CN117388374B - 一种建筑用混凝土的强度检测方法及*** - Google Patents
一种建筑用混凝土的强度检测方法及*** Download PDFInfo
- Publication number
- CN117388374B CN117388374B CN202311711060.XA CN202311711060A CN117388374B CN 117388374 B CN117388374 B CN 117388374B CN 202311711060 A CN202311711060 A CN 202311711060A CN 117388374 B CN117388374 B CN 117388374B
- Authority
- CN
- China
- Prior art keywords
- concrete
- strength
- detection
- information
- intensity
- 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
- 239000004567 concrete Substances 0.000 title claims abstract description 351
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000001514 detection method Methods 0.000 claims abstract description 281
- 238000005259 measurement Methods 0.000 claims abstract description 55
- 230000004927 fusion Effects 0.000 claims abstract description 49
- 238000010276 construction Methods 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 230000015654 memory Effects 0.000 claims description 45
- 238000004458 analytical method Methods 0.000 claims description 29
- 230000032683 aging Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 239000004568 cement Substances 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000003763 carbonization Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000000556 factor analysis Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 8
- 239000012615 aggregate Substances 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- -1 carbonization depth Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000004566 building material Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 239000002969 artificial stone Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000004035 construction material Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/07—Analysing solids by measuring propagation velocity or propagation time of acoustic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/91—Use of waste materials as fillers for mortars or concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种建筑用混凝土的强度检测方法及***，涉及智能检测技术领域，所述方法包括：利用超声回弹法基于分布式强度检测基准点网络对目标混凝土构件进行测量计算，获得混凝土强度测量信息；依据强度检测因素集合对混凝土强度检测数据库进行分支训练融合，生成混凝土强度自适应检测网络；基于混凝土强度自适应检测网络对混凝土构件属性参数信息进行分析，确定混凝土强度预测信息；基于所述混凝土强度预测信息对所述混凝土强度测量信息进行交叉验证，生成混凝土构件强度检测结果。达到利用超声回弹法和自适应模型预测法交叉验证实现混凝土智能化强度检测，提高强度检测准确性和检测效率，进而保证混凝土应用强度的技术效果。
Description
技术领域
本发明涉及智能检测技术领域，尤其涉及一种建筑用混凝土的强度检测方法及***。
背景技术
混凝土作为一种主要建筑材料，是由胶凝材料，颗粒状集料、水以及必要时加入的外加剂和掺合料按一定比例配制，经均匀搅拌，密实成型，养护硬化而成的一种人工石材。其具有原料丰富，价格低廉，生产工艺简单的特点，同时混凝土还具有抗压强度高，耐久性好，强度等级范围宽等特点，以上特点使其在建筑工程中使用范围十分广泛。因此为保证混凝土建筑应用质量，需对其强度进行准确检测。然而，现有技术混凝土强度检测智能化程度较低，导致影响强度检测准确性。
发明内容
本申请通过提供一种建筑用混凝土的强度检测方法及***，解决了现有技术混凝土强度检测智能化程度较低，导致影响强度检测准确性的技术问题，达到利用超声回弹法和自适应模型预测法交叉验证实现混凝土智能化强度检测，提高强度检测准确性和检测效率，进而保证混凝土应用强度的技术效果。
鉴于上述问题，本发明提供了一种建筑用混凝土的强度检测方法及***。
第一方面，本申请提供了一种建筑用混凝土的强度检测方法，所述方法包括：通过视觉探测设备对建筑工程的目标混凝土构件进行多角度图像采集，获得建筑用混凝土构件图像信息；依据所述建筑用混凝土构件图像信息进行强度检测点布设，确定分布式强度检测基准点网络；利用超声回弹法基于所述分布式强度检测基准点网络对所述目标混凝土构件进行测量计算，获得混凝土强度测量信息；确定强度检测因素集合，所述强度检测因素集合包括水泥应用特性、外界环境、骨料、碳化深度、混凝土含水率以及构件承载强度；构建混凝土强度检测数据库，依据所述强度检测因素集合对所述混凝土强度检测数据库进行分支训练融合，生成混凝土强度自适应检测网络；获得混凝土构件属性参数信息，基于所述混凝土强度自适应检测网络对所述混凝土构件属性参数信息进行分析，确定混凝土强度预测信息；基于所述混凝土强度预测信息对所述混凝土强度测量信息进行交叉验证，生成混凝土构件强度检测结果。
另一方面，本申请还提供了一种建筑用混凝土的强度检测***，所述***包括：多角度图像采集模块，用于通过视觉探测设备对建筑工程的目标混凝土构件进行多角度图像采集，获得建筑用混凝土构件图像信息；强度检测点布设模块，用于依据所述建筑用混凝土构件图像信息进行强度检测点布设，确定分布式强度检测基准点网络；强度测量计算模块，用于利用超声回弹法基于所述分布式强度检测基准点网络对所述目标混凝土构件进行测量计算，获得混凝土强度测量信息；检测因素集合确定模块，用于确定强度检测因素集合，所述强度检测因素集合包括水泥应用特性、外界环境、骨料、碳化深度、混凝土含水率以及构件承载强度；分支训练融合模块，用于构建混凝土强度检测数据库，依据所述强度检测因素集合对所述混凝土强度检测数据库进行分支训练融合，生成混凝土强度自适应检测网络；强度预测分析模块，用于获得混凝土构件属性参数信息，基于所述混凝土强度自适应检测网络对所述混凝土构件属性参数信息进行分析，确定混凝土强度预测信息；检测交叉验证模块，用于基于所述混凝土强度预测信息对所述混凝土强度测量信息进行交叉验证，生成混凝土构件强度检测结果。
第三方面，本申请提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了通过视觉探测设备对建筑工程的目标混凝土构件进行多角度图像采集，再依据所采集的建筑用混凝土构件图像信息进行强度检测点布设，确定分布式强度检测基准点网络；利用超声回弹法基于所分布式强度检测基准点网络对目标混凝土构件进行测量计算，获得混凝土强度测量信息；依据强度检测因素集合对混凝土强度检测数据库进行分支训练融合，生成混凝土强度自适应检测网络，再基于混凝土强度自适应检测网络对混凝土构件属性参数信息进行分析，确定混凝土强度预测信息；基于所述混凝土强度预测信息对所述混凝土强度测量信息进行交叉验证，生成混凝土构件强度检测结果的技术方案。进而达到利用超声回弹法和自适应模型预测法交叉验证实现混凝土智能化强度检测，提高强度检测准确性和检测效率，进而保证混凝土应用强度的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请一种建筑用混凝土的强度检测方法的流程示意图。
图2为本申请一种建筑用混凝土的强度检测***的结构示意图。
图3为本申请示例性电子设备的结构示意图。
附图标记说明：多角度图像采集模块11，强度检测点布设模块12，强度测量计算模块13，检测因素集合确定模块14，分支训练融合模块15，强度预测分析模块16，检测交叉验证模块17，总线1110，处理器1120，收发器1130，总线接口1140，存储器1150，操作***1151，应用程序1152和用户接口1160。
具体实施方式
在本申请的描述中，所属技术领域的技术人员应当知道，本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本申请可以具体实现为以下形式：完全的硬件、完全的软件（包括固件、驻留软件、微代码等）、硬件和软件结合的形式。此外，在一些实施例中，本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的***、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行***、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1所示，本申请提供了一种建筑用混凝土的强度检测方法，所述方法包括：
步骤S1：通过视觉探测设备对建筑工程的目标混凝土构件进行多角度图像采集，获得建筑用混凝土构件图像信息；
步骤S2：依据所述建筑用混凝土构件图像信息进行强度检测点布设，确定分布式强度检测基准点网络；
具体的，混凝土作为一种主要建筑材料，是由胶凝材料，颗粒状集料、水以及必要时加入的外加剂和掺合料按一定比例配制，经均匀搅拌，密实成型，养护硬化而成的一种人工石材。其具有原料丰富，价格低廉，生产工艺简单的特点，同时混凝土还具有抗压强度高，耐久性好，强度等级范围宽等特点，以上特点使其在建筑工程中使用范围十分广泛。因此为保证混凝土建筑应用质量，需对其强度进行准确检测。
为实现混凝土强度智能化检测，通过视觉探测设备对建筑工程的目标混凝土构件进行多角度图像采集，其中，所述视觉探测设备为利用机器视觉对目标进行图像摄取的工业设备，包括CMOS和CCD等图像装置，将被摄取目标转换成图像信号。而目标混凝土构件是该建筑工程的重要结构构件，它是用混凝土制成的建筑物的结构和装饰部分，例如梁构件、墙构件、楼梯构件以及柱构件等，全方位对建筑工程中的目标混凝土构件进行外观、结构位置等信息进行图像采集，对应获取建筑用混凝土构件图像信息。
再通过建筑用混凝土构件强度检测经验依据所述建筑用混凝土构件图像信息进行强度检测点布设，设置检测点数量、分布距离以及检测点位置等，通过各强度检测点布设确定分布式强度检测基准点网络，用于对目标混凝土构件强度检测进行全方位覆盖，进而提高混凝土强度检测准确性。
步骤S3：利用超声回弹法基于所述分布式强度检测基准点网络对所述目标混凝土构件进行测量计算，获得混凝土强度测量信息；
进一步而言，所述获得混凝土强度测量信息，本申请步骤还包括：
通过超声波回弹仪基于所述分布式强度检测基准点网络对所述目标混凝土构件进行依次测量，生成超声波回弹曲线；
对所述超声波回弹曲线进行波形参数提取，获得回弹值、超声时间以及平均声速；
利用回归分析法对同属性混凝土强度数据进行测强曲线拟合，建立混凝土超声回弹强度模型；
基于混凝土超声回弹强度模型对所述回弹值、超声时间以及平均声速进行强度计算，输出所述混凝土强度测量信息。
具体的，利用超声回弹法基于所述分布式强度检测基准点网络对所述目标混凝土构件进行测量计算，超声回弹综合法是建立在超声传播速度和回弹值与混凝土抗压强度之间相互关系的基础上的，以声速和回弹值综合反映混凝土抗压强度的一种非破损检测方法。首先通过超声波回弹仪基于所述分布式强度检测基准点网络对所述目标混凝土构件进行依次测量，运用超声探伤技术测量混凝土的回弹波，探测生成各检测基准点对应的超声波回弹曲线。再对所述超声波回弹曲线进行波形参数提取，获得回弹值、超声时间以及平均声速等参数。
利用回归分析法对同属性混凝土强度数据进行测强曲线拟合，其中，所述同属性混凝土强度数据为与所述目标混凝土构件在原材料、成型工艺、养护方法以及规格等各属性方面条件相同的混凝土试块的历史强度测量数据，包括回弹值、超声时间以及平均声速等超声回弹测量参数以及混凝土强度测量数据。通过回归函数对超声回弹测量参数以及混凝土强度测量数据采用最小二乘原理计算，拟合建立其标准差和误差在预设规定范围内的表征超声回弹参数与混凝土强度回归关系的混凝土超声回弹强度模型。基于混凝土超声回弹强度模型对所述回弹值、超声时间以及平均声速进行强度计算，输出目标混凝土构件的混凝土强度测量信息。通过超声回弹无损检测混凝土构件强度，实现快速、精确、可靠的混凝土强度检测，且检测操作方便、破坏性小，检测全面性和适应性高。
步骤S4：确定强度检测因素集合，所述强度检测因素集合包括水泥应用特性、外界环境、骨料、碳化深度、混凝土含水率以及构件承载强度；
具体的，为提高混凝土强度检测全面性，关联确定强度检测因素集合，所述强度检测因素集合为与混凝土强度相关联的因素指标集合，包括水泥应用特性，包括水泥品种、水泥用量、水灰比等；外界环境，包括混凝土使用温度、湿度、腐蚀性等；骨料，包括粗骨料、细骨料和砂率；碳化深度、混凝土含水率以及构件承载强度，即混凝土构件规格在建筑工程中的功能承载强度。
步骤S5：构建混凝土强度检测数据库，依据所述强度检测因素集合对所述混凝土强度检测数据库进行分支训练融合，生成混凝土强度自适应检测网络；
进一步而言，所述生成混凝土强度自适应检测网络，本申请步骤还包括：
依据所述强度检测因素集合对所述混凝土强度检测数据库进行分类，获取混凝土检测因素样本数据集；
利用深度学习网络结构对所述混凝土检测因素样本数据集分别进行训练，获得初始强度检测分支网络集合；
对所述强度检测因素集合进行融合系数赋予，得到分支网络融合系数集合；
基于所述分支网络融合系数集合对所述初始强度检测分支网络集合进行融合，生成所述混凝土强度自适应检测网络。
进一步而言，所述得到分支网络融合系数集合，本申请步骤还包括：
获得所述强度检测因素集合的强度检测属性信息；
对所述强度检测属性信息进行主成分分析，获得降维强度检测属性信息；
基于对所述降维强度检测属性信息进行因子分析，获得检测因素权值分配结果；
依据所述检测因素权值分配结果对所述强度检测因素集合中的各检测因素进行融合系数赋予，确定所述分支网络融合系数集合。
具体的，构建混凝土强度检测数据库，所述混凝土强度检测数据库包括历史混凝土强度检测因素数据以及相应的强度检测结果数据。依据所述强度检测因素集合对所述混凝土强度检测数据库进行分类，将混凝土强度检测数据库按照强度检测因素归类，强度检测因素相同的强度检测数据归为一类，获取整合归类后的混凝土检测因素样本数据集。利用深度学习网络结构对所述混凝土检测因素样本数据集分别进行训练，获得各检测因素样本相应训练的初始强度检测分支网络集合，为神经网络模型，其检测准确率较小，用于依据各检测因素进行混凝土强度预测。
为提高混凝土强度检测模型准确性，对所述强度检测因素集合进行融合系数赋予，首先获得所述强度检测因素集合的强度检测属性信息，所述强度检测属性信息是为了全面分析混凝土构件强度，提出的与混凝土强度有关的多个变量，即各强度检测因素的具体强度检测关联参数，其中每个变量都在不同程度上反映了混凝土强度。进一步地，对所述强度检测属性信息进行主成分分析的降维处理，降维处理可以降低时间的复杂度和空间复杂度，将重要特征在数据中明确显示出来，从而得到与混凝土强度关联性强的属性信息，即降维强度检测属性信息。基于对所述降维强度检测属性信息进行因子分析，从所述降维强度检测属性信息中，提取各属性信息中的共同特征，从而将本质相同的属性信息归为一个属性信息。其中，共同因子多的属性信息权重对应较大，共同因子少的属性信息权重对应较小，从而得到获得检测因素权值分配结果。通过主成分分析实现权值赋予，降低了***计算复杂度，从而提高了混凝土强度检测的速度。
依据所述检测因素权值分配结果对所述强度检测因素集合中的各检测因素进行融合系数赋予，将各检测因素权值作为其相应的融合系数，权值越大，其在最终的模型表决权越大，融合系数越大，以此确定分支网络融合系数集合。基于所述分支网络融合系数集合对所述初始强度检测分支网络集合进行融合，生成检测准确率高的混凝土强度自适应检测网络。通过分支网络模型融合提高自适应检测网络的预测准确性和检测全面性，实现混凝土智能化强度检测，提高强度检测效率，进而保证混凝土应用强度。
步骤S6：获得混凝土构件属性参数信息，基于所述混凝土强度自适应检测网络对所述混凝土构件属性参数信息进行分析，确定混凝土强度预测信息；
具体的，通过该建筑工程的建筑材料记录数据库获取所述目标混凝土构件的混凝土构件属性参数信息，所述混凝土构件属性参数信息包括该混凝土构件的水泥应用特性、外界环境、骨料、碳化深度、混凝土含水率以及构件承载强度等参数。基于所述混凝土强度自适应检测网络对所述混凝土构件属性参数信息进行分析预测，进而输出混凝土强度预测信息，增加混凝土强度检测方式全面性。
步骤S7：基于所述混凝土强度预测信息对所述混凝土强度测量信息进行交叉验证，生成混凝土构件强度检测结果。
进一步而言，所述生成混凝土构件强度检测结果，本申请步骤还包括：
对所述混凝土强度预测信息和所述混凝土强度测量信息进行交叉验证，获得混凝土强度验证差异值；
若所述混凝土强度验证差异值超出预设差异阈值，则制定强度分析赋权规则；
基于所述强度分析赋权规则对所述混凝土强度预测信息和所述混凝土强度测量信息进行权重分配，获得强度权重赋值结果；
基于所述强度权重赋值结果对所述混凝土强度预测信息和所述混凝土强度测量信息进行加权计算，生成混凝土构件强度检测结果。
进一步而言，所述获得强度权重赋值结果，本申请步骤还包括：
混凝土专家组基于所述强度分析赋权规则对所述混凝土强度预测信息和所述混凝土强度测量信息进行权重评价，获得初始权重评价信息集合；
利用专家经验规则对所述混凝土专家组中的各专家进行可信任度标记，获得专家组信任度信息；
基于所述专家组信任度信息对所述初始权重评价信息集合进行融合修正，确定所述强度权重赋值结果。
具体的，为使混凝土强度综合检测结果准确合理，对所述混凝土强度预测信息和所述混凝土强度测量信息进行交叉验证，比对获取不同方式强度检测信息的混凝土强度验证差异值。可依据实际应用经验自行设置预设差异阈值，所述预设差异阈值为这两种强度检测信息的比对偏离基准值，若所述混凝土强度验证差异值超出预设差异阈值，则表明以上方式的检测信息差异值过大，需对其进行综合分析。制定强度分析赋权规则，所述强度分析赋权规则为上述两种方式的强度检测结果的权重分配赋值依据，示例性的，可按照混凝土检测方式适用度、强度检测历史误差率等依据进行检测方式赋权。
基于所述强度分析赋权规则对所述混凝土强度预测信息和所述混凝土强度测量信息进行权重分配，具体为通过混凝土专家组基于所述强度分析赋权规则对所述混凝土强度预测信息和所述混凝土强度测量信息进行权重评价，获得各专家分别评价的权重分配信息，以此组成初始权重评价信息集合。利用专家经验规则对所述混凝土专家组中的各专家进行可信任度标记，其中，专家经验规则为专家组的经验评价依据，示例性的，可通过专家工作年限和经手案例等划分依据对各专家的经验进行等级确定。再通过专家经验对各专家进行可信任度评价，可将专家经验等级作为其可信任度，经验越高的专家相应的可信任度就越高，进而标记获得专家组信任度信息。
基于所述专家组信任度信息对所述初始权重评价信息集合进行融合修正，即将各专家信任度所占比例与其对应的权重评价信息进行融合加权计算，再将计算结果作为修正后的权重分配结果即确定强度权重赋值结果。基于所述强度权重赋值结果对所述混凝土强度预测信息和所述混凝土强度测量信息进行加权计算，生成两种方式综合计算后的混凝土构件强度检测结果。利用超声回弹法和自适应模型预测法交叉验证实现混凝土智能化强度检测，提高强度检测准确性和检测效率，进而保证混凝土应用强度。
进一步而言，本申请步骤还包括：
基于所述强度检测因素集合对所述目标混凝土构件进行老化程度分析，获得混凝土强度老化影响因子；
获取余量预测年限信息；
基于所述混凝土强度老化影响因子对所述余量预测年限信息进行强度损失分析，获得混凝土强度损失系数；
根据所述混凝土强度损失系数，对所述混凝土构件强度检测结果进行预测补充。
具体的，为提升强度检测实际应用预测性，基于所述强度检测因素集合对所述目标混凝土构件进行老化程度分析。可通过数据挖掘获取历史强度检测因素数据以及强度老化数据，拟合生成老化模型进行分析，进而输出获得混凝土强度老化影响因子，所述混凝土强度老化影响因子为目标混凝土的强度年衰减程度，例如1%。再获取余量预测年限信息，所述余量预测年限信息为混凝土剩余使用年限中的预设待预测年限。基于所述混凝土强度老化影响因子对所述余量预测年限信息进行强度损失分析，预测混凝土构件以目前检测强度对待预测使用年限后的应用强度损失程度，以此获得混凝土强度损失系数，示例性的，以1%强度老化影响因子到混凝土5年后的预测损失系数为5%。根据所述混凝土强度损失系数，对所述混凝土构件强度检测结果进行预测补充，防止混凝土构件强度提前失效，实现混凝土强度的智能化衰减预测，提升强度检测实际应用性，进而保证混凝土应用强度。
综上所述，本申请所提供的一种建筑用混凝土的强度检测方法及***具有如下技术效果：
由于采用了通过视觉探测设备对建筑工程的目标混凝土构件进行多角度图像采集，再依据所采集的建筑用混凝土构件图像信息进行强度检测点布设，确定分布式强度检测基准点网络；利用超声回弹法基于所分布式强度检测基准点网络对目标混凝土构件进行测量计算，获得混凝土强度测量信息；依据强度检测因素集合对混凝土强度检测数据库进行分支训练融合，生成混凝土强度自适应检测网络，再基于混凝土强度自适应检测网络对混凝土构件属性参数信息进行分析，确定混凝土强度预测信息；基于所述混凝土强度预测信息对所述混凝土强度测量信息进行交叉验证，生成混凝土构件强度检测结果的技术方案。进而达到利用超声回弹法和自适应模型预测法交叉验证实现混凝土智能化强度检测，提高强度检测准确性和检测效率，进而保证混凝土应用强度的技术效果。
实施例二
基于与前述实施例中一种建筑用混凝土的强度检测方法同样发明构思，本发明还提供了一种建筑用混凝土的强度检测***，如图2所示，所述***包括：
多角度图像采集模块11，用于通过视觉探测设备对建筑工程的目标混凝土构件进行多角度图像采集，获得建筑用混凝土构件图像信息；
强度检测点布设模块12，用于依据所述建筑用混凝土构件图像信息进行强度检测点布设，确定分布式强度检测基准点网络；
强度测量计算模块13，用于利用超声回弹法基于所述分布式强度检测基准点网络对所述目标混凝土构件进行测量计算，获得混凝土强度测量信息；
检测因素集合确定模块14，用于确定强度检测因素集合，所述强度检测因素集合包括水泥应用特性、外界环境、骨料、碳化深度、混凝土含水率以及构件承载强度；
分支训练融合模块15，用于构建混凝土强度检测数据库，依据所述强度检测因素集合对所述混凝土强度检测数据库进行分支训练融合，生成混凝土强度自适应检测网络；
强度预测分析模块16，用于获得混凝土构件属性参数信息，基于所述混凝土强度自适应检测网络对所述混凝土构件属性参数信息进行分析，确定混凝土强度预测信息；
检测交叉验证模块17，用于基于所述混凝土强度预测信息对所述混凝土强度测量信息进行交叉验证，生成混凝土构件强度检测结果。
进一步的，所述***还包括：
回弹曲线生成单元，用于通过超声波回弹仪基于所述分布式强度检测基准点网络对所述目标混凝土构件进行依次测量，生成超声波回弹曲线；
波形参数提取单元，用于对所述超声波回弹曲线进行波形参数提取，获得回弹值、超声时间以及平均声速；
曲线拟合单元，用于利用回归分析法对同属性混凝土强度数据进行测强曲线拟合，建立混凝土超声回弹强度模型；
强度计算单元，用于基于混凝土超声回弹强度模型对所述回弹值、超声时间以及平均声速进行强度计算，输出所述混凝土强度测量信息。
进一步的，所述***还包括：
数据库分类单元，用于依据所述强度检测因素集合对所述混凝土强度检测数据库进行分类，获取混凝土检测因素样本数据集；
样本数据训练单元，用于利用深度学习网络结构对所述混凝土检测因素样本数据集分别进行训练，获得初始强度检测分支网络集合；
融合系数赋予单元，用于对所述强度检测因素集合进行融合系数赋予，得到分支网络融合系数集合；
分支网络融合单元，用于基于所述分支网络融合系数集合对所述初始强度检测分支网络集合进行融合，生成所述混凝土强度自适应检测网络。
进一步的，所述***还包括：
检测属性获得单元，用于获得所述强度检测因素集合的强度检测属性信息；
主成分分析单元，用于对所述强度检测属性信息进行主成分分析，获得降维强度检测属性信息；
因子分析单元，用于基于对所述降维强度检测属性信息进行因子分析，获得检测因素权值分配结果；
融合系数赋予单元，用于依据所述检测因素权值分配结果对所述强度检测因素集合中的各检测因素进行融合系数赋予，确定所述分支网络融合系数集合。
进一步的，所述***还包括：
验证差异值获得单元，用于对所述混凝土强度预测信息和所述混凝土强度测量信息进行交叉验证，获得混凝土强度验证差异值；
赋权规则制定单元，用于若所述混凝土强度验证差异值超出预设差异阈值，则制定强度分析赋权规则；
权重分配单元，用于基于所述强度分析赋权规则对所述混凝土强度预测信息和所述混凝土强度测量信息进行权重分配，获得强度权重赋值结果；
加权计算单元，用于基于所述强度权重赋值结果对所述混凝土强度预测信息和所述混凝土强度测量信息进行加权计算，生成混凝土构件强度检测结果。
进一步的，所述***还包括：
权重评价单元，用于混凝土专家组基于所述强度分析赋权规则对所述混凝土强度预测信息和所述混凝土强度测量信息进行权重评价，获得初始权重评价信息集合；
融合修正单元，用于利用专家经验规则对所述混凝土专家组中的各专家进行融合修正，获得专家组信任度信息；
融合修正单元，用于基于所述专家组信任度信息对所述初始权重评价信息集合进行融合修正，确定所述强度权重赋值结果。
进一步的，所述***还包括：
老化程度分析单元，用于基于所述强度检测因素集合对所述目标混凝土构件进行老化程度分析，获得混凝土强度老化影响因子；
余量预测年限获取单元，用于获取余量预测年限信息；
强度损失分析单元，用于基于所述混凝土强度老化影响因子对所述余量预测年限信息进行强度损失分析，获得混凝土强度损失系数；
检测结果修正单元，用于根据所述混凝土强度损失系数，对所述混凝土构件强度检测结果进行预测补充。
前述图1实施例一中的一种建筑用混凝土的强度检测方法的各种变化方式和具体实例同样适用于本实施例的一种建筑用混凝土的强度检测***，通过前述对一种建筑用混凝土的强度检测方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种建筑用混凝土的强度检测***的实施方法，所以为了说明书的简洁，在此不再详述。
此外，本申请还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
示例性电子设备
具体的，参见图3所示，本申请还提供了一种电子设备，该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本申请中，该电子设备还包括：存储在存储器1150上并可在处理器1120上运行的计算机程序，计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
收发器1130，用于在处理器1120的控制下接收和发送数据。
本申请中，总线架构（用总线1110来代表），总线1110可以包括任意数量互联的总线和桥，总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个，包括存储器总线和存储器控制器、***总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制，这样的体系结构包括：工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、***部件互连总线。
处理器1120可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括：通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本申请中公开的各方法、步骤和逻辑框图。例如，处理器可以是单核处理器或多核处理器，处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本申请所公开的方法步骤可以直接由硬件译码处理器执行完成，或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
总线1110还可以将，例如***设备、稳压器或功率管理电路等各种其他电路连接在一起，总线接口1140在总线1110和收发器1130之间提供接口，这些都是本领域所公知的。因此，本申请不再对其进行进一步描述。
收发器1130可以是一个元件，也可以是多个元件，例如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发器1130从其他设备接收外部数据，收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质，还可以提供用户接口1160，例如：触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解，在本申请中，存储器1150可进一步包括相对于处理器1120远程设置的存储器，这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以和两个或更多个上述网络的组合。例如，蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、LTE频分双工装置、LTE时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。
应理解，本申请中的存储器1150可以是易失性存储器或非易失性存储器，或可包括易失性存储器和非易失性存储器两者。其中，非易失性存储器包括：只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器，或闪存。
易失性存储器包括：随机存取存储器，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如：静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本申请描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本申请中，存储器1150存储了操作***1151和应用程序1152的如下元素：可执行模块、数据结构，或者其子集，或者其扩展集。
具体而言，操作***1151包含各种装置程序，例如：框架层、核心库层、驱动层等，用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序，例如：媒体播放器、浏览器，用于实现各种应用业务。实现本申请方法的程序可以包含在应用程序1152中。应用程序1152包括：小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。
此外，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请披露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种建筑用混凝土的强度检测方法，其特征在于，所述方法包括：
通过视觉探测设备对建筑工程的目标混凝土构件进行多角度图像采集，获得建筑用混凝土构件图像信息；
依据所述建筑用混凝土构件图像信息进行强度检测点布设，确定分布式强度检测基准点网络；
利用超声回弹法基于所述分布式强度检测基准点网络对所述目标混凝土构件进行测量计算，获得混凝土强度测量信息；
确定强度检测因素集合，所述强度检测因素集合包括水泥应用特性、外界环境、骨料、碳化深度、混凝土含水率以及构件承载强度；
构建混凝土强度检测数据库，依据所述强度检测因素集合对所述混凝土强度检测数据库进行分支训练融合，生成混凝土强度自适应检测网络；
获得混凝土构件属性参数信息，基于所述混凝土强度自适应检测网络对所述混凝土构件属性参数信息进行分析，确定混凝土强度预测信息；
基于所述混凝土强度预测信息对所述混凝土强度测量信息进行交叉验证，生成混凝土构件强度检测结果；
所述方法还包括：
基于所述强度检测因素集合对所述目标混凝土构件进行老化程度分析，获得混凝土强度老化影响因子；
获取余量预测年限信息；
基于所述混凝土强度老化影响因子对所述余量预测年限信息进行强度损失分析，获得混凝土强度损失系数；
根据所述混凝土强度损失系数，对所述混凝土构件强度检测结果进行预测补充。
2.如权利要求1所述的方法，其特征在于，所述获得混凝土强度测量信息，包括：
通过超声波回弹仪基于所述分布式强度检测基准点网络对所述目标混凝土构件进行依次测量，生成超声波回弹曲线；
对所述超声波回弹曲线进行波形参数提取，获得回弹值、超声时间以及平均声速；
利用回归分析法对同属性混凝土强度数据进行测强曲线拟合，建立混凝土超声回弹强度模型；
基于混凝土超声回弹强度模型对所述回弹值、超声时间以及平均声速进行强度计算，输出所述混凝土强度测量信息。
3.如权利要求1所述的方法，其特征在于，所述生成混凝土强度自适应检测网络，包括：
依据所述强度检测因素集合对所述混凝土强度检测数据库进行分类，获取混凝土检测因素样本数据集；
利用深度学习网络结构对所述混凝土检测因素样本数据集分别进行训练，获得初始强度检测分支网络集合；
对所述强度检测因素集合进行融合系数赋予，得到分支网络融合系数集合；
基于所述分支网络融合系数集合对所述初始强度检测分支网络集合进行融合，生成所述混凝土强度自适应检测网络。
4.如权利要求3所述的方法，其特征在于，所述得到分支网络融合系数集合，包括：
获得所述强度检测因素集合的强度检测属性信息；
对所述强度检测属性信息进行主成分分析，获得降维强度检测属性信息；
基于对所述降维强度检测属性信息进行因子分析，获得检测因素权值分配结果；
依据所述检测因素权值分配结果对所述强度检测因素集合中的各检测因素进行融合系数赋予，确定所述分支网络融合系数集合。
5.如权利要求1所述的方法，其特征在于，所述生成混凝土构件强度检测结果，包括：
对所述混凝土强度预测信息和所述混凝土强度测量信息进行交叉验证，获得混凝土强度验证差异值；
若所述混凝土强度验证差异值超出预设差异阈值，则制定强度分析赋权规则；
基于所述强度分析赋权规则对所述混凝土强度预测信息和所述混凝土强度测量信息进行权重分配，获得强度权重赋值结果；
基于所述强度权重赋值结果对所述混凝土强度预测信息和所述混凝土强度测量信息进行加权计算，生成混凝土构件强度检测结果。
6.如权利要求5所述的方法，其特征在于，所述获得强度权重赋值结果，包括：
混凝土专家组基于所述强度分析赋权规则对所述混凝土强度预测信息和所述混凝土强度测量信息进行权重评价，获得初始权重评价信息集合；
利用专家经验规则对所述混凝土专家组中的各专家进行可信任度标记，获得专家组信任度信息；
基于所述专家组信任度信息对所述初始权重评价信息集合进行融合修正，确定所述强度权重赋值结果。
7.一种建筑用混凝土的强度检测***，其特征在于，所述***用于执行权利要求1-6任一项所述的方法，所述***包括：
多角度图像采集模块，用于通过视觉探测设备对建筑工程的目标混凝土构件进行多角度图像采集，获得建筑用混凝土构件图像信息；
强度检测点布设模块，用于依据所述建筑用混凝土构件图像信息进行强度检测点布设，确定分布式强度检测基准点网络；
强度测量计算模块，用于利用超声回弹法基于所述分布式强度检测基准点网络对所述目标混凝土构件进行测量计算，获得混凝土强度测量信息；
检测因素集合确定模块，用于确定强度检测因素集合，所述强度检测因素集合包括水泥应用特性、外界环境、骨料、碳化深度、混凝土含水率以及构件承载强度；
分支训练融合模块，用于构建混凝土强度检测数据库，依据所述强度检测因素集合对所述混凝土强度检测数据库进行分支训练融合，生成混凝土强度自适应检测网络；
强度预测分析模块，用于获得混凝土构件属性参数信息，基于所述混凝土强度自适应检测网络对所述混凝土构件属性参数信息进行分析，确定混凝土强度预测信息；
检测交叉验证模块，用于基于所述混凝土强度预测信息对所述混凝土强度测量信息进行交叉验证，生成混凝土构件强度检测结果。
8.一种建筑用混凝土的强度检测电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-6中任一项所述方法中的步骤。
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，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311711060.XA CN117388374B (zh) | 2023-12-13 | 2023-12-13 | 一种建筑用混凝土的强度检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311711060.XA CN117388374B (zh) | 2023-12-13 | 2023-12-13 | 一种建筑用混凝土的强度检测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117388374A CN117388374A (zh) | 2024-01-12 |
| CN117388374B true CN117388374B (zh) | 2024-02-20 |
Family
ID=89468874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311711060.XA Active CN117388374B (zh) | 2023-12-13 | 2023-12-13 | 一种建筑用混凝土的强度检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117388374B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030072057A (ko) * | 2002-03-05 | 2003-09-13 | 현대산업개발 주식회사 | 콘크리트 강도 추정을 위한 인공지능 시스템 |
| CN101963561A (zh) * | 2009-07-24 | 2011-02-02 | 北京神州华测科技有限责任公司 | 一种新型混凝土强度测试仪 |
| CN104991051A (zh) * | 2015-06-30 | 2015-10-21 | 华侨大学 | 一种基于混合模型的混凝土强度预测方法 |
| CN105527305A (zh) * | 2015-12-02 | 2016-04-27 | 江苏科技大学 | 一种基于材料电磁性能的混凝土强度检测方法 |
| CN111241719A (zh) * | 2020-04-27 | 2020-06-05 | 上海建工集团股份有限公司 | 一种施工现场混凝土实际强度测算方法 |
| AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
| CN112101172A (zh) * | 2020-09-08 | 2020-12-18 | 平安科技（深圳）有限公司 | 基于权重嫁接的模型融合的人脸识别方法及相关设备 |
| CN112285212A (zh) * | 2020-10-14 | 2021-01-29 | 广西交科集团有限公司 | 一种基于超声回弹法检测混凝土强度的***和方法 |
| CN112684156A (zh) * | 2021-01-06 | 2021-04-20 | 汉谷云智(武汉)科技有限公司 | 一种基于深度学习的混凝土强度预测方法 |
| CN113109145A (zh) * | 2021-03-24 | 2021-07-13 | 中国水利水电第七工程局有限公司 | 模型构建方法及装置和混凝土抗压强度预测方法及装置 |
| CN115308388A (zh) * | 2022-08-02 | 2022-11-08 | 中铁建宁夏高速公路有限公司 | 一种基于LoRa的大体积混凝土强度预测方法 |
| CN115655887A (zh) * | 2022-11-01 | 2023-01-31 | 广东建设职业技术学院 | 一种混凝土强度的预测方法 |
| CN116263391A (zh) * | 2022-12-20 | 2023-06-16 | 国网天津市电力公司电力科学研究院 | 钢纤维电缆水泥保护盖板测强曲线制作方法 |
| CN116359003A (zh) * | 2023-02-22 | 2023-06-30 | 江苏苏博特新材料股份有限公司 | 一种神经网络和超声检测的玻璃混凝土抗压强度检测方法 |
| CN116401920A (zh) * | 2023-04-06 | 2023-07-07 | 福建农林大学 | 基于极端梯度算法的不锈钢管混凝土轴压承载力预测方法 |
| CN116735394A (zh) * | 2023-05-17 | 2023-09-12 | 深圳瑞捷工程咨询股份有限公司 | 一种智能混凝土强度检测***及施工方法 |
| CN116992759A (zh) * | 2023-07-18 | 2023-11-03 | 浙江大学 | 基于可解释性神经网络的冻融混凝土强度评价方法及装置 |
-
2023
- 2023-12-13 CN CN202311711060.XA patent/CN117388374B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030072057A (ko) * | 2002-03-05 | 2003-09-13 | 현대산업개발 주식회사 | 콘크리트 강도 추정을 위한 인공지능 시스템 |
| CN101963561A (zh) * | 2009-07-24 | 2011-02-02 | 北京神州华测科技有限责任公司 | 一种新型混凝土强度测试仪 |
| CN104991051A (zh) * | 2015-06-30 | 2015-10-21 | 华侨大学 | 一种基于混合模型的混凝土强度预测方法 |
| CN105527305A (zh) * | 2015-12-02 | 2016-04-27 | 江苏科技大学 | 一种基于材料电磁性能的混凝土强度检测方法 |
| CN111241719A (zh) * | 2020-04-27 | 2020-06-05 | 上海建工集团股份有限公司 | 一种施工现场混凝土实际强度测算方法 |
| AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
| CN112101172A (zh) * | 2020-09-08 | 2020-12-18 | 平安科技（深圳）有限公司 | 基于权重嫁接的模型融合的人脸识别方法及相关设备 |
| CN112285212A (zh) * | 2020-10-14 | 2021-01-29 | 广西交科集团有限公司 | 一种基于超声回弹法检测混凝土强度的***和方法 |
| CN112684156A (zh) * | 2021-01-06 | 2021-04-20 | 汉谷云智(武汉)科技有限公司 | 一种基于深度学习的混凝土强度预测方法 |
| CN113109145A (zh) * | 2021-03-24 | 2021-07-13 | 中国水利水电第七工程局有限公司 | 模型构建方法及装置和混凝土抗压强度预测方法及装置 |
| CN115308388A (zh) * | 2022-08-02 | 2022-11-08 | 中铁建宁夏高速公路有限公司 | 一种基于LoRa的大体积混凝土强度预测方法 |
| CN115655887A (zh) * | 2022-11-01 | 2023-01-31 | 广东建设职业技术学院 | 一种混凝土强度的预测方法 |
| CN116263391A (zh) * | 2022-12-20 | 2023-06-16 | 国网天津市电力公司电力科学研究院 | 钢纤维电缆水泥保护盖板测强曲线制作方法 |
| CN116359003A (zh) * | 2023-02-22 | 2023-06-30 | 江苏苏博特新材料股份有限公司 | 一种神经网络和超声检测的玻璃混凝土抗压强度检测方法 |
| CN116401920A (zh) * | 2023-04-06 | 2023-07-07 | 福建农林大学 | 基于极端梯度算法的不锈钢管混凝土轴压承载力预测方法 |
| CN116735394A (zh) * | 2023-05-17 | 2023-09-12 | 深圳瑞捷工程咨询股份有限公司 | 一种智能混凝土强度检测***及施工方法 |
| CN116992759A (zh) * | 2023-07-18 | 2023-11-03 | 浙江大学 | 基于可解释性神经网络的冻融混凝土强度评价方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117388374A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sbartaï et al. | Combining NDT techniques for improved evaluation of concrete properties | |
| Baldo et al. | Analysis of the mechanical behaviour of asphalt concretes using artificial neural networks | |
| Hosseinpour et al. | Stepwise regression modeling for compressive strength assessment of mortar containing metakaolin | |
| CN113393910B (zh) | 一种高韧性钢渣微表处材料的制备方法及*** | |
| CN112684156A (zh) | 一种基于深度学习的混凝土强度预测方法 | |
| CN114757660B (zh) | 一种基于应用分析的冷轧钢带制备方法及*** | |
| CN114997605A (zh) | 一种可降解树脂生产路线的智能规划方法及*** | |
| Abdallah et al. | Assessment of the reliability of concrete evaluation by multi-physical inversion of NDT measurements–A probabilistic approach | |
| CN117388374B (zh) | 一种建筑用混凝土的强度检测方法及*** | |
| CN117312794A (zh) | 基于多源数据分析的混凝土搅拌设备故障识别方法及*** | |
| CN113420722A (zh) | 一种机场安全管理平台的突发事件联动方法及*** | |
| Daware et al. | Generalized temperature-dependent material models for compressive strength of masonry using fire tests, statistical methods and artificial intelligence | |
| Nguyen et al. | Bending strength diagnosis for corroded reinforced concrete beams with attendance of deterministic, random and fuzzy parameters | |
| CN116432461A (zh) | 混凝土徐变特性预测方法、装置、电子设备及存储介质 | |
| CN115719034A (zh) | 基于随机森林和XGBoost的水泥基材料抗压强度预测方法及*** | |
| Lei et al. | A new fatigue damage model for pavement concrete beams bearing multi-level bending loads | |
| Fiore et al. | Accelerated Mortar Bar Test Precision with Recycled Concrete Aggregate. | |
| CN115144571A (zh) | 施工现场混凝土强度检测模型建立方法、装置、设备及介质 | |
| CN113680703B (zh) | 一种旋转连接器的材料智能筛选方法及*** | |
| Tinoco et al. | A data mining approach for predicting jet grouting geomechanical parameters | |
| Sathiparan et al. | Soft computing to predict the porosity and permeability of pervious concrete based on mix design and ultrasonic pulse velocity | |
| Zeghal | Modeling the creep compliance of asphalt concrete using the artificial neural network technique | |
| Silva et al. | A comparative study of machine learning methods for compressive strength of concrete | |
| Jafari et al. | Determination of compressive strength of lightweight aggregate concrete in service using gene expression programming based on semi‐direct ultrasonic pulse velocity testing | |
| CN117167366B (zh) | 一种液压分配器的自动化流量控制方法及*** |
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 |