CN112051394B - 一种木结构古建筑的缺损度检测算法及检测方法 - Google Patents

Abstract

本发明涉及一种木结构古建筑的缺损度检测算法及检测方法，本木结构古建筑的缺损度检测算法包括：获取温度数据、湿度数据、相对水平倾斜度数据；计算温度偏离比、湿度偏离比、相对水平倾斜度比；建立向量；根据相应向量构建木结构古建筑缺损度检测模型；根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据，给出当前木结构古建筑的缺损度指数和预警策略；以及根据木结构古建筑缺损度模型预测木结构古建筑的期望寿命；本发明避免了由人工进行古建筑维护或由人工根据监测数据进行维护具有主观性强、随意性大的缺点，有利于对木结构古建筑进行预防性保护并且降低了木结构古建筑的人力维护成本。

Description

一种木结构古建筑的缺损度检测算法及检测方法

技术领域

本发明属于古建筑保护技术领域，具体涉及一种木结构古建筑的缺损度检测算法及检测方法。

背景技术

中国的木结构古建筑，在世界建筑史上无疑占有着无与伦比的地位。木结构古建筑的材质特点明显，但也带来了问题。木材是生物材质，易发生真菌产生腐朽，腐朽的木材在承重力度大大下降，从而影响建筑的安全性。随着时间的迁移，保留至今的木结构古建筑越来越需要维修和保护。

但是现在相关人员对木结构古建筑的检测还是以人工为主，这样的检测中人为因素较大。不仅需要人力物力较多，而且人工检测过程中可能对木结构古建筑造成二次破坏。

部分木结构古建筑采用了基于物联网的监测***，但目前主要停留在对数据进行采集和存储的阶段，没有达到对数据进行更深入的分析和挖掘的层次。而上述***由于对数据利用的不充分，往往不能达到对木结构古建筑的预测性防护。

现在针对木结构古建筑的保护观念和方法比较落后，基本上是当建筑出现严重问题时才上报维修，这样基本是事后补救，很多古建筑就因为错过了最佳修复时期而出现不可逆转的损失。

因此，亟需开发一种新的木结构古建筑的缺损度检测算法及检测方法，以解决上述问题。

发明内容

本发明的目的是提供一种木结构古建筑的缺损度检测算法及检测方法。

为了解决上述技术问题，本发明提供了一种木结构古建筑的缺损度检测算法，其包括：获取温度数据、湿度数据、相对水平倾斜度数据；根据相应温度数据、湿度数据、相对水平倾斜度数据计算温度偏离比、湿度偏离比、相对水平倾斜度比；根据相应温度偏离比、湿度偏离比、相对水平倾斜度比建立向量；根据相应向量构建木结构古建筑缺损度检测模型；根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据，给出当前木结构古建筑的缺损度指数和预警策略；以及根据木结构古建筑缺损度模型预测木结构古建筑的期望寿命。

进一步，所述根据相应温度数据、湿度数据、相对水平倾斜度数据计算温度偏离比、湿度偏离比、相对水平倾斜度比的方法包括：所述温度偏离比为：

所述湿度偏离比为：

所述相对水平倾斜度比为：

其中，T_ji为第j组测量节点第i个记录数据的温度值，H_ji为第j组测量节点第i个记录数据的湿度值，S_ji为第j组测量节点第i个记录数据的水平倾斜度值，T₀为温度标准值，H₀为湿度标准值，S₀为水平倾斜度上限。

进一步，所述根据相应温度偏离比、湿度偏离比、相对水平倾斜度比建立向量的方法包括：获取温度偏离比、湿度偏离比、相对水平倾斜度比在特征中的最佳组合比例，即目标函数为：

其中，C₁为温度偏离比比例，C₂为湿度偏离比比例，C₃为相对水平倾斜度比比例，y_i为第i个数据的类标记，且y_i为-1时表示木结构古建筑出现损毁；

使用梯度下降法求C，即(C₁，C₂)；C定义为

当L(C)最小时，即

趋近0时，迭代所得的C^*为最优解，α表示步长。

进一步，所述根据相应温度偏离比、湿度偏离比、相对水平倾斜度比建立向量的方法还包括：对特征进行量化，即

对

进行量化，且量化间隔为0.1，得到

进一步，所述根据相应向量构建木结构古建筑缺损度检测模型的方法包括：建立数据向量：x＝(x⁽¹⁾，x⁽²⁾，...，x^(j)，...，x^(M))；建立系数向量：

w＝(w⁽¹⁾，w⁽²⁾，...，w^(j)，...，w^(M))；构建最优化模型，即

s.t.y_i(w·x_i+b)≥1-ξ_i；ξ_i≥0i＝1，2，......，N；其中，C为惩罚系数；x_i为第i个训练数据向量；y_i为x_i的类标记，当y_i为-1时表示木结构古建筑出现损毁，当y_i为1时表示木结构古建筑无损；N为训练数据数目；ξ为松弛变量；ξ_i为第i个训练数据的松弛变量；b为偏置；则最优化模型的解为：w^*；

其中，w^*即为最优分类超平面的法向量；

为拉格朗日乘子向量中对偶问题的解的第i个元素。

进一步，所述根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据，给出当前木结构古建筑的缺损度指数和预警策略的方法包括：获取温度数据、湿度数据、相对水平倾斜度数据在法向量上进行投影后所得到的数据，出现木结构古建筑损毁与木结构古建筑状态正常两个数据类别的均值与方差，即

其中，N_A为类别y＝1的样本数；N_B为类别y＝-1的样本数；μ_B为出现木结构古建筑损毁数据在w^*向量轴投影后所得到的数据的均值；μ_A为木结构古建筑状态正常数据在w^*向量轴投影后所得到的数据的均值；δ_A为木结构古建筑状态正常数据在w^*向量轴投影后所得到的数据的标准差；δ_B为出现木结构古建筑损毁数据在w^*向量轴投影后所得到的数据的标准差；

进一步，所述根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据，给出当前木结构古建筑的缺损度指数和预警策略的方法包括：设x_A为所有y＝1的样本数据总和，Z_A为x_A在w^*向量轴的投影，设当前数据为x_c，即Zc＝w^*x_c；当wx_c≤μ_A+δ_A时，木结构古建筑危险度V为0；当wx_c≥μ_B-δ_B时，木结构古建筑危险度V为1；当μ_A+δ_A≤wx_c≤μ_B-δ_B时，木结构古建筑危险度V为：

其中，H(Z_C|Z_A)为在给定Z_A条件下，Z_C的条件熵；H(μ_B|Z_A)为在给定Z_A条件下，μ_B的条件熵；木结构古建筑危险度V越小表示木结构古建筑缺损越小，木结构古建筑危险度V越大表示木结构古建筑缺损越大。

进一步，所述根据木结构古建筑缺损度模型预测木结构古建筑的期望寿命的方法包括：木结构古建筑的预测期望寿命为：P＝(1-V)P₀；P为当前木结构古建筑在当前危险度V下的预测期望寿命，P₀为对当前木结构古建筑为在状态正常时基准估计寿命。

另一方面，本发明提供一种木结构古建筑的缺损度检测方法，其包括：将各测量节点安装在相应木结构古建筑上；将安装在具有相同木结构建筑上的对应测量节点分在同组，并对同组测量节点按在木结构建筑上位置的关键程度大小排序，以对各测量节点编号；各测量节点通过相应协调器将测量数据发送至服务器；服务器根据测量数据计算温度偏离比、湿度偏离比、相对水平倾斜度比以构建木结构古建筑缺损度检测模型；服务器根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据，给出当前木结构古建筑的缺损度指数和预警策略、期望寿命。

本发明的有益效果是，本发明避免了由人工进行古建筑维护或由人工根据监测数据进行维护具有主观性强、随意性大的缺点，有利于对木结构古建筑进行预防性保护，在损坏没有真实发生之前，就能以最小代价保护古建筑，并且降低了木结构古建筑的人力维护成本。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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是本发明的木结构古建筑的缺损度检测算法的流程图；

图2是本发明的木结构古建筑的缺损度检测方法的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

图1是本发明的木结构古建筑的缺损度检测算法的流程图；

在本实施例中，如图1所示，本实施例提供了一种木结构古建筑的缺损度检测算法，其包括：获取温度数据、湿度数据、相对水平倾斜度数据；根据相应温度数据、湿度数据、相对水平倾斜度数据计算温度偏离比、湿度偏离比、相对水平倾斜度比；根据相应温度偏离比、湿度偏离比、相对水平倾斜度比建立向量；根据相应向量构建木结构古建筑缺损度检测模型；根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据，给出当前木结构古建筑的缺损度指数和预警策略；以及根据木结构古建筑缺损度模型预测木结构古建筑的期望寿命。

在本实施例中，本实施例避免了由人工进行古建筑维护或由人工根据监测数据进行维护具有主观性强、随意性大的缺点，有利于对木结构古建筑进行预防性保护，在损坏没有真实发生之前，就能以最小代价保护古建筑，并且降低了木结构古建筑的人力维护成本。

在本实施例中，所述根据相应温度数据、湿度数据、相对水平倾斜度数据计算温度偏离比、湿度偏离比、相对水平倾斜度比的方法包括：所述温度偏离比为：

所述湿度偏离比为：

所述相对水平倾斜度比为：

其中，T_ji为第j组测量节点第i个记录数据的温度值，H_ji为第j组测量节点第i个记录数据的湿度值，S_ji为第j组测量节点第i个记录数据的水平倾斜度值，T₀为温度标准值，H₀为湿度标准值，S₀为水平倾斜度上限。

在本实施例中，将具有相同木结构建筑分在同组，对测量节点按所测木结构位置的关键程度大小排序，第1组测量节点为最关键测量节点，以下依顺序关键程度逐渐降低。

在本实施例中，所述根据相应温度偏离比、湿度偏离比、相对水平倾斜度比建立向量的方法包括：获取温度偏离比、湿度偏离比、相对水平倾斜度比在特征中的最佳组合比例，即目标函数为：

其中，C₁为温度偏离比比例，C₂为湿度偏离比比例，C₃为相对水平倾斜度比比例，y_i为第i个数据的类标记，且y_i为-1时表示木结构古建筑出现损毁；

使用梯度下降法求C,即(C₁,C₂)；C定义为

当L(C)最小时，即

趋近0时，迭代所得的C^*为最优解，α表示步长。

在本实施例中，所述根据相应温度偏离比、湿度偏离比、相对水平倾斜度比建立向量的方法还包括：对特征进行量化，即

对

进行量化，且量化间隔为0.1，得到

在本实施例中，所述根据相应向量构建木结构古建筑缺损度检测模型的方法包括：建立数据向量：x＝(x⁽¹⁾，x⁽²⁾，...，x^(j)，...，x^(M))；建立系数向量：

w＝(w⁽¹⁾，w⁽²⁾，...，w^(j)，...，w^(M))；构建最优化模型，即

s.t.y_i(w·x_i+b)≥1-ξ_i；ξ_i≥0i＝1,2,......,N；其中，C为惩罚系数；x_i为第i个训练数据向量；y_i为x_i的类标记，当y_i为-1时表示木结构古建筑出现损毁，当y_i为1时表示木结构古建筑无损；N为训练数据数目；ξ为松弛变量；ξ_i为第i个训练数据的松弛变量；b为偏置；则最优化模型的解为：w^*；

其中，w^*即为最优分类超平面的法向量；

为拉格朗日乘子向量中对偶问题的解的第i个元素。

在本实施例中，使用软间隔SVM，求几何间隔最大的分类超平面，将问题可以表示为约束最优化问题，即构建最优化模型。

在本实施例中，所述根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据，给出当前木结构古建筑的缺损度指数和预警策略的方法包括：获取温度数据、湿度数据、相对水平倾斜度数据在法向量上进行投影后所得到的数据，出现木结构古建筑损毁与木结构古建筑状态正常两个数据类别的均值与方差，即

其中，N_A为类别y＝1的样本数；N_B为类别y＝-1的样本数；μ_B为出现木结构古建筑损毁数据在w^*向量轴投影后所得到的数据的均值；μ_A为木结构古建筑状态正常数据在w^*向量轴投影后所得到的数据的均值；δ_A为木结构古建筑状态正常数据在w^*向量轴投影后所得到的数据的标准差；δ_B为出现木结构古建筑损毁数据在w^*向量轴投影后所得到的数据的标准差；

在本实施例中，所述根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据，给出当前木结构古建筑的缺损度指数和预警策略的方法包括：设x_A为所有y＝1的样本数据总和，Z_A为x_A在w^*向量轴的投影，设当前数据为x_c，即Zc＝w^*x_c；当wx_c≤μ_A+δ_A时，木结构古建筑危险度V为0；当wx_c≥μ_B-δ_B时，木结构古建筑危险度V为1；当μ_A+δ_A≤wx_c≤μ_B-δ_B时，木结构古建筑危险度V为：

其中，H(Z_C|Z_A)为在给定Z_A条件下，Z_C的条件熵；H(μ_B|Z_A)为在给定Z_A条件下，μ_B的条件熵；木结构古建筑危险度V越小表示木结构古建筑缺损越小，木结构古建筑危险度V越大表示木结构古建筑缺损越大。

在本实施例中，木结构古建筑危险度V为从0到1范围的数，越接近0表示危险度越小，越接近1表示危险度越大，用户可根据危险度大小进行预防性维护。

在本实施例中，危险度V>γ时，启动预警。γ为预警阈值，范围为0.4-0.5，用户可以自主在该范围内选择阈值设置，以上预警阈值取值范围合理，很好地在避免虚报和避免漏报之间进行了折衷。

在本实施例中，所述根据木结构古建筑缺损度模型预测木结构古建筑的期望寿命的方法包括：木结构古建筑的预测期望寿命为：P＝(1-V)P₀；P为当前木结构古建筑在当前危险度V下的预测期望寿命，P₀为对当前木结构古建筑为在状态正常时基准估计寿命，以便于根据实际情况估计设定。

实施例2

图2是本发明的木结构古建筑的缺损度检测方法的流程图。

在实施例1的基础上，如图2所示，本实施例提供一种木结构古建筑的缺损度检测方法，其包括：将各测量节点安装在相应木结构古建筑上；将安装在具有相同木结构建筑上的对应测量节点分在同组，并对同组测量节点按在木结构建筑上位置的关键程度大小排序，以对各测量节点编号；各测量节点通过相应协调器将测量数据发送至服务器；服务器根据测量数据计算温度偏离比、湿度偏离比、相对水平倾斜度比以构建木结构古建筑缺损度检测模型；服务器根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据，给出当前木结构古建筑的缺损度指数和预警策略、期望寿命。

在本实施例中，木结构古建筑的缺损度检测方法适于采用如实施例1所体用的木结构古建筑的缺损度检测算法对木结构古建筑的缺损度指数和预警策略、期望寿命进行预估。

综上所述，本发明避免了由人工进行古建筑维护或由人工根据监测数据进行维护具有主观性强、随意性大的缺点，有利于对木结构古建筑进行预防性保护，在损坏没有真实发生之前，就能以最小代价保护古建筑，并且降低了木结构古建筑的人力维护成本。

在本申请所提供的几个实施例中，应该理解到，所揭露的***和方法，也可以通过其它的方式实现。以上所描述的***实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (3)

1.一种木结构古建筑的缺损度检测算法，其特征在于，包括：

获取温度数据、湿度数据、相对水平倾斜度数据；

根据相应温度数据、湿度数据、相对水平倾斜度数据计算温度偏离比、湿度偏离比、相对水平倾斜度比；

根据相应温度偏离比、湿度偏离比、相对水平倾斜度比建立向量；

根据相应向量构建木结构古建筑缺损度检测模型；

根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据，给出当前木结构古建筑的缺损度指数和预警策略；以及

根据木结构古建筑缺损度模型预测木结构古建筑的期望寿命；

所述根据相应温度数据、湿度数据、相对水平倾斜度数据计算温度偏离比、湿度偏离比、相对水平倾斜度比的方法包括：

所述温度偏离比为：

所述湿度偏离比为：

所述相对水平倾斜度比为：

其中，T_ji为第j组测量节点第i个记录数据的温度值，H_ji为第j组测量节点第i个记录数据的湿度值，S_ji为第j组测量节点第i个记录数据的水平倾斜度值，T₀为温度标准值，H₀为湿度标准值，S₀为水平倾斜度上限；

所述根据相应温度偏离比、湿度偏离比、相对水平倾斜度比建立向量的方法包括：

获取温度偏离比、湿度偏离比、相对水平倾斜度比在特征中的最佳组合比例，即

目标函数为：

其中，C₁为温度偏离比比例，C₂为湿度偏离比比例，C₃为相对水平倾斜度比比例，y_i为第i个数据的类标记，且y_i为-1时表示木结构古建筑出现损毁；

使用梯度下降法求C,即C定义为

当L(C)最小时，即

趋近0时，迭代所得的C^*为最优解，α表示步长；

所述根据相应温度偏离比、湿度偏离比、相对水平倾斜度比建立向量的方法还包括：

对特征进行量化，即

对

进行量化，且量化间隔为0.1，得到

所述根据相应向量构建木结构古建筑缺损度检测模型的方法包括：

建立数据向量：x＝(x⁽¹⁾,x⁽²⁾,…,x^(j),…,x^(M))；

建立系数向量：w＝(w⁽¹⁾,w⁽²⁾,…,w^(j),…,w^(M))；

构建最优化模型，即

s.t.y_i(w·x_i+b)≥1-ξ_i；

ξ_i≥0 i＝1,2,......,N；

其中，C₀为惩罚系数；x_i为第i个训练数据向量；y_i为x_i的类标记，当y_i为-1时表示木结构古建筑出现损毁，当y_i为1时表示木结构古建筑无损；N为训练数据数目；ξ为松弛变量；ξ_i为第i个训练数据的松弛变量；b为偏置；

则最优化模型的解为：w^*；

其中，w^*即为最优分类超平面的法向量；

为拉格朗日乘子向量中对偶问题的解的第i个元素；

所述根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据，给出当前木结构古建筑的缺损度指数和预警策略的方法包括：

获取温度数据、湿度数据、相对水平倾斜度数据在法向量上进行投影后所得到的数据，出现木结构古建筑损毁与木结构古建筑状态正常两个数据类别的均值与方差，即

其中，N_A为类别y＝1的样本数；N_B为类别y＝-1的样本数；μ_B为出现木结构古建筑损毁数据在w^*向量轴投影后所得到的数据的均值；μ_A为木结构古建筑状态正常数据在w^*向量轴投影后所得到的数据的均值；δ_A为木结构古建筑状态正常数据在w^*向量轴投影后所得到的数据的标准差；δ_B为出现木结构古建筑损毁数据在w^*向量轴投影后所得到的数据的标准差；

所述根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据，给出当前木结构古建筑的缺损度指数和预警策略的方法包括：

设x_A为所有y_i＝1的样本数据总和，Z_A为x_A在w^*向量轴的投影，设当前数据为x_c，即

Zc＝w*x_c；

当w^*x_c≤μ_A+δ_A时，木结构古建筑危险度V为0；

当w^*x_c≥μ_B-δ_B时，木结构古建筑危险度V为1；

当μ_A+δ_A≤w^*x_c≤μ_B-δ_B时，木结构古建筑危险度V为：

其中，H(Z_C|Z_A)为在给定Z_A条件下，Z_C的条件熵；

H(μ_B|Z_A)为在给定Z_A条件下，μ_B的条件熵；

木结构古建筑危险度V越小表示木结构古建筑缺损越小，木结构古建筑危险度V越大表示木结构古建筑缺损越大。

2.如权利要求1所述的木结构古建筑的缺损度检测算法，其特征在于，

所述根据木结构古建筑缺损度模型预测木结构古建筑的期望寿命的方法包括：

木结构古建筑的预测期望寿命为：P＝(1-V)P₀；

P为当前木结构古建筑在当前危险度V下的预测期望寿命，P₀为对当前木结构古建筑为在状态正常时基准估计寿命。

3.一种木结构古建筑的缺损度检测方法，其特征在于，包括：

将各测量节点安装在相应木结构古建筑上；

将安装在具有相同木结构建筑上的对应测量节点分在同组，并对同组测量节点按在木结构建筑上位置的关键程度大小排序，以对各测量节点编号；

各测量节点通过相应协调器将测量数据发送至服务器；

服务器根据测量数据计算温度偏离比、湿度偏离比、相对水平倾斜度比以构建木结构古建筑缺损度检测模型；

服务器通过如权利要求1所述的木结构古建筑的缺损度检测算法根据木结构古建筑缺损度模型并结合当前温度数据、湿度数据、相对水平倾斜度数据，给出当前木结构古建筑的缺损度指数和预警策略、期望寿命。

Images