CN110057515A - 一种基于深度学习的桥梁缺陷检测系统和方法 - Google Patents

一种基于深度学习的桥梁缺陷检测系统和方法 Download PDF

Info

Publication number
CN110057515A
CN110057515A CN201910223737.2A CN201910223737A CN110057515A CN 110057515 A CN110057515 A CN 110057515A CN 201910223737 A CN201910223737 A CN 201910223737A CN 110057515 A CN110057515 A CN 110057515A
Authority
CN
China
Prior art keywords
bridge
data
detection
extension set
management
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910223737.2A
Other languages
English (en)
Inventor
朱劲松
宋金博
孙雅丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201910223737.2A priority Critical patent/CN110057515A/zh
Publication of CN110057515A publication Critical patent/CN110057515A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0008—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of bridges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0033—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by determining damage, crack or wear
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0075—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by means of external apparatus, e.g. test benches or portable test systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开一种基于深度学习的桥梁缺陷检测系统和方法，包括检测分机、监测主机、主服务器和管理分机，在桥梁各个位置分别布设有独立的检测分机，每个桥上设置有独自的监测主机，所述检测分机均与监测主机通信连接，每个监测主机通过网络与主服务器连接，所述主服务器与管理分机通信连接。本发明能够有效提高管理效率，提高信息传递的时效性，实现主服务器和下级管理分机的实时监控能力；能够实时向管理者反应检测和预测结果，使得维护人员能够根据情况危急等级进行逐一维护处理，在保证桥梁安全性的同时，大大的降低了人力物力，增强了桥梁损伤预警的可靠性和及时性。

Description

一种基于深度学习的桥梁缺陷检测系统和方法
技术领域
本发明属于桥梁检测技术领域，特别是涉及一种基于深度学习的桥梁缺陷检测系统和方法。
背景技术
近年来，桥梁倒塌事故频发，造成严重的经济损失和社会不良影响，桥梁结构的安全问题受到广泛关注。大跨桥梁设计寿命长达几十年、上百年，长期的环境腐蚀、材料老化和荷载的长期效应、疲劳与突变效应等不利因素的耦合作用将不可避免地导致结构的损伤累积和抗力衰减，从而使其抵抗自然灾害、甚至正常荷载的能力下降，极端情况下引发灾难性的突发事件。
对桥梁运行状况进行实时监测，可以有效预防突发性灾难、及时控制缺陷的发展、减少损失、避免人员伤亡，确保结构与使用者的安全。目前对于桥梁检测多采用人工观测法和激光扫描法；人工探测法需要工作人员定时进行巡查，这种方法效率极低，还无法全面且及时的检测出桥梁损伤；激光扫描法，通过激光扫描装置检测桥梁表面，但是这种方法无法系统整体构造复杂，无法全面且及时的检测出桥梁损伤，并且无法进行桥梁预测和预警，检测过程繁琐、检测效果差且无法及时全面的反应检测结果。
发明内容
为了解决上述问题，本发明提出了一种基于深度学习的桥梁缺陷检测系统和方法，能够有效提高管理效率，提高信息传递的时效性，实现主服务器和下级管理分机的实时监控能力；能够实时向管理者反应检测和预测结果，使得维护人员能够根据情况危急等级进行逐一维护处理，在保证桥梁安全性的同时，大大的降低了人力物力，增强了桥梁损伤预警的可靠性和及时性。
为达到上述目的，本发明采用的技术方案是：一种基于深度学习的桥梁缺陷检测系统，包括检测分机、监测主机、主服务器和管理分机，在桥梁各个位置分别布设有独立的检测分机，每个桥上设置有独自的监测主机，所述检测分机均与监测主机通信连接，每个监测主机通过网络与主服务器连接，所述主服务器与管理分机通信连接；
所述检测分机以时间点为单位采集桥梁表面数据并打上位置标签，并按时间段将数据打包形成采集数据集；
所述监测主机收集各个采集数据集并缓存，将各个检测分机上传的数据时间段相同的采集数据集进行数据整合，获取桥梁检测数据集；
所述主服务器接收管理范围内各个桥的监测主机上传的桥梁检测数据集，进行统一分析和管理；通过深度学习神经网络，训练桥梁检测数据集和历史桥梁损伤数据集，建立桥梁缺陷网络模型；并通过桥梁缺陷网络模型，检测和预测桥梁出现的损伤缺陷，并通过位置标签明确损伤缺陷位置；
所述管理分机从主服务器中调取或接收检测和预测结果数据，并进行损伤程度判断，将损伤结果进行等级划分，形成预警。
进一步的是，所述检测分机包括探测采集器、分机控制器、数据输出接口和电源设备，所述探测采集器连接至分机控制器，所述分机控制器通过数据输出接口与监测主机通信，所述电源设备为检测分机中各个组件提供电能。所述探测采集器可采用红外探头、震动传感器和影像探头等，实现桥梁表面状态的实时检测，通过分布式的配置，提高了管理效率，较强的检测效果和预警及时性。
进一步的是，所述电源设备采用光伏发电装置，包括光伏发电板、蓄电池和电源控制器，所述光伏发电板和蓄电池均连接至电源控制器，所述电源控制器上设置有电能输出端口为检测分机中各个组件提供电能。能够进行自发供电，无需外接电源，能够安装与现有的桥梁上，有效减少对桥梁本体影响，节能环保，安装便捷。
进一步的是，所述监测主机包括数据接收接口、主机控制器、网络通信电路和数据缓存器，所述数据接收接口接收检测分机传递的数据给主机控制器，所述主机控制器通过网络通信电路与主服务器相互通讯，所述数据缓存器连接至主机控制器提供数据计算支撑。通过监测主机统一管理桥梁上分布各处的检测分机，并传递至主服务器，能够有效提高管理效率，提高信息传递的时效性，实现主服务器和下级管理分机的实时监控能力，增强了桥梁损伤预警的可靠性和及时性。
进一步的是，所述主服务器为云端服务器。加强数据调取效率，减少设备成本投入。
进一步的是，所述管理分机为PC机。提高通用性。
另一方面，本发明还提供了一种基于深度学习的桥梁缺陷检测方法，基于上述深度学习的桥梁缺陷检测系统，在监测管理范围内的每个桥上设置有一个监测主机，在该桥桥梁的各处布设有检测分机，所述检测分机将信息传递给监测主机，主服务器汇总和处理管理范围内的监测数据；包括步骤：
S100，所述检测分机以时间点为单位采集桥梁表面数据并打上位置标签，并按时间段将数据打包形成采集数据集；
S200，所述监测主机收集各个采集数据集并缓存，将各个检测分机上传的数据时间段相同的采集数据集进行数据整合，获取桥梁检测数据集；
S300，所述主服务器接收管理范围内各个桥的监测主机上传的桥梁检测数据集，进行统一分析和管理，通过建立桥梁缺陷网络模型，获取桥梁损伤数据检测和预测结果数据；
S400，所述管理分机从主服务器中调取或接收检测和预测结果数据，并进行损伤程度判断，将损伤结果进行等级划分，形成预警。
进一步的是，在所述步骤S300中，所述桥梁损伤数据的检测和预测过程包括步骤：
S301，通过深度学习神经网络，训练桥梁检测数据集和历史桥梁损伤数据集，建立桥梁缺陷网络模型；
S302，通过桥梁缺陷网络模型，检测和预测桥梁出现的损伤缺陷，并通过位置标签明确损伤缺陷位置，获取到桥梁损伤检测和预测结果数据；
S303，将桥梁损伤检测和预测结果数据循环反馈给桥梁缺陷网络模型，对桥梁损伤检测和预测结果数据进行优化训练。
进一步的是，在所述步骤S400中损伤等级划分包括步骤：
S401，根据桥梁损伤标准建立桥梁损伤程度等级；
S402，根据桥梁损伤程度等级获取各个等级下损伤数据的判断阈值范围；
S403，根据所述阈值范围判断桥梁损伤检测和预测结果数据，划分维护优先级；若超出最大等级的阈值范围则发出警示信号，提醒管理人员进行紧急维护。
采用本技术方案的有益效果：
本发明通过分布式的系统构建，逐级进行数据的传递和统一管理分析，能够有效提高管理效率，提高信息传递的时效性，实现主服务器和下级管理分机的实时监控能力；同时，本发明结合桥梁缺陷网络模型，对检测数据进行分析和预测，能够实时向管理者反应检测和预测结果，并通过对获得结果的逐级划分，为管理者提供了维护优先级，使得维护人员能够根据情况危急等级进行逐一维护处理，在保证桥梁安全性的同时，大大的降低了人力物力，增强了桥梁损伤预警的可靠性和及时性。
附图说明
图1为本发明的基于深度学习的桥梁缺陷检测系统的结构示意图；
图2为本发明的基于深度学习的桥梁缺陷检测方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
在本实施例中，参见图1所示，本发明提出了一种基于深度学习的桥梁缺陷检测系统，包括检测分机、监测主机、主服务器和管理分机，在桥梁各个位置分别布设有独立的检测分机，每个桥上设置有独自的监测主机，检测分机均与监测主机通信连接，每个监测主机通过网络与主服务器连接，主服务器与管理分机通信连接；
检测分机以时间点为单位采集桥梁表面数据并打上位置标签，并按时间段将数据打包形成采集数据集；
监测主机收集各个采集数据集并缓存，将各个检测分机上传的数据时间段相同的采集数据集进行数据整合，获取桥梁检测数据集；
主服务器接收管理范围内各个桥的监测主机上传的桥梁检测数据集，进行统一分析和管理；通过深度学习神经网络，训练桥梁检测数据集和历史桥梁损伤数据集，建立桥梁缺陷网络模型；并通过桥梁缺陷网络模型，检测和预测桥梁出现的损伤缺陷，并通过位置标签明确损伤缺陷位置；其中，通过收集和统计多种桥梁的历史损失数据参数构成历史桥梁损伤数据集。
管理分机从主服务器中调取或接收检测和预测结果数据，并进行损伤程度判断，将损伤结果进行等级划分，形成预警。
作为上述实施例的优化方案，检测分机包括探测采集器、分机控制器、数据输出接口和电源设备，探测采集器连接至分机控制器，分机控制器通过数据输出接口与监测主机通信，电源设备为检测分机中各个组件提供电能。探测采集器可采用红外探头、震动传感器和影像探头等，实现桥梁表面状态的实时检测，通过分布式的配置，提高了管理效率，较强的检测效果和预警及时性。
电源设备采用光伏发电装置，包括光伏发电板、蓄电池和电源控制器，光伏发电板和蓄电池均连接至电源控制器，电源控制器上设置有电能输出端口为检测分机中各个组件提供电能。能够进行自发供电，无需外接电源，能够安装与现有的桥梁上，有效减少对桥梁本体影响，节能环保，安装便捷。
作为上述实施例的优化方案，监测主机包括数据接收接口、主机控制器、网络通信电路和数据缓存器，数据接收接口接收检测分机传递的数据给主机控制器，主机控制器通过网络通信电路与主服务器相互通讯，数据缓存器连接至主机控制器提供数据计算支撑。通过监测主机统一管理桥梁上分布各处的检测分机，并传递至主服务器，能够有效提高管理效率，提高信息传递的时效性，实现主服务器和下级管理分机的实时监控能力，增强了桥梁损伤预警的可靠性和及时性。
作为上述实施例的优化方案，主服务器为云端服务器。加强数据调取效率，减少设备成本投入。
管理分机为PC机。提高通用性。
为配合本发明方法的实现，基于相同的发明构思，如图2所示，本发明还提供了一种基于深度学习的桥梁缺陷检测方法，在监测管理范围内的每个桥上设置有一个监测主机，在该桥桥梁的各处布设有检测分机，检测分机将信息传递给监测主机，主服务器汇总和处理管理范围内的监测数据；包括步骤：
S100，检测分机以时间点为单位采集桥梁表面数据并打上位置标签，并按时间段将数据打包形成采集数据集；
S200，监测主机收集各个采集数据集并缓存，将各个检测分机上传的数据时间段相同的采集数据集进行数据整合，获取桥梁检测数据集；
S300，主服务器接收管理范围内各个桥的监测主机上传的桥梁检测数据集，进行统一分析和管理，通过建立桥梁缺陷网络模型，获取桥梁损伤数据检测和预测结果数据；
S400，管理分机从主服务器中调取或接收检测和预测结果数据，并进行损伤程度判断，将损伤结果进行等级划分，形成预警。
作为上述实施例的优化方案，在步骤S300中，桥梁损伤数据的检测和预测过程包括步骤：
S301，通过深度学习神经网络，训练桥梁检测数据集和历史桥梁损伤数据集，建立桥梁缺陷网络模型；
S302，通过桥梁缺陷网络模型，检测和预测桥梁出现的损伤缺陷，并通过位置标签明确损伤缺陷位置，获取到桥梁损伤检测和预测结果数据。
将桥梁损伤检测和预测结果数据循环反馈给桥梁缺陷网络模型，对桥梁损伤检测和预测结果数据进行优化训练。
作为上述实施例的优化方案，在步骤S400中损伤等级划分包括步骤：
S401，根据桥梁损伤标准建立桥梁损伤程度等级；
S402，根据桥梁损伤程度等级获取各个等级下损伤数据的判断阈值范围；
S403，根据阈值范围判断桥梁损伤检测和预测结果数据，划分维护优先级；若超出最大等级的阈值范围则发出警示信号，提醒管理人员进行紧急维护。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.一种基于深度学习的桥梁缺陷检测系统，其特征在于，包括检测分机、监测主机、主服务器和管理分机，在桥梁各个位置分别布设有独立的检测分机，每个桥梁上设置有独自的监测主机，所述检测分机均与监测主机通信连接，每个监测主机通过网络与主服务器连接，所述主服务器与管理分机通信连接；
所述检测分机以时间点为单位采集桥梁表面数据并打上位置标签，并按时间段将数据打包形成采集数据集；
所述监测主机收集各个采集数据集并缓存，将各个检测分机上传的数据时间段相同的采集数据集进行数据整合，获取桥梁检测数据集；
所述主服务器接收管理范围内各个桥的监测主机上传的桥梁检测数据集，进行统一分析和管理；通过深度学习神经网络，训练桥梁检测数据集和历史桥梁损伤数据集，建立桥梁缺陷网络模型；并通过桥梁缺陷网络模型，检测和预测桥梁出现的损伤缺陷获得检测和预测结果数据，并通过位置标签明确损伤缺陷位置；
所述管理分机从主服务器中调取或接收检测和预测结果数据，并进行损伤程度判断，将损伤结果进行等级划分，形成预警。
2.根据权利要求1所述的一种基于深度学习的桥梁缺陷检测系统，其特征在于，所述检测分机包括探测采集器、分机控制器、数据输出接口和电源设备，所述探测采集器连接至分机控制器，所述分机控制器通过数据输出接口与监测主机通信，所述电源设备为检测分机中各个组件提供电能。
3.根据权利要求2所述的一种基于深度学习的桥梁缺陷检测系统，其特征在于，所述电源设备采用光伏发电装置，包括光伏发电板、蓄电池和电源控制器，所述光伏发电板和蓄电池均连接至电源控制器，所述电源控制器上设置有电能输出端口并为检测分机中各个组件提供电能。
4.根据权利要求1所述的一种基于深度学习的桥梁缺陷检测系统，其特征在于，所述监测主机包括数据接收接口、主机控制器、网络通信电路和数据缓存器，所述数据接收接口接收检测分机传递的数据给主机控制器，所述主机控制器通过网络通信电路与主服务器相互通讯，所述数据缓存器连接至主机控制器提供数据计算支撑。
5.根据权利要求1所述的一种基于深度学习的桥梁缺陷检测系统，其特征在于，所述主服务器为云端服务器。
6.根据权利要求1所述的一种基于深度学习的桥梁缺陷检测系统，其特征在于，所述管理分机为PC机。
7.一种基于深度学习的桥梁缺陷检测方法，基于权利要求1所述基于深度学习的桥梁缺陷检测系统，其特征在于，在所需监测管理范围内的每个桥上设置有一个监测主机，在该桥桥梁的各处布设有检测分机，所述检测分机将信息传递给监测主机，主服务器汇总和处理管理范围内的监测数据；具体步骤如下：
S100.所述检测分机以时间点为单位采集桥梁表面数据并打上位置标签，并按时间段将数据打包形成采集数据集；
S200.所述监测主机收集各个采集数据集并缓存，将各个检测分机上传的数据时间段相同的采集数据集进行数据整合，获取桥梁检测数据集；
S300.所述主服务器接收管理范围内各个桥的监测主机上传的桥梁检测数据集，进行统一分析和管理，通过建立桥梁缺陷网络模型，获取桥梁损伤数据检测和预测结果数据；
S400.所述管理分机从主服务器中调取或接收检测和预测结果数据，并进行损伤程度判断，将损伤结果进行等级划分，形成预警。
8.根据权利要求7所述的一种基于深度学习的桥梁缺陷检测方法，其特征在于，在所述步骤S300中，所述桥梁损伤数据的检测和预测过程包括步骤：
S301.通过深度学习神经网络，训练桥梁检测数据集和历史桥梁损伤数据集，建立桥梁缺陷网络模型；
S302.通过桥梁缺陷网络模型，检测和预测桥梁出现的损伤缺陷，并通过位置标签明确损伤缺陷位置，获取到桥梁损伤检测和预测结果数据；
S303.将桥梁损伤检测和预测结果数据循环反馈给桥梁缺陷网络模型，对桥梁损伤检测和预测结果数据进行优化训练。
9.根据权利要求7所述的一种基于深度学习的桥梁缺陷检测方法，其特征在于，在步骤S400中将损伤结果进行等级划分包括以下步骤：
S401.根据桥梁损伤标准建立桥梁损伤程度等级；
S402.根据桥梁损伤程度等级获取各个等级下损伤数据的判断阈值范围；
S403.根据所述阈值范围判断桥梁损伤检测和预测结果数据，划分维护优先级；若超出最大等级的阈值范围则发出警示信号，提醒管理人员进行紧急维护。
CN201910223737.2A 2019-03-22 2019-03-22 一种基于深度学习的桥梁缺陷检测系统和方法 Pending CN110057515A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910223737.2A CN110057515A (zh) 2019-03-22 2019-03-22 一种基于深度学习的桥梁缺陷检测系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910223737.2A CN110057515A (zh) 2019-03-22 2019-03-22 一种基于深度学习的桥梁缺陷检测系统和方法

Publications (1)

Publication Number Publication Date
CN110057515A true CN110057515A (zh) 2019-07-26

Family

ID=67316313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910223737.2A Pending CN110057515A (zh) 2019-03-22 2019-03-22 一种基于深度学习的桥梁缺陷检测系统和方法

Country Status (1)

Country Link
CN (1) CN110057515A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110636134A (zh) * 2019-09-29 2019-12-31 江西建设职业技术学院 一种城市道路损伤监测维护方法及系统
CN113139691A (zh) * 2021-04-30 2021-07-20 北华大学 一种基于压电传感器的高铁桥梁健康度监测系统及方法
CN113505415A (zh) * 2021-06-17 2021-10-15 贵州顺康检测股份有限公司 一种基于深度学习的桥梁快速检测方法
CN113673624A (zh) * 2021-08-31 2021-11-19 重庆大学 基于决策树模型的桥梁状态监测方法
CN116980057A (zh) * 2023-09-21 2023-10-31 中瑞科技术有限公司 一种对讲机系统智能检测管理方法、系统及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100242609A1 (en) * 2009-03-26 2010-09-30 Wei-Feng Lee Bridge monitoring and safety evaluation method using a vibration technique
CN102147597A (zh) * 2010-02-10 2011-08-10 广州大学 一种重大建筑与桥梁结构的健康监测系统
CN102645173A (zh) * 2011-02-16 2012-08-22 张文杰 一种基于多目视觉的桥梁三维变形监测方法
CN106910186A (zh) * 2017-01-13 2017-06-30 陕西师范大学 一种基于cnn深度学习的桥梁裂缝检测定位方法
JP2017227595A (ja) * 2016-06-24 2017-12-28 富士フイルム株式会社 損傷図作成支援システム及び損傷図作成支援方法
CN108534967A (zh) * 2018-03-08 2018-09-14 佛山科学技术学院 基于传感器网络的桥梁安全监测系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100242609A1 (en) * 2009-03-26 2010-09-30 Wei-Feng Lee Bridge monitoring and safety evaluation method using a vibration technique
CN102147597A (zh) * 2010-02-10 2011-08-10 广州大学 一种重大建筑与桥梁结构的健康监测系统
CN102645173A (zh) * 2011-02-16 2012-08-22 张文杰 一种基于多目视觉的桥梁三维变形监测方法
JP2017227595A (ja) * 2016-06-24 2017-12-28 富士フイルム株式会社 損傷図作成支援システム及び損傷図作成支援方法
CN106910186A (zh) * 2017-01-13 2017-06-30 陕西师范大学 一种基于cnn深度学习的桥梁裂缝检测定位方法
CN108534967A (zh) * 2018-03-08 2018-09-14 佛山科学技术学院 基于传感器网络的桥梁安全监测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李贵凤: "基于深度学习的桥梁健康监测数据分析关键技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110636134A (zh) * 2019-09-29 2019-12-31 江西建设职业技术学院 一种城市道路损伤监测维护方法及系统
CN113139691A (zh) * 2021-04-30 2021-07-20 北华大学 一种基于压电传感器的高铁桥梁健康度监测系统及方法
CN113505415A (zh) * 2021-06-17 2021-10-15 贵州顺康检测股份有限公司 一种基于深度学习的桥梁快速检测方法
CN113673624A (zh) * 2021-08-31 2021-11-19 重庆大学 基于决策树模型的桥梁状态监测方法
CN116980057A (zh) * 2023-09-21 2023-10-31 中瑞科技术有限公司 一种对讲机系统智能检测管理方法、系统及存储介质
CN116980057B (zh) * 2023-09-21 2023-12-12 中瑞科技术有限公司 一种对讲机系统智能检测管理方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN110057515A (zh) 一种基于深度学习的桥梁缺陷检测系统和方法
CN108591104B (zh) 一种基于云平台的风机故障预测与健康管理系统、方法
CN106054029B (zh) 电缆线路在线监测系统
CN112785458A (zh) 一种桥梁健康大数据智能管养系统
CN102044127A (zh) 一种基于远程专家服务预警服务管理系统
CN206077596U (zh) 一种城市洪涝在线监测调度系统
CN106774322A (zh) 一种光伏电站巡检系统及其运行方法
CN107202569A (zh) 一种检测、监控铁路通信铁塔系统
CN103985008A (zh) 一种城市地下管道智能监控系统
CN109667621A (zh) 一种煤矿安全监测系统
CN105022373A (zh) 基于zigbee技术的港口设备维护系统
CN104266681A (zh) 基于物联网与gis的电缆井状态安全监测系统
CN103034207A (zh) 一种基础设施健康监测系统及其实施过程
CN108271136A (zh) 岩土工程安全智能监测系统
CN103234520A (zh) 基于can总线的沉降变形监测系统
CN1547306A (zh) 输电线路故障在线监测系统
CN108230624A (zh) 基于cc2530的山体滑坡监测系统
CN106375443A (zh) 工程状态监测系统
CN111240256A (zh) 一种建筑工程现场监测管理系统
CN203070492U (zh) 基于视频检测的泥石流实时监测预警系统
CN114186969A (zh) 基于数字孪生的智慧园区故障预警平台
CN106629282A (zh) 利用手机监测升降设备升降运行状态的装置
CN110148290A (zh) 智能感知矿山安全生产预警与防控监管信息化大数据系统
CN104363422B (zh) 基于视频监测的输电线路覆冰预警系统
CN105863736A (zh) 一种煤矿瓦斯监测系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190726