【技术实现步骤摘要】
本专利技术属于建筑结构健康检测领域，具体是指一种超高层施工过程中结构健康监测方法及系统。
技术介绍
1、超高层建筑的安全性和健康状况对于人们的生命财产安全至关重要，由于超高层建筑存在的特殊性和复杂性，结构健康状况的监测和评估成为一个重要的任务，为了确保超高层建筑的结构安全和健康，需要定期进行结构健康检测和监测，这些检测通常涉及使用传感器和监测设备对结构进行实时监测，但是现有的监测判断手段通常为人工对是否安全进行判断，人工判断的准确率较低，会耗费很多人力物力以及时间成本，并且现有超高层建筑结构健康判断模型识别效率较低，难以实现对建筑结构健康安全的及时判断。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种超高层施工过程中结构健康监测方法及系统，针对现有的超高层结构健康监测中，监测判断手段通常为人工对是否安全进行判断，准确率较低且耗费人力物力以及时间成本的问题，本专利技术采用机器学习的方法，综合运用特征提取模型与特征分类预测模型，对超高层结构健康进行快速准确地分类预测；本专利技术综合运用cnn模型、gcn模型与基于adagrad学习率调度优化的bilstm模型提取超高层建筑结构的时空间特征，对结构健康做出准确识别与预测；针对现有识别模型识别效率较低，难以实现对建筑结构健康安全的及时判断的问题，本专利技术采用基于准确率双向反馈的特征简约算法，对特征进行选择，减少了需要分类的特征数量，提高识别效率，能够更及时地对建筑结构健康安全判断。
2、本专利技术采
3、步骤s1：图像收集，采用多角度球机监控实时拍摄超高层建筑图像；
4、步骤s2：数据采集，对多角度球机监控实时拍摄的超高层建筑图像进行采集与整理；
5、步骤s3：数据预处理，对超高层建筑图像进行预处理，调整图像尺寸为固定大小，改变图像亮度与对比度，并对图像进行去噪与归一化操作，得到预处理过后的图像；
6、步骤s4：特征提取，使用特征提取模型对预处理过后的图像进行特征提取，得到超高层建筑结构的时空特征向量；
7、步骤s5：特征简约，使用基于准确率双向反馈的特征简约算法对超高层建筑结构的时空特征向量进行特征简约，得到简约后的时空特征向量；
8、步骤s6：建筑结构分类预测，使用softmax函数对简约后的时空特征向量进行分类预测，得到超高层建筑结构的预测分类结果；
9、步骤s7：结构健康判断，根据预测分类结果，对结超高层建筑结构进行健康预测与分类，判断结构是否健康或者是否有趋于危险结构的趋势；
10、步骤s8：模型评估与优化，对特征提取模型和基于准确率双向反馈的特征简约算法进行评估，根据实际应用中的反馈和需求对特征提取模型和基于准确率双向反馈的特征简约算法进行优化和改进。
11、进一步的，步骤s4，具体包括以下步骤：
12、步骤s41：使用基于cnn模型的超高层建筑结构关键点提取模型，对超高层建筑结构关键点进行特征提取；
13、进一步的，步骤s41，具体包括以下步骤：
14、步骤s411：初始化cnn模型，初始化大小分别为3*3与7*7的卷积核，初始化n种步幅数与空间分辨率；
15、步骤s412：特征提取，使用大小为3*3与7*7的卷积核与n种步幅数对预处理过后的图像进行卷积操作，捕获图像的特征，得到图像的特征图，对特征图进行池化操作，减小特征图的尺寸，保持特征图的局部不变，得到池化后的特征图；
16、步骤s413：将池化后的特征图输入到中间层，对池化后的特征图进行深层次的卷积操作，进一步捕捉超高层建筑结构特征，使用残差连接，得到解决梯度消失与梯度爆炸问题的最终特征图；
17、步骤s414：对最终特征图进行超高层建筑结构关键点检测，使用密集卷积核，对最终特征图的超高层建筑结构关键点进行提取，使用精细空间分辨率捕捉超高层建筑结构关键点的位置信息与置信度信息；
18、步骤s415：对超高层建筑结构关键点的位置信息与置信度信息进行非极大值抑制处理与阈值处理，得到最终的超高层建筑结构关键点的位置信息与置信度信息；
19、步骤s42：使用gcn模型，对超高层建筑结构关键点的位置信息与置信度信息进行处理，得到超高层建筑结构的空间特征向量；
20、进一步的，步骤s42，具体包括以下步骤：
21、步骤s421：创建节点，将每个超高层建筑结构关键点定义为图的一个节点，并将超高层建筑结构关键点的位置信息与置信度信息作为节点的特征向量；
22、步骤s422：构建边，根据超高层建筑结构，确定节点之间的连接关系，构建邻接矩阵，根据关节点之间的连接关系，构建二维邻接矩阵，并根据节点之间的连接关系，定义邻接矩阵的位置元素；
23、步骤s423：将节点与边进行组合，形成完整建筑的图结构；
24、步骤s424：初始化gcn层数，每个gcn层将节点的特征向量与邻居节点的特征向量进行卷积操作，得到更新后的特征向量；
25、步骤s426：初始化多个gcn层，逐层更新节点的特征向量，将每一层的输出作为下一层的输入，直到到达最后一个gcn层，得到融合聚合上下文信息的特征向量；
26、步骤s427：将融合聚合上下文信息的特征向量进行平均池化操作，得到每个节点的具有全局特征的空间特征向量；
27、步骤s428：将每个节点的具有全局特征的空间特征向量作为一个时间步，按照时间数序排序构建空间特征向量的时间序列，将构建的时间序列转化为超高层建筑结构的空间特征向量：
28、；
29、式中，是时间步，是节点数，是每个节点的全局特征的空间特征向量的维度，代表超高层建筑结构的空间特征向量；
30、步骤s43：使用bilstm模型，对超高层建筑结构的空间特征向量进行基于时间的特征提取，得到超高层建筑结构的时空特征向量；
31、进一步的，步骤s43，具体包括以下步骤：
32、步骤s431：初始化bilstm模型，设定参数，参数包括输入层层数、隐藏层层数、输出层层数、全连接层层数、输入门、遗忘门、输出门、正向输出的时间步数和反向输出的时间步数，定义初始学习率、积累梯度平方和以及最大迭代次数，将超高层建筑结构的空间特征向量定义为输入数据；
33、步骤s432：将输入数据输入到正向lstm层中，按照正常时间序列处理输入数据，得到相应的正向隐藏状态序列；
34、步骤s433：将输入数据输入到反向lstm层中，按照相反时间序列处理输入数据，得到相应的反向隐藏状态序列；
35、步骤s434：将正向lstm层得到的正向隐藏状态序列与反向lstm层得到的反向隐藏状态序列进行合并，得到初级时空特征；
36、步骤s435：初始化学习率与积累梯度平方和，根据初本文档来自技高网...
【技术保护点】
1.一种超高层施工过程中结构健康监测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种超高层施工过程中结构健康监测方法，其特征在于：步骤S4，具体包括以下步骤：
3.根据权利要求2所述的一种超高层施工过程中结构健康监测方法，其特征在于：步骤S41，具体包括以下步骤：
4.根据权利要求2所述的一种超高层施工过程中结构健康监测方法，其特征在于：步骤S42，具体包括以下步骤：
5.根据权利要求2所述的一种超高层施工过程中结构健康监测方法，其特征在于：步骤S43，具体包括以下步骤：
6.根据权利要求1所述的一种超高层施工过程中结构健康监测方法，其特征在于：步骤S5，具体包括以下步骤：
7.一种超高层施工过程中结构健康监测系统，用于实现权利要求1至6任一项所述的一种超高层施工过程中结构健康监测方法，其特征在于：
【技术特征摘要】
1.一种超高层施工过程中结构健康监测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种超高层施工过程中结构健康监测方法，其特征在于：步骤s4，具体包括以下步骤：
3.根据权利要求2所述的一种超高层施工过程中结构健康监测方法，其特征在于：步骤s41，具体包括以下步骤：
4.根据权利要求2所述的一种超高层施工过程中结构健康监测方法，其特征在于：步骤s4...
【专利技术属性】
技术研发人员：徐鸿昌，回宝业，王小虎，于雷，闫田青，雷波，宗朝阳，王欣，危家鑫，周烨，
申请(专利权)人：中建三局城建有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。