浮筏养殖区提取方法 | |
CN112697218B (zh) | 一种水库库容曲线重构方法 | |
Ye et al. | Scientific computational visual analysis of wood internal defects detection in view of tomography image reconstruction algorithm | |
Gallegos et al. | Digital soil morphometrics of coarse fragments and horizon delineation in soil profiles from Central Mexico |
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 |