CN115638831B - 基于mems传感器的公路设施风险监测方法及系统 - Google Patents

Abstract

本发明提供了基于MEMS传感器的公路设施风险监测方法及系统，属于风险监测领域。上述方法包括：获得多个环境数据；基于所述环境数据，通过数据增强模型，得到可靠数据；使用可靠数据，对基础设施安全风险进行检测。不同的编码会导致之后风险检测达不到统一标准，所以通过数据增强神经网络，对数据进行类别判断，并输入编码器进行重新编码。利用MQTT判断编码后的值，将神经网络与编码器结合的方式，能通过大量数据快速方便的判断出数据由哪种协议组成；进而更加准确的得到训练信息类别和编码后的信息。

Description

基于MEMS传感器的公路设施风险监测方法及系统

技术领域

本发明涉及风险监测技术领域，具体而言，涉及一种基于MEMS传感器的公路设施风险监测方法及系统。

背景技术

面向公路基础设施的多维运行状态数据采集问题：桥梁、隧道、边坡等基础设施除自身结构因素外，偶然载荷（如撞击、地震等）、超荷运转、地质因素、环境因素、自然老化等都可能对基础设施的安全运行带来风险。因此亟需建立多种维度的状态数据采集体系。

以传感器、物联网、移动互联网、大数据、云计算、人工智能等为代表的新一代信息技术的发展，为实现高效的交通基础设施安全监测提供了新的方法与手段。特别是“基于半导体工艺技术生产的微型机械系统”（简称MEMS）传感器，对压力、姿态、温度、湿度、各类气体等的数据采集，达到了“体积小（一般长宽均在5cm以内）、功耗低（1毫瓦以内）、全数字化输出、适应各类通信协议、长寿命”的要求，比传统传感器的量测应用有了根本性的改变，为达到当前交通部对公路基础设施全方位、全要素的安全风险监控要求，提供了最基础的实时监测手段。

随着物联网应用的不断拓展，物联网的网络结构日益复杂、ZIGBEE、LORA、NB-IOT、BLE、WIFI-HALOW等多种无线物联网通信技术迅猛发展、不同无线通信技术具备不同的特点、多种无线通信协议在交通行业应用组合使用的情况也越来越普遍。因此需要解决异构物联网环境下数据可靠传输的问题。

发明内容

本发明的目的在于提供了基于MEMS传感器的公路设施风险监测方法及系统，用以解决现有技术中存在的上述问题。

第一方面，本发明实施例提供了一种基于MEMS传感器的公路设施风险监测方法，包括：

获得多个环境数据；所述环境数据为MEMS传感器器件对桥梁、隧道、边坡等重要基础设施进行采集的数据；

基于所述环境数据，通过数据增强模型，得到可靠数据；

使用可靠数据，对基础设施安全风险进行检测；

所述数据增强模型包括长度判别结构、数据增强神经网络和编码器。

可选的，所述基于所述环境数据，通过数据增强模型，得到可靠数据，包括：

将多个环境数据，使用对应的多个协议，进行传输，得到多个传输信息；

将所述多个传输信息，输入数据增强神经网络，得到多个传输信息类别；

将传输信息，依据传输信息类别，输入编码器，得到同类编码信息；

将所述传输信息，使用MQTT协议，控制数据输入，得到可靠数据。

可选的，数据增强神经网络模型的训练方法，包括：

获得训练集；训练集包括多个训练传输信息和多个标注数据；所述标注数据包括标注传输信息和标注判别值；

将所述训练传输信息，输入数据增强神经网络，得到训练同类编码信息；

将所述训练同类编码信息和标注同类编码信息，使用二元交叉熵函数，得到同类编码损失值；

获得数据增强神经网络模型当前的训练迭代次数以及预先设定的所述数据增强神经网络模型训练的最大迭代次数；

当所述同类编码损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的数据增强神经网络模型。

可选的，所述将所述训练传输信息，输入数据增强神经网络，得到训练同类编码信息，包括：

基于所述训练传输信息，通过数据增强神经网络，得到训练传输信息类别；

将训练传输信息，依据训练传输信息类别，输入编码器，得到训练同类编码信息。

可选的，所述基于所述训练传输信息，通过数据增强神经网络，得到训练传输信息类别，包括：

获得传输报头向量；所述传输报头向量为所述训练传输信息中表示传输内容情况的向量；

将所述传输报头向量，输入长度判别结构，将训练传输信息分成不同长度的类别，得到多个传输集合；所述传输集合包括多个相同长度的传输报头向量；

将所述多个传输集合，对应输入不同的多个神经网络，进行判别，得到多个训练传输信息类别。

可选的，所述将所述多个传输集合，对应输入不同的多个神经网络，进行判别，得到多个训练传输信息类别，包括：

将所述传输集合，输入神经网络，进行判别，得到训练传输向量；

获得训练传输信息类别；所述训练传输信息类别为所述训练传输向量中向量值将大于其他向量值的训练传输信息类别；

通过多次多个传输集合，对应输入不同的多个神经网络，得到多个训练传输向量，从而得到训练传输信息类别。

可选的，所述将训练传输信息，依据训练传输信息类别，输入编码器，得到训练同类编码信息，包括：

依据传输信息类别，将所述训练传输信息，进行分类，得到多个待编码集合；所述待编码集合包括传输信息类别相同的训练传输信息；

通过将所述多个待编码集合，输入对应多个编码器，得到训练同类编码信息；所述训练同类编码信息为多个重新编号后的训练传输信息。

第二方面，本发明实施例提供了一种基于MEMS传感器的公路设施安全风险监测系统，包括：

获取模块：获得多个环境数据；所述环境数据为MEMS传感器器件对桥梁、隧道、边坡等重要基础设施进行采集的数据；

数据增强模块：基于所述环境数据，通过数据增强模型，得到可靠数据；

检测模块：使用可靠数据，对基础设施安全风险进行检测；

所述数据增强模型包括长度判别结构、数据增强神经网络和编码器。

可选的，所述基于所述环境数据，通过数据增强模型，得到可靠数据，包括：

将多个环境数据，使用对应的多个协议，进行传输，得到多个传输信息；

将所述多个传输信息，输入数据增强神经网络，得到多个传输信息类别；

将传输信息，依据传输信息类别，输入编码器，得到同类编码信息；

将所述传输信息，使用MQTT协议，控制数据输入，得到可靠数据。

可选的，数据增强神经网络模型的训练系统，包括：

获得训练集；训练集包括多个训练传输信息和多个标注数据；所述标注数据包括标注传输信息和标注判别值；

将所述训练传输信息，输入数据增强神经网络，得到训练同类编码信息；

将所述训练同类编码信息和标注同类编码信息，使用二元交叉熵函数，得到同类编码损失值；

获得数据增强神经网络模型当前的训练迭代次数以及预先设定的所述数据增强神经网络模型训练的最大迭代次数；

当所述同类编码损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的数据增强神经网络模型。

相较于现有技术，本发明实施例达到了以下有益效果：

本发明实施例还提供了一种基于MEMS传感器的公路设施风险监测方法和系统，所述方法包括：获得多个环境数据。所述环境数据为MEMS传感器器件对桥梁、隧道、边坡等重要基础设施进行采集的数据。基于所述环境数据，通过数据增强模型，得到可靠数据。使用可靠数据，对基础设施安全风险进行检测。所述数据增强模型包括长度判别结构、数据增强神经网络和编码器。

采用综合网关+传输中间件的异构物联网环境数据传输体系技术方案提出了面向多维异构数据深度分析的公路基础设施安全风险监测建模。由于采集的数据不同，在硬件的限制下，会采用不同的网络进行从而会采用不同的协议进行传输，但是不同的编码会导致之后的风险检测达不到统一标准，所以通过数据增强神经网络，对数据进行类别判断，并输入编码器进行重新编码。通过MQTT(消息队列遥测传输)用于判断编码后的值，将神经网络与编码器结合的方式，能通过大量数据快速方便的判断出数据由哪种协议组成；进而更加准确地得到训练信息类别和编码后的信息。

附图说明

图1是本发明实施例提供的一种基于MEMS传感器的公路设施风险监测方法流程图。

图2是本发明实施例提供的一种基于MEMS传感器的公路设施风险监测方法中数据增强模型结构示意图。

图3是本发明实施例提供的一种电子设备的方框结构示意图。

图中标记：总线500；接收器501；处理器502；发送器503；存储器504；总线接口505。

具体实施方式

下面结合附图，对本发明作详细的说明。

实施例1

如图1所示，本发明实施例提供了一种基于MEMS传感器的公路设施风险监测方法，所述方法包括：

S101：获得环境数据；所述环境数据为MEMS传感器器件对桥梁、隧道、边坡等重要基础设施进行采集的数据。

其中，对于远距离的传送，如果对传送信号有较大的衰减，中途需要加信号放大器以增强信号的传送能力。

其中，运用云计算、BIM、GIS、大数据等技术，提供基础数据支撑。

S102：基于所述环境数据，通过数据增强模型，得到可靠数据。

其中，所述数据增强模型结构示意图如图2所示。

S103：使用可靠数据，对基础设施安全风险进行检测。

所述数据增强模型包括长度判别结构、数据增强神经网络和编码器

可选的，所述基于所述环境数据，通过数据增强模型，得到可靠数据，包括：

将多个环境数据，使用对应的多个协议，进行传输，得到多个传输信息。

其中，所述多个传输信息为不同协议得到的信息。

将所述多个传输信息，输入数据增强神经网络，得到多个传输信息类别。

将传输信息，依据传输信息类别，输入编码器，得到同类编码信息。

将所述传输信息，使用MQTT协议，控制数据输入，得到可靠数据。

其中，所述MQTT协议支持TLS安全传输协议。

通过上述网络，由于采集的数据不同，在硬件的限制下，会采用不同的网络进行从而会采用不同的协议进行传输，但是不同的编码会导致之后的风险检测达不到统一标准，所以通过数据增强神经网络，对数据进行增强。所述多个环境数据为多种无线通信协议得到的多个数据。数据增强网络就相当于中间键。神经网络可以用于分类。通过MQTT用于判断编码后的值。

可选的，数据增强神经网络模型的训练方法，包括：

获得训练集；训练集包括多个训练传输信息和多个标注数据。所述标注数据为标注同类编码信息。

将所述训练传输信息，输入数据增强神经网络，得到训练同类编码信息。

将所述训练同类编码信息和标注同类编码信息，使用二元交叉熵函数，得到同类编码损失值。

获得数据增强神经网络模型当前的训练迭代次数以及预先设定的所述数据增强神经网络模型训练的最大迭代次数。

其中，本实施例中预先设定的所述数据增强神经网络模型训练的最大迭代次数为1200次。

当所述同类编码损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的数据增强神经网络模型。

通过上述方法，使用数据增强网络分辨出传输数据由哪种协议进行传输。融合等情况。

可选的，所述将所述训练传输信息，输入数据增强神经网络，得到训练同类编码信息，包括：

基于所述训练传输信息，通过数据增强神经网络，得到训练传输信息类别。

其中，将所述训练传输信息从网络层传输到应用层时，使用神经网络对数据进行类别判断。数据增强神经网络用于将信息按通信协议进行分类。

将训练传输信息，依据训练传输信息类别，输入编码器，得到训练同类编码信息。

通过上述方法，使用数据增强神经网络，进行分类。编码器和神经网络融合的设计进行判断，得到可靠数据。实际由多种协议得到的不同形式的数据，数据增强神经网络判断是哪个协议的数据，并将数据转化成同一类型协议的表现形式。

可选的，所述基于所述训练传输信息，通过数据增强神经网络，得到训练传输信息类别，包括：

获得传输报头向量；所述传输报头向量为所述训练传输信息中表示传输内容情况的向量。

将所述传输报头向量，输入长度判别结构，将训练传输信息分成不同长度的类别，得到多个传输集合；所述传输集合包括多个相同长度的传输报头向量。

其中，不同的传输集合表示不同长度的传输报头向量组成的集合。

将所述多个传输集合，对应输入不同的多个神经网络，进行判别，得到传输信息类别。

通过上述方法，不同协议输入数据，会使数据有不同的表现形式，不同协议的传感器传送信号的编码不一样，要把不同协议的传感器组合在一起需要由译码器进行，把所有的传感器翻译成统一的协议。由于神经网络的输入尺寸为固定的，所以按照数据长度设计不同的神经网络对协议进行判断。由于协议的形式不同，所以采取大量数据，对特征进行判断，得到传输信息类别。

可选的，所述将所述多个传输集合，对应输入不同的多个神经网络，进行判别，得到多个训练传输信息类别，包括：

将所述传输集合，输入神经网络，进行判别，得到训练传输向量。

获得训练传输信息类别；所述训练传输信息类别为所述训练传输向量中向量值将大于其他向量值的训练传输信息类别。

通过多次多个传输集合，对应输入不同的多个神经网络，得到多个训练传输向量，从而得到训练传输信息类别。

通过上述方法，由于不同长度对应的可能的传输信息类别不同，所以神经网络的输出不同，从而进行提取判别。更少的输出更加准确的得到训练信息类别。

可选的，所述将训练传输信息，依据训练传输信息类别，输入编码器，得到训练同类编码信息，包括：

依据传输信息类别，将所述训练传输信息，进行分类，得到多个待编码集合；所述待编码集合包括传输信息类别相同的训练传输信息。

通过将所述多个待编码集合，输入对应多个编码器，得到训练同类编码信息；所述训练同类编码信息为多个重新编号后的训练传输信息。

其中，本实施例中，编码器使用http进行编码。

通过上述方法，判断是哪个协议输入数据，将数据转化成同一类型协议的表现形式。

通过上述方法，由于采集的数据不同，在硬件的限制下，会采用不同的网络进行从而会采用不同的协议进行传输，但是不同的编码会导致之后的风险检测达不到统一标准，所以通过数据增强神经网络，对数据进行类别判断，并输入编码器进行重新编码。通过MQTT用于判断编码后的值。将神经网络与编码器结合的方式，能通过大量数据快速方便的判断出数据由哪种协议组成。更加准确的得到训练信息类别和编码后的信息。

实施例2

基于上述的一种基于MEMS传感器的公路设施风险监测方法，本发明实施例还提供了一种基于MEMS传感器的公路设施安全风险监测系统，所述系统包括获取模块、数据增强模块和检测模块。

获取模块用于获得多个环境数据；所述环境数据为MEMS传感器器件对桥梁、隧道、边坡等重要基础设施进行采集的数据。

数据增强模块用于基于所述环境数据，通过数据增强模型，得到可靠数据。

检测模块用于使用可靠数据，对基础设施安全风险进行检测。

所述数据增强模型包括长度判别结构、数据增强神经网络和编码器。

在此关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本发明实施例还提供了一种电子设备，如图3所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述一种基于MEMS传感器的公路设施风险监测方法的任一方法的步骤。

其中，在图3中，总线架构（用总线500来代表），总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种基于MEMS传感器的公路设施风险监测方法的任一方法的步骤以及上述的所涉及的数据。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（DSP）来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (8)

1.一种基于MEMS传感器的公路设施风险监测方法，其特征在于，包括：

获得多个环境数据；所述环境数据为MEMS传感器器件对桥梁、隧道、边坡重要基础设施进行采集的数据；

基于所述环境数据，通过数据增强模型，得到可靠数据；

使用可靠数据，对基础设施安全风险进行检测；

所述数据增强模型包括长度判别结构、数据增强神经网络和编码器；

所述基于所述环境数据，通过数据增强模型，得到可靠数据，包括：

将多个环境数据，使用对应的多个协议，进行传输，得到多个传输信息；

将所述多个传输信息，输入数据增强神经网络，得到多个传输信息类别；

将传输信息，依据传输信息类别，输入编码器，得到同类编码信息；

将所述传输信息，使用MQTT协议，控制数据输入，得到可靠数据。

2.根据权利要求1所述的一种基于MEMS传感器的公路设施风险监测方法，其特征在于，数据增强神经网络的训练方法，包括：

获得训练集；训练集包括多个训练传输信息和多个标注数据；所述标注数据为标注同类编码信息；

将所述训练传输信息，输入数据增强神经网络，得到训练同类编码信息；

将所述训练同类编码信息和标注同类编码信息，使用二元交叉熵函数，得到同类编码损失值；

获得数据增强神经网络模型当前的训练迭代次数以及预先设定的所述数据增强神经网络训练的最大迭代次数；

当所述同类编码损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的数据增强神经网络。

3.根据权利要求2所述的一种基于MEMS传感器的公路设施风险监测方法，其特征在于，所述将所述训练传输信息，输入数据增强神经网络，得到训练同类编码信息，包括：

基于所述训练传输信息，通过数据增强神经网络，得到训练传输信息类别；

将训练传输信息，依据训练传输信息类别，输入编码器，得到训练同类编码信息。

4.根据权利要求3所述的一种基于MEMS传感器的公路设施风险监测方法，其特征在于，所述基于所述训练传输信息，通过数据增强神经网络，得到训练传输信息类别，包括：

获得传输报头向量；所述传输报头向量为所述训练传输信息中表示传输内容情况的向量；

将所述传输报头向量，输入长度判别结构，将训练传输信息分成不同长度的类别，得到多个传输集合；所述传输集合包括多个相同长度的传输报头向量；

将所述多个传输集合，对应输入不同的多个神经网络，进行判别，得到多个训练传输信息类别。

5.根据权利要求4所述的一种基于MEMS传感器的公路设施风险监测方法，其特征在于，所述将所述多个传输集合，对应输入不同的多个神经网络，进行判别，得到多个训练传输信息类别，包括：

将所述传输集合，输入神经网络，进行判别，得到训练传输向量；

获得训练传输信息类别；所述训练传输信息类别为所述训练传输向量中向量值将大于其他向量值的训练传输信息类别；

通过多次多个传输集合，对应输入不同的多个神经网络，得到多个训练传输向量，从而得到训练传输信息类别。

6.根据权利要求3所述的一种基于MEMS传感器的公路设施风险监测方法，其特征在于，所述将训练传输信息，依据训练传输信息类别，输入编码器，得到训练同类编码信息，包括：

依据传输信息类别，将所述训练传输信息，进行分类，得到多个待编码集合；所述待编码集合包括传输信息类别相同的训练传输信息；

通过将所述多个待编码集合，输入对应多个编码器，得到训练同类编码信息；所述训练同类编码信息为多个重新编号后的训练传输信息。

7.一种基于MEMS传感器的公路设施风险监测系统，其特征在于，包括：

获取模块：获得多个环境数据；所述环境数据为MEMS传感器器件对桥梁、隧道、边坡重要基础设施进行采集的数据；

数据增强模块：基于所述环境数据，通过数据增强模型，得到可靠数据；

检测模块：使用可靠数据，对基础设施安全风险进行检测；

所述数据增强模型包括长度判别结构、数据增强神经网络和编码器；

所述基于所述环境数据，通过数据增强模型，得到可靠数据，包括：

将多个环境数据，使用对应的多个协议，进行传输，得到多个传输信息；

将所述多个传输信息，输入数据增强神经网络，得到多个传输信息类别；

将传输信息，依据传输信息类别，输入编码器，得到同类编码信息；

将所述传输信息，使用MQTT协议，控制数据输入，得到可靠数据。

8.根据权利要求7所述的一种基于MEMS传感器的公路设施风险监测系统，其特征在于，数据增强神经网络模型的训练系统，包括：

获得训练集；训练集包括多个训练传输信息和多个标注数据；所述标注数据包括标注传输信息和标注判别值；

将所述训练传输信息，输入数据增强神经网络，得到训练同类编码信息；

将所述训练同类编码信息和标注同类编码信息，使用二元交叉熵函数，得到同类编码损失值；

获得数据增强神经网络模型当前的训练迭代次数以及预先设定的所述数据增强神经网络模型训练的最大迭代次数；

当所述同类编码损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的数据增强神经网络模型。

Images