CN112613224A - 桥梁结构检测模型的训练方法、检测方法、装置、设备 - Google Patents
桥梁结构检测模型的训练方法、检测方法、装置、设备 Download PDFInfo
- Publication number
- CN112613224A CN112613224A CN202011345259.1A CN202011345259A CN112613224A CN 112613224 A CN112613224 A CN 112613224A CN 202011345259 A CN202011345259 A CN 202011345259A CN 112613224 A CN112613224 A CN 112613224A
- Authority
- CN
- China
- Prior art keywords
- bridge structure
- bridge
- detection model
- training
- data
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 190
- 238000012549 training Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000036541 health Effects 0.000 claims abstract description 105
- 238000013528 artificial neural network Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims description 22
- 230000006378 damage Effects 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000003068 static effect Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 20
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 230000006866 deterioration Effects 0.000 description 6
- 230000009526 moderate injury Effects 0.000 description 5
- 230000005195 poor health Effects 0.000 description 4
- 230000009528 severe injury Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000004566 building material Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000009525 mild injury Effects 0.000 description 1
- 230000000869 mutational effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明实施例公开了一种桥梁结构检测模型的训练方法、检测方法、装置、设备。通过获取桥梁传感器在多个时刻的第一时序数据；利用多个时刻的第一时序数据，对预设的神经网络进行计算，建立以预设的桥梁结构健康类型为输出结果的基于神经网络的桥梁结构检测模型；根据预设的仿真软件，对应不同的预设的桥梁结构健康类型，分别获取桥梁传感器在多个时刻的第二时序数据，作为训练数据；利用多个时刻的第二时序数据，对建立的桥梁结构检测模型进行训练得到桥梁结构检测模型，以用于检测桥梁的健康类型。本发明实施例解决了目前的技术方案中存在的检测桥梁结构的健康类型效果较差的问题，实现了准确检测桥梁结构的健康类型。
Description
技术领域
本发明涉及目标识别技术领域，尤其涉及一种桥梁结构检测模型的训练方法、检测方法、装置、设备及存储介质。
背景技术
桥梁作为一种能够使车辆或行人等顺利通行的构筑物，已成为当今社会一种极其重要的建筑。
随着越来越多的不同结构类型的大跨径桥梁建成，给桥梁运营安全监测提出了新的要求。人为活动因素、建筑材料性能变异以及自然灾害等都会对桥梁结构造成损伤，当损伤积累到一定程度，有可能产生结构突变性破坏事故，对人们的生命财产安全造成巨大威胁，造成重大经济损失。
现有技术中，对桥梁进行安全性评估的方法使用的理论主要有可靠度理论、层次分析法、模糊理论和专家系统。这些现有方法都是基于一定理论，需要专业性很强的理论知识，往往在一些特定场景下的效果较好，但不能很好的适应复杂环境。
因此，现有的技术方案中，存在检测桥梁的健康类型效果较差的问题。
发明内容
本发明提供了一种桥梁结构检测模型的训练方法、检测方法、装置、设备及存储介质，解决了目前的技术方案中存在的检测桥梁结构的健康类型效果较差的问题，使桥梁结构的健康状况得到了准确的检测。
为了解决上述技术问题，本发明：
第一方面，提供了一种桥梁结构检测模型的训练方法，其特征在于，训练方法包括：
获取桥梁传感器在多个时刻的第一时序数据；
利用多个时刻的第一时序数据，对预设的神经网络进行计算，建立以预设的桥梁结构健康类型为输出结果的基于神经网络的桥梁结构检测模型；
根据预设的仿真软件，对应不同的预设的桥梁结构健康类型，分别获取桥梁传感器在多个时刻的第二时序数据，作为训练数据；
利用多个时刻的第二时序数据，对建立的桥梁结构检测模型进行训练。
在第一方面的一些实现方式中，桥梁传感器的种类包括应变传感器、静力水准仪、温度传感器、湿度传感器和振动传感器中的至少一种，桥梁传感器中每一种桥梁传感器的数量为至少一个。
在第一方面的一些实现方式中，利用多个时刻的第二时序数据，对建立的桥梁结构检测模型进行训练，包括：
利用多个时刻的第二时序数据中的一部分数据，对建立的桥梁结构检测模型进行训练；
利用多个时刻的第二时序数据中的另一部分数据，对建立的桥梁结构检测模型进行准确率指标验证。
在第一方面的一些实现方式中，在获取桥梁传感器在多个时刻的第一时序数据之前，该方法还包括：根据预设的检测内容，确定桥梁传感器的种类、数目以及分布位置。
在第一方面的一些实现方式中，利用多个时刻的第二时序数据，对建立的桥梁结构检测模型进行训练，包括：
根据桥梁结构检测模型对第二时序数据进行计算，得到第二健康数据；
根据第二健康数据与预设的桥梁结构健康类型计算损失值；
根据损失值，更新桥梁结构检测模型的参数；
当更新参数后的桥梁结构检测模型的损失值满足预设条件时，将更新参数后的建立的桥梁结构检测模型作为训练后的桥梁结构检测模型。
在第一方面的一些实现方式中，预设的桥梁结构健康类型至少包括结构正常、轻微损坏、中度损坏和严重损坏中的一种。
第二方面，提供了一种桥梁结构的检测方法，该检测方法包括：
获取桥梁传感器的实时时序数据；
将所述实时时序数据输入根据第一方面，以及第一方面的一些实现方式中桥梁结构检测模型的训练方法训练得到的桥梁结构检测模型。
第三方面，提供了一种桥梁结构检测模型的训练装置，该训练装置包括：
获取模块，用于获取桥梁传感器在多个时刻的第一时序数据；
处理模块，用于利用多个时刻的第一时序数据，对预设的神经网络进行计算，建立以预设的桥梁结构健康类型为输出结果的基于神经网络的桥梁结构检测模型；
处理模块，还用于根据预设的仿真软件，对应不同的预设的桥梁结构健康类型，分别获取桥梁传感器在多个时刻的第二时序数据，作为训练数据；
处理模块，还用于利用多个时刻的第二时序数据，对建立的桥梁结构检测模型进行训练。
在第三方面的一些实现方式中，桥梁传感器的种类包括应变传感器、静力水准仪、温度传感器、湿度传感器和振动传感器中的至少一种，桥梁传感器中每一种桥梁传感器的数量为至少一个。
在第三方面的一些实现方式中，处理模块还用于利用多个时刻的第二时序数据中的一部分数据，对建立的桥梁结构检测模型进行训练；利用多个时刻的第二时序数据中的另一部分数据，对建立的桥梁结构检测模型进行准确率指标验证。
在第三方面的一些实现方式中，获取模块还用于在获取桥梁传感器在多个时刻的第一时序数据之前，根据预设的检测内容，确定桥梁传感器的种类、数目以及分布位置。
在第三方面的一些实现方式中，处理模块还用于根据桥梁结构检测模型对第二时序数据进行计算，得到第二健康数据；根据第二健康数据与预设的桥梁结构健康类型计算损失值；根据损失值，更新桥梁结构检测模型的参数；当更新参数后的桥梁结构检测模型的损失值满足预设条件时，将更新参数后的建立的桥梁结构检测模型作为训练后的桥梁结构检测模型。
在第三方面的一些实现方式中，预设的桥梁结构健康类型至少包括结构正常、轻微损坏、中度损坏和严重损坏中的一种。
第四方面，提供了一种桥梁结构检测模型的检测装置，该检测装置包括：
获取模块，用于获取桥梁传感器的实时时序数据；
处理模块，用于将所述实时时序数据输入根据第一方面，以及第一方面的一些实现方式中桥梁结构检测模型的训练方法训练得到的桥梁结构检测模型。
第五方面，提供了一种电子设备，该设备包括：处理器以及存储有计算机程序指令的存储器；
处理器执行计算机程序指令时实现第一方面，以及第一方面的一些实现方式中的桥梁结构检测模型的训练方法，或者，实现第二方面的桥梁结构的检测方法。
第六方面，提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面，以及第一方面的一些实现方式中的桥梁结构检测模型的训练方法，或者，实现第二方面的桥梁结构的检测方法。
本发明提供了一种桥梁结构检测模型的训练方法、检测方法、装置、设备及存储介质。通过获取桥梁传感器在多个时刻的第一时序数据，利用多个时刻的第一时序数据，对预设的神经网络进行计算，建立以预设的桥梁结构健康类型为输出结果的基于神经网络的桥梁结构检测模型。因为桥梁结构大部分时间都是健康的，所以如果仅是基于桥梁传感器的第一时序数据会对模型训练会产生影响。因此本方案在构建未被训练的桥梁结构检测模型后，根据预设的仿真软件，对应不同的预设的桥梁结构健康类型，分别获取桥梁传感器在多个时刻的第二时序数据，作为训练数据；之后再利用多个时刻的第二时序数据，对建立的桥梁结构检测模型进行训练。通过仿真软件，可以针对不同的桥梁结构健康类型产生不同的桥梁时序数据，使得训练样本数据足够均衡，以全面反映桥梁结构的状况，从而使得训练得到的桥梁结构检测模型能够准确检测桥梁结构的健康类型。因此，本发明实施例提供的桥梁结构检测模型的训练方法、检测方法、装置、设备及存储介质解决了现有的技术方案中，存在检测桥梁结构的健康类型效果较差的问题，实现了准确检测桥梁结构的健康状况。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种桥梁结构检测模型的训练方法的流程示意图；
图2是本发明实施例提供的一种长短期记忆网络结构图；
图3是本发明实施例提供的一种桥梁结构的检测方法的流程示意图；
图4是本发明实施例提供的一种桥梁结构检测模型的训练装置的结构示意图；
图5是本发明实施例提供的一种桥梁结构的检测装置的结构示意图；
图6是本发明实施例提供的一种计算设备的硬件架构的结构图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
桥梁作为一种能够使车辆或行人等顺利通行的构筑物，已成为当今社会一种极其重要的建筑。
随着越来越多的不同结构类型的大跨径桥梁建成，这给桥梁运营安全监测提出了新的要求。环境因素、荷载状态、人为活动因素、建筑材料性能变异以及自然灾害等都会对桥梁结构造成损伤，当损伤积累到一定程度以后，有可能产生结构突变性破坏事故，对人们的生命财产安全造成巨大威胁，造成重大经济损失。因此，对桥梁的安全性进行监测评估具有十分重要的意义。安全性评估方法用的理论主要有可靠度理论、层次分析法、模糊理论和专家系统。这些方法都是基于一定理论，需要专业性很强的理论知识，往往在一些特定场景下的效果较好，但不能很好的适应复杂环境。
因此，现有的技术方案中，存在检测桥梁结构的健康类型效果较差的问题。
为了解决目前的技术方案中存在检测桥梁结构的健康类型效果较差的问题，本发明实施例提供了一种桥梁结构检测模型的训练方法、检测方法、装置、设备及存储介质。通过获取桥梁传感器在多个时刻的第一时序数据，利用多个时刻的第一时序数据，对预设的神经网络进行计算，建立以预设的桥梁结构健康类型为输出结果的基于神经网络的桥梁结构检测模型。因为桥梁结构大部分时间都是健康的，所以如果仅是基于桥梁传感器的第一时序数据会对模型训练会产生影响。因此本方案在构建未被训练的桥梁结构检测模型后，根据预设的仿真软件，对应不同的预设的桥梁结构健康类型，分别获取桥梁传感器在多个时刻的第二时序数据，作为训练数据；之后再利用多个时刻的第二时序数据，对建立的桥梁结构检测模型进行训练。通过仿真软件，可以针对不同的桥梁结构健康类型产生不同的桥梁时序数据，使得训练样本数据足够均衡，以全面反映桥梁结构的状况，从而使得训练得到的桥梁结构检测模型能够准确检测桥梁结构的健康类型。因此，本发明实施例提供的桥梁结构检测模型的训练方法、检测方法、装置、设备及存储介质解决了现有的技术方案中，存在检测桥梁结构的健康类型效果较差的问题，实现了准确检测桥梁结构的健康状况。
下面结合附图对本发明实施例提供的技术方案进行描述。
图1是本发明实施例提供的一种桥梁结构检测模型的训练方法的流程示意图。该方法的执行主体可以基于终端设备或服务器。
如图1所示，桥梁结构检测模型的训练方法可以包括：
S101：获取桥梁传感器在多个时刻的第一时序数据。
具体的，该桥梁传感器的种类包括应变传感器、静力水准仪、温度传感器、湿度传感器和振动传感器中的至少一种，所述桥梁传感器中每一种桥梁传感器的数量为至少一个。
在一个具体的示例中，以桥A为例，布置的传感器可以包括有6个应变传感器、3个静力水准仪、1个温湿度传感器和1个振动传感器，对于传感器采集的第一时序数据可以如公式(1)所示：
X＝[[xt-99,1,xt-9,2,xt-99,3,...,xt-99,12],[xt-98,1,xt-98,2,xt-98,3,...,xt-98,12],...,[xt,1,xt,2,xt,3,...,xt,12]] (1)
其中，xt,1、xt,2分别表示当前时刻的温度和湿度值，xt,3表示当前时刻的振动频率，xt,4、xt,5、xt,6表示当前时刻三个静力水准仪的观测值，xt,7,…,xt,12则分别表示6个应变传感器当前时刻的观测值。xt-n,i则表示前n个时刻的观测值。
在得到多个时刻的第一时序数据之后，便可以根据该多个时刻的第一时序数据，对预设的神经网络进行训练，即，进入S102。
S102：利用多个时刻的第一时序数据，对预设的神经网络进行计算，建立以预设的桥梁结构健康类型为输出结果的基于神经网络的桥梁结构检测模型。
因为桥梁结构大部分时间都是健康的，所以直接根据桥梁传感器的第一时序数据构建桥梁结构检测模型并对该模型进行训练无疑会使得训练后的模型只能检测健康的桥梁结构类型，因此会使桥梁结构检测模型的检测能力以及检测范围产生影响。
所以本发明通过仿真软件，针对不同的健康类型产生不同的桥梁时序数据，使得训练样本数据足够均衡，可以全面反映桥梁结构的状况，从而使得训练得到的桥梁结构检测模型能够准确检测桥梁结构的健康类型，即，S103的过程。
S103：根据预设的仿真软件，对应不同的预设的桥梁结构健康类型，分别获取桥梁传感器在多个时刻的第二时序数据，作为训练数据。
在该步骤中，为了克服样本数据不均衡问题，使用仿真软件对桥梁的健康类型进行模拟，并针对不同的健康类型产生不同的桥梁时序数据，来解决训练数据不均衡的问题。
具体的，可以在仿真软件中，调节桥梁结构不同程度受损时的状态，获取对应的桥梁传感器的时序数据，作为训练数据。
在一个具体的示例中，对于桥梁结构在正常的情况下，传感器可以采集100个时序数据作为训练数据。该100个时序数据可以为：
X＝[[xt-9,1,xt-99,2,xt-99,3,...,xt-99,12],[xt-98,1,xt-98,2,xt-98,3,...,xt-98,12],...,[xt,1,xt,2,xt,3,...,xt,12]]
此时对应的标签可以为Y＝[1,0,0,0]，表示结构正常。
同理，对桥梁结构的健康类型分别在轻微损坏、中度损坏和严重损坏状态时，也分别采集传感器的时序观测值，对应的标签Y分别可以为[0,1,0,0]，表示轻微损坏；[0,0,1,0]，表示中度损坏；[0,0,0,1]，表示重度损坏。
此外，需要说明的是，传感器采集的时序数据的个数，还可以按照实际需求进行调整。
在通过仿真软件获取针对不同健康类型的桥梁结构产生的不同时序数据作为训练数据之后，便可以将该时序数据输入至预设的神经网络进行训练得到桥梁结构检测模型，以用于检测桥梁的健康类型，即，进入S104。
S104：利用所述多个时刻的第二时序数据，对建立的桥梁结构检测模型进行训练。
在S104的训练过程中的一个实施例中，可以利用多个时刻的第二时序数据中的一部分数据，对建立的桥梁结构检测模型进行训练，之后再利用多个时刻的第二时序数据中的另一部分数据，对建立的桥梁结构检测模型进行准确率指标验证。
在上述实施例中，是将第二时序数据分为训练集和测试集，训练集即为上述第二时序数据中的一部分数据，测试集即为上述第二时序数据中的另一部分数据，通过迭代学习不断更新桥梁结构检测模型的权重参数，使模型可以有效学习到数据集中的特征，最后用测试集对模型根据准确率指标进行效果检验，以确定建立的桥梁结构检测模型能够满足需求。
此外，在S104的训练过程中的另一个实施例中，对建立的桥梁结构检测模型进行训练的具体过程可以是根据桥梁结构检测模型对第二时序数据进行计算，得到第二健康数据。
具体的，因为循环神经网络(Recurrent Neural Network，RNN)是一类专门用于处理时序数据样本的神经网络。而长短期记忆网络(Long Short-Term Memory，LSTM)是一种特殊的RNN，能够学习到长期依赖关系，并通过精巧的设计解决长序列训练过程中的梯度消失和梯度爆炸问题。
所以，在一个实施例中，根据预设的神经网络进行计算的得到的桥梁结构检测模型可以是一个具有多层LSTM结构的神经网络，其中，LSTM的网络结构如图2所示。
如图2所示，在该结构中，以通过输入数据xt形成输出数据ht的一次循环过程为示例介绍长短期记忆网络的内部运行过程。
具体的，xt与上一次循环的输出数据ht-1根据Sigmoid函数进行一次运算，生成第一运算结果；之后xt与ht-1再进行一次Sigmoid函数运算得到第二运算结果；然后xt与ht-1通过tanh层计算得到新的候选神经网络信息
然后第一运算结果与上一次循环的神经网络信息Ct-1点乘再加上第二运算结果与新的候选细胞信息
点乘的和得到更新后的神经网络信息Ct。
更新完神经网络信息后根据输入的xt与ht-1便可以确定输出的特征，即，将xt与ht-1再进行一次Sigmoid函数运算，得到第三运算结果，将第三运算结果与Ct通过tanh层计算的结果进行点乘，得到循环神经网络一个单元的输出ht。之后如此循环，直至神经网络输出的结果满足预设的条件。其中，该预设条件可以为输出的结果与预先存储的结果的误差小于预设值。
具体的，该神经网络的参数可以如表1所示。
表1
在神经网络中，多个时刻的时序数据需要依次经过LSTM层、信号丢失(Dropout)层和全连接层进行前向传播运算，其中Dropout层会随机扔掉一些神经元，防止模型过拟合。最后通过激活(Activation)层(归一化指数函数即softmax激活函数)对输出结果归一化，得到最终的输出Y＝[y1,y2,y3,y4]。
可选的，在一个实施例中，y1,y2,y3,y4的和为1，即，满足公式(2)。
其中，y1,y2,y3,y4是桥梁结构健康类型概率，分别代表桥梁结构正常、轻微损坏、中度损坏和严重损坏。可以取最大yi值对应的类别作为第一健康数据，即当前桥梁结构健康评估结果。
之后，根据第二健康数据与预设的桥梁结构健康类型计算损失值，然后再根据损失值，更新所述神经网络的参数。
当更新参数后的神经网络的损失值满足预设条件时，将所述更新参数后的桥梁结构检测模型作为训练后的桥梁结构检测模型，以用于检测桥梁的健康类型。其中，该预设的桥梁结构健康类型包括结构正常、轻微损坏、中度损坏和严重损坏，该预设条件可以包括损失函数小于预设数值。
可选的，在一个具体的实施例中，神经网络一般都会有许多超参数，在S104的训练阶段中，样本批大小batch_size可以设置为32，权重w初始化策略可以服从随机正态分布，偏置b初始值可以为0.2，学习速率可以采用指数衰减策略，初始值可以设置为0.001，衰减系数可以设置为0.9。
本发明实施例提供的桥梁结构训练方法，通过获取桥梁传感器在多个时刻的第一时序数据，利用多个时刻的第一时序数据，对预设的神经网络进行计算，建立以预设的桥梁结构健康类型为输出结果的基于神经网络的桥梁结构检测模型。因为桥梁结构大部分时间都是健康的，所以如果仅是基于桥梁传感器的第一时序数据会对模型训练会产生影响。因此本方案在构建未被训练的桥梁结构检测模型之后，根据预设的仿真软件，对应不同的预设的桥梁结构健康类型，分别获取桥梁传感器在多个时刻的第二时序数据，作为训练数据；之后再利用多个时刻的第二时序数据，对建立的桥梁结构检测模型进行训练。通过仿真软件，可以针对不同的桥梁结构健康类型产生不同的桥梁时序数据，使得训练样本数据足够均衡，以全面反映桥梁结构的状况，从而使得训练得到的桥梁结构检测模型能够准确检测桥梁结构的健康类型。因此，本发明实施例提供的桥梁结构检测模型的训练方法解决了现有的技术方案中，存在检测桥梁结构的健康类型效果较差的问题，实现了准确检测桥梁结构的健康类型。此外，又因为神经网络具有强大的学习表达能力，能够在复杂的多维数据中自动学习到数据特征，而且，不依赖专家系统和过多的专业理论知识，具有普适性，能适应复杂的情形，所以可以准确分析桥梁传感器在多个时刻的时序数据，从而进一步实现准确检测桥梁结构的健康类型。
在一个实施例中，在S101之前，即获取桥梁传感器在多个时刻的第一时序数据之前，还可以根据预设的检测内容，确定桥梁传感器的种类、数目以及分布位置。
具体的，因为结构应力是判断桥梁结构安全最直接的指标，所以，在一个实施例中，应力结构应当是主要进行检测的部分，所以可以着重布局多个应变传感器，以用于检测桥梁的应力结构。
而且，挠度和基础沉降数据也可以直接反应桥梁的结构情况，所以也是评价桥梁结构安全的重要指标，因此，布局用于采集上述数据的静力水准仪是有必要的。
在一个实施例中，为了更全面的采集桥梁数据，以全面反应桥梁的结构情况，桥梁传感器还可以包括温湿度传感器和/或振动传感器，以用于采集桥梁的温度湿度数据和/或振动频率数据。
在一个实施例中，为了获取到全面的数据，可以根据检测内容确定在桥梁布置桥梁传感器的种类、数目以及分布位置，以实现全面采集桥梁的时序数据。
本发明实施例提供的桥梁结构训练方法，根据检测内容确定在桥梁布置桥梁传感器的种类、数目以及分布位置，以实现全面采集桥梁的时序数据，并通过获取桥梁传感器在多个时刻的第一时序数据，利用多个时刻的第一时序数据，对预设的神经网络进行计算，建立以预设的桥梁结构健康类型为输出结果的基于神经网络的桥梁结构检测模型。因为桥梁结构大部分时间都是健康的，所以如果仅是基于桥梁传感器的第一时序数据会对模型训练会产生影响。因此本方案在构建未被训练的桥梁结构检测模型之后，根据预设的仿真软件，对应不同的预设的桥梁结构健康类型，分别获取桥梁传感器在多个时刻的第二时序数据，作为训练数据；之后再利用多个时刻的第二时序数据，对建立的桥梁结构检测模型进行训练。通过仿真软件，可以针对不同的桥梁结构健康类型产生不同的桥梁时序数据，使得训练样本数据足够均衡，以全面反映桥梁结构的状况，从而使得训练得到的桥梁结构检测模型能够准确检测桥梁结构的健康类型。因此，本发明实施例提供的桥梁结构检测模型的训练方法解决了现有的技术方案中，存在检测桥梁结构的健康类型效果较差的问题，实现了准确检测桥梁结构的健康状况。此外，又因为神经网络具有强大的学习表达能力，能够在复杂的多维数据中自动学习到数据特征，而且，不依赖专家系统和过多的专业理论知识，具有普适性，能适应复杂的情形，所以可以准确分析桥梁传感器在多个时刻的时序数据，从而进一步实现准确检测桥梁结构的健康类型。
图3是本发明实施例提供的一种桥梁的检测方法的流程示意图。
该方法的执行主体可以基于终端设备或服务器，如图3所示，桥梁的检测方法可以包括：
S201：获取桥梁传感器的实时时序数据。
S202：将实时时序数据输入桥梁结构检测模型得到桥梁的健康数据。
其中，桥梁结构检测模型是基于图1中的桥梁结构检测模型的训练方法得到的，该健康数据包括结构正常、轻微损坏、中度损坏和严重损坏的健康类型信息中的一种。
在一个实施例中，为了更全面的采集桥梁数据，以全面反应桥梁的结构情况，桥梁传感器还包括温湿度传感器和/或振动传感器，以用于采集桥梁的温度湿度数据和/或振动频率数据，使得到的桥梁的健康数据更加准确。
本发明实施例提供的桥梁结构检测方法，通过获取桥梁传感器在多个时刻的实时时序数据，之后将该实时时序数据输入至根据图1中的桥梁结构检测模型的训练方法确定的桥梁结构检测模型中得到桥梁的健康数据。因为桥梁结构大部分时间都是健康的，会对模型训练会产生影响。而通过仿真软件，针对不同的健康类型产生不同的桥梁时序数据，使得训练样本数据足够均衡，可以全面反映桥梁结构的状况，从而使得训练得到的桥梁结构检测模型能够准确检测桥梁结构的健康类型。因此，解决了现有的技术方案中，存在检测桥梁结构的健康类型效果较差的问题，实现了准确检测桥梁结构的健康类型。此外，又因为神经网络具有强大的学习表达能力，能够在复杂的多维数据中自动学习到数据特征，而且，不依赖专家系统和过多的专业理论知识，具有普适性，能适应复杂的情形，所以可以准确分析桥梁传感器在多个时刻的时序数据，从而进一步实现准确检测桥梁结构的健康类型。
与桥梁结构检测模型的训练方法的实施例相对应，本发明实施例还提供了一种桥梁结构检测模型的训练装置。
图4是本发明实施例提供的一种桥梁结构检测模型的训练装置的结构示意图。如图4所示，桥梁结构检测模型的训练装置可以包括：
获取模块401，可以用于获取桥梁传感器在多个时刻的第一时序数据。
处理模块402，可以用于利用所述多个时刻的第一时序数据，对预设的神经网络进行计算，建立以预设的桥梁结构健康类型为输出结果的基于神经网络的桥梁结构检测模型。
处理模块402，还可以用于根据预设的仿真软件，对应不同的所述预设的桥梁结构健康类型，分别获取桥梁传感器在多个时刻的第二时序数据，作为训练数据。
处理模块402，还可以用于利用所述多个时刻的第二时序数据，对建立的桥梁结构检测模型进行训练。
在一个实施例中，桥梁传感器的种类包括应变传感器、静力水准仪、温度传感器、湿度传感器和振动传感器中的至少一种，所述桥梁传感器中每一种桥梁传感器的数量为至少一个。
处理模块402，还可以用于利用所述多个时刻的第二时序数据中的一部分数据，对建立的桥梁结构检测模型进行训练；并利用所述多个时刻的第二时序数据中的另一部分数据，对建立的桥梁结构检测模型进行准确率指标验证。
处理模块402，还可以用于在获取桥梁传感器在多个时刻的第一时序数据之前，根据预设的检测内容，确定桥梁传感器的种类、数目以及分布位置。
处理模块402，还可以用于根据桥梁结构检测模型对第二时序数据进行计算，得到第二健康数据；根据第二健康数据与预设的桥梁结构健康类型计算损失值；根据损失值，更新桥梁结构检测模型的参数；当更新参数后的桥梁结构检测模型的损失值满足预设条件时，将更新参数后的建立的桥梁结构检测模型作为训练后的桥梁结构检测模型。
在一个实施例中，预设的桥梁结构健康类型至少包括结构正常、轻微损坏、中度损坏和严重损坏中的一种。
本发明实施例提供的桥梁结构检测模型的训练装置，通过获取桥梁传感器在多个时刻的时序数据，其中，时序数据包括仿真软件针对不同的健康类型产生的桥梁时序数据；之后再至少基于多个时刻的时序数据，对预设的神经网络进行训练。因为桥梁结构大部分时间都是健康的，会对模型训练会产生影响。而通过仿真软件，针对不同的健康类型产生不同的桥梁时序数据，使得训练样本数据足够均衡，可以全面反映桥梁结构的状况，从而使得训练得到的桥梁结构检测模型能够准确检测桥梁结构的健康类型。此外，又因为神经网络具有强大的学习表达能力，能够在复杂的多维数据中自动学习到数据特征，而且，不依赖专家系统和过多的专业理论知识，具有普适性，能适应复杂的情形，所以可以准确分析桥梁传感器在多个时刻的时序数据，从而进一步实现准确检测桥梁的健康类型。因此，解决了现有的技术方案中，存在检测桥梁结构的健康类型效果较差的问题，实现了准确检测桥梁结构的健康状况。
在一个实施例中，处理模块402，在获取桥梁传感器在多个时刻的第一时序数据之前，还可以用于根据预设的检测内容，确定桥梁传感器的种类、数目以及分布位置。
具体的，因为结构应力是判断桥梁结构安全最直接的指标，所以，在一个实施例中，应力结构应当是主要进行检测的部分，所以可以着重布局多个应变传感器，以用于检测桥梁的应力结构。
而且，挠度和基础沉降数据也可以直接反应桥梁的结构情况，所以也是评价桥梁结构安全的重要指标，因此，布局用于采集上述数据的静力水准仪是有必要的。
在一个实施例中，为了更全面的采集桥梁数据，以全面反应桥梁的结构情况，桥梁传感器还可以包括温湿度传感器和/或振动传感器，以用于采集桥梁的温度湿度数据和/或振动频率数据。
在一个实施例中，为了获取到全面的数据，可以根据检测内容确定在桥梁布置桥梁传感器的种类、数目以及分布位置，以实现全面采集桥梁的时序数据。
可以理解的是，图4所示的桥梁结构检测模型的训练装置中的各个模块具有实现图1中各个步骤的功能，并能达到其相应的技术效果，为简洁描述，在此不再赘述。
本发明实施例提供的桥梁结构训练装置，根据检测内容确定在桥梁布置桥梁传感器的种类、数目以及分布位置，以实现全面采集桥梁的时序数据，并通过获取桥梁传感器在多个时刻的第一时序数据，利用多个时刻的第一时序数据，对预设的神经网络进行计算，建立以预设的桥梁结构健康类型为输出结果的基于神经网络的桥梁结构检测模型。因为桥梁结构大部分时间都是健康的，所以如果仅是基于桥梁传感器的第一时序数据会对模型训练会产生影响。因此本方案在构建未被训练的桥梁结构检测模型之后，根据预设的仿真软件，对应不同的预设的桥梁结构健康类型，分别获取桥梁传感器在多个时刻的第二时序数据，作为训练数据；之后再利用多个时刻的第二时序数据，对建立的桥梁结构检测模型进行训练。通过仿真软件，可以针对不同的桥梁结构健康类型产生不同的桥梁时序数据，使得训练样本数据足够均衡，以全面反映桥梁结构的状况，从而使得训练得到的桥梁结构检测模型能够准确检测桥梁结构的健康类型。因此，本发明实施例提供的桥梁结构检测模型的训练方法解决了现有的技术方案中，存在检测桥梁结构的健康类型效果较差的问题，实现了准确检测桥梁结构的健康状况。此外，又因为神经网络具有强大的学习表达能力，能够在复杂的多维数据中自动学习到数据特征，而且，不依赖专家系统和过多的专业理论知识，具有普适性，能适应复杂的情形，所以可以准确分析桥梁传感器在多个时刻的时序数据，从而进一步实现准确检测桥梁结构的健康类型。
与桥梁的检测方法的实施例相对应，本发明实施例还提供了一种桥梁的检测装置。
图5是本发明实施例提供的一种桥梁结构检测装置的结构示意图。如图5所示，桥梁结构检测装置可以包括：
获取模块501，可以用于获取桥梁传感器的实时时序数据。
处理模块502，可以用于将所述实时时序数据输入桥梁结构检测模型中，其中，该桥梁结构检测模型是基于图1中的桥梁结构检测模型的训练方法得到的。
在一个实施例中，为了更全面的采集桥梁数据，以全面反应桥梁的结构情况，桥梁传感器还包括温湿度传感器和/或振动传感器，以用于采集桥梁的温度湿度数据和/或振动频率数据，使得到的桥梁的健康数据更加准确。
可以理解的是，图5所示的桥梁结构检测装置中的各个模块具有实现图3中各个步骤的功能，并能达到其相应的技术效果，为简洁描述，在此不再赘述。
本发明实施例提供的桥梁结构检测装置，通过获取桥梁传感器在多个时刻的时序数据，该桥梁传感器包括至少一个应变传感器和至少一个静力水准仪，在该步骤中，因为采集了多个维度的桥梁数据，所以使得采集的桥梁数据能够全面反映桥梁的结构情况。之后将该桥梁数据输入至根据图1中的桥梁结构检测模型的训练方法确定的桥梁结构检测模型中得到桥梁的健康数据。因为桥梁结构大部分时间都是健康的，会对模型训练会产生影响。而通过仿真软件，针对不同的健康类型产生不同的桥梁时序数据，使得训练样本数据足够均衡，可以全面反映桥梁结构的状况，从而使得训练得到的桥梁结构检测模型能够准确检测桥梁结构的健康类型。此外，又因为神经网络具有强大的学习表达能力，能够在复杂的多维数据中自动学习到数据特征，而且，不依赖专家系统和过多的专业理论知识，具有普适性，能适应复杂的情形，所以可以准确分析桥梁传感器在多个时刻的时序数据，从而实现准确检测桥梁结构的健康类型。因此，解决了现有的技术方案中，存在检测桥梁结构的健康类型效果较差的问题，实现了准确检测桥梁结构的健康类型。
图6是本发明实施例提供的一种计算设备的硬件架构的结构图。如图6所示，计算设备600包括输入设备601、输入接口602、中央处理器603、存储器604、输出接口605、以及输出设备606。其中，输入接口602、中央处理器603、存储器604、以及输出接口605通过总线610相互连接，输入设备601和输出设备606分别通过输入接口602和输出接口605与总线610连接，进而与计算设备600的其他组件连接。
具体地，输入设备601接收来自外部的输入信息，并通过输入接口602将输入信息传送到中央处理器603；中央处理器603基于存储器604中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器604中，然后通过输出接口605将输出信息传送到输出设备606；输出设备606将输出信息输出到计算设备600的外部供用户使用。
也就是说，图6所示的计算设备也可以被实现为桥梁结构检测模型的训练设备，或，桥梁结构的检测设备，该桥梁结构检测模型的训练设备，或，桥梁的检测设备可以包括：存储有计算机可执行指令的存储器；以及处理器，该处理器在执行计算机可执行指令时可以实现本发明实施例提供的桥梁结构检测模型的训练方法，或，桥梁结构的检测方法。
本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本发明实施例提供的桥梁结构检测模型的训练方法，或，桥梁结构的检测方法。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(Read-Only Memory，ROM)、闪存、可消除的只读存储器(ErasableRead Only Memory，EROM)、软盘、只读光盘(Compact Disc Read-Only Memory，CD-ROM)、光盘、硬盘、光纤介质、射频(Radio Frequency，RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (11)
1.一种桥梁结构检测模型的训练方法，其特征在于，所述训练方法包括：
获取桥梁传感器在多个时刻的第一时序数据；
利用所述多个时刻的第一时序数据，对预设的神经网络进行计算，建立以预设的桥梁结构健康类型为输出结果的基于神经网络的桥梁结构检测模型；
根据预设的仿真软件，对应不同的所述预设的桥梁结构健康类型，分别获取桥梁传感器在多个时刻的第二时序数据，作为训练数据；
利用所述多个时刻的第二时序数据，对建立的桥梁结构检测模型进行训练。
2.根据权利要求1所述的训练方法，其特征在于，所述桥梁传感器的种类包括应变传感器、静力水准仪、温度传感器、湿度传感器和振动传感器中的至少一种，所述桥梁传感器中每一种桥梁传感器的数量为至少一个。
3.根据权利要求1所述的训练方法，其特征在于，所述利用所述多个时刻的第二时序数据，对建立的桥梁结构检测模型进行训练，包括：
利用所述多个时刻的第二时序数据中的一部分数据，对建立的桥梁结构检测模型进行训练；
利用所述多个时刻的第二时序数据中的另一部分数据，对建立的桥梁结构检测模型进行准确率指标验证。
4.根据权利要求1所述的训练方法，其特征在于，在所述获取桥梁传感器在多个时刻的第一时序数据之前，所述方法还包括：根据预设的检测内容，确定桥梁传感器的种类、数目以及分布位置。
5.根据权利要求1或3所述的训练方法，其特征在于，所述利用所述多个时刻的第二时序数据，对建立的桥梁结构检测模型进行训练，包括：
根据所述桥梁结构检测模型对所述第二时序数据进行计算，得到第二健康数据；
根据所述第二健康数据与所述预设的桥梁结构健康类型计算损失值；
根据所述损失值，更新所述桥梁结构检测模型的参数；
当更新参数后的桥梁结构检测模型的损失值满足预设条件时，将所述更新参数后的建立的桥梁结构检测模型作为训练后的桥梁结构检测模型。
6.根据权利要求1所述的训练方法，其特征在于，所述预设的桥梁结构健康类型至少包括结构正常、轻微损坏、中度损坏和严重损坏中的一种。
7.一种桥梁结构的检测方法，其特征在于，所述检测方法包括：
获取桥梁传感器的实时时序数据；
将所述实时时序数据输入采用权利要求1至6中任意一项所述的桥梁结构检测模型的训练方法训练得到的桥梁结构检测模型。
8.一种桥梁结构检测模型的训练装置，其特征在于，所述训练装置包括：
获取模块，用于获取桥梁传感器在多个时刻的第一时序数据；
处理模块，用于利用所述多个时刻的第一时序数据，对预设的神经网络进行计算，建立以预设的桥梁结构健康类型为输出结果的基于神经网络的桥梁结构检测模型；
所述处理模块，还用于根据预设的仿真软件，对应不同的所述预设的桥梁结构健康类型，分别获取桥梁传感器在多个时刻的第二时序数据，作为训练数据；
所述处理模块，还用于利用所述多个时刻的第二时序数据，对建立的桥梁结构检测模型进行训练。
9.一种桥梁结构的检测装置，其特征在于，所述检测装置包括：
获取模块，用于获取桥梁传感器的实时时序数据；
处理模块，用于将所述实时时序数据输入采用权利要求1至6中任意一项所述的桥梁结构检测模型的训练方法训练得到的桥梁结构检测模型。
10.一种电子设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-6任意一项所述的桥梁结构检测模型的训练方法，或者，实现如权利要求7所述的桥梁结构的检测方法。
11.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-6任意一项所述的桥梁结构检测模型的训练方法，或者，实现如权利要求7所述的桥梁结构的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011345259.1A CN112613224A (zh) | 2020-11-25 | 2020-11-25 | 桥梁结构检测模型的训练方法、检测方法、装置、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011345259.1A CN112613224A (zh) | 2020-11-25 | 2020-11-25 | 桥梁结构检测模型的训练方法、检测方法、装置、设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112613224A true CN112613224A (zh) | 2021-04-06 |
Family
ID=75225295
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011345259.1A Pending CN112613224A (zh) | 2020-11-25 | 2020-11-25 | 桥梁结构检测模型的训练方法、检测方法、装置、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112613224A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117405331A (zh) * | 2023-12-12 | 2024-01-16 | 天津风霖物联网科技有限公司 | 一种桥梁桁架的挠度性能检测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105841661A (zh) * | 2016-03-22 | 2016-08-10 | 韦醒妃 | 一种桥梁动态健康实时监测装置 |
| CN106556498A (zh) * | 2016-10-31 | 2017-04-05 | 石家庄铁道大学 | 桥梁结构损伤识别方法及系统 |
| CN108629144A (zh) * | 2018-06-11 | 2018-10-09 | 湖北交投智能检测股份有限公司 | 一种桥梁健康评估方法 |
| CN109325263A (zh) * | 2018-08-27 | 2019-02-12 | 武汉理工大学 | 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法 |
| WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| CN109857090A (zh) * | 2019-03-05 | 2019-06-07 | 中南大学 | 一种均衡风缸制动装置健康评估系统和方法 |
| CN110009037A (zh) * | 2019-04-03 | 2019-07-12 | 中南大学 | 一种基于物理信息耦合的工程风速短时预测方法及系统 |
| CN110555247A (zh) * | 2019-08-16 | 2019-12-10 | 华南理工大学 | 一种基于多点传感器数据和BiLSTM的结构损伤预警方法 |
-
2020
- 2020-11-25 CN CN202011345259.1A patent/CN112613224A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105841661A (zh) * | 2016-03-22 | 2016-08-10 | 韦醒妃 | 一种桥梁动态健康实时监测装置 |
| CN106556498A (zh) * | 2016-10-31 | 2017-04-05 | 石家庄铁道大学 | 桥梁结构损伤识别方法及系统 |
| WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| CN108629144A (zh) * | 2018-06-11 | 2018-10-09 | 湖北交投智能检测股份有限公司 | 一种桥梁健康评估方法 |
| CN109325263A (zh) * | 2018-08-27 | 2019-02-12 | 武汉理工大学 | 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法 |
| CN109857090A (zh) * | 2019-03-05 | 2019-06-07 | 中南大学 | 一种均衡风缸制动装置健康评估系统和方法 |
| CN110009037A (zh) * | 2019-04-03 | 2019-07-12 | 中南大学 | 一种基于物理信息耦合的工程风速短时预测方法及系统 |
| CN110555247A (zh) * | 2019-08-16 | 2019-12-10 | 华南理工大学 | 一种基于多点传感器数据和BiLSTM的结构损伤预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 牟金磊;张仲良;王健;彭飞;闵少松;: "基于应力和振动频率的典型船体结构裂纹损伤识别方法", 船舶工程, vol. 42, no. 5, pages 46 - 50 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117405331A (zh) * | 2023-12-12 | 2024-01-16 | 天津风霖物联网科技有限公司 | 一种桥梁桁架的挠度性能检测方法 |
| CN117405331B (zh) * | 2023-12-12 | 2024-02-09 | 天津风霖物联网科技有限公司 | 一种桥梁桁架的挠度性能检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Madhiarasan et al. | Analysis of artificial neural network: architecture, types, and forecasting applications | |
| Das et al. | Structural health monitoring techniques implemented on IASC–ASCE benchmark problem: a review | |
| US20110202488A1 (en) | Method And Apparatus For Creating State Estimation Models In Machine Condition Monitoring | |
| CN111461413B (zh) | 一种公路路面使用性能检测系统 | |
| CN110348752A (zh) | 一种考虑环境干扰的大型工业系统结构安全性评估方法 | |
| CN110570616A (zh) | 一种基于物联网的多点火灾预警系统 | |
| CN102013148A (zh) | 多信息融合火灾探测方法 | |
| CN113295212B (zh) | 应用多监测点协同作用的滑坡整体稳定性安全预警系统 | |
| CN117824756B (zh) | 一种建筑结构监测方法、设备及存储介质 | |
| Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
| CN115964668A (zh) | 一种基于大数据的供热监控分析方法、装置、设备及介质 | |
| Pillai et al. | A hybrid neural network strategy for identification of structural parameters | |
| CN113469570A (zh) | 信息质量评价模型构建方法、装置、设备及存储介质 | |
| CN112613224A (zh) | 桥梁结构检测模型的训练方法、检测方法、装置、设备 | |
| CN113112123B (zh) | 一种基于关联矩阵的飞机航电系统故障诊断评估方法 | |
| CN107145995A (zh) | 生产环境安全性预测方法、装置和系统 | |
| Reddy et al. | Neural networks for prediction of loan default using attribute relevance analysis | |
| CN116700206B (zh) | 基于多模态神经网络的工业控制系统异常检测方法及装置 | |
| Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
| CN116259161B (zh) | 一种电力故障预警系统 | |
| CN117591819A (zh) | 一种考虑扰动强度阈值与鲁棒性分析的大型设备故障诊断方法 | |
| Dongrui et al. | Integrated Learning‐Based Algorithm for Predicting Graduates’ Employment Mental Health | |
| JPH06109498A (ja) | 非定常および異常状態の検出装置 | |
| CN117573814B (zh) | 一种舆论态势评估方法、装置、系统以及存储介质 | |
| CN113486056B (zh) | 基于知识图谱的学习情况获取方法、装置及相关设备 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210406 |