CN119395237A 一种建筑材料质量检测方法及系统 （泉州天树建材有限公司）

本发明公开了一种建筑材料质量检测方法多功能智能节点形成分布式传感器阵列采集监利用卷积神经网络和长短期记忆网络建立时间2融合分布式传感器阵列的数据与无人机采集的图像信息基于所述综合分析基础数据，利用卷积神经网络和长短期记忆网基于所述趋势预测结果，采用密度聚类和支持向量机算法对综根据建筑材料的几何尺寸数据、内部结构数据和表面形貌数据构建所述异常样本检测结果映射到所述三维网格模型中，建立数字孪生模型并标注异常区域，将分布式传感器阵列采集的振动信号、应力数据及环境参数按照时间戳进行同步对对传感器时序数据矩阵进行去噪和异常值筛除，通过小波变换提对全景图像进行图像增强和特征提取，获取建筑表面的纹理特征、;建立双分支神经网络架构，其中卷积神经网络分支用于空;;为第l层的特征图输出，ReLU为修正线性单元为第l-1层的特征图输入，b,第l层的偏置项，为t时刻的输入门状态，σ为3通过卷积神经网络对每个时间窗口内的空间特征进行提取，采;将所述局部结构特征输入长短期记忆网络，通过时序依赖建模捕;基于注意力机制，计算不同时间步长的特征权重，对长短期记忆;t时刻第i个CNN特征的注意力权重，g,(t)为t时刻第j个LSTM特征的注为第i个CNN特征的注意力得分，f;(t)为第j个LSTM特征的注意力得分，;4对预测结果进行置信区间估计，生成包含性能变化;对所述异常检测特征空间进行标准化处理，生成归一化特征矩阵，所采用密度聚类算法对所述归一化特征矩阵进行聚类分析，获取样本密;采用支持向量机对所述样本簇进行分类，建立正常样本与异常样本的;5将所述异常样本检测结果与所述三维网格模型的网格单元建立空间在所述三维网格模型中根据所述异常位置索引表标注异常基于所述三维网格模型构建数字孪生模型，所述数字孪生模所述数据采集模块用于在建筑结构节点部署多功能智能节点，形成分布式传感器阵所述数据融合模块用于融合分布式传感器阵列的数据与无人机采集的所述模型构建模块用于基于所述综合分析基础数据，利用卷积神所述异常检测模块用于基于所述趋势预测结果，采用密度聚类和支所述质量标注模块用于根据建筑材料的几何尺寸数据、内部结构数据9.一种计算机设备，包括存储器和处理器，所述存储器存于，所述处理器执行所述计算机程序时实现权利要求1~7任一所述建筑材料质量检测方法被处理器执行时实现权利要求1~7任一所述建筑材料质量检测6[0004]本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施7根据建筑材料的几何尺寸数据、内部结构数据和表面形貌数据构建三维网格模;其中，F(t)为t时刻的融合特征输出，S:(t)为第i个传感器节点的时序数据，将所述综合分析基础数据按照时间窗口大小T划分为训练样本序列{Xt，t=1,;;为第l-1层的特征图输入，b,第l层的偏置项，i为t时刻的输入门状态，σ8;为第c个通道的卷积核权重，xre为t时刻第c个通道的输入，b。为第c个通道的偏置项；;其中，ct为记忆单元状态，o.为输出门状态，LSTM,为第;t时刻第i个CNN特征的注意力权重，g,(t)为t时刻第j个LSTM特为第i个CNN特征的注意力得分，f;(t)为第j个LSTM特征的注意力融合双分支网络的输出结果，通过全连接层生成建筑材料未来性能的多维预测;对预测结果进行置信区间估计，生成包含性能变化趋势及其不确定性的预测结;9采用密度聚类算法对所述归一化特征矩阵进行聚类分析，获取样本密度分布图，;i与j之间的欧氏距离，n为样本采用支持向量机对所述样本簇进行分类，建立正常样本与异常样本的分类边界，;所述数据融合模块用于融合分布式传感器阵列的数据与无人机采集的图像信息，适应融合算法对多源数据进行处理，通过时变自适应权重系数动态调整各数据源的权重，三维数字孪生模型中实现可视化展示，显著提高了异常检测的准确率和结果的可理解性。[0019]图1为本发明一个实施例提供的一种建筑材料质量检测方法及系统的方法流程图2为本发明一个实施例提供的一种建筑材料质量检测方法及系统的计算机设备将具有自适应采样频率调节机制的多功能智能节点布设于建筑结构的受力关键述分布式传感器阵列采集的监测数据传输至;其中，F(t)为t时刻的融合特征输出，S:(t)为第i个传感器节点的时序数据，进一步的，将所述综合分析基础数据集按照时间窗口大小T划分为训练样本序列t;;为第l-1层的特征图输入，b,第l层的;;其中，ct为记忆单元状态，o.为输出门状态，LSTM,为第;t时刻第i个CNN特征的注意力权重，g,(t)为t时刻第j个LSTM特为第i个CNN特征的注意力得分，f;(t)为第j个LSTM特征的注意力融合双分支网络的输出结果，通过全连接层生成建筑材料未来性能的多维预测;对预测结果进行置信区间估计，生成包含性能变化趋势及其不确定性的预测结;采用密度聚类算法对所述归一化特征矩阵进行聚类分析，获取样本密度分布图，;i与j之间的欧氏距离，n为样本采用支持向量机对所述样本簇进行分类，建立正常样本与异常样本的分类边界，;设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、根据建筑材料的几何尺寸数据、内部结构数据和表面形貌数据构建三维网格模计语言Java和直译式脚本语言JavaScr