CN117726241B - 建筑结构质量检测方法、设备及存储介质 - Google Patents
建筑结构质量检测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN117726241B CN117726241B CN202410180419.3A CN202410180419A CN117726241B CN 117726241 B CN117726241 B CN 117726241B CN 202410180419 A CN202410180419 A CN 202410180419A CN 117726241 B CN117726241 B CN 117726241B
- Authority
- CN
- China
- Prior art keywords
- building
- data
- detected
- sensing data
- quality detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 158
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 174
- 238000012549 training Methods 0.000 claims description 158
- 238000004458 analytical method Methods 0.000 claims description 80
- 238000000034 method Methods 0.000 claims description 71
- 230000007547 defect Effects 0.000 claims description 44
- 230000001953 sensory effect Effects 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 37
- 238000007689 inspection Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 29
- 238000009826 distribution Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 8
- 230000007717 exclusion Effects 0.000 claims description 6
- 230000002950 deficient Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 14
- 239000000284 extract Substances 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 10
- 230000007847 structural defect Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 230000000873 masking effect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 5
- 238000001303 quality assessment method Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请提供一种建筑结构质量检测方法、设备及存储介质,在模型配置复杂度较高的第一质量检测模型上,加入模型配置复杂度较低的第二质量检测模型,同时通过第一质量检测模型针对具有不少于两个目标监测事件的待检测建筑传感数据集进行质量检测,通过第二质量检测模型针对每一目标监测事件的待检测建筑传感数据子集进行质量检测。结合两个质量检测模型的质量检测结果,可以对待检测建筑传感数据集,得到精度更高的建筑结构质量检测结果,增加检测精度,杜绝相关质量检测模型在实际检测中因为较大目标监测事件的引导,使得较小目标监测事件被忽略,引起质量检测精度不足的问题。
Description
技术领域
本申请涉及数据处理领域,并且更具体地,涉及一种建筑结构质量检测方法、设备及存储介质。
背景技术
在现代建筑领域中,确保建筑结构的质量和安全性是至关重要的。为了实现这一目标,各种质量检测模型被开发出来,以监测和评估建筑结构的健康状况。然而,传统的质量检测模型往往面临着一些挑战,例如对多个监测事件的处理能力、准确识别结构缺陷的能力以及对新增监测事件的适应性。为了解决这些问题,研究人员一直致力于开发更先进、更智能的质量检测模型。这些模型需要能够处理大量的建筑传感数据,并从中提取出有用的信息来指导结构健康监测和缺陷识别。此外,随着建筑结构的复杂性和监测需求的不断增加,这些模型还需要具备强大的学习和适应能力,以应对各种新的挑战。
在现有的技术背景下,虽然已经存在一些质量检测模型,但它们往往存在着一些局限性。例如,在处理复杂数据时表现出较低的准确性和稳定性;还有一些模型可能缺乏对新增监测事件的快速适应能力。因此,开发一种能够准确识别结构缺陷的质量检测模型,具有重要的实际应用价值和意义。
发明内容
有鉴于此,本申请实施例至少提供一种建筑结构质量检测方法、设备及存储介质。
根据本申请实施例的一个方面,提供了一种建筑结构质量检测方法,应用于计算机设备,所述方法包括:在具有不少于两个目标监测事件的待检测建筑传感数据集中,抽取针对每一目标监测事件的待检测建筑传感数据子集;通过第一质量检测模型,抽取所述待检测建筑传感数据集的整体数据项要素表示,以及通过所述整体数据项要素表示,得到所述待检测建筑传感数据集的第一质量检测结果;以及,对抽取的针对每一目标监测事件的待检测建筑传感数据子集,完成如下处理:通过第二质量检测模型,抽取所述待检测建筑传感数据子集的事件数据项要素表示,以及通过所述事件数据项要素表示,得到所述待检测建筑传感数据子集的第二质量检测结果,其中,所述第二质量检测模型的模型配置复杂度低于所述第一质量检测模型的模型配置复杂度;通过所述第一质量检测结果,以及针对每一目标监测事件的待检测建筑传感数据子集的第二质量检测结果,得到指示所述待检测建筑传感数据集是否为缺陷数据集的建筑结构质量检测结果。
根据本申请实施例的一个示例,其中,所述在具有不少于两个目标监测事件的待检测建筑传感数据集中,抽取针对每一目标监测事件的待检测建筑传感数据子集,包括:在待检测建筑传感数据集中,通过各个原始传感数据项各自的分析支持系数,确定符合分析过滤规则的多个目标传感数据项;其中,每个分析支持系数用以指示相应原始传感数据项属于一个目标监测事件的构建单元的置信度,每个目标传感数据项为一个目标监测事件的构建单元;通过所述多个目标传感数据项各自的数据项分布位置,确定所述待检测建筑传感数据集具有的不少于两个目标监测事件各自的数据集分布位置;针对所述不少于两个目标监测事件,分别完成如下处理:通过一个目标监测事件的数据集分布位置,在所述待检测建筑传感数据集中,抽取所述一个目标监测事件的待检测建筑传感数据子集。
根据本申请实施例的一个示例,其中,所述在待检测建筑传感数据集中,通过各个原始传感数据项各自的分析支持系数,确定符合分析过滤规则的多个目标传感数据项,包括:在所述待检测建筑传感数据集中,分别通过每个原始传感数据项与其他原始传感数据项之间的牵涉关系,得到所述每个原始传感数据项各自的分析支持系数;在得到的各个分析支持系数中,确定符合预设临界支持系数的多个目标分析支持系数,以及将所述多个目标分析支持系数分别对应的原始传感数据项,分别确定为目标传感数据项。
根据本申请实施例的一个示例,其中,所述在所述待检测建筑传感数据集中,分别通过每个原始传感数据项与其他原始传感数据项之间的牵涉关系,得到所述每个原始传感数据项各自的分析支持系数,包括:针对所述待检测建筑传感数据集中的每个原始传感数据项,分别完成如下处理:通过预设的M个传感数据维度,分别抽取一个原始传感数据项针对每一传感数据维度分别对应的特征值,得到所述一个原始传感数据项的M个特征值;其中,M为大于1的自然数;获取所述一个原始传感数据项关联的M个重要性调节系数,以及依据所述M个重要性调节系数,对所述M个特征值进行重要性调节,将调节后的M个特征值进行相加,得到所述一个原始传感数据项的分析支持系数;其中,一个重要性调节系数用以指示通过相应传感数据维度,所述一个原始传感数据项与其他原始传感数据项之间的牵涉关系。
根据本申请实施例的一个示例,其中,所述通过一个目标监测事件的数据集分布位置,在所述待检测建筑传感数据集中,抽取所述一个目标监测事件的待检测建筑传感数据子集,包括:通过所述待检测建筑传感数据集的大小,得到相对应的初始屏蔽数组;其中,所述初始屏蔽数组中的每一数组单元与所述待检测建筑传感数据集中一个原始传感数据项相对应;在所述初始屏蔽数组中,将一个目标监测事件相对于所述待检测建筑传感数据集的排除区域,赋值为屏蔽标识符,以及将所述一个目标监测事件的对应部分,赋值为非屏蔽标识符,得到目标屏蔽数组;通过所述目标屏蔽数组,对所述待检测建筑传感数据集中的各个原始传感数据项进行屏蔽操作,得到候选建筑传感数据子集;针对所述候选建筑传感数据子集,截取所述一个目标监测事件所在的监测事件范围,得到具有一个目标监测事件的待检测建筑传感数据子集。
根据本申请实施例的一个示例,其中,所述第一质量检测结果用以指示待检测建筑传感数据集为缺陷数据集的第一置信度,所述第二质量检测结果用以指示相应待检测建筑传感数据子集为缺陷数据子集的第二置信度;所述通过所述第一质量检测结果,以及针对每一目标监测事件的待检测建筑传感数据子集的第二质量检测结果,得到指示所述待检测建筑传感数据集是否为缺陷数据集的建筑结构质量检测结果,包括:如果所述第一置信度小于第一临界置信度,同时各所述第二置信度都小于第二临界置信度,则得到第一建筑结构质量检测结果;其中,所述第一建筑结构质量检测结果用以指示所述待检测建筑传感数据集为合格质量数据集;如果所述第一置信度不小于第一临界置信度,同时各所述第二置信度都不小于第二临界置信度,则得到第二建筑结构质量检测结果;其中,所述第二建筑结构质量检测结果用以指示所述待检测建筑传感数据集为缺陷数据集;如果所述第一置信度小于第一临界置信度,同时任一所述第二置信度不小于第二临界置信度,则得到第二建筑结构质量检测结果;其中,所述第二建筑结构质量检测结果用以指示所述待检测建筑传感数据集为缺陷数据集,所述第一临界置信度小于所述第二临界置信度;如果所述第一置信度不小于第一临界置信度,同时各所述第二置信度都小于第二临界置信度时,得到第一建筑结构质量检测结果;其中,所述第一建筑结构质量检测结果用以指示所述待检测建筑传感数据集为合格质量数据集,所述第一临界置信度小于所述第二临界置信度。
根据本申请实施例的一个示例,其中,所述第一质量检测模型为通过第一训练数据库调试得到的,其中,所述第一训练数据库包括多个第一调试学习样例,所述第一训练数据库中的每个第一调试学习样例包括:一个具有不少于两个目标监测事件的建筑传感训练数据集和相应的训练数据集先验标记;用于调试所述第二质量检测模型的第二训练数据库为通过以下操作进行获取得到:在所述第一训练数据库中,分别抽取每个第一建筑传感训练数据集中各目标监测事件的建筑传感训练数据子集;通过抽取的各目标监测事件的建筑传感训练数据子集,获取相应的训练数据子集先验标记,以及结合一个或多个新增目标监测事件的建筑传感训练数据子集和对应的训练数据子集先验标记,生成第二训练数据库。
根据本申请实施例的一个示例,其中,所述第一质量检测模型为通过如下操作调试得到:获取第一训练数据库,所述第一训练数据库中的每个第一调试学习样例包括一个建筑传感训练数据集和相应的训练数据集先验标记;其中,所述建筑传感训练数据集中具有不少于两个目标监测事件,所述训练数据集先验标记用以指示相应建筑传感训练数据集为缺陷数据集的第一实际置信度;在所述第一训练数据库中确定第一调试学习样例,以及将相应的建筑传感训练数据集输入拟进行调试的第一质量检测模型中,得到通过所述建筑传感训练数据集的整体数据项要素表示确定的、所述建筑传感训练数据集为缺陷数据集的第一训练置信度;通过各第一训练置信度与相应第一实际置信度之间的误差,对所述拟进行调试的第一质量检测模型进行模型配置变量优化;所述第二质量检测模型为通过以下方式调试得到的:获取第二训练数据库,所述第二训练数据库中的每个第二调试学习样例包括一个建筑传感训练数据子集和相应的训练数据子集先验标记;其中,所述建筑传感训练数据子集中具有一个目标监测事件,所述训练数据子集先验标记用以指示相应建筑传感训练数据子集所具有目标监测事件为建筑缺陷事件的第二实际置信度;在所述第二训练数据库中确定第二调试学习样例,以及将相应的建筑传感训练数据子集输入拟进行调试的第二质量检测模型中,得到通过所述建筑传感训练数据子集所具有目标监测事件的事件数据项要素表示确定的,所述建筑传感训练数据子集所具有目标监测事件为建筑缺陷事件的第二训练置信度;通过各第二训练置信度与相应的第二实际置信度之间的误差,对所述拟进行调试的第二质量检测模型进行模型配置变量优化。
根据本申请实施例的另一方面,提供了一种计算机设备,包括:处理器;以及存储器,其中所述存储器中存储有计算机可读代码,所述计算机可读代码在由所述处理器运行时,使得所述处理器执行以上所述的方法。
根据本申请实施例的又一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以上所述方法中的步骤。
本申请的有益效果至少包括:本申请实施例提供的建筑结构质量检测方法、设备及存储介质,计算机设备在具有不少于两个目标监测事件的待检测建筑传感数据集中,抽取针对每一目标监测事件的待检测建筑传感数据子集,基于此,得到多个待检测建筑传感数据子集,每个待检测建筑传感数据子集中都具有一个目标监测事件。接着通过第一质量检测模型,抽取待检测建筑传感数据集的整体数据项要素表示,以及通过整体数据项要素表示,得到待检测建筑传感数据集的第一质量检测结果,并针对抽取的针对每一目标监测事件的待检测建筑传感数据子集,完成如下处理:通过第二质量检测模型,抽取待检测建筑传感数据子集的事件数据项要素表示,以及通过事件数据项要素表示,得到待检测建筑传感数据子集的第二质量检测结果,其中,第二质量检测模型的模型配置复杂度低于第一质量检测模型的模型配置复杂度。如此,不仅通过模型配置复杂度较高的第一质量检测模型,抽取待检测建筑传感数据集的整体数据项要素表示,可以获得针对待检测建筑传感数据集整体准确识别,得到待检测建筑传感数据集整体对应的第一质量检测结果,还通过模型配置复杂度较低的第二质量检测模型,分别抽取每个待检测建筑传感数据子集分别具有的目标监测事件的事件数据项要素表示,可以对相应目标监测事件进行针对性的事件检测,得到待检测建筑传感数据集中各个目标监测事件分别对应的第二质量检测结果。最后通过第一质量检测结果,并针对每一目标监测事件的待检测建筑传感数据子集的第二质量检测结果,得到指示待检测建筑传感数据集是否为缺陷数据集的建筑结构质量检测结果。基于此,在模型配置复杂度较高的第一质量检测模型上,加入模型配置复杂度较低的第二质量检测模型,同时通过第一质量检测模型针对具有不少于两个目标监测事件的待检测建筑传感数据集进行质量检测,通过第二质量检测模型针对每一目标监测事件的待检测建筑传感数据子集进行质量检测。结合两个质量检测模型的质量检测结果,可以对待检测建筑传感数据集,得到精度更高的建筑结构质量检测结果,增加检测精度,杜绝相关质量检测模型在实际检测中因为较大目标监测事件的引导,使得较小目标监测事件被忽略,引起质量检测精度不足的问题。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本申请的技术方案。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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。
图1是本申请提供的一种应用场景的架构示意图;
图2是本申请提供的一种建筑结构质量检测方法的流程示意图;
图3是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了便于更清楚理解本申请,首先介绍实现本申请的建筑结构质量检测方法的应用场景,如图1所示,该应用场景中包括计算机设备10和传感器集群,传感器集群可以包括一个或者多个传感器,这里将不对传感器的数量进行限制。如图1所示,传感器集群具体可以包括传感器1、传感器2、… 、传感器n;可以理解的是,传感器1、传感器2、传感器3、… 、传感器n均可以与计算机设备10进行网络连接,以便于每个传感器均可以通过网络连接与计算机设备10之间进行数据交互。
可理解的是,计算机设备10可以是指执行数据处理的设备,该计算机设备10还可以用于存储传感数据。其中,计算机设备可以是独立的一个物理服务器,也可以是至少两个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、中容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。传感器具体可以是位移传感器、温度传感器、振动传感器等,本申请在此不做限制。
进一步地,请参见图2,是本申请实施例提供的一种建筑结构质量检测方法的流程示意图。如图2所示,该方法可由图1中的计算机设备10来执行,其中,该建筑结构质量检测方法可以包括如下步骤:
步骤S10:在具有不少于两个目标监测事件的待检测建筑传感数据集中,抽取针对每一目标监测事件的待检测建筑传感数据子集。
步骤S10中,待检测建筑传感数据集是一个包含了多个传感器在不同时间、不同位置采集到的数据集合。这些数据通常是针对建筑结构的特定位置进行采集的,例如桥梁的支撑点、大楼的承重墙等。采集的数据是时间序列数据,即按照时间顺序排列的一系列数据点。每个数据点,或者说数据项,都包含了多个维度的信息。例如,一个数据项可能同时记录了该位置的振动强度、应变程度、位移距离和温度等四个维度的数据。这些数据项按照时间顺序排列,形成了一个多维度的数据矩阵。目标监测事件是指在某个特定时间段内发生的一件或一系列事件,这些事件对建筑结构产生了影响,并且被传感器记录下来。例如,一辆重型车辆经过桥梁,这个过程中桥梁的振动、应变等数据都会被传感器捕捉到,并且记录在数据集中。这10秒钟内采集到的所有数据,就共同构成了一个目标监测事件的数据表示。同样地,如果目标建筑物所处的地区发生了地震,那么地震期间传感器采集到的所有数据,也会构成一个目标监测事件。
步骤S10的任务就是从这个庞大的数据集中,提取出与每个目标监测事件相对应的数据子集。这些数据子集是后续数据分析和质量检测的基础。通过提取这些数据子集,可以更加聚焦地分析每个事件对建筑结构的具体影响,从而更准确地判断建筑结构的质量状况。
例如,如果需要分析重型车辆经过桥梁时对桥梁结构的影响,那么需要从数据集中提取出所有重型车辆经过时采集到的数据,形成一个专门针对这个事件的数据子集。然后,可以对这个数据子集进行深入的分析和处理,比如计算平均振动强度、最大应变程度等,从而得到更加准确和有针对性的分析结果。
作为一种实施方式,步骤S10,在具有不少于两个目标监测事件的待检测建筑传感数据集中,抽取针对每一目标监测事件的待检测建筑传感数据子集,包括:
步骤S11:在待检测建筑传感数据集中,通过各个原始传感数据项各自的分析支持系数,确定符合分析过滤规则的多个目标传感数据项,其中,每个分析支持系数用以指示相应原始传感数据项属于一个目标监测事件的构建单元的置信度,每个目标传感数据项为一个目标监测事件的构建单元。
在待检测建筑传感数据集中,计算机设备首先会分析每一个原始传感数据项,这些数据项包含了建筑结构在特定时间点的多维信息,如振动、应变、位移和温度等。为了从这些原始数据中识别出与目标监测事件相关的关键信息,引入了分析支持系数,分析支持系数是一个量化指标,用于衡量每个原始传感数据项作为一个目标监测事件构建单元的置信度。换句话说,它表示该数据项有多大可能性是组成某个特定事件(如重型车辆经过或地震发生)的一部分。这个系数可能是基于先前的机器学习模型训练得到的,这些模型能够识别数据中的模式并将其关联到已知的事件上。举个例子,如果计算机设备已经通过机器学习算法(如随机森林、支持向量机或神经网络等)训练了一个模型来识别重型车辆经过桥梁时的振动模式,那么该模型就可以为每个新收集到的振动数据项分配一个分析支持系数。这个分析支持系数反映了该数据项与已知重型车辆振动模式的相似程度。
在步骤S11中,计算机设备会遍历整个待检测建筑传感数据集,利用这些预先计算好的分析支持系数来确定哪些数据项符合预设的分析过滤规则。这些规则可能是基于系数的阈值来设定的,例如只选择分析支持系数高于某个特定值的数据项。最终,步骤S11的输出是一组经过筛选的目标传感数据项,这些数据项被认为是以高置信度属于各个目标监测事件的构建单元。每个目标传感数据项都代表了一个事件的一部分,为后续的步骤(如S12和S13)提供了基础,这些步骤将进一步处理这些数据项,以识别和提取完整的目标监测事件数据子集。
作为一种实施方式,步骤S11中,所述在待检测建筑传感数据集中,通过各个原始传感数据项各自的分析支持系数,确定符合分析过滤规则的多个目标传感数据项,包括:
步骤S111:在所述待检测建筑传感数据集中,分别通过每个原始传感数据项与其他原始传感数据项之间的牵涉关系,得到所述每个原始传感数据项各自的分析支持系数。
在步骤S111中,计算机设备对待检测建筑传感数据集中的每个原始传感数据项进行分析,以确定它们与其他原始传感数据项之间的牵涉关系,并基于这些关系计算每个原始传感数据项的分析支持系数。牵涉关系是指不同传感数据项之间存在的相互关联或依赖关系。在建筑结构中,不同的传感器可能会捕捉到相互关联的物理现象,比如振动、温度、应变等。这些数据项之间的牵涉关系可能反映了建筑结构在受到特定影响时的综合响应。
为了量化这种牵涉关系,计算机设备可以采用各种机器学习算法或统计分析方法。例如,可以使用相关性分析来计算两个数据项之间的线性关系强度;或者使用更复杂的机器学习模型,如神经网络或支持向量机,来捕捉非线性关系和高阶相互作用。在实际操作中,计算机设备会遍历待检测建筑传感数据集中的每个原始传感数据项,针对每个数据项,分析它与其他所有数据项之间的牵涉关系。这种分析可能是基于时间序列的,考虑数据项在时间上的先后顺序和变化模式;也可能是基于空间分布的,考虑数据项在建筑结构中的相对位置和空间关系。
通过分析这些牵涉关系,计算机设备能够为每个原始传感数据项分配一个分析支持系数。这个系数反映了该数据项与其他数据项的关联程度,以及它在整个数据集中的重要性和信息量。分析支持系数越高,表示该数据项与其他数据项的牵涉关系越强,越有可能是一个目标监测事件的构建单元。
例如,考虑一个桥梁的传感数据集,其中包含振动、应变和温度等多个传感数据项。如果计算机设备发现某个振动数据项与多个应变数据项之间存在强烈的正相关关系,并且这种关系在时间上具有一致性,那么该振动数据项可能会获得一个较高的分析支持系数,因为它很可能是桥梁受到某种外力(如车辆通过)时的综合响应的一部分。
作为一种实施方式,步骤S111中,所述在所述待检测建筑传感数据集中,分别通过每个原始传感数据项与其他原始传感数据项之间的牵涉关系,得到所述每个原始传感数据项各自的分析支持系数,包括:
步骤S1111:针对所述待检测建筑传感数据集中的每个原始传感数据项,分别完成如下处理:通过预设的M个传感数据维度,分别抽取一个原始传感数据项针对每一传感数据维度分别对应的特征值,得到所述一个原始传感数据项的M个特征值;其中,M为大于1的自然数。
在步骤S1111中,计算机设备对待检测建筑传感数据集中的每个原始传感数据项进行深入的特征分析。这一步骤的核心目标是从每个原始传感数据项中提取出其在不同传感数据维度上的特征值,为后续计算分析支持系数提供基础。
首先,计算机设备会预设M个传感数据维度。这些维度是根据实际应用场景和传感器类型来确定的,例如振动数据、应变数据、位移数据和温度数据等。每个传感数据维度都代表了一种特定的物理量或观测角度,通过它们可以更全面地描述建筑结构的状态和响应。接着,计算机设备会遍历待检测建筑传感数据集中的每个原始传感数据项。对于每个数据项,计算机设备会分别针对上述预设的M个传感数据维度,抽取该数据项在每个维度上对应的特征值。这些特征值可以是统计量(如均值、方差)、时域特征(如峰值、波形因数)或频域特征(如频谱峰值、功率谱密度)等,具体取决于传感数据项的性质和分析需求。
通过这一步骤,每个原始传感数据项都会被转化为一个包含M个特征值的特征向量。这些特征向量不仅保留了原始数据项在不同传感数据维度上的关键信息,还为后续计算分析支持系数提供了统一的数据格式和比较基础。
例如,考虑一个桥梁结构中的振动传感器数据项。在步骤S1111中,计算机设备可能会针对振动数据维度提取该数据项的最大振幅、主频和振动持续时间等特征值;针对应变数据维度提取相应的应变幅值和应变率等特征值;以此类推,直至提取出该数据项在所有预设传感数据维度上的特征值。
基于此,步骤S1111通过预设的传感数据维度和特征提取方法,将待检测建筑传感数据集中的每个原始传感数据项转化为包含多个特征值的特征向量,为计算分析支持系数和后续的数据分析提供了重要的输入。
步骤S1112:获取所述一个原始传感数据项关联的M个重要性调节系数,以及依据所述M个重要性调节系数,对所述M个特征值进行重要性调节,将调节后的M个特征值进行相加,得到所述一个原始传感数据项的分析支持系数;其中,一个重要性调节系数用以指示通过相应传感数据维度,所述一个原始传感数据项与其他原始传感数据项之间的牵涉关系。
在步骤S1112中,计算机设备进一步处理步骤S1111中为每个原始传感数据项提取的M个特征值。目标是计算每个原始传感数据项的分析支持系数,该系数将反映数据项在多个传感数据维度上的综合重要性和与其他数据项的牵涉关系。首先,计算机设备会获取与每个原始传感数据项关联的M个重要性调节系数。这些调节系数是针对每个传感数据维度预先设定的,它们代表了在计算分析支持系数时,不同传感数据维度上的特征值应该被赋予的权重或重要性。调节系数的设定可能基于经验、统计分析或机器学习模型的建议,它们能够反映不同传感数据维度在描述建筑结构状态或目标监测事件时的相对重要性。例如,可以基于CAM获取重要性调节系数,具体地,通过查看模型决策过程中哪些特征或数据维度对最终预测贡献最大来确定这些系数。举例来说,假设有一个桥梁的振动传感数据项,并且有一个预训练的神经网络模型,该模型已经学会从振动数据中提取有意义的特征以预测桥梁的结构健康状态。可以将振动数据输入到这个模型中,并获取模型中间层的输出作为特征值。这些特征值可能表示振动频率、振幅等桥梁状态的关键指标。假设神经网络模型在预测桥梁健康状态时,有一个最终的分类层,可以使用CAM技术,通过查看分类层之前的全连接层(或任何其他合适的层)的权重来确定哪些特征对最终分类最重要。这些权重可以直接用作重要性调节系数,或者可以进一步处理(例如,归一化)以得到最终的重要性调节系数(即权重)。
接下来,计算机设备会根据这M个重要性调节系数,对每个原始传感数据项的M个特征值进行重要性调节。具体来说,就是将每个特征值与其对应的重要性调节系数相乘,从而得到调节后的特征值。这一步骤的目的是确保在计算分析支持系数时,不同传感数据维度上的特征值能够根据其重要性得到适当的加权。
最后,计算机设备会将调节后的M个特征值进行相加,从而得到每个原始传感数据项的分析支持系数。这个系数是一个综合指标,它融合了数据项在多个传感数据维度上的信息,并考虑了不同维度的重要性差异。分析支持系数的大小反映了原始传感数据项在整个数据集中的重要性和与其他数据项的牵涉关系强度。
例如,考虑一个桥梁结构中的振动传感器数据项,假设在步骤S1111中提取了该数据项在振动数据维度、应变数据维度和温度数据维度上的特征值。在步骤S1112中,计算机设备可能会根据经验或机器学习模型的建议,为这三个维度分别赋予0.5、0.3和0.2的重要性调节系数。然后,将每个特征值与其对应的调节系数相乘,得到调节后的特征值。最后,将这三个调节后的特征值相加,得到该振动传感器数据项的分析支持系数。
基于此,步骤S1112通过引入重要性调节系数,对原始传感数据项在多个传感数据维度上的特征值进行加权处理,并计算得到每个数据项的分析支持系数。这一步骤有助于更准确地评估每个数据项的重要性及其与其他数据项的牵涉关系,为后续的数据分析和处理提供了有力的支持。
步骤S112:在得到的各个分析支持系数中,确定符合预设临界支持系数的多个目标分析支持系数,以及将所述多个目标分析支持系数分别对应的原始传感数据项,分别确定为目标传感数据项。
在步骤S112中,计算机设备进一步处理步骤S111中计算得到的各个原始传感数据项的分析支持系数。目的是筛选出符合特定条件的传感数据项,即那些与其他数据项具有显著关联关系的数据项,作为后续分析的目标传感数据项。首先,计算机设备会设定一个预设临界支持系数。这个临界值是根据实际应用场景和需求来确定的,它代表了一个数据项需要达到的最低关联强度,才能被认为是重要的和值得进一步关注的。临界支持系数的设定可能基于经验、统计分析或机器学习模型的建议。接下来,计算机设备会遍历步骤S111中计算得到的所有分析支持系数,并将它们与预设临界支持系数进行比较。只有那些分析支持系数等于或超过预设临界值的数据项,才会被选定为目标分析支持系数。
一旦确定了目标分析支持系数,计算机设备会将这些系数对应的原始传感数据项标记为目标传感数据项。这些目标传感数据项是在整个数据集中,基于其与其他数据项的关联强度筛选出来的,它们更有可能包含了关于建筑结构状态或目标监测事件的有价值信息。例如,继续考虑桥梁的传感数据集,如果预设临界支持系数设定为0.8(在0到1的范围内),那么只有那些分析支持系数达到或超过0.8的振动、应变或温度数据项才会被选定为目标传感数据项。这些目标传感数据项可能揭示了桥梁在特定条件下(如重载车辆通过时)的结构响应和性能状态。基于此,步骤S112通过设定预设临界支持系数,并从所有计算得到的分析支持系数中筛选出符合条件的目标分析支持系数及其对应的原始传感数据项,为后续的数据处理和分析提供了更加聚焦和有针对性的数据集。
步骤S12:通过所述多个目标传感数据项各自的数据项分布位置,确定所述待检测建筑传感数据集具有的不少于两个目标监测事件各自的数据集分布位置。
在步骤S12中,计算机设备利用先前步骤S11中确定的多个目标传感数据项,来进一步识别待检测建筑传感数据集中不同目标监测事件的数据集分布位置。数据项分布位置指的是每个目标传感数据项在待检测建筑传感数据集中的具体位置。这个位置可以是时间序列上的一个时间点,也可以是空间分布上的一个坐标点,具体取决于数据集的结构和采集方式。例如,在一个桥梁的传感数据集中,每个数据项可能都对应着一个特定的传感器和采集时间,这些信息共同构成了数据项的分布位置。数据集分布位置则是指整个目标监测事件在待检测建筑传感数据集中的位置范围。由于一个目标监测事件通常由多个相关的传感数据项组成,这些数据项在数据集中的位置相互邻近或者有一定的规律性,因此可以通过分析这些数据项的位置来推断出整个事件的数据集分布位置。
在步骤S12的实施过程中,计算机设备会首先收集步骤S11中确定的所有目标传感数据项及其对应的数据项分布位置。然后,通过分析这些数据项位置的关联性,比如时间上的连续性或空间上的聚集性,来确定每个目标监测事件的数据集分布位置。例如,如果目标监测事件是重型车辆经过桥梁,那么与之相关的振动数据项可能会在连续的时间段内出现,并且这些数据项在空间上也可能集中在桥梁的某个特定区域。通过分析这种时间和空间上的关联性,计算机设备就能够确定出这个重型车辆经过事件在待检测建筑传感数据集中的精确位置。
需要注意的是,步骤S12的实现可以借助一些算法或技术,比如聚类分析、时间序列分析等,这些算法可以帮助计算机设备更准确地识别出数据项之间的关联性,并进而确定事件的数据集分布位置。但具体使用哪种算法或技术,取决于待检测建筑传感数据集的特点和目标监测事件的性质。
步骤S13:针对所述不少于两个目标监测事件,分别完成如下处理:通过一个目标监测事件的数据集分布位置,在所述待检测建筑传感数据集中,抽取所述一个目标监测事件的待检测建筑传感数据子集。
在步骤S13中,计算机设备针对已识别的每个目标监测事件,利用其数据集分布位置信息,从待检测建筑传感数据集中抽取对应事件的待检测建筑传感数据子集。这个过程是数据子集提取的关键步骤,它确保了每个目标监测事件的相关数据能够被准确、完整地提取出来,以供后续的分析和处理。
具体来说,对于每个目标监测事件,计算机设备首先会确定该事件在待检测建筑传感数据集中的数据集分布位置。这个位置信息是步骤S12中通过分析目标传感数据项的数据项分布位置得出的。一旦确定了事件的数据集分布位置,计算机设备就可以根据这个位置信息,在待检测建筑传感数据集中定位到与该事件相关的所有数据项。接下来,计算机设备会将这些定位到的数据项提取出来,形成一个待检测建筑传感数据子集。这个子集包含了与目标监测事件相关的所有原始传感数据,是后续对该事件进行深入分析和处理的基础。
举例说明:假设目标监测事件是一辆重型卡车经过桥梁,计算机设备在步骤S12中已经确定了该事件在待检测建筑传感数据集中的数据集分布位置,即该事件对应的振动、应变等传感数据项在数据集中的时间范围和空间位置。然后,在步骤S13中,计算机设备会根据这个位置信息,从待检测建筑传感数据集中提取出所有在这个时间范围和空间位置内的传感数据项,形成一个关于重型卡车经过事件的待检测建筑传感数据子集。需要注意的是,步骤S13的抽取过程需要确保数据的完整性和准确性。因此,在实际实施中,计算机设备可能会采用一些算法或技术来优化数据抽取的效果,例如数据插值、噪声过滤等。这些算法或技术的具体选择和应用取决于待检测建筑传感数据集的特点和目标监测事件的要求。
作为一种实施方式,步骤S13,所述通过一个目标监测事件的数据集分布位置,在所述待检测建筑传感数据集中,抽取所述一个目标监测事件的待检测建筑传感数据子集,包括:
步骤S131:通过所述待检测建筑传感数据集的大小,得到相对应的初始屏蔽数组;其中,所述初始屏蔽数组中的每一数组单元与所述待检测建筑传感数据集中一个原始传感数据项相对应。
在步骤S131中,计算机设备首先考虑待检测建筑传感数据集的整体大小。这个大小可以是指数据集中原始传感数据项的数量,或者是数据集中数据的序列长度、矩阵尺寸等。基于这个大小信息,计算机设备会生成一个初始屏蔽数组。初始屏蔽数组是一个与待检测建筑传感数据集结构相对应的数组,其每个数组单元(或称数组元素)都与待检测建筑传感数据集中的一个原始传感数据项一一对应。这个数组的作用是为后续步骤中对待检测建筑传感数据集中的数据进行屏蔽或选择操作提供基础。
举例说明,假设待检测建筑传感数据集是一个包含1000个原始传感数据项的时间序列数据,那么计算机设备就会生成一个包含1000个数组单元的初始屏蔽数组。这个初始屏蔽数组中的每个数组单元都对应着待检测建筑传感数据集中的一个原始传感数据项。
初始屏蔽数组中的数组单元在初始状态下可能都是未赋值的或者是赋有默认值的。这些默认值不会影响到后续步骤中对数据的屏蔽或选择操作。在后续的步骤中,计算机设备会根据目标监测事件的位置信息,在初始屏蔽数组中填充相应的屏蔽标识符或非屏蔽标识符,从而实现对数据的屏蔽或选择操作。
需要注意的是,初始屏蔽数组的大小和结构与待检测建筑传感数据集完全匹配,这是确保后续步骤中能够准确地对数据进行屏蔽或选择操作的关键。同时,初始屏蔽数组的使用也是提高数据处理效率和准确性的有效手段。
步骤S132:在所述初始屏蔽数组中,将一个目标监测事件相对于所述待检测建筑传感数据集的排除区域,赋值为屏蔽标识符,以及将所述一个目标监测事件的对应部分,赋值为非屏蔽标识符,得到目标屏蔽数组。
在步骤S132中,计算机设备将在初始屏蔽数组上进行进一步的赋值操作,以标记出目标监测事件相对于待检测建筑传感数据集的位置。确保后续步骤中能够准确地提取出与目标监测事件相关的数据子集。
首先,计算机设备确定目标监测事件在待检测建筑传感数据集中的排除区域。排除区域是指那些与目标监测事件无关或者干扰目标监测事件数据分析的区域。一旦确定了排除区域,计算机设备就会在初始屏蔽数组中对应的数组单元位置填充屏蔽标识符。屏蔽标识符的作用是标记出需要被排除或屏蔽的数据项,以便在后续步骤中不对这些数据进行处理。
同时,计算机设备确定目标监测事件在待检测建筑传感数据集中的对应部分。对应部分是指那些直接反映目标监测事件特征或状态的数据项。计算机设备会在初始屏蔽数组中对应的数组单元位置填充非屏蔽标识符。非屏蔽标识符的作用是标记出需要被保留或选择的数据项,以便在后续步骤中对这些数据进行进一步的分析和处理。通过这一步骤的操作,初始屏蔽数组就被转换成了目标屏蔽数组。目标屏蔽数组中的每个数组单元都被赋予了特定的标识符(屏蔽标识符或非屏蔽标识符),这些标识符清晰地指示了哪些数据项是与目标监测事件相关的,哪些数据项是需要被排除的。
举个例子来说明,假设待检测建筑传感数据集是一个二维矩阵形式的数据集,其中包含了多个传感器在不同时间点的监测数据。如果目标监测事件是一个特定时间段的温度异常升高事件,那么计算机设备就会根据这个事件的时间范围,在初始屏蔽数组中对应的时间点位置填充非屏蔽标识符,而在其他时间点位置填充屏蔽标识符。这样,在后续步骤中,计算机设备就可以根据目标屏蔽数组准确地提取出与目标监测事件相关的温度数据子集进行分析和处理。
步骤S133:通过所述目标屏蔽数组,对所述待检测建筑传感数据集中的各个原始传感数据项进行屏蔽操作,得到候选建筑传感数据子集。
在步骤S133中,计算机设备利用之前生成的目标屏蔽数组对待检测建筑传感数据集中的各个原始传感数据项进行屏蔽操作,或称掩码。这一过程基于目标屏蔽数组中的标识符来实施,旨在从原始数据集中筛选出与目标监测事件直接相关的数据项,同时排除那些被标记为无关或干扰的数据项。
具体来说,计算机设备遍历待检测建筑传感数据集中的每一个原始传感数据项,并检查目标屏蔽数组中对应位置的标识符。如果标识符是屏蔽标识符,计算机设备就会对该数据项进行屏蔽,即在后续的数据处理中不考虑这个数据项。相反,如果标识符是非屏蔽标识符,计算机设备就会保留该数据项,因为它与目标监测事件直接相关。屏蔽操作的结果是一个候选建筑传感数据子集。这个子集仅包含那些被标记为非屏蔽的原始传感数据项,即与目标监测事件直接相关的数据。通过这个步骤,计算机设备能够显著减少数据处理和分析的复杂性,因为它只关注那些对解决当前问题有实际贡献的数据项。
例如,考虑一个待检测建筑传感数据集,它包含了温度传感器、湿度传感器和振动传感器等多个传感器在不同时间点的读数。如果目标监测事件是分析建筑在某个特定时间段的振动模式,那么计算机设备就会通过目标屏蔽数组排除掉温度和湿度传感器的读数,只保留振动传感器的相关读数。这样,候选建筑传感数据子集就只包含与目标监测事件(振动模式分析)直接相关的振动数据,从而提高了数据分析的效率和准确性。
步骤S134:针对所述候选建筑传感数据子集,截取所述一个目标监测事件所在的监测事件范围,得到具有一个目标监测事件的待检测建筑传感数据子集。
在步骤S134中,计算机设备进一步处理经过屏蔽操作后的候选建筑传感数据子集。这一步骤的目标是从候选子集中精确提取出一个目标监测事件所在的特定数据范围,也就是监测事件范围。这个范围通常是一个连续的数据段,它包含了与目标监测事件直接相关的所有传感数据项。为了实现这一目标,计算机设备首先确定目标监测事件在候选建筑传感数据子集中的起始和结束位置。这些位置可以通过多种方式来确定,例如基于时间戳、序列索引或者是特定的事件标记等。一旦确定了起始和结束位置,计算机设备就会从这个位置范围内截取数据,生成一个新的、更小规模的数据子集,即具有一个目标监测事件的待检测建筑传感数据子集。
这个新生成的数据子集仅包含与目标监测事件紧密相关的数据,不包含任何额外的、与目标监测事件无关的数据。这样的处理方式可以显著提高数据处理的效率和准确性,因为计算机设备只需要关注和分析那些真正与目标监测事件相关的数据项。
举个例子来说,假设候选建筑传感数据子集是一个包含了一周内所有传感器读数的数据集,而目标监测事件是分析周三下午的一个特定时间段内的温度变化。在这种情况下,计算机设备会首先确定周三下午那个特定时间段在候选数据集中的起始和结束位置,然后从这个位置范围内截取所有温度传感器的读数,生成一个新的、仅包含周三下午特定时间段内温度读数的待检测建筑传感数据子集。这样,计算机设备就可以专注于分析这个特定时间段内的温度变化,而不需要处理其他时间段或其他传感器的数据。
步骤S20:通过第一质量检测模型,抽取所述待检测建筑传感数据集的整体数据项要素表示,以及通过所述整体数据项要素表示,得到所述待检测建筑传感数据集的第一质量检测结果。
步骤S20中,计算机设备利用预先训练好的第一质量检测模型来处理待检测建筑传感数据集。第一质量检测模型被设计用来抽取数据集的整体数据项要素表示,也即全局数据项特征,这些特征能够反映数据集的总体性质和模式。首先,计算机设备会将整个待检测建筑传感数据集输入到第一质量检测模型中。模型内部可能包含多个处理层,例如卷积层、池化层和全连接层等,这些处理层会对输入数据进行一系列的数学变换和计算,以提取出数据中的有用信息。
在处理过程中,第一质量检测模型会特别关注那些能够代表数据集整体特性的数据项要素,并将这些要素转换成一种可用于后续质量分析的形式,即整体数据项要素表示。这种表示可能是一个向量、矩阵或者其他高维数据结构,它能够有效地捕捉数据集的全局特征。一旦得到了整体数据项要素表示,第一质量检测模型就会利用这些表示来生成待检测建筑传感数据集的第一质量检测结果。例如基于分类器(如全连接网络、softmax)得到第一质量检测结果。这个结果是一个量化指标或者是一个分类标签,它直接反映了数据集的整体质量状况。例如,质量检测结果可能是一个0到1之间的数值,数值越高表示数据集的质量越好;或者是一个“合格”或“不合格”的二分类标签,直接指示数据集是否满足预设的质量标准。需要注意的是,第一质量检测模型的具体实施方式可以根据实际应用场景和数据集的特性来选择和设计。例如,在处理时间序列数据时,可以采用循环神经网络(RNN)或者长短时记忆网络(LSTM)等模型来捕捉数据的时间依赖性;在处理图像数据时,可以采用卷积神经网络(CNN)等模型来提取数据的空间特征。无论采用何种模型,其目标都是提取出数据集的全局特征,并基于这些特征给出数据集的质量评估结果。
步骤S30:针对抽取的针对每一目标监测事件的待检测建筑传感数据子集,完成如下处理:通过第二质量检测模型,抽取所述待检测建筑传感数据子集的事件数据项要素表示,以及通过所述事件数据项要素表示,得到所述待检测建筑传感数据子集的第二质量检测结果,其中,所述第二质量检测模型的模型配置复杂度低于所述第一质量检测模型的模型配置复杂度。
步骤S30中,计算机设备将专注于处理那些针对每个单独目标监测事件提取出来的待检测建筑传感数据子集。与步骤S20中的全局质量评估不同,这里的目标是进行更为精细的事件级质量分析。计算机设备利用第二质量检测模型来处理这些待检测建筑传感数据子集。第二质量检测模型被设计用来抽取数据子集中的事件数据项要素表示,这些表示能够捕捉与目标监测事件紧密相关的数据特征和模式。与第一质量检测模型相比,第二质量检测模型在模型配置上更为简化,这意味着它的模型参数量更少,计算复杂度更低。这种简化是出于效率和实用性的考虑,因为在处理大量的事件级数据时,使用更轻量级的模型可以加快处理速度并减少计算资源消耗。尽管模型简化,但第二质量检测模型仍然能够有效地提取出待检测建筑传感数据子集中的关键信息。它会通过一系列的数学变换和计算,将输入数据转换成一种能够反映事件特性的高维表示,即事件数据项要素表示。这种表示能够捕捉数据子集中的局部特征和时空模式,为后续的质量分析提供有力支持。一旦得到了事件数据项要素表示,第二质量检测模型就会利用这些表示来生成待检测建筑传感数据子集的第二质量检测结果。例如基于分类器(如全连接网络、softmax)得到第二质量检测结果。这个结果同样是一个量化指标或者是一个分类标签,它直接反映了数据子集在特定事件下的质量状况。
举例而言,假设有一个目标监测事件是分析建筑在某个特定时间段的能耗情况。计算机设备先提取出与这个事件相关的待检测建筑传感数据子集,然后利用第二质量检测模型来分析这个数据子集的质量。模型可能会关注数据子集中的振动、应力、温度等关键传感器的读数,并提取出这些读数在特定时间段内的变化趋势和异常模式。基于这些信息,模型会给出一个量化的质量评估结果,例如一个表示能耗效率的数值或者一个表示数据子集是否包含异常事件的二分类标签。
需要注意的是,虽然第二质量检测模型在模型配置上比第一质量检测模型简化,但它仍然需要足够复杂以捕捉事件级数据中的有用信息。模型的具体实施方式可以根据目标监测事件的特性和数据子集的规模来选择和设计。例如,在处理具有时间序列特性的数据时,可以采用简化版的循环神经网络(RNN)或者卷积神经网络(CNN)等模型来提取数据的时序特征和空间特征。
步骤S40:通过所述第一质量检测结果,以及针对每一目标监测事件的待检测建筑传感数据子集的第二质量检测结果,得到指示所述待检测建筑传感数据集是否为缺陷数据集的建筑结构质量检测结果。
步骤S40中,计算机设备将综合利用前面步骤中得到的第一质量检测结果和第二质量检测结果,得出最终的建筑结构质量检测结果。这个结果将直接指示待检测建筑传感数据集是否为缺陷数据集,即数据集对应的建筑物采集点是否存在质量问题。
作为一种实施方式,步骤S40中,所述第一质量检测结果用以指示待检测建筑传感数据集为缺陷数据集的第一置信度,所述第二质量检测结果用以指示相应待检测建筑传感数据子集为缺陷数据子集的第二置信度。
基于此,所述通过所述第一质量检测结果,以及针对每一目标监测事件的待检测建筑传感数据子集的第二质量检测结果,得到指示所述待检测建筑传感数据集是否为缺陷数据集的建筑结构质量检测结果,可以包括以下几种情况:
情况一:如果所述第一置信度小于第一临界置信度,同时各所述第二置信度都小于第二临界置信度,则得到第一建筑结构质量检测结果;其中,所述第一建筑结构质量检测结果用以指示所述待检测建筑传感数据集为合格质量数据集。
情况二:如果所述第一置信度不小于第一临界置信度,同时各所述第二置信度都不小于第二临界置信度,则得到第二建筑结构质量检测结果;其中,所述第二建筑结构质量检测结果用以指示所述待检测建筑传感数据集为缺陷数据集。
情况三:如果所述第一置信度小于第一临界置信度,同时任一所述第二置信度不小于第二临界置信度,则得到第二建筑结构质量检测结果;其中,所述第二建筑结构质量检测结果用以指示所述待检测建筑传感数据集为缺陷数据集,所述第一临界置信度小于所述第二临界置信度。
情况四:如果所述第一置信度不小于第一临界置信度,同时各所述第二置信度都小于第二临界置信度时,得到第一建筑结构质量检测结果;其中,所述第一建筑结构质量检测结果用以指示所述待检测建筑传感数据集为合格质量数据集,所述第一临界置信度小于所述第二临界置信度。
上述各种情况,计算机设备通过处理待检测建筑传感数据集,评估这些数据所代表的建筑物是否存在结构上的缺陷。这里的“缺陷数据集指的是数据集中的数据表明建筑物在某些方面存在问题或不合格,比如结构弱点、损坏、异常变形等。第一质量检测结果提供了待检测建筑传感数据集整体指示建筑物存在缺陷的第一置信度。这个置信度是基于数据集中各种传感器读数、监测数据等综合分析得出的。如果第一置信度高,说明数据集整体显示建筑物有较高可能性存在缺陷。
第二质量检测结果则提供了针对每个目标监测事件的待检测建筑传感数据子集指示相应部分建筑物存在缺陷的第二置信度。这些置信度是基于特定监测事件下的数据变化、异常模式等计算得出的。如果某个数据子集的第二置信度高,说明该监测事件所关联的建筑物部分可能存在缺陷。
根据这些置信度与设定的临界置信度的比较,计算机设备得出上述四种情况的建筑结构质量检测结果:
当第一置信度小于第一临界置信度,且所有第二置信度都小于第二临界置信度时,计算机设备判断待检测建筑传感数据集为合格质量数据集。这意味着数据集整体和各监测事件的数据子集都没有足够证据表明建筑物存在结构缺陷。
当第一置信度不小于第一临界置信度,且所有第二置信度都不小于第二临界置信度时,计算机设备判断待检测建筑传感数据集为缺陷数据集。这表明数据集整体和各监测事件的数据子集都提供了强有力的证据,显示建筑物存在结构上的缺陷。
当第一置信度小于第一临界置信度,但存在一个或多个第二置信度不小于第二临界置信度时,计算机设备仍然判断待检测建筑传感数据集为缺陷数据集。这是因为即使数据集整体没有足够证据表明建筑物存在缺陷,但某些特定监测事件下的数据子集显示建筑物某些部分存在明显问题。这种情况下,由于局部问题可能对整个结构的安全性产生影响,因此仍然将数据集判定为缺陷数据集。
当第一置信度(即整体数据集指示建筑物存在缺陷的置信度)不小于第一临界置信度,这意味着根据较为宽松的整体评估标准,数据集显示出建筑物可能存在缺陷。然而,所有第二置信度(即针对各目标监测事件的数据子集指示建筑物存在缺陷的置信度)都小于第二临界置信度,这表明在更为严格的局部评估标准下,没有足够的证据表明任何一个特定的监测事件所关联的建筑物部分存在缺陷。
这种情况可能发生在以下几种场景中:整体与局部的不一致性:数据集整体可能由于某些全局性因素(如普遍的数据采集误差、环境因素对传感器读数的整体影响等)而呈现出较高的缺陷指示置信度。然而,在更细致的局部分析中,这些因素可能并不显著,导致各监测事件的数据子集并未达到更高的缺陷指示阈值。
不同评估标准的敏感性:第一质量检测模型可能更加敏感于一些较为微妙或全局性的结构问题,而第二质量检测模型则更专注于具体的、局部的监测事件。因此,即使整体数据集表现出一定程度的异常,局部数据子集也可能未达到缺陷的判定标准。
数据集的异质性:待检测建筑传感数据集可能包含多种类型的传感器数据和监测事件,这些数据在性质和敏感性上可能存在差异。因此,整体数据集和特定数据子集在评估建筑物缺陷时可能提供不同层次的信息。
在评估建筑结构质量时,需要综合考虑不同层次的信息和评估标准。即使整体数据集表现出一定的不确定性或异常,也不应轻易忽略局部数据子集提供的信息,同时也不应过分依赖单一的评估结果。而是应该结合多种证据和专业知识,进行全面、细致的结构质量评估。
可以理解,在第一质量检测模型和第二质量检测模型投入应用之前,需要对二者进行调试,使之满足必要的应用要求。在调试该两个质量检测模型时,所述第一质量检测模型为通过第一训练数据库调试得到的,其中,所述第一训练数据库包括多个第一调试学习样例,所述第一训练数据库中的每个第一调试学习样例包括:一个具有不少于两个目标监测事件的建筑传感训练数据集和相应的训练数据集先验标记。
用于调试所述第二质量检测模型的第二训练数据库为通过以下操作进行获取得到:
步骤S1:在所述第一训练数据库中,分别抽取每个第一建筑传感训练数据集中各目标监测事件的建筑传感训练数据子集;
步骤S2:通过抽取的各目标监测事件的建筑传感训练数据子集,获取相应的训练数据子集先验标记,以及结合一个或多个新增目标监测事件的建筑传感训练数据子集和对应的训练数据子集先验标记,生成第二训练数据库。
在调试第一质量检测模型和第二质量检测模型以应用于建筑结构质量评估之前,必须确保这两个模型能够满足实际应用的要求。调试过程涉及使用特定的训练数据库来优化模型的性能。
对于第一质量检测模型,它是通过第一训练数据库进行调试的。这个第一训练数据库精心构建了多个第一调试学习样例,每个样例都包含一个具有至少两个目标监测事件的建筑传感训练数据集以及与之对应的训练数据集先验标记(即标签)。这些先验标记指示了数据集中是否存在结构缺陷,为模型提供了学习如何识别这些缺陷所需的信息。
调试第二质量检测模型则需要一个不同的训练数据库,即第二训练数据库。这个数据库是通过一系列步骤生成的,旨在提供更具体、针对各目标监测事件的训练数据。
首先,在步骤S1中,计算机设备从第一训练数据库中提取每个第一建筑传感训练数据集中与各个目标监测事件相关的建筑传感训练数据子集。这些子集专注于特定的监测事件,如温度变化、压力波动或结构位移等,这些都是评估建筑结构质量的关键因素。接着,在步骤S2中,计算机设备会获取这些抽取的建筑传感训练数据子集的先验标记。这些标记指示了每个子集是否与结构缺陷相关。此外,为了增强第二训练数据库的多样性和泛化能力,计算机设备还会结合一个或多个新增目标监测事件的建筑传感训练数据子集及其对应的先验标记。这些新增的监测事件可能是原先未被充分考虑的因素,但现在被认为是影响结构质量的重要因素。最终,通过整合这些抽取和新增的建筑传感训练数据子集及其先验标记,计算机设备生成了第二训练数据库。这个数据库为第二质量检测模型提供了丰富多样的学习样例,使其能够更准确地识别各种特定监测事件下的结构缺陷。
在调试过程中,可能会使用各种机器学习算法来优化模型的性能。例如,第一质量检测模型可能采用支持向量机(SVM)或随机森林(Random Forest)等算法来处理整体数据集的结构缺陷识别。而第二质量检测模型则可能使用深度学习中的卷积神经网络(CNN)或循环神经网络(RNN)来处理特定监测事件下的时间序列数据或图像数据,以更精确地识别局部结构问题。
通过这样的调试过程,可以确保第一质量检测模型和第二质量检测模型在实际应用中能够可靠地评估建筑结构质量,及时发现并处理潜在的结构缺陷。
准备好训练数据后,下面介绍基于训练数据进行模型调试的过程,具体的,对于所述第一质量检测模型,其可以通过如下操作调试得到:
步骤S1a:获取第一训练数据库,所述第一训练数据库中的每个第一调试学习样例包括一个建筑传感训练数据集和相应的训练数据集先验标记;其中,所述建筑传感训练数据集中具有不少于两个目标监测事件,所述训练数据集先验标记用以指示相应建筑传感训练数据集为缺陷数据集的第一实际置信度。
在步骤S1a中,计算机设备获取第一训练数据库。这个数据库精心构建了多个第一调试学习样例,每个样例都包含一个建筑传感训练数据集和与之对应的训练数据集先验标记。这里的建筑传感训练数据集记录了建筑物在不少于两个目标监测事件下的传感数据,如温度、湿度、压力、振动等。而训练数据集先验标记则是一个重要的指标,它用以指示相应建筑传感训练数据集为缺陷数据集的第一实际置信度。这个置信度是由专家根据数据集的特征和先验知识标注的,它代表了数据集存在结构缺陷的真实可能性。
步骤S2a:在所述第一训练数据库中确定第一调试学习样例,以及将相应的建筑传感训练数据集输入拟进行调试的第一质量检测模型中,得到通过所述建筑传感训练数据集的整体数据项要素表示确定的、所述建筑传感训练数据集为缺陷数据集的第一训练置信度。
在步骤S2a中,计算机设备从第一训练数据库中确定一个第一调试学习样例,并将相应的建筑传感训练数据集输入到拟进行调试的第一质量检测模型中。这个模型可能是基于机器学习算法构建的,如支持向量机、决策树或神经网络等。模型会对输入的数据集进行处理和分析,输出一个通过建筑传感训练数据集的整体数据项要素表示确定的、该建筑传感训练数据集为缺陷数据集的第一训练置信度。这个置信度反映了模型对于数据集存在结构缺陷的预测或判断。
步骤S3a:通过各第一训练置信度与相应第一实际置信度之间的误差,对所述拟进行调试的第一质量检测模型进行模型配置变量优化。
在步骤S3a中,计算机设备计算每个第一训练置信度与相应第一实际置信度之间的误差。这个误差反映了模型预测与真实情况之间的差异或偏离程度。基于这个误差,计算机设备会对拟进行调试的第一质量检测模型进行模型配置变量(即模型的参数)优化。这个过程可能涉及到使用梯度下降算法、反向传播算法或其他优化技术来调整模型的参数,以最小化预测误差并提高模型的准确性。
通过这样的调试过程,第一质量检测模型能够逐渐学习和适应训练数据中的特征和模式,从而更准确地预测和判断建筑结构质量。这种基于机器学习和大数据分析的方法为建筑结构质量检测提供了一种有效、可靠和智能的解决方案。
下面介绍第二质量检测模型的调试过程,其可以通过以下方式调试得到的:
步骤S1b:获取第二训练数据库,所述第二训练数据库中的每个第二调试学习样例包括一个建筑传感训练数据子集和相应的训练数据子集先验标记;其中,所述建筑传感训练数据子集中具有一个目标监测事件,所述训练数据子集先验标记用以指示相应建筑传感训练数据子集所具有目标监测事件为建筑缺陷事件的第二实际置信度。
在步骤S1b中,计算机设备获取第二训练数据库。与第一训练数据库不同,第二训练数据库专注于更具体、更局部的数据子集。每个第二调试学习样例都包含一个建筑传感训练数据子集和与之对应的训练数据子集先验标记。这些建筑传感训练数据子集每个都关联一个特定的目标监测事件,如温度异常、结构振动等。训练数据子集先验标记则提供了关于这些监测事件是否为建筑缺陷事件的实际置信度,这是由专家根据经验和数据特征进行标注的。
步骤S2b:在所述第二训练数据库中确定第二调试学习样例,以及将相应的建筑传感训练数据子集输入拟进行调试的第二质量检测模型中,得到通过所述建筑传感训练数据子集所具有目标监测事件的事件数据项要素表示确定的,所述建筑传感训练数据子集所具有目标监测事件为建筑缺陷事件的第二训练置信度。
在步骤S2b中,计算机设备从第二训练数据库中选取一个第二调试学习样例,并将相应的建筑传感训练数据子集输入到待调试的第二质量检测模型中。这个模型可能采用深度学习中的卷积神经网络(CNN)或循环神经网络(RNN),特别适用于处理时间序列数据或图像数据。模型通过对输入数据子集的分析和处理,输出一个针对该数据子集中目标监测事件是否为建筑缺陷事件的第二训练置信度。这个置信度反映了模型对于该监测事件与建筑缺陷之间关联的预测。
步骤S3b:通过各第二训练置信度与相应的第二实际置信度之间的误差,对所述拟进行调试的第二质量检测模型进行模型配置变量优化。
在步骤S3b中,计算机设备计算每个第二训练置信度与其对应的第二实际置信度之间的误差。这个误差揭示了模型预测与真实标注之间的差异,是模型优化过程中的关键指标。基于这些误差,计算机设备采用优化算法,如梯度下降或Adam算法,来调整第二质量检测模型的模型配置变量(即参数)。这个过程旨在最小化预测误差,提高模型在未来未知数据上的泛化能力和准确性。
通过这样的调试过程,第二质量检测模型能够逐渐学会从复杂的建筑传感数据中准确识别出与特定监测事件相关的建筑缺陷。这对于及时发现和预防潜在的结构问题具有重要意义,为建筑安全和可靠性提供了有力保障。
根据本申请的一个实施例,可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理组件和存储组件的例如计算机的通用计算机设备上运行能够执行如图2中所示的相应方法所涉及的各步骤的计算机程序(包括程序代码),实现本申请实施例的建筑结构质量检测方法。上述计算机程序可以记载于例如计算机可读记录介质上,并通过计算机可读记录介质装载于上述计算设备中,并在其中运行。
请参见图3,是本申请实施例提供的一种计算机设备的结构示意图。如图3所示,上述计算机设备1000可以包括:处理器1001,网络接口1004和存储器1005,此外,上述计算机设备1000还可以包括:用户接口1003,和至少一个通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。其中,用户接口1003可以包括显示屏(Display)、键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是非易失性的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个在远离前述处理器1001的存储装置。如图3所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及设备控制应用程序。
在图3所示的计算机设备1000中,网络接口1004可提供网络通讯功能;而用户接口1003主要用于提供输入的接口;而处理器1001可以用于调用存储器1005中存储的设备控制应用程序,以实现以上实施例中提供的方法。应当理解,本申请实施例中所描述的计算机设备1000可执行前文图2对应实施例中对建筑结构质量检测方法的描述,在此不再赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。
本申请实施例提供一种计算机程序,包括计算机可读代码(程序指令),在所述计算机可读代码在计算机设备中运行的情况下,所述计算机设备中的处理器执行用于实现上述方法中的部分或全部步骤。作为示例,上述程序指令可被部署在一个计算机设备上执行,或者被部署在一个地点的至少两个计算机设备上执行,又或者,在分布在至少两个地点且通过通信网络互连的至少两个计算机设备上执行,分布在至少两个地点且通过通信网络互连的至少两个计算机设备可以组成区块链网络。
本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。所述计算机可读存储介质可以是瞬时性的,也可以是非瞬时性的。
计算机可读存储介质也可以是该计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(smart media card,SMC),安全数字(secure digital,SD)卡,闪存卡(flash card)等。进一步地,该计算机可读存储介质还可以既包括该计算机设备的中部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该计算机设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同内容,而非用于描述特定顺序。此外,术语“包括”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、装置、产品或设备固有的其他步骤单元。
本申请实施例还提供了一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现前文图2对应实施例中对上述建筑结构质量检测方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机程序产品的实施例中未披露的技术细节,请参照本申请方法实施例的描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例提供的方法及相关装置是参照本申请实施例提供的方法流程图和/或结构示意图来描述的,具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、专用计算机、嵌入式处理机或其他可编程网络连接设备的处理器以产生一个机器,使得通过计算机或其他可编程网络连接设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程网络连接设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程网络连接设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或结构示意一个方框或多个方框中指定的功能的步骤。以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (9)
1.一种建筑结构质量检测方法,其特征在于,应用于计算机设备,所述方法包括:
在具有不少于两个目标监测事件的待检测建筑传感数据集中,抽取针对每一目标监测事件的待检测建筑传感数据子集;
通过第一质量检测模型,抽取所述待检测建筑传感数据集的整体数据项要素表示,以及通过所述整体数据项要素表示,得到所述待检测建筑传感数据集的第一质量检测结果;
以及,对抽取的针对每一目标监测事件的待检测建筑传感数据子集,完成如下处理:
通过第二质量检测模型,抽取所述待检测建筑传感数据子集的事件数据项要素表示,以及通过所述事件数据项要素表示,得到所述待检测建筑传感数据子集的第二质量检测结果,其中,所述第二质量检测模型的模型配置复杂度低于所述第一质量检测模型的模型配置复杂度;
通过所述第一质量检测结果,以及针对每一目标监测事件的待检测建筑传感数据子集的第二质量检测结果,得到指示所述待检测建筑传感数据集是否为缺陷数据集的建筑结构质量检测结果;
其中,所述第一质量检测模型为通过如下操作调试得到:
获取第一训练数据库,所述第一训练数据库中的每个第一调试学习样例包括一个建筑传感训练数据集和相应的训练数据集先验标记;其中,所述建筑传感训练数据集中具有不少于两个目标监测事件,所述训练数据集先验标记用以指示相应建筑传感训练数据集为缺陷数据集的第一实际置信度;
在所述第一训练数据库中确定第一调试学习样例,以及将相应的建筑传感训练数据集输入拟进行调试的第一质量检测模型中,得到通过所述建筑传感训练数据集的整体数据项要素表示确定的、所述建筑传感训练数据集为缺陷数据集的第一训练置信度;
通过各第一训练置信度与相应第一实际置信度之间的误差,对所述拟进行调试的第一质量检测模型进行模型配置变量优化;
所述第二质量检测模型为通过以下方式调试得到的:
获取第二训练数据库,所述第二训练数据库中的每个第二调试学习样例包括一个建筑传感训练数据子集和相应的训练数据子集先验标记;其中,所述建筑传感训练数据子集中具有一个目标监测事件,所述训练数据子集先验标记用以指示相应建筑传感训练数据子集所具有目标监测事件为建筑缺陷事件的第二实际置信度;
在所述第二训练数据库中确定第二调试学习样例,以及将相应的建筑传感训练数据子集输入拟进行调试的第二质量检测模型中,得到通过所述建筑传感训练数据子集所具有目标监测事件的事件数据项要素表示确定的,所述建筑传感训练数据子集所具有目标监测事件为建筑缺陷事件的第二训练置信度;
通过各第二训练置信度与相应的第二实际置信度之间的误差,对所述拟进行调试的第二质量检测模型进行模型配置变量优化。
2.根据权利要求1所述的方法,其特征在于,所述在具有不少于两个目标监测事件的待检测建筑传感数据集中,抽取针对每一目标监测事件的待检测建筑传感数据子集,包括:
在待检测建筑传感数据集中,通过各个原始传感数据项各自的分析支持系数,确定符合分析过滤规则的多个目标传感数据项;其中,每个分析支持系数用以指示相应原始传感数据项属于一个目标监测事件的构建单元的置信度,每个目标传感数据项为一个目标监测事件的构建单元;
通过所述多个目标传感数据项各自的数据项分布位置,确定所述待检测建筑传感数据集具有的不少于两个目标监测事件各自的数据集分布位置;
针对所述不少于两个目标监测事件,分别完成如下处理:
通过一个目标监测事件的数据集分布位置,在所述待检测建筑传感数据集中,抽取所述一个目标监测事件的待检测建筑传感数据子集。
3.根据权利要求2所述的方法,其特征在于,所述在待检测建筑传感数据集中,通过各个原始传感数据项各自的分析支持系数,确定符合分析过滤规则的多个目标传感数据项,包括:
在所述待检测建筑传感数据集中,分别通过每个原始传感数据项与其他原始传感数据项之间的牵涉关系,得到所述每个原始传感数据项各自的分析支持系数;
在得到的各个分析支持系数中,确定符合预设临界支持系数的多个目标分析支持系数,以及将所述多个目标分析支持系数分别对应的原始传感数据项,分别确定为目标传感数据项。
4.根据权利要求3所述的方法,其特征在于,所述在所述待检测建筑传感数据集中,分别通过每个原始传感数据项与其他原始传感数据项之间的牵涉关系,得到所述每个原始传感数据项各自的分析支持系数,包括:
针对所述待检测建筑传感数据集中的每个原始传感数据项,分别完成如下处理:
通过预设的M个传感数据维度,分别抽取一个原始传感数据项针对每一传感数据维度分别对应的特征值,得到所述一个原始传感数据项的M个特征值;其中,M为大于1的自然数;
获取所述一个原始传感数据项关联的M个重要性调节系数,以及依据所述M个重要性调节系数,对所述M个特征值进行重要性调节,将调节后的M个特征值进行相加,得到所述一个原始传感数据项的分析支持系数;其中,一个重要性调节系数用以指示通过相应传感数据维度,所述一个原始传感数据项与其他原始传感数据项之间的牵涉关系。
5.根据权利要求2所述的方法,其特征在于,所述通过一个目标监测事件的数据集分布位置,在所述待检测建筑传感数据集中,抽取所述一个目标监测事件的待检测建筑传感数据子集,包括:
通过所述待检测建筑传感数据集的大小,得到相对应的初始屏蔽数组;其中,所述初始屏蔽数组中的每一数组单元与所述待检测建筑传感数据集中一个原始传感数据项相对应;
在所述初始屏蔽数组中,将一个目标监测事件相对于所述待检测建筑传感数据集的排除区域,赋值为屏蔽标识符,以及将所述一个目标监测事件的对应部分,赋值为非屏蔽标识符,得到目标屏蔽数组;
通过所述目标屏蔽数组,对所述待检测建筑传感数据集中的各个原始传感数据项进行屏蔽操作,得到候选建筑传感数据子集;
针对所述候选建筑传感数据子集,截取所述一个目标监测事件所在的监测事件范围,得到具有一个目标监测事件的待检测建筑传感数据子集。
6.根据权利要求1所述的方法,其特征在于,所述第一质量检测结果用以指示待检测建筑传感数据集为缺陷数据集的第一置信度,所述第二质量检测结果用以指示相应待检测建筑传感数据子集为缺陷数据子集的第二置信度;
所述通过所述第一质量检测结果,以及针对每一目标监测事件的待检测建筑传感数据子集的第二质量检测结果,得到指示所述待检测建筑传感数据集是否为缺陷数据集的建筑结构质量检测结果,包括:
如果所述第一置信度小于第一临界置信度,同时各所述第二置信度都小于第二临界置信度,则得到第一建筑结构质量检测结果;其中,所述第一建筑结构质量检测结果用以指示所述待检测建筑传感数据集为合格质量数据集;
如果所述第一置信度不小于第一临界置信度,同时各所述第二置信度都不小于第二临界置信度,则得到第二建筑结构质量检测结果;其中,所述第二建筑结构质量检测结果用以指示所述待检测建筑传感数据集为缺陷数据集;
如果所述第一置信度小于第一临界置信度,同时任一所述第二置信度不小于第二临界置信度,则得到第二建筑结构质量检测结果;其中,所述第二建筑结构质量检测结果用以指示所述待检测建筑传感数据集为缺陷数据集,所述第一临界置信度小于所述第二临界置信度;
如果所述第一置信度不小于第一临界置信度,同时各所述第二置信度都小于第二临界置信度时,得到第一建筑结构质量检测结果;其中,所述第一建筑结构质量检测结果用以指示所述待检测建筑传感数据集为合格质量数据集,所述第一临界置信度小于所述第二临界置信度。
7.根据权利要求1所述的方法,其特征在于,所述第一质量检测模型为通过第一训练数据库调试得到的,其中,所述第一训练数据库包括多个第一调试学习样例,所述第一训练数据库中的每个第一调试学习样例包括:一个具有不少于两个目标监测事件的建筑传感训练数据集和相应的训练数据集先验标记;
用于调试所述第二质量检测模型的第二训练数据库为通过以下操作进行获取得到:
在所述第一训练数据库中,分别抽取每个第一建筑传感训练数据集中各目标监测事件的建筑传感训练数据子集;
通过抽取的各目标监测事件的建筑传感训练数据子集,获取相应的训练数据子集先验标记,以及结合一个或多个新增目标监测事件的建筑传感训练数据子集和对应的训练数据子集先验标记,生成第二训练数据库。
8.一种计算机设备,其特征在于,包括:
处理器;
以及存储器,其中所述存储器中存储有计算机可读代码,所述计算机可读代码在由所述处理器运行时,使得所述处理器执行如权利要求1~7中任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410180419.3A CN117726241B (zh) | 2024-02-18 | 2024-02-18 | 建筑结构质量检测方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410180419.3A CN117726241B (zh) | 2024-02-18 | 2024-02-18 | 建筑结构质量检测方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117726241A CN117726241A (zh) | 2024-03-19 |
CN117726241B true CN117726241B (zh) | 2024-05-10 |
Family
ID=90211109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410180419.3A Active CN117726241B (zh) | 2024-02-18 | 2024-02-18 | 建筑结构质量检测方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117726241B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010054323A1 (de) * | 2010-12-13 | 2012-06-14 | Ltg Mettmann Leitungs-Und Tiefbaugesellschaft Mbh | Qualitätssicherungsverfahren |
CN113240125A (zh) * | 2021-01-13 | 2021-08-10 | 深延科技(北京)有限公司 | 模型训练方法及装置、标注方法及装置、设备及存储介质 |
CN113592090A (zh) * | 2021-09-27 | 2021-11-02 | 中建八局第三建设有限公司 | 基于深度学习的建筑质量预测方法、装置及存储介质 |
CN116453056A (zh) * | 2023-04-19 | 2023-07-18 | 深圳供电局有限公司 | 目标检测模型构建方法和变电站异物入侵检测方法 |
CN116934179A (zh) * | 2023-09-15 | 2023-10-24 | 菏泽建工建筑设计研究院 | 一种基于大数据的建筑工程质量检测数据分析管理系统 |
CN117011219A (zh) * | 2022-12-08 | 2023-11-07 | 腾讯科技(深圳)有限公司 | 物品质量检测方法、装置、设备、存储介质和程序产品 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20240022547A1 (en) * | 2015-10-28 | 2024-01-18 | Qomplx, Inc. | System and method for midserver facilitation of mass scanning network traffic detection and analysis |
-
2024
- 2024-02-18 CN CN202410180419.3A patent/CN117726241B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010054323A1 (de) * | 2010-12-13 | 2012-06-14 | Ltg Mettmann Leitungs-Und Tiefbaugesellschaft Mbh | Qualitätssicherungsverfahren |
CN113240125A (zh) * | 2021-01-13 | 2021-08-10 | 深延科技(北京)有限公司 | 模型训练方法及装置、标注方法及装置、设备及存储介质 |
CN113592090A (zh) * | 2021-09-27 | 2021-11-02 | 中建八局第三建设有限公司 | 基于深度学习的建筑质量预测方法、装置及存储介质 |
CN117011219A (zh) * | 2022-12-08 | 2023-11-07 | 腾讯科技(深圳)有限公司 | 物品质量检测方法、装置、设备、存储介质和程序产品 |
CN116453056A (zh) * | 2023-04-19 | 2023-07-18 | 深圳供电局有限公司 | 目标检测模型构建方法和变电站异物入侵检测方法 |
CN116934179A (zh) * | 2023-09-15 | 2023-10-24 | 菏泽建工建筑设计研究院 | 一种基于大数据的建筑工程质量检测数据分析管理系统 |
Non-Patent Citations (1)
Title |
---|
基于OpenVINO模型优化的智能道路裂缝检测系统;张旭;陈绪君;刘瑞康;张才裕;;信息技术;20200722(07);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117726241A (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20140365179A1 (en) | Method and Apparatus for Detecting and Identifying Faults in a Process | |
CN118154174B (zh) | 一种工业设备智慧运维云平台 | |
CN117235524A (zh) | 自动估值模型的学习训练平台 | |
CN116453438A (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
Chouliaras et al. | Real-time anomaly detection of NoSQL systems based on resource usage monitoring | |
CN117590159A (zh) | 一种基于深度学习的隧道电缆供电状态监测方法及系统 | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN117216481A (zh) | 一种用于电器的远程监控方法及系统 | |
CN116909712A (zh) | 基于机器学习的智能任务调度系统及其方法 | |
CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及系统 | |
CN117614662A (zh) | 大数据与人工智能结合的网络访问风险预测方法及系统 | |
CN117434372A (zh) | 电子产品的电磁兼容抗扰度测试方法及系统 | |
CN115856204A (zh) | 基于三维回声状态网络的掘进工作面瓦斯浓度预测方法 | |
CN111238927A (zh) | 疲劳耐久性评测方法、装置、电子设备和计算机可读介质 | |
CN117849302A (zh) | 一种多参数水质在线监测方法 | |
CN117726241B (zh) | 建筑结构质量检测方法、设备及存储介质 | |
CN117369349A (zh) | 一种远程监测智能机器人的管理系统 | |
CN116030955B (zh) | 基于物联网的医疗设备状态监测方法及相关装置 | |
CN110060374B (zh) | 一种飞机燃油系统异常检测方法及装置 | |
CN118229091B (zh) | 基于数据分析的抗震成品支架安全测试管理系统 | |
CN118378196B (zh) | 基于多模态数据融合的工控主机异常行为识别方法 | |
CN118194192A (zh) | 矿车发动机的质检方法、装置和矿车发动机检测系统 | |
CN114626162B (zh) | 一种接触球轴承损耗程度定量识别方法 | |
CN118692219A (zh) | 安全帽用环境监测预警方法及其系统 | |
CN117745146A (zh) | 验厂报告的生成方法、装置、设备及存储介质 |
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 |