CN113570111B - 基于轻量化网络的桥梁健康状态片上监测方法 - Google Patents
基于轻量化网络的桥梁健康状态片上监测方法 Download PDFInfo
- Publication number
- CN113570111B CN113570111B CN202110724752.2A CN202110724752A CN113570111B CN 113570111 B CN113570111 B CN 113570111B CN 202110724752 A CN202110724752 A CN 202110724752A CN 113570111 B CN113570111 B CN 113570111B
- Authority
- CN
- China
- Prior art keywords
- bridge
- network
- convolution
- displacement
- bridge health
- 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
- 230000036541 health Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 238000006073 displacement reaction Methods 0.000 claims abstract description 38
- 230000003862 health status Effects 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract 2
- 238000000605 extraction Methods 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000013210 evaluation model Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/048—Activation functions
-
- 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
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/30—Construction
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/20—Information sensed or collected by the things relating to the thing itself
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Accounting & Taxation (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种基于轻量化网络的桥梁健康状态片上监测方法，首先，将桥梁健康状态特征信息输入至深度特征提取网络中，通过一维位移卷积网络提取输入信息中的深度特征信息，将此深度特征信息输入到桥梁健康状态识别网络层，最终输出桥梁的状态识别结果。本发明将震动传感器采集的一维时序信息作为输入，桥梁的健康状态作为输出，与传统的方法相比，利用一维位移卷积操作和轻量点卷积降低了计算的复杂度，实现网络的轻量化，并且位移卷积操作为时间序列提供了灵活的感受野，提高了桥梁识别准确度。通过边缘计算技术，提高了桥梁检测实时性。
Description
技术领域
本发明属于桥梁健康监测及评估技术领域，具体涉及一种基于轻量化网络的桥梁健康状态片上监测方法。
背景技术
随着社会经济的不断发展以及我国公路交通运输量的不断增加，桥梁在公路交通运输中的作用越重要，是加快我省城市化建设的基础，是保障公路交通安全通畅的关键。在我国，老、旧桥占总桥梁数的将近70％，随着交通负荷的不断增加，伴随而来的是桥梁结构的安全问题，尤其是老旧桥梁结构的健康监测是交通领域亟待解决的关键问题。由于受到建造水平、对结构复杂性认识的限制以及外部不可预测的环境因素的影响(地震、撞击、劳损)，人们无法获知实时桥梁结构受损情况，不能对桥梁的运营维护作出准确评估，造成了一系列交通事故。可见，对老旧桥梁结构性能的准确监测和诊断是实现我国桥梁可靠运营、管理和维护的关键。
目前桥梁结构健康诊断问题可大致分为两类：基于桥梁动力响应模型的损伤识别和基于桥梁动力响应参数的损伤识别。第一种通过桥梁实际获取的参数(如：位移、速度、加速度、应变、温湿度等)，建立有限元模型来反演桥梁的实际受力状态，以此来评估桥梁的承载能力。该方法主要采用数学建模和物理定理对桥梁结构进行离散化表征。由于大型桥梁建模困难，运算时间长、参数选取困难，因此该方法在大型综合桥梁建模分析方面存在诸多不足。第二种主要利用桥梁实际获取的参数，建立综合评估模型(如：常规综合评定模型、层次分析模型、特尔斐专家评估模型、灰色关联度与变权综合模型，神经网络模型)，对桥梁健康等级进行评估。由于桥梁结构多样、不同桥梁评估模型不同，参数选取没有标准，因此，现有评估模型的通用性不强。
由于深度神经网络在分类领域具有独特的优势，同时无需进行复杂的有限元仿真，因此是实现桥梁智能健康诊断的主要方法。目前利用深度神经网络法进行老旧桥梁健康评估时存在如下问题：
1、桥梁健康评估模型复杂，桥梁诊断实时性不足
现有的桥梁健康评估模型结构复杂，网络层数深，因此，必须通过算力较强的服务器进行数据处理。由于新建桥梁内部预埋了传感器，搭建了数据远程传输链路，因此能够在控制终端进行评估模型的训练及测试。但是，受建造水平限制，这些老旧桥梁在施工建造中并没有安装任何监测传感器。目前主要采用有线方式，在桥梁外部安装传感器，通过后期数据处理方式进行桥梁评估模型训练与测试。这种方式增加了现场工作量，导致桥梁诊断实时性低，试验成本高。
2、被测量参量多，学习样本量大，评估成本高
现有的深度神经网络在训练时，需要大量的输入样本。由于老旧桥梁只能采用外部安装监测的方式，随着桥梁跨径的增大，传感器数量随之增加，为了获取长期海量数据，有线电缆布置和撤离工作量和工作难度增大，现场测试周期变长。
发明内容
本发明提供一种基于轻量化网络的桥梁健康状态片上监测方法，解决现有技术的缺陷。
为了解决以上技术问题，本发明提供了一种基于轻量化网络的桥梁健康状态片上监测方法，其特征在于，具体包括以下步骤：
S1、将震动传感器采集的桥梁健康状态特征信息进行数据预处理；
S2、设计深度特征提取网络，通过一维位移卷积网络提取输入信息中的深度特征信息；
S3、设计桥梁健康状态识别网络，用于输出桥梁的状态识别结果；
S4、基于服务器进行网络训练，得到相应的深度学习网络参数，分别代入深度特征提取网络和桥梁健康状态识别网络，得到训练好的网络模型；
S5、将ARM处理器部署在传感器端，并读取步骤S4训练好的网络模型，对从传感器实时传入的数据流输入上述网络模型，进行判断预测，输出结果即为桥梁健康状态的评估值。
有益效果：本发明将震动传感器采集的一维时序信息作为输入，桥梁的健康状态作为输出，与传统的方法相比，利用一维位移卷积操作和轻量点卷积降低了计算的复杂度，实现网络的轻量化，并且位移卷积操作为时间序列提供了灵活的感受野，提高了桥梁识别准确度。
通过边缘计算技术，使传感器阵列收集的大量原始数据不再发送至中心节点，而是利用传感器边缘端布设的轻量化位移卷积神经网络进行数据特征提取，将判断后的结果发送至中心节点，此种方式提高了桥梁检测实时性。
附图说明
图1桥梁健康状态识别网络总体框架
图2桥梁健康深度特征提取网络结构
图3位移卷积模块网络结构
图4桥梁健康状态识别网络结构。
具体实施方式
为使本发明的目的、内容和优点更加清楚，下面对本发明的具体实施方式作进一步详细描述。
本发明提出的一种基于轻量化网络的桥梁健康状态片上监测方法，设计轻量化深度学习网络，包括深度特征提取网络、桥梁健康状态识别网络；首先，将桥梁健康状态特征信息输入至深度特征提取网络中，通过一维位移卷积网络提取输入信息中的深度特征信息，将此深度特征信息输入到桥梁健康状态识别网络层，最终输出桥梁的状态识别结果。具体步骤如下：
S1、将震动传感器采集的桥梁健康状态特征信息(时序信息)进行数据预处理
在桥梁上设置多组震动传感器，每组传感器包括位移、速度和加速度传感器，本发明利用12组传感器采集桥梁的健康状态信息，按照《公路桥涵养护规范》将桥梁健康与桥梁损坏分为5个等级(良好、较好、较差、坏、危险)，针对每个等级采集2000个样本，共有10000个样本。单个样本尺寸为250000×3×12(时间长度*特征通道数*传感器组数量)。
将上述单个样本平均划分为500段，则每段时间长度为500，10000个样本得到5000000个500×3×12(时间长度*特征通道数*传感器组数量)桥梁健康状态信号样本，同时同一时间点的所有传感器的特征串联起来得到大小为500×36(时间长度*总特征通道数)的桥梁健康特征信息。
S2、设计深度特征提取网络，提取输入信息中的深度特征信息；
深度特征提取网络由5个依次设置的一维位移卷积模块组成。将S1提取的桥梁健康特征信息输入该网络，输出桥梁健康深度特征信息。其网络结构如图2所示。
每个一维位移卷积模块结构如图3所示，在位移卷积模块中，输入信号分两路进行处理，其中一路使用位移操作对输入数据进行分通道位移处理，用来重新分配空间信息，然后进行逐点卷积处理，实现跨通道混合信息。其中，逐点卷积之前需要对数据进行批量归一化和非线性激活(ReLU)处理。另一路通过对输入进行平均池化与卷积操作，通过特征相加连接的方式融合第一路输出的特征，融合后的特征作为该一维卷积模块的输出。
本发明通过位移操作和逐点卷积代替了常规的空间卷积。其中，位移操作实现了无参数操作，达到网络轻量化的目的。
具体的，每个一维位移卷积模块中，输入数据首先经过位移操作，位移操作通过将卷积核构造为位移矩阵，对输入数据不同通道进行不同方向的数据位移。
设输入数据为F，G为F经过位移卷积后的输出数据，位移操作如公式 (1)所示：
其中，j,m分别为数据沿着时间长度轴和通道轴的地址索引，为时间长度，K为位移卷积核，其内部定义值如式(2)所示：
在式(2)中，在位移卷积核中指定某一位置的值为1，其它位置皆为0，经过卷积后相当于将原通道进行了平移。
桥梁健康深度特征提取网络总体结构参数如表1所示。
表1桥梁健康深度特征提取网络具体结构参数
S3、设计桥梁健康状态识别网络，用于输出桥梁的状态识别结果
桥梁健康状态识别网络层由1个卷积层、1个全局平均池化层和1个 softmax激活层依次组成。桥梁健康深度特征信息首先经过逐点元素卷积，然后通过全局平均池化作用，最后通过softmax激活函数处理，输出桥梁健康状态的预测结果，即与桥梁健康与桥梁损坏的5个等级相对应，其网络结构如图4所示。
桥梁健康深度特征信息大小为16×128，经3×1×5(卷积核大小×卷积核通道数×卷积核个数)大小，步长为1的卷积操作后，输出特征图大小为16×5，再经过全局平均池化，最终输出的大小为5，再经softmax激活层最终输出桥梁健康状态预测，即实现桥梁健康状态的多分类预测。
S4、基于服务器进行网络训练
本发明是以Keras为框架，Tensorflow作为后端来构建深度学习环境的。使用2个1080Ti GPU，结合并行计算架构CUDA对图像处理流程进行加速。总体网络的损失函数采用交叉熵，优化器使用RMSProp，把S1获取的传感器数据作为训练样本输入到上述深度学习网络中，迭代500轮，训练过程中一次取256批次样本训练，学习率取0.001。得到相应的深度学习网络参数。
S5、基于ARM进行边缘端测试
本发明采用边缘端测试方法，将ARM处理器部署在传感器端，并读取步骤S4训练好的网络模型，对从传感器实时传入的数据流输入上述深度学习网络模型，进行判断预测，输出结果即为桥梁健康状态的评估值。
Claims (6)
1.一种基于轻量化网络的桥梁健康状态片上监测方法，其特征在于，具体包括以下步骤：
S1、将震动传感器采集的桥梁健康状态特征信息进行数据预处理；
S2、设计深度特征提取网络，通过一维位移卷积网络提取输入信息中的深度特征信息；
深度特征提取网络由5个依次设置的一维位移卷积模块组成；每个一维位移卷积模块中，输入信号分两路进行处理，其中一路使用位移操作对输入数据进行分通道位移处理，用来重新分配空间信息，然后进行逐点卷积处理，实现跨通道混合信息，其中，逐点卷积之前需要对数据进行批量归一化和非线性激活处理；另一路通过对输入进行平均池化与卷积操作，通过特征相加连接的方式融合第一路输出的特征，融合后的特征作为该一维位移卷积模块的输出；
S3、设计桥梁健康状态识别网络，用于输出桥梁的状态识别结果；
桥梁健康状态识别网络层由1个卷积层、1个全局平均池化层和1个softmax激活层依次组成；桥梁健康深度特征信息首先经过逐点元素卷积，然后通过全局平均池化作用，最后通过softmax激活函数处理，输出桥梁健康状态的预测结果，即与桥梁健康与桥梁损坏的等级相对应；
S4、基于服务器进行网络训练，得到相应的深度学习网络参数，分别代入深度特征提取网络和桥梁健康状态识别网络，得到训练好的网络模型；
S5、将ARM处理器部署在传感器端，并读取步骤S4训练好的网络模型，对从传感器实时传入的数据流输入上述网络模型，进行判断预测，输出结果即为桥梁健康状态的评估值。
2.根据权利要求1所述的一种基于轻量化网络的桥梁健康状态片上监测方法，其特征在于，桥梁健康状态特征信息为时序信息。
3.根据权利要求1所述的一种基于轻量化网络的桥梁健康状态片上监测方法，其特征在于，S1具体为：在桥梁上设置多组震动传感器，每组震动传感器包括位移、速度和加速度传感器，将桥梁健康与桥梁损坏分为5个等级，针对每个等级采集多个样本，将每个样本平均划分为500段，将同一时间点的所有传感器的特征串联起来即可得到处理后的桥梁健康特征信息。
4.根据权利要求1所述的一种基于轻量化网络的桥梁健康状态片上监测方法，每个一维位移卷积模块中，输入数据首先经过位移操作，位移操作通过将卷积核构造为位移矩阵，对输入数据不同通道进行不同方向的数据位移。
5.根据权利要求4所述的一种基于轻量化网络的桥梁健康状态片上监测方法，其特征在于，设输入数据为F，G为F经过位移卷积后的输出数据，位移操作如公式(1)所示：
其中，j,m分别为数据沿着时间长度轴和通道轴的地址索引，为时间长度，K为位移卷积核，其内部定义值如式(2)所示：
在式(2)中，在位移卷积核中指定某一位置的值为1，其它位置皆为0，经过卷积后相当于将原通道进行了平移。
6.根据权利要求1所述的一种基于轻量化网络的桥梁健康状态片上监测方法，其特征在于，以Keras为框架，Tensorflow作为后端来构建深度学习环境，把S1获取的传感器数据作为训练样本输入到上述深度特征提取网络、桥梁健康状态识别网络中，迭代多轮，得到相应的深度学习网络参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110724752.2A CN113570111B (zh) | 2021-06-29 | 2021-06-29 | 基于轻量化网络的桥梁健康状态片上监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110724752.2A CN113570111B (zh) | 2021-06-29 | 2021-06-29 | 基于轻量化网络的桥梁健康状态片上监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113570111A CN113570111A (zh) | 2021-10-29 |
| CN113570111B true CN113570111B (zh) | 2023-08-29 |
Family
ID=78162947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110724752.2A Active CN113570111B (zh) | 2021-06-29 | 2021-06-29 | 基于轻量化网络的桥梁健康状态片上监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113570111B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114640698A (zh) * | 2022-05-09 | 2022-06-17 | 武汉慧联无限科技有限公司 | 一种曲堆存储监控系统、监控方法、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
| CN111368916A (zh) * | 2020-03-04 | 2020-07-03 | 宁波市政工程建设集团股份有限公司 | 一种基于一维卷积核特征提取的桥头跳车快速检测方法 |
| CN111681240A (zh) * | 2020-07-07 | 2020-09-18 | 福州大学 | 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
| CN112990438A (zh) * | 2021-03-24 | 2021-06-18 | 中国科学院自动化研究所 | 基于移位量化操作的全定点卷积计算方法、系统及设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11217012B2 (en) * | 2018-11-16 | 2022-01-04 | Uatc, Llc | System and method for identifying travel way features for autonomous vehicle motion control |
-
2021
- 2021-06-29 CN CN202110724752.2A patent/CN113570111B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
| 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 |
| CN111368916A (zh) * | 2020-03-04 | 2020-07-03 | 宁波市政工程建设集团股份有限公司 | 一种基于一维卷积核特征提取的桥头跳车快速检测方法 |
| CN111681240A (zh) * | 2020-07-07 | 2020-09-18 | 福州大学 | 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
| CN112990438A (zh) * | 2021-03-24 | 2021-06-18 | 中国科学院自动化研究所 | 基于移位量化操作的全定点卷积计算方法、系统及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 庞珂等.《测试软件工程技术》.2022,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113570111A (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114323644B (zh) | 一种齿轮箱故障诊断、信号采集方法、装置和电子设备 | |
| CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
| CN114357594B (zh) | 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质 | |
| CN114444187B (zh) | 一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法 | |
| CN113570111B (zh) | 基于轻量化网络的桥梁健康状态片上监测方法 | |
| CN112668526A (zh) | 基于深度学习和压电主动传感的螺栓群松动定位监测方法 | |
| CN114399066A (zh) | 基于弱监督学习的机械设备预知性维护系统和维护方法 | |
| Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
| CN116881819A (zh) | 一种基于孤立森林的斜拉索工作状态监测方法 | |
| CN115099328A (zh) | 基于对抗网络的交通流量预测方法、系统、设备及存储介质 | |
| CN114676779A (zh) | 基于鲁棒宽度网络的大气质量监测数据校准方法及系统 | |
| CN104504265A (zh) | 一种在役桥梁监测信息安全评估的方法 | |
| CN116663126A (zh) | 一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法 | |
| CN113570478B (zh) | 基于边缘计算的桥梁健康状态智能评估方法 | |
| CN115238394B (zh) | 复合材料结构多源不确定性混合可靠性数字孪生建模方法 | |
| CN113108949B (zh) | 一种基于模型融合的探空仪温度传感器误差预测方法 | |
| CN112816122B (zh) | 基于深度学习和压电主动传感的螺栓松紧程度监测方法 | |
| CN114841063A (zh) | 一种基于深度学习的航空发动机剩余寿命预测方法 | |
| CN114235653A (zh) | 基于端云协同的大气颗粒污染物时空预测云平台 | |
| CN113723592A (zh) | 一种基于风电齿轮箱监测系统的故障诊断方法 | |
| CN111291490B (zh) | 一种结构多尺度异类响应的非线性映射智能建模方法 | |
| CN112784462A (zh) | 一种基于有限元法的水工结构应力变形预测系统 | |
| CN113688771B (zh) | Lng储罐加速度响应数据补全方法及装置 | |
| CN117371873B (zh) | 一种基于大数据的环境保护工程用污水评估方法 | |
| Zou et al. | Crack Detection and Classification of a Simulated Beam Using Deep Neural Network |
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 |