一种水泥混凝土抗压强度检测方法、系统及电子设备

技术领域

本发明涉及混凝土检测技术领域，尤其涉及一种水泥混凝土抗压强度检测方法、系统及电子设备。

背景技术

在建筑行业，水泥混凝土是最重要的结构材料之一，由于水泥混凝土的抗压强度很大程度上决定了建筑的荷载和安全性能，从而影响建筑质量，因此水泥混凝土抗压强度是关键的技术参数。对于水泥混凝土抗压强度的测定，传统方法是根据水泥混凝土成分配比制作标准件，并在标准条件下养护一段时间(约28天)，最后进行抗压强度物理测定。该种方法过程繁琐、时间消耗巨大，并且对于养护和测定环境严格，不仅不经济，而且耗时低效，拖累工程进度。

目前随着机器学习技术的兴起以及其表现出来的良好性能，机器学习技术已被用于水泥混凝土检测。相关技术中，水泥混凝土抗压强度的测量方法虽然可以快速检测水泥混凝土抗压强度，但水泥混凝土抗压强度检测过程存在的影响因素较多，一定程度上满足不了检测精度的要求；另外，还容易出现模型过拟合现象。

发明内容

鉴于此，本发明提供一种水泥混凝土抗压强度检测方法、系统及电子设备，提高水泥混凝土抗压强度检测结果的准确率，降低检测结果的误报率。

为实现上述目的，本发明提供一种水泥混凝土抗压强度检测方法，该方法包括以下步骤：

S1、设置每一个水泥混凝土样本的配比参数和外部影响参数，并对应测量得到每一个水泥混凝土样本的抗压强度，将每一个水泥混凝土样本的配比参数、外部影响参数以及测量得到的抗压强度数据构建成抗压强度训练样本集；

S2、基于改进的随机采样一致性算法，从抗压强度训练样本集中剔除异常的抗压强度样本，得到更新后的抗压强度训练样本集；

S3、获取更新后的抗压强度训练样本集的原始特征集，将原始特征集以滑动窗口方式进行特征选取，将基于每次滑动选取的原始特征分别对应输入第一基学习器、第二基学习器以及第三基学习器进行模型训练，分别得到第一输出特征、第二输出特征以及第三输出特征；

S4、将第一输出特征、第二输出特征、第三输出特征以及原始特征集构成重构后的特征集，将重构后的特征集输入到第四基学习器进行模型训练，将第一基学习器、第二基学习器、第三基学习器以及第四基学习器集成，得到训练好的水泥混凝土抗压强度模型；

S5、将待测的水泥混凝土样本输入至水泥混凝土抗压强度模型，得到待测水泥混凝土样本的抗压强度值。

进一步的，步骤S1包括：

配比参数至少包括以下一种：水泥含量、高炉矿渣含量、粉煤灰含量、水含量、减水剂、粗骨料、细骨料；

外部影响参数至少包括以下一种:期龄、温度、湿度。

进一步的，步骤S2包括：

S201、获取更新后的抗压强度训练样本集所对应的第一点云图，在第一点云图中随机选取第一样本和第二样本，计算第一样本和第二样本之间的欧式距离，得到第一样本和第二样本之间的中点坐标，标记第一点云图中除去第一样本和第二样本后的所有样本为第二点云图，分别计算该中点与第二点云图中的每一个样本之间的第一欧式距离；

S202、以第一欧式距离最大的样本确定为第三样本，计算得到以第一样本、第二样本以及第三样本所构成的三角形的内心坐标，标记第二点云图中除去第三样本后的所有样本为第三点云图，分别计算该内心与第三点云图中的每一个样本之间的第二欧式距离，

S203、以第二欧式距离最大的样本确定为第四样本，标记第三点云图中除去第四样本后的所有样本为第四点云图；

S204、根据确定的第一样本、第二样本、第三样本以及第四样本，计算四个样本的变换矩阵，得到剔除样本模型M。

进一步的，步骤S2中的点云图的构建包括：

将每一个水泥混凝土样本的配比参数、外部影响参数以及抗压强度作为输入，组成每一个样本所对应的n维数据，其中，样本数为m；

将m个样本的多维数据构成n行m列矩阵X，将矩阵X的每一行进行零均值化，计算得到矩阵X的协方差矩阵；

计算协方差矩阵的特征值及对应的特征向量，按照特征值从大到小的顺序将特征向量依次排序，选取前3行的特征向量组成3行m列的矩阵P；

将矩阵P构建得到第一点云图。

进一步的，步骤S2还包括：

S205、定义一训练样本集合I

S206、设置剔除样本模型M的误差阈值λ，分别计算第四点云图中每一个样本与剔除样本模型M之间的投影误差d，若投影误差d小于误差阈值λ，则该样本为合格的样本，否则为异常的样本，剔除该样本点；

S207、将所有的合格的样本构成集合I

S208、重复执行步骤S201-S204，并更新每次执行步骤的迭代次数k；

S209、当迭代次数达到K

进一步的，步骤S208包括：

迭代次数k的计算公式为：

p为置信度，取0.995，w为每次迭代时所获取的集合中的样本数与总样本数之比，m取4。

进一步的，步骤S3包括：

以第一窗口尺寸从原始特征集中进行特征选取，所选取的特征构成第一特征，将第一特征输入第一基学习器进行模型训练，得到第一输出特征；

以第二窗口尺寸从原始特征集中进行特征选取，所选取的特征构成第二特征，将第二特征输入第二基学习器进行模型训练，得到第二输出特征；

以第三窗口尺寸从原始特征集中进行特征选取，所选取的特征构成第三特征，将第三特征输入第三基学习器进行模型训练，得到第三输出特征；

其中，第一特征、第二特征和第三特征均不同。

进一步的，该方法还包括：第一基学习器、第二基学习器、第三基学习器以及第四基学习器使用相同或不同的算法。

本发明还提供一种水泥混凝土抗压强度检测系统，该系统包括：

样本采集模块，设置每一个抗压强度训练样本不同的配比参数与外部影响参数，对应测量得到每一个抗压强度训练样本的抗压强度，采集每一个抗压强度训练样本的抗压强度，构建得到水泥混凝土的抗压强度训练样本集；

样本剔除模块，用于将抗压强度训练样本集中的异常样本剔除，得到更新后的抗压强度训练样本集；

基学习器模块，获取更新后的抗压强度训练样本集的原始特征集将原始特征集以滑动窗口方式进行特征选取，将基于每次滑动选取的原始特征分别对应输入第一基学习器、第二基学习器以及第三基学习器进行模型训练，分别得到第一输出特征、第二输出特征以及第三输出特征；

抗压强度模型模块，将第一输出特征、第二输出特征以及第三输出特征以及原始特征集构成得到重构后的特征集，将重构后的特征集输入到第四基学习器进行模型训练，将第一基学习器、第二基学习器、第三基学习器以及第四基学习器集成，得到训练好的水泥混凝土抗压强度模型；

检测模块，将待测的水泥混凝土样本输入至水泥混凝土抗压强度模型，得到待测的水泥混凝土样本的抗压强度值。

本发明还提供一种电子设备，包括：

处理器以及；

存储器，存储器中存储有可执行代码，当可执行代码被执行时，使得处理器执行如上一个或多个方法。

本发明通过改进的随机采样一致性算法剔除异常样本，解决了采集样本时异常样本导致后期模型训练效果差的问题，也解决了随机采样一致性算法需要大量迭代的问题，提高了水泥混凝土抗压强度的检测准确性；将原始特征结合集成学习第一级输出，同时作为集成学习第二级输入，避免原始特征直接经过两层集成学习结构后出现过拟合现象；以滑动取样法选取抗压强度样本的原始特征，保证每个算法的输入存在特异性，形成的输出特征具有多样性，进一步避免集成学习的过拟合现象；使水泥混凝土的抗压强度检测更加简单，也有效缩短了水泥混凝土抗压强度的测量时长。

附图说明

图1是根据本发明的一个实施例的水泥混凝土抗压强度检测方法的流程示意图；

图2根据本发明的一个具体实施例的水泥混凝土抗压强度检测方法的流程示意图；

图3是根据本发明的一个具体实施例的剔除异常样本示意图；

图4是根据本发明的一个具体实施例的滑动选取特征的基学习器训练示意图；

图5是根据本发明的一个实施例的水泥混凝土抗压强度检测系统的系统示意图。

具体实施方式

以下将结合附图所示的具体实施方式对本发明进行详细描述，但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。

如图1所示的本发明的一个实施例，本发明提供一种水泥混凝土抗压强度检测方法，该方法包括；

S1、设置每一个水泥混凝土样本的配比参数和外部影响，并对应测量得到每一个水泥混凝土样本的抗压强度，将每一个水泥混凝土样本的配比参数、外部影响参数以及测量得到的抗压强度数据构建成抗压强度训练样本集；

S2、基于改进的随机采样一致性算法，从抗压强度训练样本集中剔除异常的抗压强度样本，得到更新后的抗压强度训练样本集；

S3、获取更新后的抗压强度训练样本集的原始特征集，将原始特征集以滑动窗口方式进行特征选取，将基于每次滑动选取的原始特征分别对应输入第一基学习器、第二基学习器以及第三基学习器进行模型训练，分别得到第一输出特征、第二输出特征以及第三输出特征；

S4、将第一输出特征、第二输出特征、第三输出特征以及原始特征集构成重构后的特征集，将重构后的特征集输入到第四基学习器进行模型训练，将第一基学习器、第二基学习器、第三基学习器以及第四基学习器集成，得到训练好的水泥混凝土抗压强度模型；

S5、将待测的水泥混凝土样本输入至水泥混凝土抗压强度模型，得到待测的水泥混凝土样本的抗压强度值。

本发明通过改进的随机采样一致性算法，从抗压强度训练样本集中剔除异常的抗压强度样本，从而得到更新后的抗压强度训练样本集，保证了样本数据的平衡。获取更新后的抗压强度训练样本集中各个样本的原始特征集，以滑动窗口方式进行特征选取，将滑动选取的原始特征输入对应的各个基学习器进行模型训练，将训练好的各个基学习器集成得到水泥混凝土抗压强度模型，以滑动窗口方式进行原始特征选取保证了每个基学习器的输入存在特异性，获取的输出特征具有多样性，避免集成学习的过拟合现象。

设置每一个水泥混凝土样本的配比参数和外部影响数据。根据可能影响水泥混凝土抗压强度的因素，设置水泥混凝土不同组分的配比数据和外部影响数据。配比参数至少包括以下一种：水泥含量、高炉矿渣含量、粉煤灰含量、水含量、减水剂、粗骨料、细骨料。外部影响参数包括以下一种：期龄、温度、湿度。可以理解的是，各个样本的配比参数和外部影响参数的设置，只要保证各个样本之间有一个参数不一样即可。基于每一个水泥混凝土样本设置不同的配比参数和外部影响参数的情况下，测量得到每一个训练样本的抗压强度，将水泥混凝土的配比参数、外部影响参数以及测量得到的抗压强度构建为抗压强度训练样本集。其中，抗压强度的测量通过国标测量方法进行测量得到，只要各个水泥混凝土样本的配比参数和外部影响参数设置不同即可。

在构建的抗压强度训练样本集中，包括正常的抗压强度样本和异常的抗压强度样本，需要将异常的样本剔除。在本申请实施例中，采用基于改进的随机采样一致性算法，剔除抗压强度训练样本集中的异常的抗压强度样本，得到更新后的抗压强度训练样本集。其中，本申请实施例中改进的随机采样一致性算法与现有技术中的距离采样一致性算法的区别：随机采样一致性算法随机选取4个样本点，不能保证样本点距离足够分散；改进的随机采样一致性算法先随机选取2个样本点，再根据2个样本点的中点确定第三个样本点，最后根据前3个样本点构成的三角形内心确定第4个样本点，从而保证了样本点足够分散。

作为一种可选的实现方式，如图2所示，步骤S2包括：

S201、获取抗压强度训练样本集所对应的第一点云图，在第一点云图中随机选取第一样本和第二样本，计算第一样本和第二样本之间的欧式距离，得到第一样本和第二样本之间的中点的坐标，标记第一点云图中除去第一样本和第二样本后的所有样本为第二点云图，分别计算该中点与所述第二点云图中的每一个样本之间的第一欧式距离；

S202、将第一欧式距离最大的样本确定为第三样本，计算得到以第一样本、第二样本以及第三样本所构成的三角形的内心的坐标，标记第二点云图中除去第三样本后的所有样本为第三点云图，分别计算该内心与第三点云图中的每一个样本之间的第二欧式距离；

S203、以第二欧式距离最大的样本确定为第四样本，标记第三点云图中除去第四样本后的所有样本为第四点云图；

S204、根据确定的第一样本、第二样本、第三样本以及第四样本，计算四个样本的变换矩阵，得到剔除样本模型M。

如图4所示，将抗压强度训练样本集所对应的点云图标记为第一点云图，以随机采样方式在点第一云图中选取第一样本和第二样本，随机采样方式不能够保证第一样本与第二样本足够分散，因此，在选取第一样本和第二样本时需进行多次迭代选取，在所选取的样本中，选取欧式距离最大的两个样本作为第一样本与第二样本，以使得第一样本与第二样本足够分散。以改进的随机采样一致性方式选取第三样本和第四样本，保证样本点足够分散，使采集到的抗压强度样本足够符合条件。具体地，将第一点云图中除去第一样本和第二样本的所有样本所对应的点云图标记为第二点云图。根据第一样本与第二样本的欧氏距离，计算得到第一样本与第二样本的中点坐标，计算该中点与第二点云图中所有样本的第一欧式距离，选取第一欧式距离最大的样本作为第三样本。将第二点云图中除去第三样本的所有样本所对应的点云图标记为第三点云图，将第一样本、第二样本以及第三样本构建为一三角形，并计算该三角形的内心坐标，计算第三点云图中所有样本与该内心的第二欧式距离，以第二欧式距离最大的样本作为第四样本。将第三点云图中除去第四样本的所有样本所对应的点云图标记为第四点云图。

作为一种可选的实现方式，步骤2的点云图构建步骤包括：

将每一个水泥混凝土样本的配比参数、外部影响参数以及抗压强度作为输入，组成每一个样本所对应的n维数据，其中，样本数为m；

将m个样本的多维数据构成一n行m列矩阵X，将所述矩阵X的每一行进行零均值化，计算得到矩阵X的协方差矩阵；

计算所述协方差矩阵的特征值及对应的特征向量，按照特征值从大到小的顺序将特征向量依次排序，选取前3行的特征向量组成3行m列的矩阵P；将矩阵P构建得到第一点云图。

本申请实施例中，上述n取11，具体地，将水泥混凝土样本的水泥含量、高炉矿渣含量、粉煤灰含量、水含量、减水剂、粗骨料、细骨料、期龄、温度、湿度以及抗压强度作为输入，组成一11维数据，水泥混凝土样本集中的样本数为m，将m个样本的多维数据构成一11行m列矩阵X，将所述矩阵X的每一行进行零均值化，即减去这一行的均值，计算的带矩阵X的协方差矩阵。由于高维空间的样本具有稀疏性，导致模型比较难找到数据特征，因此，需要对矩阵X进行将维处理，将11维数据降为3维数据,以使得计算更为简单,选取矩阵X中的前3行的特征向量组成一3行m列的矩阵P,将矩阵P构建为第一点云图。

作为一种可选的实现方式，如图2所示，步骤S2还包括：

S205、定义一训练样本集合I

S206、设置剔除样本模型M的误差阈值λ，分别计算第四点云图中每一个样本与剔除样本模型M之间的投影误差d，若投影误差d小于误差阈值λ，则该样本为合格的样本，否则为异常的样本，剔除该样本点；

以第一样本、第二样本、第三样本以及第四样本构成一变换矩阵，得到剔除样本模型M。

S207、将所有的合格的样本构成集合I

S208、重复执行步骤S201-S204，并更新每次执行步骤的迭代次数k；

S209、当迭代次数达到K

作为一种可选的实现方式，迭代次数k的计算公式为：

p为置信度，取0.995，w为每次迭代时所获取的集合中的样本数与总样本数之比，m取4。其中k的值不是简单加1的，在本申请实施例中m选取第一样本、第二样本、第三样本以及第四样本。

提取抗压强度训练样本集中各个样本的原始特征，构建对应的原始特征集，以滑动窗口方式对该原始特征集进行选取，并将每一次基于滑动选取的原始特征输入各个对应的基学习器进行训练。具体地，将第一窗口采集的原始特征输入第一基学习器，第二窗口采集的原始特征输入第二基学习器，第三窗口采集的原始特征输入第三基学习器进行训练，得到对应的第一输出特征、第二输出特征以及第三输出特征。以滑动窗口方式进行原始特征选取保证了每个基学习器的输入存在特异性，获取的输出特征具有多样性，避免集成学习的过拟合现象。

作为一种可选的实现方式，步骤S3包括：

以第一窗口尺寸从原始特征集中进行特征选取，所选取的特征构成第一特征，将第一特征输入第一基学习器进行模型训练得到第一输出特征；

以第二窗口尺寸从原始特征集中进行特征选取，所选取的特征构成第二特征，将第二特征输入第二基学习器进行模型训练得到第二输出特征；

以第三窗口尺寸从所述原始特征集中进行特征选取，所选取的特征构成第三特征，将第三特征输入第三基学习器进行模型训练得到第三输出特征；

其中，所述第一特征、第二特征和第三特征均不同。

如图4所示，以滑动窗口方式选取样本时，滑动窗口尺寸可以相同或不同，即每一个窗口采集到的特征数量可以相同或不同。例如，第一窗口采集到的原始特征为2个，输入第一基学习器的原始特征数量为2，第二窗口以及第三窗口采集到的原始特征可以是2个，也可以不是2个，只要确保每一次选取的特征不一样即可。本申请实施例中对每一个滑动窗口的尺寸不作规定，只需要确定各个滑动窗口与各个基础习器的映射关系，即第一窗口采集的原始特征输入第一基学习器；第二窗口采集的原始特征输入第二基学习器；第三窗口采集的原始特征输入第三基学习器，保证每个基学习器的输入存在特异性，形成的第一输出特征、第二输出特征以及第三输出特征具有多样性，避免集成学习的过拟合现象即可。

将第一输出特征、第二输出特征、第三输出特征以及原始特征集构成重构后的特征集，将重构后的特征集输入到第四基学习器进行模型训练，获取第一基学习器、第二基学习器、第三基学习器以及第四基学习器的各个参数，将第一基学习器、第二基学习器、第三基学习器以及第四基学习器进行集成，得到训练好的水泥混凝土抗压强度模型。

作为一种可选的实现方式，第一基学习器、第二基学习器、第三基学习器以及第四基学习器使用相同或不同的算法。即第一基学习器、第二基学习器以及第三基学习器可以都选择同一种算法，也可以选择不同的算法。例如，第一基学习器、第二基学习器以及第三基学习器都选择AdaBoost算法；或是第一基学习器选择AdaBoost算法，第二基学习器与第三学习器选择GBDT算法或分别选择GBDT算法和Catboost算法。其中，第一基学习器、第二基学习器以及第三基学习器可以选用以下算法：bagging类算法(Random Forest等)、boosting类算法(AdaBoost、GBDT、XGBoost、LightGBM、Catboost等)、Deep Forest、SVR、DT等算法。第四基学习器可以选用以下算法：GBDT、XGBoost、LightGBM、Catboost等算法。

在一些实施例中，为评价训练完成的水泥混凝土抗压强度模型与原Stacking的性能指标，本申请实施例采样公开数据集进行训练，所用公开数据集为文献{Yeh IC.Modeling slump of concrete with fly ash and superplasticizer[J].Computersand Concrete,An International Journal,2008,5(6):559-572.}采集的1030组水泥混凝土抗压强度数据集。将选定的1030组数据集按照8:2的比例分为训练集与测试集。设置第一基学习器的算法为支持向量回归机SVR，第二基学习器的算法为决策树DT，第四基学习器与第三基学习器的算法均为GBDT。将训练集分别输入各个基学习器进行训练，以获得训练完成后的水泥混凝土抗压强度模型。训练第一基学习器时，设置核函数为RBF核函数，C为1000，gamma为0.0001，epsilon为0.04。训练第二基学习器时，设置n_estimators为500。训练第四基学习器与第三基学习器时，设置n_estimators为1000，learning_rate为0.1，max_depth为5，loss为huber。传统算法与改进的算法对于测试集与训练集的平均绝对误差(Mean Absolute Error，MAE)、均方根误差(Root Mean Square Error，RMSE)、平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)、决定系数(Coefficient ofDetermination，R

传统与改进的集成学习的评价指标表

由上述表格可知，对于该公开数据集，改进之后预测模型在测试集上的各项指标均优于传统预测模型。其中在测试集上MAE下降了近20％，RMSE下降近25％，MAPE下降近24％，R

如图5所示的本申请的一实施例，提供一种水泥混凝土抗压强度检测系统100，系统100包括样本采集模块11、样本剔除模块12、基学习器模块13、抗压强度模型模块14以及检测模块15。

样本采集模块11，设置每一个水泥混凝土样本的配比参数和外部影响，对应测量得到每一个水泥混凝土样本的抗压强度，将每一个水泥混凝土样本的配比参数、外部影响参数以及测量得到的抗压强度数据构建成抗压强度训练样本集。

样本剔除模块12，用于将抗压强度训练样本集中的异常样本剔除，得到更新后的抗压强度训练样本集。

基学习器模块13，获取更新后的抗压强度训练样本集的原始特征集，将原始特征集以滑动窗口方式进行特征选取，将基于每次滑动选取的原始特征分别对应输入第一基学习器、第二基学习器以及第三基学习器进行模型训练，分别得到第一输出特征、第二输出特征以及第三输出特征。

抗压强度模型模块14，将第一输出特征、第二输出特征以及第三输出特征以及原始特征集构成得到重构后的特征集，将重构后的特征集输入到第四基学习器进行模型训练，将训练完成的第一基学习器、第二基学习器、第三基学习器以及第四基学习器集成，得到训练好的水泥混凝土抗压强度模型。

检测模块15，将待测的水泥混凝土样本输入至水泥混凝土抗压强度模型，可以测量得到待测的水泥混凝土样本的抗压强度值。

本申请的一实施例还提供一种电子设备，该电子设备包括处理器以及存储器，存储器中存储有可执行代码，当该可执行代码被执行时，使得处理器执行上述的水泥混凝土的抗压强度测量方法。通过上述的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式，可借助必需的通用硬件平台的方式来实现，当然也可以通过硬件和软件结合的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上所揭露的仅为本申请的较佳实施例而已，然其并非用以限定本申请之权利范围，本领域普通技术人员可以理解：在不脱离本申请及所附的权利要求的精神和范围内，改变、修饰、替代、组合、简化，均应为等效的置换方式，仍属于申请所涵盖的范围。