System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及建筑安全,具体涉及一种量子神经网络的房屋裂缝检测方法、电子设备及可读存储介质。
技术介绍
1、在房屋使用过程中,荷载作用、材料老化、腐蚀效应等由环境、气候、和地质引起的作用是房屋产生裂缝的主要原因,这些裂缝会对房屋结构的安全性、可靠性、耐久性带来不利影响,为满足结构设计原理,需要对房屋构件进行裂缝控制验算,以确保其满足耐久性要求。目前,主要通过专业人员的现场勘察、仪器检测、结构分析和验算等方法对房屋裂缝进行检测。然而,这种方法无法避免人为主观因素的干扰,同时也存在检测效率低下等问题。此外,在对危楼进行检测时,也无法保障测量人员的安全;基于传统数字图像检测房屋裂缝被广泛应用于房屋结构安全检测中,但传统数字图像处理技术容易受到噪声影响,导致测量精度较低,且构件裂缝的深度和宽度检测误差较大。为解决上述问题,在保证检测效率的同时能够解决未来庞大的裂缝检测任务,需要研究一种简单、迅速、应用范围广的裂缝检测方法。
技术实现思路
1、为了克服上述技术缺陷的不足,本专利技术以yolov5目标检测网络结构为基础,利用量子计算叠加和纠缠等量子力学现象独特性质,在房屋裂缝检测中,能精确的将多个裂缝拼接在一起,能够较好的保留原裂缝的特征,生成更准确的特征图谱,不仅弥补了识别小目标和多尺度检测性能低下的不足,同时保证了检测效率、降低了网络复杂度。
2、本专利技术的目的之一在于,提供量子神经网络的房屋裂缝检测方法,关键在于包括以下步骤:
3、s1.通过量子电路初步提取输入
4、s2.通过wave-mlp模块深入提取经典态特征图谱的特征;
5、s3.基于裂缝特征库,输出裂缝的关键信息。
6、进一步地,所述s1具体为:
7、s1.1通过式1将输入图像的像素信息投影到[θ,π]区间上,得到量子纯态;
8、
9、s1.2利用hadamard门将量子纯态转变为量子叠加态;
10、s1.3对叠加态的量子比特使用cnot门操作,随后依次经过rz旋转门和ry旋转门,以加深量子叠加程度;
11、s1.4采用滑动窗口的方式,依次提取4×4图片的特征信息,对所有的像素进行编码,最后按照读取的顺序将所有特征图谱整合为量子态特征图谱;
12、s1.5将量子态特征图谱表示为基矢量的线性组合,通过测量基矢量的概率,采用式2计算出量子态密度矩阵重构后的经典态特征图谱,
13、
14、进一步地,所述s1.2中,量子叠加态转化如式3所示,
15、
16、其中,量子态代表2n+1个hadamard矩阵的张量积。
17、进一步地,所述s1.3中,旋转门具体表达如式4所示:
18、
19、进一步地,所述s2具体为:
20、s2.1将经典态特征图谱进行分割,采用wave-mlp模块提取图谱原特征,并以波函数的形式来进行储存,通过channel-fc通道获取被分割特征信息的振幅和相位θj,具体表达如式5所示:
21、
22、其中,xj为输入特征,wθ表示可学习参数;
23、s2.2通过token-fc通道聚合被分割的信息,其具体表达如式6所示:
24、
25、s2.3将聚合后的信息重新组合,通过量子测量的方法,将上述复值表示的量子态投射到实值可观测值上,以实值的形式输出,其具体表达如式7所示:
26、
27、其中,wi和wt均表示可学习系数。
28、进一步地,所述s2.1具体为:采用wave-mlp模块,将输入图片中提取的原特征以波函数的形式来进行储存,即将每个被分割的patch表示为具有振幅和相位信息的波函数,其具体表达如式8所示:
29、
30、其中,⊙表示两个矩阵对应位置元素的乘积运算,i为虚数单位,为一个周期函数;振幅|zj|表示每个patch的实值特征,通过channel-fc通道获取;θj表示相位,采用估计模块θ来确定相位;
31、故分割特征信息的振幅和相位θj具体如式5所示:
32、
33、其中,xj为输入特征,wθ表示可学习参数;
34、进一步地,所述s2.2具体为:首先,采用向量叠加的方法将被分割的patch聚合,得到聚合后波函数的振幅大小|zj|,相位大小θr,表达具体表达如式9和式10所示:
35、
36、θr=θi+arctan2(|zj|⊙sin(θj-θi),|zi|+|zj|⊙cos(θj-θi)) 式10
37、其中θj表示第j个patch的向量角度,|zj|表示第j个patch向量的模,然后通过token-fc通道将不同的patch聚合,其具体表达如式6所示:
38、
39、进一步地,所述s3具体为:
40、s3.1、建立裂缝特征库,使用公开混凝土裂缝数据集作为训练数据;其中,混凝土裂缝数据集可以为concrete craces for classification、cfd等;
41、s3.2、输出裂缝的位置坐标、类别概率、边界框尺寸和长宽等信息。
42、本专利技术的目的之二在于,一种计算机可读介质,关键在于:所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上述方案中的房屋裂缝检测方法的步骤。
43、本专利技术的目的之三在于,一种电子设备,关键在于:包括处理器、可读存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线通信,所述机器可读指令被所述处理器执行时执行如上述方案中的房屋裂缝检测方法的步骤。
44、具体的实施例中,可读存储器可用于存储裂缝检测算法中所需的控制参数、初始条件和密钥等信息,能够存储处理量子比特的信息,此外,可读存储器还可以在需要时快速读取存储的信息,以供处理器使用。
45、具体的实施例中,处理器可用于执行基于量子计算的程序,提供更高的计算效率,同时还具备适应性,可以与专用可读存储器紧密合作。
46、具体的实施例中,处理器上的计算机模拟环境,负责保障执行裂缝检测算法的各个步骤。该环境负责协调存储器与处理器之间的数据,管理裂缝检测步骤中的参数分配,可以根据程序的需求进行灵活调整。
47、与现有技术相比,本专利技术有以下优势:
48、(1)利用量子计算叠加和纠缠等量子力学现象独特性质,在裂缝特征提取能力和数据存储能力上超过了经典计算,为经典计算方式提供潜在的加速,提高经典计算问题的效率;
49、(2)利用量子电路提取图像特征信息,在图像处理中能够生成更准确的特征图谱,弥补了识别小目标和多尺度检测性能低下的不足,特别是在房屋裂缝检测中,能精确的将多个裂缝本文档来自技高网...
【技术保护点】
1.一种量子神经网络的房屋裂缝检测方法,其特征在于包括以下步骤:
2.根据权利要求1所述的一种量子神经网络的房屋裂缝检测方法,其特征在于所述S1具体为:
3.根据权利要求2所述的一种量子神经网络的房屋裂缝检测方法,其特征在于所述S1.2中,量子叠加态转化公式如式3所示,
4.根据权利要求2所述的一种量子神经网络的房屋裂缝检测方法,其特征在于所述S1.3中,旋转门具体表达如式4所示:
5.根据权利要求1所述的一种量子神经网络的房屋裂缝检测方法,其特征在于所述S2具体为:
6.根据权利要求5所述的一种量子神经网络的房屋裂缝检测方法,其特征在于所述S2.1具体为:采用Wave-MLP模块,将输入图片中提取的原特征以波函数的形式来进行储存,即将每个被分割的Patch表示为具有振幅和相位信息的波函数,其具体表达如式8所示:
7.根据权利要求1所述的一种量子神经网络的房屋裂缝检测方法,其特征在于所述S2.2具体为:首先,采用向量叠加的方法将被分割的Patch聚合,得到聚合后波函数的振幅大小|zj|,具体表达如式9所示,相
8.根据权利要求1所述的一种量子神经网络的房屋裂缝检测方法,其特征在于,所述S3具体为:
9.一种计算机可读介质,其特征在于:所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1-8中任一所述的房屋裂缝检测方法的步骤。
10.一种电子设备,其特征在于:包括处理器、可读存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1-8中任一所述的房屋裂缝检测方法的步骤。
...【技术特征摘要】
1.一种量子神经网络的房屋裂缝检测方法,其特征在于包括以下步骤:
2.根据权利要求1所述的一种量子神经网络的房屋裂缝检测方法,其特征在于所述s1具体为:
3.根据权利要求2所述的一种量子神经网络的房屋裂缝检测方法,其特征在于所述s1.2中,量子叠加态转化公式如式3所示,
4.根据权利要求2所述的一种量子神经网络的房屋裂缝检测方法,其特征在于所述s1.3中,旋转门具体表达如式4所示:
5.根据权利要求1所述的一种量子神经网络的房屋裂缝检测方法,其特征在于所述s2具体为:
6.根据权利要求5所述的一种量子神经网络的房屋裂缝检测方法,其特征在于所述s2.1具体为:采用wave-mlp模块,将输入图片中提取的原特征以波函数的形式来进行储存,即将每个被分割的patch表示为具有振幅和相位信息的波函数,其具体表达如式8所示:
<...【专利技术属性】
技术研发人员:范兴奎,步允哲,肖宜磊,陈兆凯,
申请(专利权)人:青岛理工大学,
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。