[发明专利]一种基于深度学习算法的楼面活荷载统计方法及系统

权利要求书

1.一种基于深度学习算法的楼面活荷载统计方法，其特征在于，具体为：

将室内物体图片和室内人群图片分别输入训练好的室内物体检测模型和人群计数模型，对应获得物体特征和室内人数；

将物体特征输入网络爬虫，获取室内物体重量，根据人群数量和人群平均体重计算室内人群重量，根据室内物体重量和室内人群重量计算楼面活荷载；

其中，所述的训练过程为：

收集室内物体图片和室内人群图片并进行标记处理，构成数据库，利用数据库训练室内物体检测模型和人群计数模型。

2.根据权利要求1所述的一种基于深度学习算法的楼面活荷载统计方法，其特征在于，所述的物体特征包括物体直接特征和物体间接特征，将物体直接特征输入具有检索关键字功能的网络爬虫，将物体间接特征输入具有图像匹配功能的网络爬虫。

3.根据权利要求1所述的一种基于深度学习算法的楼面活荷载统计方法，其特征在于，所述的训练过程采用的损失函数为L(t,b,c,r,z,o)为：

L(t,b,c,r,z,o)＝L_loc(t,b)+L_conf(c,r)+L_cla(z,o)

其中，L_loc(t,b)为先验框偏差量损失，L_conf(c,r)为物体置信度损失，L_cla(z,o)为目标类别损失；

所述的L_loc(t,b)的计算公式如下：

其中，为真实偏差量，t为预测偏差量，λ为平衡系数；S为三个尺度特征图下目标物体所在网格中与真实边界框重叠最大的先验框集合；σ(·)为Sigmoid函数；

所述的L_conf(c,r)的计算公式如下：

其中，r为真实物体置信度，为预测边界框物体置信度；

所述的L_cla(z,o)的计算公式如下：

其中，o真实物体类别，为预测边界框物体类别，C表示物体总类别。

4.根据权利要求1所述的一种基于深度学习算法的楼面活荷载统计方法，其特征在于，基于Keras深度学习平台搭建室内物体检测模型和人群计数模型。

5.根据权利要求1所述的一种基于深度学习算法的楼面活荷载统计方法，其特征在于，采用labelImg工具标记处理收集的室内物体图片和室内人群图片。

6.一种基于深度学习算法的楼面活荷载统计系统，其特征在于，包括：

数据采集模块，用于采集室内物体图片和室内人群图片；

物体检测模块，用于将室内物体图片输入训练好的室内物体检测模型，获得物体特征；

人群计数模块，用于将室内人群图片输入训练好的人群计数模型，获得室内人数；

荷载统计模块，用于将物体特征输入网络爬虫，获得室内物体重量，根据室内人数和人群平均体重根据计算室内人群重量，根据室内物体重量和室内人群重量计算楼面活荷载；

其中，所述的训练过程为：

收集室内物体图片和室内人群图片并进行标记处理，构成数据库，利用数据库训练室内物体检测模型和人群计数模型。

7.根据权利要求6所述的一种基于深度学习算法的楼面活荷载统计系统，其特征在于，所述的物体特征包括物体直接特征和物体间接特征，所述的荷载统计模块将物体直接特征输入具有检索关键字功能的网络爬虫，将物体间接特征输入具有图像匹配功能的网络爬虫。