CN118035850A - 一种面向建筑墙体的混凝土厚度无损检测方法 - Google Patents
一种面向建筑墙体的混凝土厚度无损检测方法 Download PDFInfo
- Publication number
- CN118035850A CN118035850A CN202410430325.7A CN202410430325A CN118035850A CN 118035850 A CN118035850 A CN 118035850A CN 202410430325 A CN202410430325 A CN 202410430325A CN 118035850 A CN118035850 A CN 118035850A
- Authority
- CN
- China
- Prior art keywords
- dimension
- radar data
- full
- data
- classification result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000013507 mapping Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 38
- 230000008569 process Effects 0.000 description 24
- 230000000694 effects Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及数据分类处理技术领域,具体涉及一种面向建筑墙体的混凝土厚度无损检测方法,包括:利用雷达设备对混凝土墙体厚度进行扫描采集全维度数据和每个维度的雷达数据;获得全维度和每个维度的分类结果;根据每个维度与全维度的分类结果之间错分率的差异情况、以及每个维度的分对样本与全维度的分错样本得到指导程度;对每个维度的雷达数据分别进行聚类,根据每个维度的每个聚类簇内的雷达数据与中心雷达数据之间的差异得到向中心程度;对全维度数据在基分类器中的权重系数进行调整,根据调整后的权重系数训基分类器获得集成分类器,对全维度数据进行分类获得混凝土墙体厚度的检测结果。本发明能够获得更加准确的墙体厚度的检测结果。
Description
技术领域
本发明涉及数据分类处理技术领域,具体涉及一种面向建筑墙体的混凝土厚度无损检测方法。
背景技术
墙体作为建筑结构的重要组成部分,其厚度直接关系到建筑物的结构强度和稳定性。通过无损检测可以及时发现墙体厚度的变化或损伤情况,评估墙体结构的安全性,从而采取相应的维修或加固措施,确保建筑物的安全运行。现有常通过探地雷达技术,对建筑墙体的混凝土厚度进行无损检测,在获取到混凝土墙体厚度后常利用Adaboost分类器根据雷达检测数据对墙体厚度的合格与否进行进一步的质量检测。但是该方法中常利用样本的错分率来设置样本的权值,对分类器进行训练,在样本具有多个维度时,无法考虑不同维度下的数据对应的分类结果不同,进而影响多维度的雷达检测数据对应样本的权值,使得分类器的检测结果较不准确,进而导致墙体厚度的检测结果较不准确。
发明内容
为了解决现有权值的获取方法使得分类器的检测结果较不准确,进而导致墙体厚度的检测结果较不准确得到技术问题,本发明的目的在于提供一种面向建筑墙体的混凝土厚度无损检测方法,所采用的技术方案具体如下:
利用雷达设备对混凝土墙体厚度进行扫描采集全维度数据,所述全维度数据包括每个维度的雷达数据;基于全维度数据利用构建的基分类器获得全维度的分类结果;基于每个维度的雷达数据利用所述基分类器获得每个维度的分类结果;每个所述分类结果均包括分对样本、分错样本和错分率;
根据每个维度的分类结果与全维度的分类结果之间错分率的差异情况、以及每个维度的分类结果中分对样本与全维度的分类结果中分错样本的分布情况,得到每个维度对全维度的指导程度;
对每个维度的雷达数据分别进行聚类,根据每个维度的聚类结果中每个聚类簇内的雷达数据与中心雷达数据之间的差异情况,得到每个维度的每个雷达数据的向中心程度;
根据每个维度对全维度的指导程度和相同维度的雷达数据的向中心程度,对全维度数据在基分类器中的权重系数进行调整,根据调整后的权重系数训基分类器获得集成分类器,基于集成分类器对全维度数据进行分类获得混凝土墙体厚度的检测结果。
优选地,所述根据每个维度的分类结果与全维度的分类结果之间错分率的差异情况、以及每个维度的分类结果中分对样本与全维度的分类结果中分错样本的分布情况,得到每个维度对全维度的指导程度,具体包括:
对于任意一个维度,根据该维度的分类结果中分对样本和全维度的分类结果中分错样本之间的交集情况确定该维度下的第一系数;根据该维度的分类结果中错分率和全维度的分类结果中错分率之间的大小差异情况,确定该维度下的第二系数;
根据所述第一系数和第二系数得到该维度对全维度的指导程度,所述第一系数和第二系数均与所述指导程度呈正相关关系。
优选地,所述根据该维度的分类结果中分对样本和全维度的分类结果中分错样本之间的交集情况确定该维度下的第一系数,具体包括:
将任意一个维度记为目标维度,获取目标维度的分类结果中分对样本和全维度的分类结果中分错样本之间的交集,将该交集中的样本数量与全维度的分类结果中分错样本的数量之间的比值作为目标维度下的第一系数。
优选地,所述根据该维度的分类结果中错分率和全维度的分类结果中错分率之间的大小差异情况,确定该维度下的第二系数,具体包括:
当目标维度的分类结果中错分率大于或等于全维度的分类结果中错分率时,将目标维度下的第二系数设置为预设数值;
当目标维度的分类结果中错分率小于全维度的分类结果中错分率时,对全维度的分类结果中错分率与目标维度的分类结果中错分率的差值进行正相关映射,将映射结果与所述预设数值的和值作为目标维度下的第二系数。
优选地,所述根据每个维度的聚类结果中每个聚类簇内的雷达数据与中心雷达数据之间的差异情况,得到每个维度的每个雷达数据的向中心程度,具体包括:
对于任意一个维度,根据该维度下的每个簇类簇内每个雷达数据与相同聚类簇内其他雷达数据之间的相似情况,确定该维度下的每个簇类簇的中心雷达数据;
计算该维度下的每个簇类簇内每个雷达数据与相同簇类簇内的中心雷达数据之间的余弦相似度,得到该维度的每个雷达数据的向中心程度。
优选地,所述根据该维度下的每个簇类簇内每个雷达数据与相同聚类簇内其他雷达数据之间的相似情况,确定该维度下的每个簇类簇的中心雷达数据,具体包括:
将任意一个维度记为选定维度,将选定维度的聚类结果中任意一个聚类簇记为选定聚类簇,将选定聚类簇中任意一个雷达数据记为选定雷达数据,将选定聚类簇中除了选定雷达数据之外的其他雷达数据记为选定雷达数据的参考雷达数据;
对于任意一个参考雷达数据,计算选定雷达数据和参考雷达数据之间的最小值与最大值的比值得到参考雷达数据与选定雷达数据的相似系数;
将所有参考雷达数据与选定雷达数据的相似系数的累加和作为选定雷达数据的判断指标;将选定聚类簇中判断指标的最大值对应的雷达数据作为选定聚类簇的中心雷达数据。
优选地,所述根据每个维度对全维度的指导程度和相同维度的雷达数据的向中心程度,对全维度数据在基分类器中的权重系数进行调整,具体包括:
根据每个维度的雷达数据的错分情况对雷达数据的向中心程度进行调整,获得每个维度的雷达数据的特征系数;
对于任意一个全维度数据,将每个维度对全维度的指导程度作为权重,对全维度数据中每个维度的雷达数据的特征系数进行加权求和得到全维度数据的调整系数;将全维度数据的调整系数与该全维度数据在基分类器中的权重系数之间的乘积作为全维度数据调整后的权重系数。
优选地,所述根据每个维度的雷达数据的错分情况对雷达数据的向中心程度进行调整,获得每个维度的雷达数据的特征系数具体为:
对于任意一个维度的任意一个雷达数据,若该雷达数据属于分错样本,则按照预设步长对雷达数据在该维度下的向中心程度进行增大,获得该维度的该雷达数据的特征系数;
若该雷达数据属于分对样本,则将该雷达数据在该维度下的向中心程度作为该维度的该雷达数据的特征系数。
优选地,所述基于集成分类器对全维度数据进行分类获得混凝土墙体厚度的检测结果具体为:将每个全维度数据输入集成分类器获得混凝土墙体厚度的检测结果为合格或者不合格。
优选地,所述基分类器的获取方法具体为:构建决策树作为基分类器。
本发明实施例至少具有如下有益效果:
本发明首先采集多个维度的雷达数据以及多个维度组成的全维度数据,并且利用分类器进行初步分类处理,获得每个维度的分类结果以及全维度的分类结果,为后续针对每个维度下每个雷达数据的特征情况提供了数据基础。然后,先对每个维度下的分类结果和全维度的分类结果进行差异比较,结合了单个维度的分对样本和全维度的分错样本的分布情况,量化每个维度下的分类对于全维度的分类的指导性意义,充分考虑了每个维度下的分类效果对全维度的分类效果的指导意义。进一步的,进行聚类操作获取每个维度的每个雷达数据的向中心程度,通过分析每个维度下的数据聚类结果,分析每个维度的每个雷达数据的与中心的相似情况,表征了每个维度的每个雷达数据的重要程度。最后,结合每个维度下的分类结果的准确性情况对全维度下的分类过程的指导性意义,同时具体到每个维度的每个雷达数据的重要性程度,对原始分类器中的样本权重即权重系数进行调整,是的调整后的权重系数能够更加准确的知道基分类器的训练过程,使得获得的集成训练器能够获得更加准确的检测结果,进而获得更加准确的墙体厚度的检测结果。
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是本发明实施例提供的一种面向建筑墙体的混凝土厚度无损检测方法的步骤流程图。
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面向建筑墙体的混凝土厚度无损检测方法,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面向建筑墙体的混凝土厚度无损检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种面向建筑墙体的混凝土厚度无损检测方法的步骤流程图,该方法包括以下步骤:
步骤一,利用雷达设备对混凝土墙体厚度进行扫描采集全维度数据,所述全维度数据包括每个维度的雷达数据;基于全维度数据利用构建的基分类器获得全维度的分类结果;基于每个维度的雷达数据利用所述基分类器获得每个维度的分类结果;每个所述分类结果均包括分对样本、分错样本和错分率。
首先,本发明的主要目的是通过对采集到的混凝土墙体的雷达数据进行分类,进而获得墙体混凝土厚度是否满足质量要求,因此首先需要采集墙体混凝土厚度的相关数据。在本实施例中,使用探地雷达技术对建筑墙体的混凝土厚度进行无损检测,可以获得墙体的多个种类的雷达数据,一个种类的雷达数据对应一个维度,例如,雷达检测中的反射信号强度,延迟时间,多普勒频率和雷达截面积等雷达探测数据,每一种雷达探测数据均可被称作每个维度的雷达数据,将所有维度的雷达数据按照相同的排列顺序构成每个墙体的全维度数据。
同时,需要说明的是,由于采集到的全维度数据为墙体的混凝土厚度的历史雷达数据,该数据用于检测混凝土厚度是否满足要求,进而每个墙体对应存在合格或者不合格的质量结果,基于此,在本实施例中,每个墙体的全维度数据均对应一个标签数据,标签数据为0表示对应的墙体混凝土厚度合格,标签数据为1表示对应的墙体混凝土厚度不合格。
现有的Adaboost分类器通常是通过样本的错分率来对样本设置训练权重,基于此利用Adaboost分类器对全维度数据进行分类时,每个维度的雷达数据具有同等的重要性成,但是,仅考虑一个维度的雷达数据分析较不全面,而考虑多个维度的雷达数据时,每个维度对应种类的雷达数据可以用于合格度识别的信息量往往是不同的,但是如果不赋予特征程度不同的权重,较为重要的维度信息可能会被干扰,影响分类器的性能,导致最终分类器难以达到较高的精度。
基于此特征,本实施例首先构建一个基分类器,针对全维度、每个独立的维度对应的数据分别进行分类器的分类过程。首先构建决策树作为Adaboost算法中的基分类器,基于全维度数据利用构建的基分类器获得全维度的分类结果;基于每个维度的雷达数据利用所述基分类器获得每个维度的分类结果。
具体地,将全维度数据、每个维度的雷达数据依次输入基分类器中,基于Adaboost算法,可以获得对应的分类结果,其中每个分类结果中均包括样本分类的错分率、分对样本和分错样本。
步骤二,根据每个维度的分类结果与全维度的分类结果之间错分率的差异情况、以及每个维度的分类结果中分对样本与全维度的分类结果中分错样本的分布情况,得到每个维度对全维度的指导程度。
需要说明的是,通过比较单个维度下与全维度下的基分类器对样本数据的分类结果,对某个维度的分类结果来说,如果该维度下对应的分类结果与全维度对应的分类结果进行比较,该维度的分类结果中能将全维度分类结果中错分的样本划分正确,则说明该维度下对应的分类结果对全维度数据的分类训练过程提供越多的指导信息。
基于此,可以通过分析每个维度的分类结果中分对样本与全维度的分类结果中分错样本的分布情况,并结合每个维度的分类结果与全维度的分类结果之间错分率的差异情况,对每个维度对全维度的指导信息程度进行量化。
具体地,对于任意一个维度,根据该维度的分类结果中分对样本和全维度的分类结果中分错样本之间的交集情况确定该维度下的第一系数,即将任意一个维度记为目标维度,获取目标维度的分类结果中分对样本和全维度的分类结果中分错样本之间的交集,将该交集中的样本数量与全维度的分类结果中分错样本的数量之间的比值作为目标维度下的第一系数。
交集表征了在全维度下被分错的样本在目标维度下被分对的数据集合,这个数据集合中样本数量越多,说明在全维度下的分类效果较差的同时,在目标维度下的分类效果越好,要赋予目标维度更大的权重时,可以使得目标维度对全维度的分类结果的指导性越好。即第一系数表征了交集中数据量的占比情况,该占比越大,说明对应的目标维度的分类结果对应的分类效果越好,对全维度的指导性越好。
进一步的,对于任意一个维度,根据该维度的分类结果中错分率和全维度的分类结果中错分率之间的大小差异情况,确定该维度下的第二系数,即当目标维度的分类结果中错分率大于或等于全维度的分类结果中错分率时,将目标维度下的第二系数设置为预设数值;当目标维度的分类结果中错分率小于全维度的分类结果中错分率时,对全维度的分类结果中错分率与目标维度的分类结果中错分率的差值进行正相关映射,将映射结果与所述预设数值的和值作为目标维度下的第二系数。
具体地,当目标维度下样本的错分率大于或等于全维度下样本的错分率时,说明在目标维度这个单一的维度下雷达数据的分类结果准确性较低,且准确性要小于全维度下数据的分类结果的准确性,此时目标维度下的样本分类过程对全维度数据的分类过程的指导性意义不大,可以理解的是,目标维度对全维度的指导性越差。故本实施例将此时目标维度的第二系数设置为固定数值,即目标维度下的第二系数的取值为1。目标维度下的第二系数也就反映了目标维度在分类的准确性方面对全维度分类过程的指导性意义大小。
当目标维度下样本的错分率小于全维度下样本的错分率时,说明在目标维度这个单一的维度下雷达数据的分类结果准确性较高,且要大于或等于全维度下数据的分类准确性,此时目标维度下的样本分类过程对全维度数据的分类过程的指导性意义较大,并且当目标维度与全维度对应的错分率之间的差异越大,目标维度对全维度的分类过程的指导性意义越大。进一步的,此时可以通过比较目标维度与全维度对应的错分率之间的差异情况,获取第二系数。
在本实施例中,将第t个维度作为目标维度,则目标维度下的第二系数的计算公式可以表示为:,其中,/>表示目标维度下的第二系数,t表示第t个维度,/>表示全维度数据的分类结果中的错分率,/>表示第t个维度的分类结果中的错分率,exp( )表示以自然常数e为底的指数函数,/>为预设数值,在本实施例中的取值为1。
反映了全维度下对应的错分率和目标维度下对应的错分率之间的差异情况,该差异越大,对应的目标维度下的分类结果对全维度的分类过程越具有指导意义。本实施例利用指数函数/>对该差异进行正相关映射。
需要说明的是,当目标维度下对应的错分率越大于全维度下对应的错分率时,目标维度下的分类过程对全维度下的分类过程的指导性意义越小,进而第二系数的取值就越小。当目标维度下对应的错分率越小于全维度下对应的错分率时,目标维度下的分类过程对全维度下的分类过程的指导性意义越大,进而第二系数的取值也就越大。
最后,结合第一系数和第二系数,量化单一的维度对全维度的指导程度,即对于任意一个维度,根据所述第一系数和第二系数得到该维度对全维度的指导程度,所述第一系数和第二系数均与所述指导程度呈正相关关系。
在本实施例中,以目标维度为例进行说明,将目标维度下的第一系数和第二系数的乘积作为目标维度对全维度的指导程度。所述指导程度就表征了目标维度的分类过程对全维度的分类过程的指导性大小,即第一系数的取值越大,说明目标维度的分类过程能够将全维度下分错的样本更多的划分正确,说明对应的目标维度的分类结果对应的分类效果越好,对全维度的指导性越好,第二系数的取值越大,说明目标维度的分类结果准确性越高,对全维度的指导性越好,进而对应的指导程度的取值越大。
需要说明的是,按照相同的方法可以获得每个维度对全维度的指导程度,该指导程度是对于本实施例中的一个基分类器来说,每个维度的分类结果对全维度数据的分类过程的指导性情况,每个维度对应一个种类的雷达数据,每个维度下对应的指导程度也可以看作是每个维度对全维度的分类影响权重。
步骤三,对每个维度的雷达数据分别进行聚类,根据每个维度的聚类结果中每个聚类簇内的雷达数据与中心雷达数据之间的差异情况,得到每个维度的每个雷达数据的向中心程度。
需要说明的是,在Adaboost算法中,在对弱分类器进行不断的迭代过程中需要不断获取每个样本的权重,进而在对每个维度分别进行分析后,需要针对每个维度的雷达数据的分类情况进行进一步的分析。即对每个维度的雷达数据分别进行聚类,再考虑聚类结果中每个维度的每个雷达数据与该雷达数据所在聚类簇的中心雷达数据之间的数据差异,对每个维度的每个雷达数据的重要性。即如果某个维度对全维度的分类影响越大的同时,相同维度下的某个雷达数据的重要性越大,则该维度的该雷达数据对应在全维度数据的权重分布中,应该赋予越大的权重,使得全维度的分类结果可以避免出现局部最优的情况,达到较高的识别精度。
在本实施例中,采用DBSCAN聚类算法分别对每个维度下的所有雷达数据进行聚类获得每个维度下对应的聚类结果。然后,需要获取每个维度下每个聚类簇的中心性较大的雷达数据,对于任意一个维度,根据该维度下的每个簇类簇内每个雷达数据与相同聚类簇内其他雷达数据之间的相似情况,确定该维度下的每个簇类簇的中心雷达数据。
具体地,本实施例以任意一个维度下任意一个雷达数据为例进行说明,将任意一个维度记为选定维度,将选定维度的聚类结果中任意一个聚类簇记为选定聚类簇,将选定聚类簇中任意一个雷达数据记为选定雷达数据,将选定聚类簇中除了选定雷达数据之外的其他雷达数据记为选定雷达数据的参考雷达数据。
对于任意一个参考雷达数据,计算选定雷达数据和参考雷达数据之间的最小值与最大值的比值得到参考雷达数据与选定雷达数据的相似系数;将所有参考雷达数据与选定雷达数据的相似系数的累加和作为选定雷达数据的判断指标。
在本实施例中,将第i个维度作为选定维度,将第i个维度的聚类结果中第k个聚类簇作为选定聚类簇,将第i个维度下第k个聚类簇中第n个雷达数据作为选定雷达数据,对于选定雷达数据的第m个参考雷达数据/>,则第m个参考雷达数据与选定雷达数据的相似系数可以表示为:/>,其中,表示第i个维度下第k个聚类簇中第n个雷达数据的第m个参考雷达数据与选定雷达数据的相似系数,/>为选定雷达数据,/>为第m个参考雷达数据,min( )表示求最小值函数,max( )表示求最大值函数。
相似系数反映了选定雷达数据与参考雷达数据之间的数据差异情况以及相似情况,该取值越大,说明选定雷达数据与参考雷达数据之间的差异越小,进而说明两者之间的数据相似性越大。进而将选定雷达数据的所有参考雷达数据对应的相似系数相加,可以获得选定雷达数据的判断指标,判断指标就表征了选定雷达数据与同一个聚类簇中其他雷达数据之间的相似度总和,该取值越大,说明选定雷达数据与其他所有雷达数据之间的相似度越大,进而说明该雷达数据作为聚类簇的中心的可能性越大。
进一步的,将选定聚类簇中判断指标的最大值对应的雷达数据作为选定聚类簇的中心雷达数据。也即是将一个聚类簇中与其他所有雷达数据相似度总和最大的雷达数据作为聚类簇的中心,能够最大程度的准确表征每个维度下聚类结果中每个聚类簇的中心性数据。
需要说明的是,对某个维度下的雷达数据来说,如果该雷达数据自身属于聚类簇的中心性数据或者较为靠近聚类簇中心的位置,在正常情况下该维度下该雷达数据不容易出现被分错的情况。但是如果任意一个维度下的雷达数据越靠近聚类簇的中心的同时,出现了被分错的情况,说明在该维度下分类器没有学习到该维度对应的数据特征,进而越需要赋予该维度越大的权重,可以对类别划分起到指导作用。
基于此,计算该维度下的每个簇类簇内每个雷达数据与相同簇类簇内的中心雷达数据之间的余弦相似度,得到该维度的每个雷达数据的向中心程度。例如,选定雷达数据与选定聚类簇中的中心雷达数据之间的余弦相似度,可以表示选定雷达数据与该雷达数据所在的聚类簇中心之间的数据相似程度,余弦相似度的取值越大,说明选定雷达数据越靠近所在的聚类簇中心的位置,对应的向中心程度取值越大,说明选定雷达数据的重要性程度越大,选定雷达数据在选定维度中被分错的概率越小。
步骤四,根据每个维度对全维度的指导程度和相同维度的雷达数据的向中心程度,对全维度数据在基分类器中的权重系数进行调整,根据调整后的权重系数训基分类器获得集成分类器,基于集成分类器对全维度数据进行分类获得混凝土墙体厚度的检测结果。
需要说明的是,本实施例通过比较单个维度的分类结果与全维度的分类结果之间准确性的差异情况,分析单个维度下的分类对全维度数据的分类的指导性意义,同时考虑了每个维度下的每一个雷达数据在理论情况下雷达数据相对于聚类中心的相似情况,进而可以结合实际分类过程的对比结果以及理论数据聚类过程的重要性分析结果,对每个维度的每个雷达数据对应的样本权重进行更新,可以使得全维度数据的样本权重的更新能够充分考虑各个维度的特征信息分布情况,有助于使得基分类器的分类结果逐渐走向最优点。
向中心程度取值越大,说明对应维度下的雷达数据的重要性程度越大,该雷达数据越靠近所在聚类簇中心的位置,而当该维度下该雷达数据出现被分错的情况时,说明该维度下的数据特征没有被学习到,进而越需要赋予该维度下的该雷达数据越大的样本权重。
基于此,首先根据每个维度的雷达数据的错分情况对雷达数据的向中心程度进行调整,获得每个维度的雷达数据的特征系数。具体地,对于任意一个维度的任意一个雷达数据,若该雷达数据属于分错样本,则按照预设步长对雷达数据在该维度下的向中心程度进行增大,获得该维度的该雷达数据的特征系数;若该雷达数据属于分对样本,则将该雷达数据在该维度下的向中心程度作为该维度的该雷达数据的特征系数。
在本实施例中,以任意一个维度的任意一个雷达数据为例进行说明,即如果选定雷达数据在选定维度的分类结果中属于分错样本,则说明在训练基分类器中选定维度下选定雷达数据的特征没有被学习到,故需要对选定雷达数据对应的全维度数据在选定维度下更大的样本权重。本实施例通过增大选定雷达样本的向中心程度进行权重调整操作,即预设步长的取值为1,也即是将选定雷达数据的向中心程度增加1得到选定雷达数据在选定维度下的特征系数。
如果选定雷达数据在选定维度的分类结果中属于分对样本,则说明在基分类器的分类过程中选定维度下选定雷达数据的分类结果较为准确,且数据特征也有较好的学习程度,故不需要对样本权重进行调整,直接将选定雷达数据的向中心程度作为选定雷达数据在选定维度下的特征系数。
基于此,每个维度的每个雷达数据的特征系数表征了雷达数据对应的全维度数据中在相同维度下的数据重要程度,其取值越大,在全维度数据中越需要赋予该维度雷达数据越大的权重。
故将每个维度对全维度的指导程度作为权重,对全维度数据中每个维度的雷达数据的特征系数进行加权求和得到全维度数据的调整系数;将全维度数据的调整系数与该全维度数据在基分类器中的权重系数之间的乘积作为全维度数据调整后的权重系数。
在本实施例中,以第a个全维度数据为例进行说明,则第a个全维度数据调整后的权重系数的计算公式可以表示为:,其中,/>表示第a个全维度数据调整后的权重系数,/>表示第a个全维度数据在基分类器中的权重系数,/>表示所有维度的总数量,/>表示第k个维度对全维度的指导程度,/>表示第a个全维度数据中第k个维度下的雷达数据的特征系数。
为调整系数,在全维度数据中第k个维度对应的指导性意义越大,在全维度数据中第k个维度下的雷达数据的重要性程度越大,越需要赋予该全维度数据越大的样本权重,也即是调整后的权重系数的取值越大。
可以理解的是,第a个全维度数据在基分类器中的权重系数与Adaboost算法中对每个样本的权重的获取方法相同,在此不再过多介绍。
需要说明的是,在Adaboost算法中,需要不断迭代分类过程,本实施例仅以一次迭代过程中全维度数据的分类结果和每个维度的分类结果为例进行说明。随着利用全维度数据对基分类器进行迭代训练中,单个维度的分类效果会逐渐小于全维度的分类效果,因此更优选的,可以设置一个权重系数更新的停止条件,避免当单个维度的分类结果对全维度的分类结果没有指导意义时进行负增益操作。
例如,在每次调整全维度数据的权重系数之前,首先获取每个全维度数据的分类结果的错分率与每个维度的分类结果中错分率,计算所有维度的分类结果的错分率的均值记为特征错分率,若全维度的分类结果中的错分率小于所述特征错分率,说明此时全维度的分类结果的分类效果越大于单个维度的分类效果,此时可以停止权重系数的调整操作,将对应的全维度数据的样本权重仍然按照Adaboost算法中的计算方法进行获取。
最终,利用Adaboost算法对分类器进行训练,可以获得训练好的集成分类器,集成分类器将根据全维度数据的特征对墙体进行分类获得混凝土墙体厚度的检测结果。例如将墙体划分为厚度合格和不合格两类,即混凝土墙体厚度的检测结果为合格或者不合格。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种面向建筑墙体的混凝土厚度无损检测方法,其特征在于,该方法包括以下步骤:
利用雷达设备对混凝土墙体厚度进行扫描采集全维度数据,所述全维度数据包括每个维度的雷达数据;基于全维度数据利用构建的基分类器获得全维度的分类结果;基于每个维度的雷达数据利用所述基分类器获得每个维度的分类结果;每个所述分类结果均包括分对样本、分错样本和错分率;
根据每个维度的分类结果与全维度的分类结果之间错分率的差异情况、以及每个维度的分类结果中分对样本与全维度的分类结果中分错样本的分布情况,得到每个维度对全维度的指导程度;
对每个维度的雷达数据分别进行聚类,根据每个维度的聚类结果中每个聚类簇内的雷达数据与中心雷达数据之间的差异情况,得到每个维度的每个雷达数据的向中心程度;
根据每个维度对全维度的指导程度和相同维度的雷达数据的向中心程度,对全维度数据在基分类器中的权重系数进行调整,根据调整后的权重系数训基分类器获得集成分类器,基于集成分类器对全维度数据进行分类获得混凝土墙体厚度的检测结果。
2.根据权利要求1所述的一种面向建筑墙体的混凝土厚度无损检测方法,其特征在于,所述根据每个维度的分类结果与全维度的分类结果之间错分率的差异情况、以及每个维度的分类结果中分对样本与全维度的分类结果中分错样本的分布情况,得到每个维度对全维度的指导程度,具体包括:
对于任意一个维度,根据该维度的分类结果中分对样本和全维度的分类结果中分错样本之间的交集情况确定该维度下的第一系数;根据该维度的分类结果中错分率和全维度的分类结果中错分率之间的大小差异情况,确定该维度下的第二系数;
根据所述第一系数和第二系数得到该维度对全维度的指导程度,所述第一系数和第二系数均与所述指导程度呈正相关关系。
3.根据权利要求2所述的一种面向建筑墙体的混凝土厚度无损检测方法,其特征在于,所述根据该维度的分类结果中分对样本和全维度的分类结果中分错样本之间的交集情况确定该维度下的第一系数,具体包括:
将任意一个维度记为目标维度,获取目标维度的分类结果中分对样本和全维度的分类结果中分错样本之间的交集,将该交集中的样本数量与全维度的分类结果中分错样本的数量之间的比值作为目标维度下的第一系数。
4.根据权利要求3所述的一种面向建筑墙体的混凝土厚度无损检测方法,其特征在于,所述根据该维度的分类结果中错分率和全维度的分类结果中错分率之间的大小差异情况,确定该维度下的第二系数,具体包括:
当目标维度的分类结果中错分率大于或等于全维度的分类结果中错分率时,将目标维度下的第二系数设置为预设数值;
当目标维度的分类结果中错分率小于全维度的分类结果中错分率时,对全维度的分类结果中错分率与目标维度的分类结果中错分率的差值进行正相关映射,将映射结果与所述预设数值的和值作为目标维度下的第二系数。
5.根据权利要求1所述的一种面向建筑墙体的混凝土厚度无损检测方法,其特征在于,所述根据每个维度的聚类结果中每个聚类簇内的雷达数据与中心雷达数据之间的差异情况,得到每个维度的每个雷达数据的向中心程度,具体包括:
对于任意一个维度,根据该维度下的每个簇类簇内每个雷达数据与相同聚类簇内其他雷达数据之间的相似情况,确定该维度下的每个簇类簇的中心雷达数据;
计算该维度下的每个簇类簇内每个雷达数据与相同簇类簇内的中心雷达数据之间的余弦相似度,得到该维度的每个雷达数据的向中心程度。
6.根据权利要求5所述的一种面向建筑墙体的混凝土厚度无损检测方法,其特征在于,所述根据该维度下的每个簇类簇内每个雷达数据与相同聚类簇内其他雷达数据之间的相似情况,确定该维度下的每个簇类簇的中心雷达数据,具体包括:
将任意一个维度记为选定维度,将选定维度的聚类结果中任意一个聚类簇记为选定聚类簇,将选定聚类簇中任意一个雷达数据记为选定雷达数据,将选定聚类簇中除了选定雷达数据之外的其他雷达数据记为选定雷达数据的参考雷达数据;
对于任意一个参考雷达数据,计算选定雷达数据和参考雷达数据之间的最小值与最大值的比值得到参考雷达数据与选定雷达数据的相似系数;
将所有参考雷达数据与选定雷达数据的相似系数的累加和作为选定雷达数据的判断指标;将选定聚类簇中判断指标的最大值对应的雷达数据作为选定聚类簇的中心雷达数据。
7.根据权利要求1所述的一种面向建筑墙体的混凝土厚度无损检测方法,其特征在于,所述根据每个维度对全维度的指导程度和相同维度的雷达数据的向中心程度,对全维度数据在基分类器中的权重系数进行调整,具体包括:
根据每个维度的雷达数据的错分情况对雷达数据的向中心程度进行调整,获得每个维度的雷达数据的特征系数;
对于任意一个全维度数据,将每个维度对全维度的指导程度作为权重,对全维度数据中每个维度的雷达数据的特征系数进行加权求和得到全维度数据的调整系数;将全维度数据的调整系数与该全维度数据在基分类器中的权重系数之间的乘积作为全维度数据调整后的权重系数。
8.根据权利要求7所述的一种面向建筑墙体的混凝土厚度无损检测方法,其特征在于,所述根据每个维度的雷达数据的错分情况对雷达数据的向中心程度进行调整,获得每个维度的雷达数据的特征系数具体为:
对于任意一个维度的任意一个雷达数据,若该雷达数据属于分错样本,则按照预设步长对雷达数据在该维度下的向中心程度进行增大,获得该维度的该雷达数据的特征系数;
若该雷达数据属于分对样本,则将该雷达数据在该维度下的向中心程度作为该维度的该雷达数据的特征系数。
9.根据权利要求1所述的一种面向建筑墙体的混凝土厚度无损检测方法,其特征在于,所述基于集成分类器对全维度数据进行分类获得混凝土墙体厚度的检测结果具体为:
将每个全维度数据输入集成分类器获得混凝土墙体厚度的检测结果为合格或者不合格。
10.根据权利要求1所述的一种面向建筑墙体的混凝土厚度无损检测方法,其特征在于,所述基分类器的获取方法具体为:构建决策树作为基分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410430325.7A CN118035850B (zh) | 2024-04-11 | 2024-04-11 | 一种面向建筑墙体的混凝土厚度无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410430325.7A CN118035850B (zh) | 2024-04-11 | 2024-04-11 | 一种面向建筑墙体的混凝土厚度无损检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118035850A true CN118035850A (zh) | 2024-05-14 |
CN118035850B CN118035850B (zh) | 2024-07-02 |
Family
ID=91002639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410430325.7A Active CN118035850B (zh) | 2024-04-11 | 2024-04-11 | 一种面向建筑墙体的混凝土厚度无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118035850B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111679971A (zh) * | 2020-05-20 | 2020-09-18 | 北京航空航天大学 | 一种基于Adaboost的软件缺陷预测方法 |
JP2021034025A (ja) * | 2019-08-16 | 2021-03-01 | 富士通株式会社 | レーダ反射点のクラスタリング装置、方法及び電子機器 |
CN112503721A (zh) * | 2020-11-20 | 2021-03-16 | 国网江苏综合能源服务有限公司 | 一种基于概率神经网络的分体式空调故障识别方法 |
CN116701725A (zh) * | 2023-08-09 | 2023-09-05 | 匠达(苏州)科技有限公司 | 基于深度学习的工程师人员数据画像处理方法 |
CN117313222A (zh) * | 2023-11-29 | 2023-12-29 | 青岛东捷建设集团有限公司 | 基于bim技术的建筑施工数据处理方法 |
CN117421618A (zh) * | 2023-11-24 | 2024-01-19 | 上海东方低碳科技产业股份有限公司 | 一种建筑能耗监测方法及系统 |
CN117493953A (zh) * | 2023-10-31 | 2024-02-02 | 国网青海省电力公司海北供电公司 | 一种基于缺陷数据挖掘的避雷器状态评估方法 |
CN117714215A (zh) * | 2024-02-06 | 2024-03-15 | 江苏开博科技有限公司 | 实时网络威胁检测方法及功能设备 |
-
2024
- 2024-04-11 CN CN202410430325.7A patent/CN118035850B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021034025A (ja) * | 2019-08-16 | 2021-03-01 | 富士通株式会社 | レーダ反射点のクラスタリング装置、方法及び電子機器 |
CN111679971A (zh) * | 2020-05-20 | 2020-09-18 | 北京航空航天大学 | 一种基于Adaboost的软件缺陷预测方法 |
CN112503721A (zh) * | 2020-11-20 | 2021-03-16 | 国网江苏综合能源服务有限公司 | 一种基于概率神经网络的分体式空调故障识别方法 |
CN116701725A (zh) * | 2023-08-09 | 2023-09-05 | 匠达(苏州)科技有限公司 | 基于深度学习的工程师人员数据画像处理方法 |
CN117493953A (zh) * | 2023-10-31 | 2024-02-02 | 国网青海省电力公司海北供电公司 | 一种基于缺陷数据挖掘的避雷器状态评估方法 |
CN117421618A (zh) * | 2023-11-24 | 2024-01-19 | 上海东方低碳科技产业股份有限公司 | 一种建筑能耗监测方法及系统 |
CN117313222A (zh) * | 2023-11-29 | 2023-12-29 | 青岛东捷建设集团有限公司 | 基于bim技术的建筑施工数据处理方法 |
CN117714215A (zh) * | 2024-02-06 | 2024-03-15 | 江苏开博科技有限公司 | 实时网络威胁检测方法及功能设备 |
Non-Patent Citations (3)
Title |
---|
XIE YUAN-CHENG等: "Using clustering to speed up AdaBoost and detecting noisy data", JOURNAL OF SOFTWARE, vol. 21, no. 8, 1 August 2010 (2010-08-01) * |
王玲娣;徐华;: "一种基于聚类和AdaBoost的自适应集成算法", 吉林大学学报(理学版), no. 04, 26 July 2018 (2018-07-26) * |
罗文华;许彩滇;: "利用改进DBSCAN聚类实现多步式网络入侵类别检测", 小型微型计算机系统, no. 08, 15 August 2020 (2020-08-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN118035850B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107256245B (zh) | 面向垃圾短信分类的离线模型改进与选择方法 | |
CN110309302A (zh) | 一种结合svm和半监督聚类的不平衡文本分类方法及系统 | |
CN115577275A (zh) | 一种基于lof和孤立森林的时序数据异常监测系统及方法 | |
CN111914090B (zh) | 一种企业行业分类识别及其特征污染物识别的方法及装置 | |
CN109873779B (zh) | 一种基于lstm的分级式无线信号调制类型识别方法 | |
CN111832462B (zh) | 一种基于深度神经网络的跳频信号检测与参数估计方法 | |
CN107579846B (zh) | 一种云计算故障数据检测方法及系统 | |
Mechefske et al. | Fault detection and diagnosis in low speed rolling element bearings Part II: The use of nearest neighbour classification | |
CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
CN111833175A (zh) | 基于knn算法的互联网金融平台申请欺诈行为检测方法 | |
CN117972406A (zh) | 一种基于大数据的指数体系模型构建方法 | |
CN118035850B (zh) | 一种面向建筑墙体的混凝土厚度无损检测方法 | |
CN116257651B (zh) | 一种贯通道渡板异响智能监测系统 | |
CN117235632A (zh) | 一种大型蒸发传感器水位异常数据检测方法 | |
CN113523904A (zh) | 一种刀具磨损检测方法 | |
CN113344031B (zh) | 一种文本分类方法 | |
CN112014821B (zh) | 一种基于雷达宽带特征的未知车辆目标识别方法 | |
CN111652733B (zh) | 基于云计算和区块链的金融信息管理系统 | |
CN111833856B (zh) | 基于深度学习的语音关键信息标定方法 | |
CN115049870A (zh) | 一种基于小样本的目标检测方法 | |
Zhang et al. | Improved Sparse Representation of Open Set HRRP Recognition Method | |
CN109036390B (zh) | 一种基于集成梯度提升机的广播关键字识别方法 | |
CN113792141A (zh) | 基于协方差度量因子的特征选择方法 | |
CN111126444A (zh) | 分类器集成方法 | |
CN115579000B (zh) | 一种用于语音识别芯片的智能修正方法及系统 |
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 |