本发明涉及建筑工程，特别涉及一种基于卷积神经网络的建筑屋面应力评定方法及系统。
背景技术：
1、建筑屋面的应力分布对于结构的安全性评估至关重要。高应力区域可能是结构潜在的破坏点，因此对这些区域的准确评估有助于提前发现潜在的结构问题。通过实时监测和评估建筑屋面的应力情况，可以进行预测性维护。提前发现和处理可能导致结构问题的区域，有助于减少维护成本和延长建筑寿命。
2、传统上，卷积神经网络(cnn)在建筑领域的应用主要集中在基于建筑应力图的识别任务。例如lenet-5是一个早期的卷积神经网络，其当前在建筑屋面应力评定方面可能存在一些弊端：
3、(1)特定问题的适应性：lenet-5等经典卷积神经网络通常是为图像分类任务设计的，不够灵活以适应建筑屋面应力评定等特定的结构性问题。
4、(2)空间变换的需求：建筑屋面应力评定可能涉及到不同方向和尺度上的特征，而传统卷积神经网络在这方面的表现有限。
5、卷积神经网络中，空间变换网络(stn)的引入能够提高网络对于几何变换的适应性。为此，提出一种基于卷积神经网络的建筑屋面应力评定方法及系统。
技术实现思路
1、有鉴于此，本发明实施例希望提供一种基于卷积神经网络的建筑屋面应力评定方法及系统，以解决或缓解现有技术中存在的技术问题，即使用空间变换网络(stn)形式的卷积神经网络替代传统的lenet-5的建筑屋面应力评定技术，并对此至少提供一种有益的选择；
2、本发明实施例的技术方案是这样实现的：
3、第一方面，一种基于卷积神经网络的建筑屋面应力评定方法
4、(一)概述
5、该方法通过图像处理和深度学习技术，从建筑屋面的平面形状结构图中提取特征，并利用神经网络对应力进行评估。下面详细介绍了方法的各个步骤。
6、(二)方法步骤
7、s0、初始化
8、输入：建筑屋面的平面形状结构图。
9、操作：根据结构图执行拓扑分析，形成网格图g。这一步骤为后续的空间变换网络提供了几何信息。在所述s0中，所述网格图g为：
10、g＝(v,e)
11、v是所述结构图的顶点集合，每个顶点表示建筑物的一个结构元素或节点；
12、e是所述结构图的边集合，每条边表示结构元素之间的连接关系。其中所述执行拓扑视为邻接矩阵a；
13、所述邻接矩阵a的矩阵形式为：
14、∣v∣×∣v∣
15、所述邻接矩阵a中的每个元素aij表示节点i和j之间是否存在连接；
16、将所述邻接矩阵a进行归一化，以便更好地传递信息。对邻接矩阵进行对称归一化：
17、
18、d是度矩阵，所述度矩阵d中的每个元素dij为：
19、dij＝∑jaij
20、对于每个所述节点i，构成一个节点特征矩阵x：
21、x＝[x1,x2,...,x∣v∣]
22、对于所述网格图g，送入所述空间变换网络模块进行预处理：
23、
24、w0是第一层权重矩阵，relu是修正线性单元激活函数；g(0)是被送入所述空间变换网络模块进行预处理后的网格图。
25、所述修正线性单元激活函数relu为：
26、relu(x)＝max(0,x)
27、对于输入x，如果x大于零，则输出为x，否则输出为零。换句话说，它把所有负数的值都映射为零，保留所有正数值。
28、s1、执行空间变换网络模块
29、输入：网格图g。
30、操作：在网格图g中插入空间变换网络(stn)，以自适应地调整输入图像的几何变换。stn模块的作用是学习建筑屋面的几何特征。
31、其中，执行空间变换网络(stn)模块，以自适应地调整输入图像的几何变换。stn可以通过引入参数化的仿射变换来实现。将stn的变换参数表示为θ。stn的输入是g(0)，即从步骤s0得到的节点表示，输出是经过几何变换的特征表示h(1)。
32、在所述s1中，包括：
33、s100、生成变化参数θ：将所述网格图g预处理，得到能够由所述空间变换网络模块读取的网格图g(0)；将所述变化参数θ交由一个小型的网络生成；该网络的输入是整个建筑物的结构图的特征，输出是仿射变换的参数。这个生成网络是全连接层、卷积层等组成的：
34、θ＝stn-parameternet(g(0))
35、其中，stn-parameternet是参数生成网络；
36、s101、仿射变换操作：
37、利用生成的所述变化参数θ，使用一个仿射变换矩阵t(θ)对所述网格图g(0)进行仿射变换：
38、h(1)＝spatialtransform(g(0),t(θ))
39、其中，spatialtransform是仿射变换操作。使用双线性插值方法来实现。
40、s2、卷积神经网络特征提取
41、输入：经过stn处理后的图像。
42、操作：使用卷积神经网络进行特征提取。至少包括一个卷积层和一个池化层。卷积层用于学习建筑屋面的局部特征，而池化层用于降低特征图的维度。
43、其中，在所述s2中，所述卷积层执行卷积操作：
44、使用一个或多个卷积层对输入特征进行卷积操作，得到卷积特征图c(2)，每个卷积操作都涉及权重w(2)和偏置b(2)：
45、c(2)＝relu(conv(h(1),w(2))+b(2))
46、conv是卷积操作，relu是修正线性单元激活函数；所述修正线性单元激活函数relu为：
47、relu(x)＝max(0,x)
48、对于输入x，如果x大于零，则输出为x，否则输出为零。换句话说，它把所有负数的值都映射为零，保留所有正数值。
49、所述池化层对卷积特征图执行池化操作，减小特征图的维度：
50、p(2)＝maxpooling(c(2))
51、maxpooling是最大池化操作；p(2)是所述池化层的输出。
52、s3、全局平均池化
53、输入：卷积神经网络的输出特征图。
54、操作：进行全局平均池化操作，将卷积神经网络的输出转换为固定大小的特征向量dv。全局平均池化有助于捕捉整体特征。
55、s4、输出层
56、输入：特征向量dv。
57、操作：输出层包括一个线性激活函数f，将特征向量dv映射为应力评估数据。线性激活函数的作用是保留特征向量的线性关系，最终得到应力评估数据。其中，在所述s4中，使用线性激活函数f(x)＝x对所述特征向量dv进行映射，得到最终的应力评估数据stress：
58、stress＝f(dv)＝dv
59、(三)结果和应用
60、该方法通过对建筑屋面的图像数据进行处理，结合空间变换网络和卷积神经网络，能够准确评估建筑屋面的应力分布情况。这种基于深度学习的方法具有更好的适应性和泛化能力，能够应对不同建筑结构和应力分布的情况。
61、第二方面，一种基于卷积神经网络的建筑屋面应力评定系统
62、(一)概述
63、该系统结合了图像处理和深度学习技术，能够对建筑屋面的应力分布进行准确评估。系统包括处理器、寄存器和相应的程序指令。
64、(二)系统组成
65、2.1处理器
66、系统中的处理器是关键组件，负责执行建筑屋面应力评定方法的各个步骤。它能够处理图像数据，执行空间变换网络、卷积神经网络特征提取、全局平均池化和输出层的操作。处理器是整个系统的核心，通过执行程序指令来实现建筑屋面的应力评定。
67、2.2寄存器
68、系统中的寄存器用于存储程序指令，这些指令定义了基于卷积神经网络的建筑屋面应力评定方法的具体步骤。寄存器中的程序指令在被处理器执行时，触发系统按照预定流程完成建筑屋面应力评定。
69、(三)系统工作流程
70、系统的工作流程遵循基于卷积神经网络的建筑屋面应力评定方法中所描述的步骤。
71、3.1初始化
72、系统接收建筑屋面的平面形状结构图作为输入。处理器执行初始化操作，包括拓扑分析，形成网格图g。
73、3.2空间变换网络模块
74、在网格图g中插入空间变换网络(stn)，以自适应地调整输入图像的几何变换。stn模块学习建筑屋面的几何特征。
75、3.3卷积神经网络特征提取
76、使用卷积神经网络进行特征提取。至少包括一个卷积层和一个池化层，用于学习建筑屋面的局部特征和降低特征图的维度。
77、3.4全局平均池化
78、进行全局平均池化操作，将卷积神经网络的输出转换为固定大小的特征向量dv。
79、3.5输出层
80、输出层包括一个线性激活函数f，将特征向量dv映射为应力评估数据。
81、(四)系统优势
82、系统结合了stn和cnn，提高了对几何变换和局部特征的适应性。通过全局平均池化操作，系统能够捕捉整体特征，更全面地评估建筑屋面的应力情况。
83、总结性的，与现有技术相比，本发明所提供的一种基于卷积神经网络的建筑屋面应力评定方法及系统的有益效果如下：
84、(1)几何变换适应性提升：本发明通过在建筑屋面图像上插入stn，增加了网络对几何变换的适应性。传统lenet-5相对较为固定，不够灵活地适应可能存在的几何变换。
85、(2)更强大的特征提取能力：本发明的stn卷积神经网络结合了stn的空间变换能力和卷积神经网络的特征学习能力。这使得网络更有可能学习到建筑屋面的复杂局部特征。而传统的lenet-5在面对建筑屋面的复杂结构时，可能无法捕捉到足够丰富的局部特征。
86、(3)全局信息的更好捕捉：本发明的stn卷积神经网络结合了全局平均池化，能够更好地捕捉整体特征，有助于提高应力评定的全局准确性。传统的lenet-5在全局信息捕捉方面相对不足，特别是对于大尺度建筑结构。
1.一种基于卷积神经网络的建筑屋面应力评定方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于卷积神经网络的建筑屋面应力评定方法，其特征在于：在所述s0中，所述网格图g为：
3.根据权利要求2所述的基于卷积神经网络的建筑屋面应力评定方法，其特征在于：在所述s0中，所述执行拓扑视为邻接矩阵a；
4.根据权利要求1所述的基于卷积神经网络的建筑屋面应力评定方法，其特征在于：
5.根据权利要求4所述的基于卷积神经网络的建筑屋面应力评定方法，其特征在于：在所述s2中，所述卷积层执行卷积操作：
6.根据权利要求5所述的基于卷积神经网络的建筑屋面应力评定方法，其特征在于：在所述s3中，对卷积神经网络的输出p(2)进行全局平均池化，得到固定大小的特征向量dv。
7.根据权利要求1所述的基于卷积神经网络的建筑屋面应力评定方法，其特征在于：在所述s4中，使用线性激活函数f(x)＝x对所述特征向量dv进行映射，得到最终的应力评估数据stress：stress＝f(dv)＝dv。
8.根据权利要求1、3或5所述的基于卷积神经网络的建筑屋面应力评定方法，其特征在于：对于所述s0和所述s2，所述修正线性单元激活函数relu为：
9.一种基于卷积神经网络的建筑屋面应力评定系统，其特征在于：所述系统包括处理器、与所述处理器耦接的寄存器，所述寄存器中存储有程序指令，所述程序指令被所述处理器执行时，使所述处理器执行如权利要求1-8中任意一项所述的一种基于卷积神经网络的建筑屋面应力评定方法。
