金属屋面抗风性能的检测方法、计算机设备及介质与流程

1.本发明涉及建筑测量技术领域，尤其涉及一种金属屋面抗风性能的检测方法、计算机设备及介质。


背景技术：

2.金属屋面系统是以具有自保性防腐能力、轻质、高强、耐久的钛锌、铜、钛、镀铝锌彩板等金属薄板以及铝合金、不锈钢薄板作为面材的建筑屋面系统。
3.金属屋面系统由于其质量轻、跨度大、外形复杂等特点，受风荷载影响较大，风揭事故时有发生。据不完全统计，每年由金属屋面发生风揭破坏造成的直接或间接经济损失可达数亿元，因此，对金属屋面系统的抗风性能的越来越重视，最近五年，国内关于抗风性能的测试陆续建立起来，参照国外的fm4471、ul580、astm e1592、csaa123.21等标准，国内相继编写了gb50896、建筑金属围护系统工程技术标准、金属屋面抗风掀性能检测方法，但现有技术中，对于金属屋面抗风歇能力的检测方法较少，一般通过有限元分析或者观测方法，但检测精度低，无法对金属屋面的抗风能力进行实际检测。


技术实现要素：

4.本发明要解决的技术问题是：为了解决现有技术抗风性能检测方法无法对金属屋面的抗风能力进行实际检测的技术问题，本发明提供一种金属屋面抗风性能的检测方法，检测精度高，能够实现对金属屋面的抗风性能进行实际检测。
5.本发明解决其技术问题所采用的技术方案是：一种金属屋面抗风性能的检测方法，包括以下步骤：步骤s1：获取金属屋面系统中若干金属面板之间通过螺栓连接时所述螺栓的数量，所述螺栓的数量为x1，以及所述金属屋面系统与墙体之间通过螺丝连接时所述螺丝的数量，所述螺丝的数量为x5；其中，每个所述螺栓的预紧力为x2；步骤s2：通过风洞实验获取所述金属屋面系统的风阻系数x3；步骤s3：基于图像处理测量所述金属屋面系统的振动频率，根据所述振动频率获取所述金属屋面系统的声压级值x4；步骤s4：将所述螺栓的数量x1、每个所述螺栓的预紧力x2、所述螺丝的数量x5、所述风阻系数x3以及所述声压级值x4作为数据集，将所述数据集分为训练集和测试集；步骤s5：建立svm算法模型，将所述数据集转换成所述svm算法模型识别的输入向量，给定所述输入向量和目标值到所述svm算法模型中，对所述svm算法模型训练，实现金属屋面抗风歇能力的分类应用；步骤s6：将实时获取的所述螺栓的数量，所述螺栓的预紧力，所述螺丝的数量，所述风阻系数，所述声压级值作为特征值输入至训练好的svm算法模型中，获得被测金属屋面系统是否能够成功抵御风歇能力。
6.进一步，具体地，所述步骤s3具体包括以下步骤：步骤s31：获取所述金属屋面系统的振动频率f，所述金属屋面系统的振动频率f包括金属屋面整体结构振动频率f1、金属屋面自身连接处振动频率f2，以及金属屋面边缘振动频率f3，所述金属屋面系统的振动频率f=(f1，f2，f3)；步骤s32：对所述金属屋面系统的振动频率f=(f1，f2，f3)进行多项式扩展，获取扩展后的振动特征zi；步骤s33：构建随机森林模型；步骤s34：输入所述金属屋面系统的振动频率f至所述随机森林模型，拟合所述声压级值。
7.进一步，具体地，所述步骤s31具体包括以下步骤：步骤s311：通过图像采集设备获取所述金属屋面系统各部位振动时的视频流，对所述视频流按帧取图得到多帧连续的图像；步骤s312：根据所述图像，获取所述金属面板在各个时间点上振动状态的时域信号，并对所述时域信号进行傅里叶变换，得到频谱信号；步骤s313：对所述频谱信号进行峰值检测，得到频率峰值；步骤s314：获取采样时间，所述频率峰值和所述采样时间之比为振动频率；其中，所述图像中包括：金属屋面整体的振动图像、金属屋面自身连接处的振动图像以及所述金属屋面边缘的振动图像，通过所述步骤s311~所述步骤s314分别计算出所述金属屋面整体结构振动频率f1、所述金属屋面自身连接处振动频率f2，以及所述金属屋面边缘振动频率f3。
8.进一步，具体地，所述步骤s33包括以下步骤：s331：输入特征值，并对所述特征值标准化处理，所述特征值为所述金属屋面系统的振动频率f=(f1，f2，f3)以及振动特征z；s332：随机选择特征，从标准化处理的特征值中随机选择，并从中选择最佳的一个特征用于节点的分裂；s333：构建决策树，根据随机选择特征和所述特征值对决策树训练；s334：集成决策树，将多个决策树合并成所述随机森林模型，采用平均法对所有决策树的预测结果进行平均；s335：模型评估，基于计算出的平均值对随机森林模型进行均方误差评估计算，计算公式为：；其中，n代表着样本的数量，代表了第i样本的声压级真实值，代表了第i样本的声压级预测值。
9.进一步，具体地，所述步骤s5包括以下步骤：s51：对所述训练集和所述测试集进行标准化处理；s52：将所述训练集的数据输入至所述svm算法模型，结合所述目标值，对所述svm
算法模型进行训练；s53：将所述测试集的数据输入至训练好的所述svm算法模型，并进行评估；s54：根据所述步骤s53中评估的结果，对所述svm算法的参数进行优化调整。
10.进一步，具体地，当mse值小于0.05时结束对所述随机森林模型训练。
11.一种计算机设备，包括：处理器；存储器，用于存储可执行指令；其中，所述处理器用于从所述存储器中读取所述可执行指令，并执行所述可执行指令以实现如上所述的金属屋面抗风性能的检测方法。
12.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，使得处理器实现如上所述的金属屋面抗风性能的检测方法。
13.本发明的有益效果是，本发明的一种金属屋面抗风性能的检测方法，通过svm算法模型对金属屋面系统产生重要影响的特征进行函数映射，实现对金属屋面的抗风性能进行实际检测，且测量精度高，提高了建筑物整体的安全性，且降低了检测成本。
附图说明
14.下面结合附图和实施例对本发明进一步说明。
15.图1是本发明实施例一的的流程示意图。
16.图2是本发明实施例一获取声压级值的流程示意图。
17.图3 是本发明实施例三计算机设备结构示意图。
18.图中10、计算机设备；1002、处理器；1004、存储器；1006、传输装置；
具体实施方式
19.现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
20.实施例1：如图1所示，本技术实施例提供了一种金属屋面抗风性能的检测方法，包括以下步骤：步骤s1：获取金属屋面系统中若干金属面板之间通过螺栓连接时螺栓的数量，螺栓的数量为x1，以及金属屋面系统与墙体之间通过螺丝连接时螺丝的数量，螺丝的数量为x5；其中，每个螺栓的预紧力为x2。
21.由于金属屋面系统的结构体大，所以很难一次性加工出金属屋面系统的整体结构，一般情况下，若干金属面板之间通过螺栓连接形成金属屋面系统，形成金属屋面系统需要使用若干螺栓连接，而螺栓的数量对于金属屋面自身的结构强度有着较大的影响，进而会影响到整个金属屋面系统的抗风歇能力。若使用的螺栓的数量少，会使得每个螺栓所承载的载荷增大，进而增加金属屋面系统承受强风载荷时，螺栓会被拔出的概率；若使用的螺栓的数量多，会导致金属屋面系统弹性振动空间减少，降低整体承载能力，而每个螺栓的预紧力对于最终抗风能力影响值较大。另外，金属屋面系统与墙体之间一般采用螺丝连接，依据标准间距的螺丝，螺丝的数量越多，金属屋面系统与墙体的连接强度越高，但是受限于场地，螺丝的数量存在上限。因此，获取螺栓的数量和螺栓的预紧力以及螺丝的数量，并将其作为重要特征值。
22.步骤s2：通过风洞实验获取金属屋面系统的风阻系数x3。
23.金属屋面结构的抗风歇能力很大一部分与其自身的风阻系数有关，较低的风阻系数能够在在强风载荷时，整体结构的承载情况也得到较大优化。而大风阻则会使得金属物屋面在同样的风力下，承载更多，被风歇的概率更大，通过风洞实验获取金属屋面系统的风阻系数x3，将其作为重要特征值。
24.需要说明的是，风洞实验是获取金属屋面系统风阻系数常用方法之一，在本实施例中，通过设计风洞试验方案、制作金属屋面结构样本、搭建风洞试验设施、设定试验参数以及风洞试验等步骤，最后得到金属屋面系统的风阻系数x3，上述步骤均为现有技术，此处不在详细赘述。
25.步骤s3：基于图像处理测量金属屋面系统的振动频率，根据振动频率获取金属屋面系统的声压级值x4。
26.金属屋面系统的声压级值x4在整个金属屋面系统的抗风能力中有着较大的影响，但是直接去测量金属屋面整体结构声压级值、金属屋面自身连接处及金属屋面边缘的声压级值是极其困难，且测量步骤繁琐，并且不利于后续快速且经济化的检测金属屋面系统的抗风歇能力。基于图像处理测量金属屋面系统的振动频率去拟合金属屋面系统振动时发出的声压级值，步骤简单，便于后续快速且经济化的检测金属屋面系统的抗风歇能力，且进一提高了检测精度以及能够提高检测效率。
27.在本实施例中，如图2所示，步骤s3具体包括以下步骤：步骤s31：获取金属屋面系统的振动频率f，金属屋面系统的振动频率f包括金属屋面整体结构振动频率f1、金属屋面自身连接处振动频率f2，以及金属屋面边缘振动频率f3，金属屋面系统的振动频率f=(f1，f2，f3)。
28.进一步的，步骤s31具体包括以下步骤：步骤s311：通过图像采集设备获取金属屋面系统各部位振动时的视频流，对视频流按帧取图得到多帧连续的图像，图像采集设备为高速摄影仪，确保采集的图像清晰，便于对金属屋面抗风性能的检测，提高测量精度。
29.步骤s312：根据图像，获取金属面板在各个时间点上振动状态的时域信号，并对时域信号进行傅里叶变换，得到频谱信号。进一步的，傅里叶变换公式为：
30.其中，x(k)表示频谱信号k的幅度，x（n）表示时域上n时刻的振动信号，e表示自然常数，j表示虚数单位，n则表示信号长度。
31.步骤s313：对频谱信号进行峰值检测，得到频率峰值。
32.步骤s314：获取采样时间，频率峰值和采样时间之比为振动频率；采样时间为图像采集的时间间隔。
33.其中，图像中包括：金属屋面整体的振动图像、金属屋面自身连接处的振动图像以及金属屋面边缘的振动图像，通过步骤s311~步骤s314分别计算出金属屋面整体结构振动频率f1、金属屋面自身连接处振动频率f2，以及金属屋面边缘振动频率f3。通过图像采集设
备在不接触金属屋面系统的情况下，采集各部位振动的图像，避免了物理接触带来的干扰或影响，同时，可以捕捉金属面板振动的细微变化，提供高时间分辨率的图像数据，通过步骤s311-步骤314能够准确地分析振动模式和频率，进而提高了金属屋面抗风性能的检测方法的测量精度。
34.步骤s32：对金属屋面系统的振动频率f=(f1，f2，f3)进行多项式扩展，获取扩展后的振动特征z。
35.进一步的，虽然金属屋面系统的振动频率越高，但是所产生的噪声压力水平也越高，但是振动频率和噪声的压力水平之间并不是线性关系，本实施例中，对金属屋面系统的振动频率f扩展，采用非线性拟合扩展，扩展公式为：zi=f(fj)，i=1，2，3，4，5，6，j=1，2，3，将金属屋面系统的振动频率f=(f1，f2，f3)代入扩展公式进行多项式扩展，得到：z1=f1*f2z2=f1*f3z3=f2*f3；z4=f12z5=f22z6=f32扩展后的振动特征z=（z1，z2，z3，z4，z5，z6）。
36.步骤s33：基于金属屋面系统的振动频率f=(f1，f2，f3)以及振动特征zi构建随机森林模型，获取金属屋面系统的声压极值。
37.进一步的，步骤s33包括以下步骤：s331：输入特征值，并对特征值标准化处理，特征值为金属屋面系统的振动频率f=(f1，f2，f3)以及振动特征zi；特征值标准化是指将特征向量的值缩放到一个指定的范围内，以便于模型的训练和优化。在本实施例中，不同振动频率的幅度即特征值的尺度还有经过多项式扩展后尺度发生较大差异会影响随机森林模型的性能，尺度大的特征对模型的影响更大，而其他特征对模型的影响较小。所以通过特征值标准化，可以将所有的特征向量的值都映射到同一个范围内，消除特征值之间的差异，使得所有的特征都对随机森林模型具有同等的贡献：
38.其中，m为标准化后的特征值，n为金属屋面系统的振动频率f=(f1，f2，f3)以及振动特征zi，为均值，为标准差。
39.s332：随机选择特征，对于每个决策树的每个节点，在该节点需要进行特征选择，从步骤s321中的标准化处理的特征值中随机选择一部分特征（如选择总特征数的一部分），并从中选择最佳的一个特征用于节点的分裂，使得分裂后的信息熵差值最大化。
40.s333：构建决策树，根据随机选择特征和样本数据对决策树训练。具体来说，通过对样本数据的递归分割，生成一棵具有深度的决策树。之后重复进行步骤，随机从数据集中选择一定数量的样本（有放回地抽样），用于训练每个决策树以及使用随机选择特征和样本数据训练决策树，换言之，通过对样本数据的递归分割，生成一棵具有深度的决策树。需要
说明的是，样本数据为金属屋面系统的振动频率f=(f1，f2，f3)以及振动特征zi。
41.s334：集成决策树，将多个决策树合并成随机森林模型，采用平均法对所有决策树的预测结果进行平均。
42.s335：模型评估，基于计算出的平均值对随机森林模型进行均方误差评估计算，计算公式为：
43.其中，n代表着样本的数量，代表了第i样本的声压级真实值，代表了第i样本的声压级预测值。声压级真实值是通过为了训练随机森林模型对金属屋面系统现场进行采集得到，声压级预测值是通过构建随机森林模型进行预测得到的，通过比较两者的差值大小确定是否继续对随机森林模型进行训练，以提高随机森林模型中声压级预测值的准确度，进而提高金属屋面系统抗御风歇能力的检测精度。
44.在本实施例中，当mse值（均方误差）小于0.05时结束训练，训练的结果好，金属屋面系统抗御风歇能力的检测精度高。
45.步骤s34：输入金属屋面系统的的振动频率至随机森林模型，拟合出声压级值，声压极值过大时，金属屋面系统被破坏的可能也越大。
46.步骤s4：将螺栓的数量x1、每个螺栓的预紧力x2、螺丝的数量x5、风阻系数x3以及声压级值x4作为数据集，将数据集分为训练集和测试集；训练集用于训练模型，测试集用于评估模型的性能。在本实施例中，以50%数据集的数据量作为训练集，50%数据集的数据量作为测试集，通过50%数据集的数据量确保了测试集的数据量提高了保证了测试结果的准确性。
47.步骤s5：建立svm算法模型，将数据集转换成svm算法模型识别的输入向量 ，给定输入向量和目标值到svm算法模型中，对svm算法模型训练，实现金属屋面抗风歇能力的分类应用；进一步的，步骤s5具体包括以下步骤：s51：对数据集进行标准化处理。将步骤s4中训练集和测试集的数据进行特征值标准化，使其均值为0，方差为1，以消除训练集和测试集的数据之间的量纲差异对模型造成的影响，提高检测方法的测量精度。步骤s51与步骤s311只是处理的数据集不同，但是步骤处理过程相同，此处不在赘述。
48.s52：将训练集的数据输入至svm算法模型，结合目标值，对svm算法模型进行训练。
49.s53：将测试集的数据输入至训练好的svm算法模型，并进行评估。
50.具体的，使用测试集对训练好的svm算法模型进行评估，其中，金属屋面被风歇开标记为1，通过召回率指标re来评估模型的分类性能：
51.其中tp为真正例，而fn为假负例。真正例是指实际金属屋面系统被风歇开，并且预测为被歇开。假负例是指将属于正类的样本被错误地预测为负类的情况。re为召回率，防止
出现实际金属屋面系统会被风歇开，但却不能召回的情况。
52.s54：根据步骤s53中评估的结果，对svm算法的参数进行优化调整，如加权优化，用以提高模型的分类性能。调整后模型的分类结果包括：完全抗风歇稳定，抗风歇半稳定以及抗风歇不稳定。
53.步骤s6：将实时获取的螺栓的数量，螺栓的预紧力，螺丝的数量，风阻系数，声压级值作为特征值输入至训练好的svm算法模型中，获得被测金属屋面系统是否能够成功抵御风歇能力。
54.本发明的一种金属屋面抗风性能的检测方法，通过svm算法模型对金属屋面系统产生重要影响的特征进行函数映射，实现对金属屋面的抗风性能进行实际检测，且测量精度高，提高了建筑物整体的安全性，且降低了检测成本。
55.实施例2：本技术实施例提供了一种计算机设备，该计算机设备包括处理器和存储器，该存储器中存储有至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的一种金属屋面抗风性能的检测方法。
56.图3示出了一种用于实现本技术实施例所提供的一种金属屋面抗风性能的检测方法的设备的硬件结构示意图，设备可以参与构成或包含本技术实施例所提供的装置或系统。如图3所示，计算机设备10可以包括一个或多个处理器1002(处理器可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器1004、以及用于通信功能的传输装置1006。除此以外，还可以包括：显示设备、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为i/o接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图3所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机设备10还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。
57.应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机设备10(或移动设备)中的其他元件中的任意一个内。如本技术实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
58.存储器1004可用于存储应用软件的软件程序以及模块，如本技术实施例中的一种金属屋面抗风性能的检测方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器1004内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种方法。存储器1004可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1004可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
59.传输装置1006用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机设备10的通信供应商提供的无线网络。在一个实例中，传输装置1006包括一个网络适配器(networkinterfacecontroller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置1006可以为射频(radiofrequency，rf)模块，其
用于通过无线方式与互联网进行通讯。
60.显示设备可以例如触摸屏式的液晶显示器(lcd)，该液晶显示器可使得用户能够与计算机设备10(或移动设备)的用户界面进行交互。
61.实施例3:本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质可设置于服务器之中以保存用于实现方法实施例中一种金属屋面抗风性能的检测方法相关的至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述方法实施例提供的一种金属屋面抗风性能的检测方法。
62.可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
63.实施例4：本发明实施例还提供了一种计算机程序产品或计算机程序，计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实施方式中提供的一种金属屋面抗风性能的检测方法。
64.需要说明的是：上述本技术实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本技术特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
65.本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备和存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
66.本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
67.以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

技术特征：
1.一种金属屋面抗风性能的检测方法，其特征在于，包括以下步骤：步骤s1：获取金属屋面系统中若干金属面板之间通过螺栓连接时所述螺栓的数量，所述螺栓的数量为x1，以及所述金属屋面系统与墙体之间通过螺丝连接时所述螺丝的数量，所述螺丝的数量为x5；其中，每个所述螺栓的预紧力为x2；步骤s2：通过风洞实验获取所述金属屋面系统的风阻系数x3；步骤s3：基于图像处理测量所述金属屋面系统的振动频率，根据所述振动频率获取所述金属屋面系统的声压级值x4；步骤s4：将所述螺栓的数量x1、每个所述螺栓的预紧力x2、所述螺丝的数量x5、所述风阻系数x3以及所述声压级值x4作为数据集，将所述数据集分为训练集和测试集；步骤s5：建立svm算法模型，将所述数据集转换成所述svm算法模型识别的输入向量，给定所述输入向量和目标值到所述svm算法模型中，对所述svm算法模型训练，实现金属屋面抗风歇能力的分类应用；步骤s6：将实时获取的所述螺栓的数量，所述螺栓的预紧力，所述螺丝的数量，所述风阻系数，所述声压级值作为特征值输入至训练好的svm算法模型中，获得被测金属屋面系统是否能够成功抵御风歇能力。2.如权利要求1所述的金属屋面抗风性能的检测方法，其特征在于，所述步骤s3具体包括以下步骤：步骤s31：获取所述金属屋面系统的振动频率f，所述金属屋面系统的振动频率f包括金属屋面整体结构振动频率f1、金属屋面自身连接处振动频率f2，以及金属屋面边缘振动频率f3，所述金属屋面系统的振动频率f=(f1，f2，f3)；步骤s32：对所述金属屋面系统的振动频率f=(f1，f2，f3)进行多项式扩展，获取扩展后的振动特征z
i
；步骤s33：构建随机森林模型；步骤s34：输入所述金属屋面系统的振动频率f至所述随机森林模型，拟合所述声压级值。3.如权利要求2所述的金属屋面抗风性能的检测方法，其特征在于，所述步骤s31具体包括以下步骤：步骤s311：通过图像采集设备获取所述金属屋面系统各部位振动时的视频流，对所述视频流按帧取图得到多帧连续的图像；步骤s312：根据所述图像，获取所述金属面板在各个时间点上振动状态的时域信号，并对所述时域信号进行傅里叶变换，得到频谱信号；步骤s313：对所述频谱信号进行峰值检测，得到频率峰值；步骤s314：获取采样时间，所述频率峰值和所述采样时间之比为振动频率；其中，所述图像中包括：金属屋面整体的振动图像、金属屋面自身连接处的振动图像以及所述金属屋面边缘的振动图像，通过所述步骤s311~所述步骤s314分别计算出所述金属屋面整体结构振动频率f1、所述金属屋面自身连接处振动频率f2，以及所述金属屋面边缘振动频率f3。4.如权利要求2所述的金属屋面抗风性能的检测方法，其特征在于，所述步骤s33包括
以下步骤：s331：输入特征值，并对所述特征值标准化处理，所述特征值为所述金属屋面系统的振动频率f=(f1，f2，f3)以及振动特征z；s332：随机选择特征，从标准化处理的特征值中随机选择，并从中选择最佳的一个特征用于节点的分裂；s333：构建决策树，根据随机选择特征和所述特征值对决策树训练；s334：集成决策树，将多个决策树合并成所述随机森林模型，采用平均法对所有决策树的预测结果进行平均；s335：模型评估，基于计算出的平均值对随机森林模型进行均方误差评估计算，计算公式为：；其中，n代表着样本的数量，代表了第i样本的声压级真实值，代表了第i样本的声压级预测值。5.如权利要求1所述的金属屋面抗风性能的检测方法，其特征在于，所述步骤s5包括以下步骤：s51：对所述训练集和所述测试集进行标准化处理；s52：将所述训练集的数据输入至所述svm算法模型，结合所述目标值，对所述svm算法模型进行训练；s53：将所述测试集的数据输入至训练好的所述svm算法模型，并进行评估；s54：根据所述步骤s53中评估的结果，对所述svm算法的参数进行优化调整。6.如权利要求4所述的金属屋面抗风性能的检测方法，其特征在于，当mse值小于0.05时结束对所述随机森林模型训练。7.一种计算机设备，其特征在于，包括：处理器；存储器，用于存储可执行指令；其中，所述处理器用于从所述存储器中读取所述可执行指令，并执行所述可执行指令以实现如权利要求1至6中任一项所述的金属屋面抗风性能的检测方法。8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，使得处理器实现如权利要求1至6中任一项所述的金属屋面抗风性能的检测方法。

技术总结
本发明涉及建筑测量技术领域，尤其涉及一种金属屋面抗风性能的检测方法，包括：获取金属屋面系统中若干金属面板之间通过螺栓连接时螺栓的数量X1，以及金属屋面系统与墙体之间通过螺丝连接时螺丝的数量X5；其中，每个螺栓的预紧力为X2；获取金属屋面系统的风阻系数X3；获取金属屋面系统的声压级值X4；将螺栓的数量X1、每个螺栓的预紧力X2、螺丝的数量X5、风阻系数X3以及声压级值X4作为数据集；建立SVM算法模型，将数据集转换成SVM算法模型识别的输入向量，对SVM算法模型训练，实现金属屋面抗风歇能力的分类应用；将实时获取的数据输入至训练好的SVM算法模型中，获得被测金属屋面系统是否能够成功抵御风歇能力。实现对金属屋面的抗风性能进行实际检测。的抗风性能进行实际检测。的抗风性能进行实际检测。


技术研发人员：肖力文 王佳 杜伟康 唐明
受保护的技术使用者：常州市建筑科学研究院集团股份有限公司
技术研发日：2023.07.14
技术公布日：2023/8/13