CN110472272B - 一种基于多参数和卷积神经网络的结构损伤识别方法 - Google Patents

一种基于多参数和卷积神经网络的结构损伤识别方法 Download PDF

Info

Publication number
CN110472272B
CN110472272B CN201910585736.2A CN201910585736A CN110472272B CN 110472272 B CN110472272 B CN 110472272B CN 201910585736 A CN201910585736 A CN 201910585736A CN 110472272 B CN110472272 B CN 110472272B
Authority
CN
China
Prior art keywords
convolutional neural
neural network
data
frame structure
layer
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
Application number
CN201910585736.2A
Other languages
English (en)
Other versions
CN110472272A (zh
Inventor
陈贡发
腾帅
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910585736.2A priority Critical patent/CN110472272B/zh
Publication of CN110472272A publication Critical patent/CN110472272A/zh
Application granted granted Critical
Publication of CN110472272B publication Critical patent/CN110472272B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种基于多参数和卷积神经网络的结构损伤识别方法，包括以下步骤：输入基础钢架结构图片，对基础钢架结构图片进行数据采集并组合为多参数数据，以矩阵数据形式将多参数数据转换为基础钢架结构数据矩阵；将基础钢架结构数据矩阵通过损伤模拟得到对应的损伤位置向量，组成训练集和测试集；构建卷积神经网络模型，将训练集输入卷积神经网络中进行训练，保存完成训练的卷积神经网络；将测试集输入卷积神经网络，若输出的识别结果对应的误差值收敛，则卷积神经网络完成训练，否则重新对卷积神经网络进行训练；对待结构损伤识别的图片进行数据采集并组合为多参数数据后输入完成训练的卷积神经网络中，其输出的结果即为结构损伤识别结果。

Description

一种基于多参数和卷积神经网络的结构损伤识别方法
技术领域
本发明涉及损伤识别技术领域，更具体地，涉及一种基于多参数和卷积神经网络的结构损伤识别方法。
背景技术
随着我国综合实力的提升，经济发展及工业发展的需要，各种高层写字楼、大型购物广场、娱乐场所、城市标志性建筑等大规模建筑得以建设，这些大型建筑物在使用期间，不可避免地产生结构损伤，具体地表现为系统局部的材料或几何特性的改变，也包括边界条件和整个系统的变化。建筑物的结构损伤改变了建筑物整体结构的力学性能，存在结构承载能力降低的问题，对系统现在或未来造成不利的影响。因此，损伤识别对于预防结构突然坍塌，从而避免或降低人财损失有着及其重大的研究意义。
近年来基于深度卷积神经网络的智能识别技术有了很多突破，智能识别主要是利用卷积算法提取图像的特征，将待识别的图像输入到网络中，从而判断物体的类别；而卷积神经网络是一种可以提取特征的算法，具有极好的鲁棒性，抗干扰性强。然而，现有的基于深度卷积神经网络的智能识别技术中，在结构损伤识别过程中的存在识别指标单一，且无法携带所识别的结构损伤信息的问题，不能满足对结构损伤识别的要求。
发明内容
本发明为克服上述现有技术所述的无法携带所识别的结构损伤信息的缺陷，提供一种基于多参数和卷积神经网络的结构损伤识别方法，识别结果携带有相应的结构损伤信息，且能够增加卷积神经网络对损伤检测的指标。
为解决上述技术问题，本发明的技术方案如下：
一种基于多参数和卷积神经网络的结构损伤识别方法，包括以下步骤：
S1：输入基础钢架结构图片，对所述基础钢架结构图片进行数据采集并组合为多参数数据，以矩阵数据形式将多参数数据转换为基础钢架结构数据矩阵；
S2：将所述基础钢架结构数据矩阵通过进行不同位置杆的损伤模拟，得到对应的损伤位置向量，组成训练集和测试集；
S3：构建卷积神经网络模型，将所述训练集输入卷积神经网络中进行训练，保存完成训练的卷积神经网络；
S4：将所述测试集输入卷积神经网络，若输出的识别结果对应的误差值收敛，则卷积神经网络完成训练并执行S5步骤，否则跳转执行S3步骤；
S5：对待结构损伤识别的图片进行数据采集并组合为多参数数据后输入完成训练的卷积神经网络中，其输出的结果即为结构损伤识别结果。
本技术方案中，通过对基础钢架结构图片进行数据采集并构造网络输入数据格式，以矩阵数据形式作为卷积神经网络的输入，并经过损伤模拟得到不同的损伤位置向量构成训练集，因此训练集中每一个输入代表一种结构损伤，并对应一个目标输出，且训练集中每一个数据为多参数数据包括钢架结构的相关参数，使其对应的输出包含相应的结构损伤信息，然后将包含多参数数据的训练集输入卷积神经网络中进行训练，至卷积神经网络所输出的识别结果对应的误差收敛至最小值时完成卷积神经网络的训练。经过由该模拟有不同损伤位置及损伤情况的训练集对卷积神经网络进行训练，完成训练的卷积神经网络具备损伤检测网络指标多样性，满足损伤识别技术的要求。
优选地，S1步骤中的基础钢架结构数据矩阵的大小为n×(n+1)。
优选地，S2步骤中，采用有限元法对不同位置杆的不同程度的损伤进行模拟。
优选地，损伤位置向量为n2维向量。
优选地，训练集与测试集的数据占比为9：1。
优选地，卷积神经网络包括输入层、卷积层、池化层、全连接层、回归层。
优选地，S3步骤中，其具体步骤如下：将训练集逐一输入卷积神经网络中，经过若干次卷积和池化处理后，将最后一次卷积操作得到的特征矩阵展开并作为全连接层的输入，然后将全连接层的输出作为回归层的输入，回归层输出代表损伤位置的向量；将所述代表损伤位置的向量与所输入的训练集中实际损伤位置进行对比并计算误差，调整卷积神经网络中各层的权重系数并重复上述步骤至所述误差最小化，保存完成训练的卷积神经网络。
与现有技术相比，本发明技术方案的有益效果是：通过将由多参数数据组成的、经过不同位置及不同情况的损伤模拟的训练集对卷积神经网络进行训练，能够使卷积神经网络所输出的识别结果携带有相应的结构损伤信息，且能够增加卷积神经网络对损伤检测的指标。
附图说明
图1为本发明的基于多参数和卷积神经网络的结构损伤识别方法的流程图。
图2为本实施例的基础钢架结构图片。
图3为本实施例的基础钢架结构数据矩阵示意图。
图4为本实施例的卷积神经网络训练过程示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示，为本实施例的基于多参数和卷积神经网络的结构损伤识别方法的流程图。
本实施例中，基于多参数和卷积神经网络的结构损伤识别方法包括以下步骤：
S1：输入基础钢架结构图片，对所述基础钢架结构图片进行数据采集并组合为多参数数据，以矩阵数据形式将多参数数据转换为基础钢架结构数据矩阵。
如图2所示，为本实施例所采用的基础钢架结构图片。
如图所示，该基础钢架结构中共有121根杆。其中，对基础钢架结构图片进行采集的数据包括结构中每一根杆的位移及结构的前11阶固有频率，所构成的基础钢架结构数据矩阵的大小为11×12。如图3所示，为本实施例的基础钢架结构数据矩阵示意图。
S2：将所述基础钢架结构数据矩阵通过进行不同位置杆的损伤模拟，得到对应的损伤位置向量，组成训练集和测试集。
本步骤中，采用有限元法对每一根杆进行不同程度的损伤模拟。本实施例对每一根杆的损伤模拟程度包括10％、20％、40％、60％、90％，因此共有605组损伤位置向量数据，然后将每一根杆损伤程度为10％、20％、40％、60％的损伤位置向量数据共484组数据组成训练集，将损伤程度为90％的损伤位置向量数据共121组数据组成测试集。
其中，损伤位置向量为一个121维的向量，如，一号杆件的损伤位置向量为[1,0,0,0...0,0]，二号杆件的损伤位置向量为[0,1,0,0...0,0]，0表示所在位置没有损伤，1表示所在位置存在损伤。
S3：构建卷积神经网络模型，将所述训练集输入卷积神经网络中进行训练，保存完成训练的卷积神经网络。
本实施例中，卷积神经网络包括输入层、卷积层、池化层、全连接层、回归层，其中，本实施例中的卷积神经网络模型为依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、全连接层、回归层，上述第一卷积层中包括10个卷积核，第二卷积层中包括20个卷积核，第三卷积层中包括30个卷积核。
本步骤中，先将训练集逐一输入卷积神经网络中，经过若干次卷积和池化处理后，将最后一次卷积操作得到的特征矩阵展开并作为全连接层的输入，然后将全连接层的输出作为回归层的输入，回归层输出代表损伤位置的向量；将所述代表损伤位置的向量与所输入的训练集中实际损伤位置进行对比并计算误差，调整卷积神经网络中各层的权重系数并重复上述步骤至所述误差最小化，保存完成训练的卷积神经网络。
如图4所示，为本实施例的卷积神经网络训练过程示意图，具体包括以下步骤：
S31：将损伤位置向量数据依次经过输入层进入第一卷积层，经过第一卷积层中的10个卷积核输出得到对应的10个特征矩阵；
S32：将所述10个特征矩阵输入第一池化层，输出经过最大值池化操作的10个特征矩阵；
S33：将S32输出的10个特征矩阵依次经过第二卷积层和第二池化层，输出得到经过最大值池化操作的20个特征矩阵；
S34：将S33输出的20个特征矩阵输入第三卷积层中，输出得到30个特征矩阵，将上述30个特征矩阵展开并作为全连接层的输入，经过全连接层、回归层处理后输出代表损伤位置的向量；
S35：对比所述代表损伤位置的向量与所输入的损伤位置向量数据对应的实际损伤位置进行比对并计算误差，调整卷积神经网络中各层的权重系数并重复上述步骤至所计算的误差最小化时卷积神经网络完成训练，保存完成训练的卷积神经网络。
S4：将所述测试集输入卷积神经网络，若输出的识别结果对应的误差值收敛，则卷积神经网络完成训练并执行S5步骤，否则跳转执行S3步骤。
S5：对待结构损伤识别的图片进行数据采集并组合为多参数数据后输入完成训练的卷积神经网络中，其输出的结果即为结构损伤识别结果。
本实施例中，通过将由多参数数据组成的、经过不同位置及不同情况的损伤模拟的训练集对卷积神经网络进行训练，能够使卷积神经网络所输出的识别结果携带有相应的结构损伤信息，且能够增加卷积神经网络对损伤检测的指标。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种基于多参数和卷积神经网络的结构损伤识别方法，其特征在于，包括以下步骤：
S1：输入基础钢架结构图片，对所述基础钢架结构图片进行数据采集并组合为多参数数据，以矩阵数据形式将多参数数据转换为基础钢架结构数据矩阵；其中，对基础钢架结构图片进行采集的数据包括结构中每一根杆的位移及结构的前n阶固有频率，其中n为正整数；
S2：将所述基础钢架结构数据矩阵通过进行不同位置杆的损伤模拟，得到对应的损伤位置向量，组成训练集和测试集；
S3：构建卷积神经网络模型，将所述训练集输入卷积神经网络中进行训练，保存完成训练的卷积神经网络；
S4：将所述测试集输入卷积神经网络，若输出的识别结果对应的误差值收敛，则卷积神经网络完成训练并执行S5步骤，否则跳转执行S3步骤；
S5：对待结构损伤识别的图片进行数据采集并组合为多参数数据后输入完成训练的卷积神经网络中，其输出的结果即为结构损伤识别结果。
2.根据权利要求1所述的结构损伤识别方法，其特征在于：所述S1步骤中的基础钢架结构数据矩阵的大小为n×(n+1)。
3.根据权利要求2所述的结构损伤识别方法，其特征在于：所述S2步骤中，采用有限元法对不同位置杆的不同程度的损伤进行模拟。
4.根据权利要求3所述的结构损伤识别方法，其特征在于：所述损伤位置向量为n2维向量。
5.根据权利要求3所述的结构损伤识别方法，其特征在于：所述训练集与测试集的数据占比为9：1。
6.根据权利要求1所述的结构损伤识别方法，其特征在于：所述卷积神经网络包括输入层、卷积层、池化层、全连接层、回归层。
7.根据权利要求6所述的结构损伤识别方法，其特征在于：所述S3步骤中，其具体步骤如下：
将训练集逐一输入卷积神经网络中，经过若干次卷积和池化处理后，将最后一次卷积操作得到的特征矩阵展开并作为全连接层的输入，然后将全连接层的输出作为回归层的输入，回归层输出代表损伤位置的向量；将所述代表损伤位置的向量与所输入的训练集中实际损伤位置进行对比并计算误差，调整卷积神经网络中各层的权重系数并重复S3步骤至所述误差最小化，保存完成训练的卷积神经网络。
CN201910585736.2A 2019-07-01 2019-07-01 一种基于多参数和卷积神经网络的结构损伤识别方法 Active CN110472272B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910585736.2A CN110472272B (zh) 2019-07-01 2019-07-01 一种基于多参数和卷积神经网络的结构损伤识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910585736.2A CN110472272B (zh) 2019-07-01 2019-07-01 一种基于多参数和卷积神经网络的结构损伤识别方法

Publications (2)

Publication Number Publication Date
CN110472272A CN110472272A (zh) 2019-11-19
CN110472272B true CN110472272B (zh) 2023-04-07

Family

ID=68507009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910585736.2A Active CN110472272B (zh) 2019-07-01 2019-07-01 一种基于多参数和卷积神经网络的结构损伤识别方法

Country Status (1)

Country Link
CN (1) CN110472272B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113297909B (zh) * 2021-04-25 2024-05-07 东南大学 一种基于无人机视觉的建筑损伤实时识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109115879A (zh) * 2018-08-22 2019-01-01 广东工业大学 一种基于模态振型和卷积神经网络的结构损伤识别方法
CN109145446A (zh) * 2018-08-22 2019-01-04 广东工业大学 一种基于模态应变能和卷积神经网络的结构损伤识别方法
CN109946389A (zh) * 2019-01-31 2019-06-28 青岛理工大学 基于总体经验模态分解与卷积神经网络的结构损伤识别法
CN110146678A (zh) * 2019-05-30 2019-08-20 广东工业大学 一种结构损伤检测系统、方法、装置及可读存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11630040B2 (en) * 2017-07-11 2023-04-18 Qatar University Real-time structural damage detection by convolutional neural networks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109115879A (zh) * 2018-08-22 2019-01-01 广东工业大学 一种基于模态振型和卷积神经网络的结构损伤识别方法
CN109145446A (zh) * 2018-08-22 2019-01-04 广东工业大学 一种基于模态应变能和卷积神经网络的结构损伤识别方法
CN109946389A (zh) * 2019-01-31 2019-06-28 青岛理工大学 基于总体经验模态分解与卷积神经网络的结构损伤识别法
CN110146678A (zh) * 2019-05-30 2019-08-20 广东工业大学 一种结构损伤检测系统、方法、装置及可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
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02期);全文 *
基于无监督学习卷积神经网络的振动信号模态参数识别;方宁等;《计算机应用》;20170310(第03期);全文 *

Also Published As

Publication number Publication date
CN110472272A (zh) 2019-11-19

Similar Documents

Publication Publication Date Title
CN110782462B (zh) 一种基于双流特征融合的语义分割方法
CN110728682B (zh) 一种基于残差金字塔池化神经网络的语义分割方法
CN108230278B (zh) 一种基于生成对抗网络的图像去雨滴方法
CN112164038A (zh) 一种基于深度卷积神经网络的光伏热斑检测方法
KR101721062B1 (ko) 얼굴 이미지들의 데이터로부터 얼굴 특징들을 추출하는 방법 및 시스템
CN109410261A (zh) 基于金字塔池化模块的单目图像深度估计方法
CN112489164B (zh) 基于改进深度可分离卷积神经网络的图像着色方法
CN108334945A (zh) 深度神经网络的加速与压缩方法及装置
CN110674925B (zh) 基于3d卷积神经网络的无参考vr视频质量评价方法
CN114283320B (zh) 基于全卷积的无分支结构目标检测方法
CN117237559B (zh) 面向数字孪生城市的三维模型数据智能分析方法及系统
CN115146761B (zh) 一种缺陷检测模型的训练方法和相关装置
CN116052218B (zh) 一种行人重识别方法
CN112036260A (zh) 一种自然环境下多尺度子块聚合的表情识别方法及系统
CN116362325A (zh) 一种基于模型压缩的电力图像识别模型轻量化应用方法
CN115455764A (zh) 一种框架结构多节点损伤诊断方法
CN110472272B (zh) 一种基于多参数和卷积神经网络的结构损伤识别方法
CN116704257A (zh) 基于神经网络的多传感器数据融合火灾探测方法
CN111222534A (zh) 一种基于双向特征融合和更平衡l1损失的单发多框检测器优化方法
CN111914904B (zh) 一种融合DarkNet与CapsuleNet模型的图像分类方法
CN112508121A (zh) 一种工业机器人感知外界的方法和系统
CN117173595A (zh) 基于改进YOLOv7的无人机航拍图像目标检测方法
CN116758349A (zh) 基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法
Hao et al. Architecture self-attention mechanism: Nonlinear optimization for neural architecture search
CN116311349A (zh) 一种基于轻量神经网络的人体关键点检测方法

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