CN110147781B - 基于机器学习的桥梁振动模态可视化损伤识别方法 - Google Patents
基于机器学习的桥梁振动模态可视化损伤识别方法 Download PDFInfo
- Publication number
- CN110147781B CN110147781B CN201910456946.1A CN201910456946A CN110147781B CN 110147781 B CN110147781 B CN 110147781B CN 201910456946 A CN201910456946 A CN 201910456946A CN 110147781 B CN110147781 B CN 110147781B
- Authority
- CN
- China
- Prior art keywords
- bridge
- information
- image
- bridge vibration
- video
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000000007 visual effect Effects 0.000 title claims abstract description 18
- 238000010801 machine learning Methods 0.000 title claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 238000012800 visualization Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 230000000306 recurrent effect Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000010183 spectrum analysis Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims 1
- 238000001914 filtration Methods 0.000 claims 1
- 239000012634 fragment Substances 0.000 claims 1
- 210000002569 neuron Anatomy 0.000 description 13
- 239000013598 vector Substances 0.000 description 7
- 238000005070 sampling Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器学习的桥梁振动模态可视化损伤识别方法，包括如下步骤：S1.采集桥梁振动的数字视频信息，并对数字视频信息进行放大处理；S2.采集数字视频图像信息的参数，包括视频图像信息的频率、相位以及幅值；S3.以视频图像信息的相位以及幅值构建桥梁振动的可视化模态图像；S4.利用卷积神经网络CNN提取桥梁可视化模态图像中的多层次特征信息，将取出的特征信息输入广义回归神经网络GRNN，对桥梁结构损伤性质进行识别估计。本发明的基于机器学习的桥梁振动模态可视化损伤识别方法，使用少量简单的装置对桥梁的结构进行检测，能够准确全面地识别桥梁的结构损伤，并且该方法科学高效。
Description
技术领域
本发明涉及一种结构工程及安全监测的方法，具体涉及一种基于机器学习的桥梁振动模态可视化损伤识别方法。
背景技术
随着我国的已建桥梁数量的逐渐增多，不可否认我国已经进入桥梁大国的行列，但是由于我国特殊的国情以及国内频繁的超载现象，部分桥梁提前老化、桥梁结构材料老化、荷载作用、腐蚀、疲劳效应以及桥梁管理存在不足，加之各种不可预见的自然灾难都使得桥梁结构疲劳损伤日趋严重，并逐渐显示为使用性能降低，承载能力不足等诸多问题，已成为现代交通的潜在威胁，影响着桥梁的健康以及正常使用。对此桥梁结构损伤识别就显得尤为必要和关键。
目前损伤识别方法中多数方法都是建立在通过相关的测试装置，如各类振动传感器、激光扫描装置等获取桥梁的静力特性参数或者动力特性参数，如结构位移、应变、曲率等特征参数以此来与桥梁初始状态相关参数进行对比分析，进而实现损伤识别。并且大多数的损伤方法都是针对结构的关键点局部进行测试与数据采集，方式多采用接触式的测量方法，如在桥梁结构上安装各类的传感器，不但测试范围相对局部同时还存在着传感器的各类养护问题和使用期限相比桥梁寿命明显偏短等问题，而采用传统的非接触式的测量方法，其设备装置的价格又十分昂贵。
因此，为解决以上问题，需要一种基于机器学习的桥梁振动模态可视化损伤识别方法，使用少量简单的装置对桥梁的结构进行检测，能够准确全面地识别桥梁的结构损伤，并且该方法科学高效。
发明内容
有鉴于此，本发明的目的是克服现有技术中的缺陷，提供一种基于机器学习的桥梁振动模态可视化损伤识别方法，使用少量简单的装置对桥梁的结构进行检测，能够准确全面地识别桥梁的结构损伤，并且该方法科学高效。
本发明提供的基于机器学习的桥梁振动模态可视化损伤识别方法，其特征在于：包括如下步骤：
S1.采集桥梁振动的数字视频信息，并对数字视频信息进行放大处理；
S2.采集数字视频图像信息的参数，包括视频图像信息的频率、相位以及幅值；
S3.以视频图像信息的相位以及幅值构建桥梁振动的可视化模态图像；
S4.利用卷积神经网络CNN提取桥梁可视化模态图像中的多层次特征信息，将取出的特征信息输入广义回归神经网络GRNN，对桥梁结构损伤性质进行识别估计。
进一步，步骤S1中，对桥梁的目标数字视频信息进行幅值放大处理。
进一步，步骤S2中，对数字视频信息时间序列上的单帧图像的像素值进行频谱分析处理，得到目标结构区域的频率与相位等动力参数，对数字视频信息时间序列上的单帧图像的边缘轮廓进行边缘算子分析，得到目标边缘点的幅值参数。
进一步，步骤S3中，以视频图像信息的相位以及幅值构建桥梁振动的可视化模态图像包括：使用不同的颜色表示不同的相位信息，使用颜色的深浅表示不同的幅值信息。
进一步，步骤S4中，包括如下步骤：
S4-1：将桥梁不同区域位置及不同损伤程度作为标签引入桥梁振动可视化模态图像，将此图像作为训练样本数据；
S4-2：对桥梁振动可视化模态图像进行归一化处理；
S4-3：建立CNN特征提取器和GRNN回归分析器模型；
S4-4：对CNN特征提取器与GRNN回归分析器进行网络训练；
S4-5：将归一化的桥梁振动可视化模态图像输入计算机，得到预测结果。
本发明的有益效果是：通过本发明公开的基于机器学习的桥梁振动模态可视化损伤识别方法，使用少量简单的装置对桥梁的结构进行检测，能够准确全面地识别桥梁的结构损伤，并且该方法科学高效；实时估计桥梁结构损伤性质，掌握桥梁安全状态，预防灾害事故发生，保证了桥梁运营的安全。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的方法流程图；
图2为本发明的桥梁振动可视化模态概念图像；
图3为本发明的卷积神经网络CNN特征提取器的结构示意图；
图4为本发明的广义回归神经网络GRNN回归分析器的结构示意图；
图5为本发明的卷积神经网络CNN特征提取器训练流程示意图；
具体实施方式
以下结合说明书附图对本发明做出进一步的说明，如图所示：
本发明提供的基于机器学习的桥梁振动模态可视化损伤识别方法，其特征在于：包括如下步骤：
S1.采集桥梁振动的数字视频信息，并对数字视频信息进行放大处理；
S2.采集数字视频图像信息的参数，包括视频图像信息的频率、相位以及幅值；
S3.以视频图像信息的相位以及幅值构建桥梁振动的可视化模态图像；
S4.利用卷积神经网络CNN提取桥梁可视化模态图像中的多层次特征信息，将取出的特征信息输入广义回归神经网络GRNN，对桥梁结构损伤性质进行识别估计。
本实施例中，步骤S1中，使用摄像机对桥梁进行拍摄得到多组视频，对桥梁结构受到激励的视频进行截取，删除视频前后多余的片段，从而减少后期计算机处理的计算量，将截取的视频采用基于相位的高斯金字塔进行视频空间分解，比对不同尺度下的视频图片，防止目标内容在图片上有不同的大小，进而获取不同空间频率下的基带，对获取的每个基带进行时域上的带通滤波处理，提取目标视频区域的变化信号，将得到的目标视频区域的变化信号进行幅值放大处理，最后与剩余的基带进行合并，从而得到放大的桥梁振动数字视频信息。
本实施例中，步骤S2中，对放大的桥梁振动数字视频进行分解，得到时间序列上的单帧图像，将图像上某固定点像素颜色的RGB，通过现有算法转换为灰度，观察该像素点的灰度值在时域上的变化情况，采用快速傅里叶变换，把固定像素点的灰度值序列，依次分解成一系列的短序列。充分利用离散傅里叶计算式中指数因子所具有的对称性质和周期性质，进而求出这些短序列相应的离散傅里叶结果并进行适当组合，达到删除重复计算，减少乘法运算和简化结构的目的。采用此方式获取多个像素点的频率与相位信息，进而获取整个视频区域或目标结构视频区域的频率与相位信息。
对时间序列上的单帧图像的边缘轮廓进行增强，即采用边缘算子对图像边缘轮廓进行分析，固定图像像素点所在列数，提取连续单帧图像边缘所在行随时间变化的变化值，即获取单点图像的幅值随时间变化的曲线，得到单点图像的幅值，进而采用同样方式获取目标结构视频区域边缘的多点幅值信息。
本实施例中，步骤S3中，以视频区域图像信息的相位以及幅值构建桥梁振动的可视化模态图像包括：使用不同的颜色表示不同的相位信息，使用颜色的深浅表示不同的幅值信息；其中，相位信息与幅值信息都是在同一时域下的参数信息。使用桥梁振动可视化模态图像所处的不同阶数，表示视频区域图像信息不同的频率，根据桥梁平常承受的载荷分析可知，视频区域图像信息的频率动力参数值一般不会太高，可以只考虑前几阶的桥梁振动可视化模态图像。
本实施例中，步骤S4中，包括如下步骤：
S4-1：对所得的桥梁振动可视化模态图像进行有限元理论模型模拟，组合桥梁不同区域位置及不同损伤程度工况，计算得到多组可视化模态图像差异性变化理论形状。将所设置的区域位置和损伤程度作为标签引入桥梁振动可视化模态图像，将其作为广义回归神经网络的训练样本数据。
S4-2：对桥梁振动可视化模态图像进行归一化处理，归一化处理的公式为：
其中，Xi为桥梁振动可视化模态图像大小变化的变形值，Xmin和Xmax分别为各个桥梁振动可视化模态图像大小变化范围的最小值和最大值；
通过上式将其归一化到区间[0,1]范围内，保证了预测得到的桥梁数据与实际的桥梁数据各个维度都中心化为0，都在同一个区间范围内，便于比较与分析。
S4-3：建立CNN特征提取器和GRNN回归分析器模型；
1).CNN特征提取器模型包括输入层、隐含层、隐含单元和输出层。其中，隐含层包括卷积层与采样层。将桥梁振动可视化模态图像数据从输入层输出到隐含层，隐含层的卷积层利用若干个卷积核对图像数据进行卷积计算操作，得到多个特征图像信息，将特征图像信息输出到隐含层的采样层中进行偏移和扭曲消除处理，降低网络的空间分辨率，将无关的信息进一步剔除，从而防止过拟合，提高泛化性，实现位移不变性。将采样层输出的特征图像信息输入到隐含单元，在隐含单元中，经过多次的卷积与采样操作，得到若干幅特征图像，将所有的特征图像变换为一列向量，该列向量即是从样本图像中提取出的特征向量。输出层与上层神经元采用全连接方式，输出层神经元个数与样本图像标签个数相同，样本图像标签包括桥梁结构损伤程度与损伤位置两个。
2).GRNN回归分析器包括输入层、模式层、求和层和输出层。将CNN特征提取器中的输出层输出的特征桥面图像神经元输入到输入层中，神经元的数目等于图像样本中抽取的特征向量的维数，直接传递给模式层，模式层神经元数目等于输入层的神经元数目，各神经元对应不同的样本，求和层中使用两种类型神经元进行求和，第一个节点是对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，第二个节点是对所有模式层的神经元进行加权求和；输出层中的神经元数目等于学习样本中输出向量的维数，各神经元将求和层的输出相除，即是第二个节点除以第一个节点，最终得到对桥梁结构损伤性质的预测。
S4-4：对CNN特征提取器与GRNN回归分析器进行网络训练；
1).CNN特征提取器网络训练步骤为：从训练样本集中取出样本桥面形状图像，初始化桥面形状图像模型中所有的卷积核权值与偏置项，将样本桥面形状图像输入得到输出值O，将输出值O与样本标签y进行计算，得到模型误差值E，若E收敛则结束，否则计算出输出层的残差，残差从输出层反向计算，逐层计算残差值，并调整权值与偏置项，直到收敛；
2).GRNN回归分析器网络训练步骤为：从CNN特征提取器中，得到所有桥面训练图像的特征向量与对应的标签输入到GRNN回归分析器，采用监督式学习进行训练；
S4-5：将归一化的桥梁振动可视化模态图像输入计算机，调整所述目标域数据模型，得到桥梁结构损伤性质预测结果。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于机器学习的桥梁振动模态可视化损伤识别方法，其特征在于：包括如下步骤：
S1.采集桥梁振动的数字视频信息，并对数字视频信息进行放大处理；
对桥梁的目标数字视频信息进行幅值放大处理，具体包括：
对桥梁结构受到激励的视频进行截取，删除视频前后多余的片段；
将截取的视频采用基于相位的高斯金字塔进行视频空间分解，比对不同尺度下的视频图片；
获取不同空间频率下的基带，对获取的每个基带进行时域上的带通滤波处理，提取目标视频区域的变化信号；
将得到的目标视频区域的变化信号进行幅值放大处理，最后与剩余的基带进行合并，得到放大的桥梁振动数字视频信息；
S2.采集数字视频图像信息的参数，包括视频图像信息的频率、相位以及幅值；
S3.以视频图像信息的相位以及幅值构建桥梁振动的可视化模态图像；
S4.利用卷积神经网络CNN提取桥梁可视化模态图像中的多层次特征信息，将取出的特征信息输入广义回归神经网络GRNN，对桥梁结构损伤性质进行识别估计。
2.根据权利要求1所述的基于机器学习的桥梁振动模态可视化损伤识别方法，步骤S2中，对数字视频信息时间序列上的单帧图像的像素值进行频谱分析处理，得到目标结构区域的频率与相位动力参数，对数字视频信息时间序列上的单帧图像的边缘轮廓进行边缘算子分析，得到目标边缘点的幅值参数。
3.根据权利要求1所述的基于机器学习的桥梁振动模态可视化损伤识别方法，步骤S3中，以视频图像信息的相位以及幅值构建桥梁振动的可视化模态图像包括：使用不同的颜色表示不同的相位信息，使用颜色的深浅表示不同的幅值信息。
4.根据权利要求1所述的基于机器学习的桥梁振动模态可视化损伤识别方法，步骤S4中，包括如下步骤：
S4-1：将桥梁不同区域位置及不同损伤程度作为标签引入桥梁振动可视化模态图像，将此图像作为训练样本数据；
S4-2：对桥梁振动可视化模态图像进行归一化处理；
S4-3：建立CNN特征提取器和GRNN回归分析器模型；
S4-4：对CNN特征提取器与GRNN回归分析器进行网络训练；
S4-5：将归一化的桥梁振动可视化模态图像输入计算机，得到预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910456946.1A CN110147781B (zh) | 2019-05-29 | 2019-05-29 | 基于机器学习的桥梁振动模态可视化损伤识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910456946.1A CN110147781B (zh) | 2019-05-29 | 2019-05-29 | 基于机器学习的桥梁振动模态可视化损伤识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110147781A CN110147781A (zh) | 2019-08-20 |
| CN110147781B true CN110147781B (zh) | 2022-11-15 |
Family
ID=67593519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910456946.1A Active CN110147781B (zh) | 2019-05-29 | 2019-05-29 | 基于机器学习的桥梁振动模态可视化损伤识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110147781B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443881B (zh) * | 2019-05-29 | 2023-07-07 | 重庆交通大学 | 桥面形态变化识别桥梁结构损伤的cnn-grnn方法 |
| CN111043988B (zh) * | 2019-12-10 | 2021-04-23 | 东南大学 | 一种基于图形学和深度学习的单张条纹投影测量方法 |
| CN111062079B (zh) * | 2019-12-19 | 2022-03-08 | 重庆交通大学 | 基于自回归模型和高斯过程的桥梁概率损伤检测方法 |
| CN111551562A (zh) * | 2020-01-20 | 2020-08-18 | 深圳大学 | 一种桥梁路面结构损伤识别方法和系统 |
| CN111598879A (zh) * | 2020-05-18 | 2020-08-28 | 湖南大学 | 一种结构疲劳累积损伤评估的方法、系统及设备 |
| CN112906095B (zh) * | 2020-12-20 | 2022-04-08 | 重庆交通大学 | 基于激光条纹中心追踪的桥梁模态识别方法及其系统 |
| 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 |
| CN113570478B (zh) * | 2021-06-29 | 2023-10-31 | 中北大学 | 基于边缘计算的桥梁健康状态智能评估方法 |
| CN113791140B (zh) * | 2021-11-18 | 2022-02-25 | 湖南大学 | 基于局部振动响应的桥梁梁底内部无损检测方法和系统 |
| CN117036997A (zh) * | 2023-08-01 | 2023-11-10 | 中交第三公路工程局有限公司 | 钢箱梁损伤识别方法 |
| CN117312916A (zh) * | 2023-09-28 | 2023-12-29 | 中国南方电网有限责任公司超高压输电公司大理局 | 结构损伤识别方法、装置、计算机设备和存储介质 |
| CN117392106B (zh) * | 2023-11-07 | 2024-06-25 | 中交公路长大桥建设国家工程研究中心有限公司 | 一种基于视觉增强的桥梁振动视觉检测方法及系统 |
| CN118114025B (zh) * | 2024-04-23 | 2024-09-17 | 西安航天动力研究所 | 液体火箭发动机热力组件燃烧特性表征方法、装置及设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203837658U (zh) * | 2014-03-11 | 2014-09-17 | 重庆交通大学 | 可视化桥梁健康检测系统 |
| CN104200005A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 基于神经网络的桥梁损伤识别方法 |
| CN104297004A (zh) * | 2014-09-18 | 2015-01-21 | 天津大学 | 基于ar-arx模型的桥梁实时损伤预警方法 |
| CN105404128A (zh) * | 2016-01-05 | 2016-03-16 | 中国科学院光电研究院 | 多帧相移数字全息方法及装置 |
| CN107608956A (zh) * | 2017-09-05 | 2018-01-19 | 广东石油化工学院 | 一种基于cnn‑grnn的读者情绪分布预测算法 |
| CN108444662A (zh) * | 2018-03-20 | 2018-08-24 | 山西和信基业科技股份有限公司 | 一种基于日温度效应的桥梁损伤在线监测方法 |
| CN108596274A (zh) * | 2018-05-09 | 2018-09-28 | 国网浙江省电力有限公司 | 基于卷积神经网络的图像分类方法 |
| CN108776040A (zh) * | 2018-06-11 | 2018-11-09 | 重庆交通大学 | 基于中医方法的桥梁安全巡检系统及诊断方法 |
| CN108775993A (zh) * | 2018-06-12 | 2018-11-09 | 中南大学 | 一种桥梁损伤检测方法 |
| CN108872390A (zh) * | 2018-07-27 | 2018-11-23 | 中国计量大学 | 一种基于瞬时相位的超声导波复合成像方法 |
| CN109271406A (zh) * | 2018-09-26 | 2019-01-25 | 东莞幻鸟新材料有限公司 | 一种基于大数据的桥梁结构健康监测系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102183525A (zh) * | 2011-01-20 | 2011-09-14 | 单宝华 | 基于ccd阵列摄像技术的桥梁表观状态自动检测装置及其方法 |
| CN103266559B (zh) * | 2013-06-04 | 2015-08-26 | 重庆交通大学 | Bp桥梁安全巡检车及获取桥梁表面面相的方法 |
| CN104200265A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 一种改进的基于神经网络的桥梁损伤识别方法 |
-
2019
- 2019-05-29 CN CN201910456946.1A patent/CN110147781B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203837658U (zh) * | 2014-03-11 | 2014-09-17 | 重庆交通大学 | 可视化桥梁健康检测系统 |
| CN104200005A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 基于神经网络的桥梁损伤识别方法 |
| CN104297004A (zh) * | 2014-09-18 | 2015-01-21 | 天津大学 | 基于ar-arx模型的桥梁实时损伤预警方法 |
| CN105404128A (zh) * | 2016-01-05 | 2016-03-16 | 中国科学院光电研究院 | 多帧相移数字全息方法及装置 |
| CN107608956A (zh) * | 2017-09-05 | 2018-01-19 | 广东石油化工学院 | 一种基于cnn‑grnn的读者情绪分布预测算法 |
| CN108444662A (zh) * | 2018-03-20 | 2018-08-24 | 山西和信基业科技股份有限公司 | 一种基于日温度效应的桥梁损伤在线监测方法 |
| CN108596274A (zh) * | 2018-05-09 | 2018-09-28 | 国网浙江省电力有限公司 | 基于卷积神经网络的图像分类方法 |
| CN108776040A (zh) * | 2018-06-11 | 2018-11-09 | 重庆交通大学 | 基于中医方法的桥梁安全巡检系统及诊断方法 |
| CN108775993A (zh) * | 2018-06-12 | 2018-11-09 | 中南大学 | 一种桥梁损伤检测方法 |
| CN108872390A (zh) * | 2018-07-27 | 2018-11-23 | 中国计量大学 | 一种基于瞬时相位的超声导波复合成像方法 |
| CN109271406A (zh) * | 2018-09-26 | 2019-01-25 | 东莞幻鸟新材料有限公司 | 一种基于大数据的桥梁结构健康监测系统 |
Non-Patent Citations (6)
| Title |
|---|
| Bridge Damage Detection Based on Vibration Data: Past and New Developments;Joan R. Casas等;《frontiers in Built Environment》;20170203;第1-12页 * |
| 基于CNN-GRNN模型的图像识别;江帆等;《计算机工程》;20170415;第43卷(第04期);第257-262页 * |
| 基于卷积神经网络的桥梁损伤识别方法应用研究;李雪松等;《青海大学学报》;20180420;第36卷(第02期);第41-46页 * |
| 基于欧拉运动放大算法的桥梁振动分析;楚玺等;《实验室研究与探索》;20190131;第38卷(第1期);第20-26、48页第1、3节 * |
| 多模态脑电信号分析及脑机接口应用;李洁;《中国博士学位论文全文数据库 信息科技辑》;20110415(第（2011）04期);I140-1第5.2.5节 * |
| 移动式三维激光扫描系统在桥面全息变形监测的应用研究;周志祥等;《应用基础与工程科学学报》;20181031;第26卷(第5期);第1078-1091页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110147781A (zh) | 2019-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110147781B (zh) | 基于机器学习的桥梁振动模态可视化损伤识别方法 | |
| Li et al. | Automatic pixel‐level multiple damage detection of concrete structure using fully convolutional network | |
| Lei et al. | Mutual information based anomaly detection of monitoring data with attention mechanism and residual learning | |
| CN111899224A (zh) | 基于深度学习注意力机制的核电管道缺陷检测系统 | |
| CN111899225A (zh) | 基于多尺度金字塔结构的核电管道缺陷检测方法 | |
| CN113705788B (zh) | 基于全卷积神经网络的红外图像温度估计方法及系统 | |
| Shajihan et al. | CNN based data anomaly detection using multi-channel imagery for structural health monitoring | |
| Acharya et al. | Deep neural network based approach for detection of defective solar cell | |
| CN111238927A (zh) | 疲劳耐久性评测方法、装置、电子设备和计算机可读介质 | |
| CN115630278A (zh) | 基于通道-时空注意力机制的网络的振动损伤检测方法 | |
| CN114818817A (zh) | 一种电容式电压互感器微弱故障识别系统及方法 | |
| Kirthiga et al. | A survey on crack detection in concrete surface using image processing and machine learning | |
| CN116484921B (zh) | 多物理量特征融合卷积神经网络的裂纹尺寸精准量化方法 | |
| Alfaz et al. | Bridge crack detection using dense convolutional network (densenet) | |
| CN117606800A (zh) | 轴承故障诊断方法、装置、设备和存储介质 | |
| CN116910483A (zh) | 一种基于遮蔽卷积注意力残差收缩网络的软测量建模方法 | |
| CN111709944A (zh) | 一种基于数字化图像异常识别的桥隧结构裂缝监测方法 | |
| CN114550460B (zh) | 轨道交通异常检测方法、装置及存储介质 | |
| Alfaz et al. | A deep convolutional neural network based approach to classify and detect crack in concrete surface using xception | |
| CN116070083A (zh) | 一种基于卷积神经网络的钢丝绳故障智能识别算法 | |
| CN113034465B (zh) | 一种基于红外图像的电力设备热故障监测方法、装置及介质 | |
| CN114638039A (zh) | 一种基于低秩矩阵恢复的结构健康监测特征数据解释方法 | |
| Ferreira et al. | Corrosion-like defect severity estimation in pipelines using convolutional neural networks | |
| Xue et al. | Deep reference autoencoder convolutional neural network for damage identification in parallel steel wire cables | |
| CN117934963B (zh) | 一种气体传感器漂移补偿方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230529 Address after: No. 100 Chayuan Road, Simao District, Pu'er City, Yunnan Province, 665099 Patentee after: Yunnan Jiaotou Pulan Expressway Co.,Ltd. Patentee after: CHONGQING JIAOTONG University Address before: 402247 No. 1 Fuxing Road, Shuang Fu New District, Jiangjin District, Chongqing. Patentee before: CHONGQING JIAOTONG University |
|
| TR01 | Transfer of patent right |