CN116578888A - 基于fcnn-rnn的地下工程加速度数据信息聚类与危险源识别方法 - Google Patents
基于fcnn-rnn的地下工程加速度数据信息聚类与危险源识别方法 Download PDFInfo
- Publication number
- CN116578888A CN116578888A CN202310550414.0A CN202310550414A CN116578888A CN 116578888 A CN116578888 A CN 116578888A CN 202310550414 A CN202310550414 A CN 202310550414A CN 116578888 A CN116578888 A CN 116578888A
- Authority
- CN
- China
- Prior art keywords
- rnn
- convolution
- underground engineering
- scale
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000001133 acceleration Effects 0.000 title claims abstract description 18
- 230000006378 damage Effects 0.000 claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 230000007547 defect Effects 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000004927 fusion Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 10
- 239000011800 void material Substances 0.000 claims description 8
- 230000008447 perception Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000012800 visualization Methods 0.000 claims description 2
- 231100001267 hazard identification Toxicity 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 7
- 238000013527 convolutional neural network Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于FCNN‑RNN的地下工程加速度数据信息聚类与危险源识别方法,所述方法针对地下工程的监测预警信息提出了一套专门数据信息识别与提取问题的神经网络模型,模型前半部分主要以卷积神经网络为基础,构建了三种尺寸的空洞卷积核,最大程度的提取地下工程监测数据在空间上的多尺度信息,解决了模型对于细小缺陷信息不敏感的问题,同时减少了参数计算量。模型后端部分主要以RNN网络为基础,由于RNN网络能够提取数据间隐藏的时间序列特征,不同时间段的监测信息反映出地下工程不同类型损伤和缺陷的发展规律,加入RNN网络,精确度会大有提升。
Description
技术领域
本发明属于深度学习技术领域,涉及一种多尺度数据信息提取与识别系统与方法,具体涉及一种基于FCNN-RNN的地下工程加速度数据信息聚类与危险源识别方法。
背景技术
随着深度学习方法的兴起,特别是卷积神经网络在图像领域的突出表现,基于深度学习进行图像信息提取与识别成为研究热点。然而,在地下工程方面,该类方法应用匮乏。
同时,在地下工程中,不同损伤和缺陷,传感器的不同时间段的监测信息反映出地下工程不同类型损伤和缺陷的发展规律,以结构变形为例,结构未来时段的变形量与之前一段时间的变形量相关,同时相似工程或者相似类型的损伤也具有一定的规律性。在图像处理领域,现有技术往往是只考虑了数据在某一时间点的空间特征,而忽略了监测数据在时间上具有其独特的变化特点。因此现有技术虽然可以对已发生危险变形或损伤的位置进行识别,但是无法为损伤变形的发展趋势进行判断,也无法准确地对未发生的危险进行预警。
地下工程损伤致灾机理复杂,影响因素众多,需要布置大量的传感器来对地下工程进行监测,然而监测数据种类繁多,数目庞大,带来的处理难度也大大提高。为了解决这些问题,亟待采用一种全新的数据分析处理手段,使其能够处理空间上的多尺度数据,不遗微小数据,同时考虑监测信息在时间上的相关性,在时间上对危险变形和损伤进行监测预警,最大程度发挥数据价值,多尺度数据的潜在价值将被真正激活。
发明内容
鉴于背景技术所存在的技术问题,本发明提供了一种基于FCNN-RNN的地下工程加速度数据信息聚类与危险源识别方法,能够连续快速的识别地下工程缺陷损伤,效率大幅提高,提高了地下工程的可靠性和稳定性。
本发明的目的是通过以下技术方案实现的:
一种基于FCNN-RNN的地下工程加速度数据信息聚类与危险源识别系统,包括信息获取模块、卷积模块、循环神经网络模块和可视输出模块,其中:
所述信息获取模块布置在地下工程相关位置,用于获取监测信息;
所述卷积模块以VGG-16为主体框架,构造多尺度全局FCN网络,移除池化层Pool5,利用空洞卷积构建多尺度卷积模块,并联三条空洞率分别为1、2、5的空洞卷积通道,分别感知不同尺度感受野的信息,提取多尺度特征;
所述循环神经网络模块为RNN神经网络模型,将卷积模块特征融合后的结果输入到RNN神经网络模型中提取时间特征;
所述可视输出模块对RNN神经网络模型输出结果进行反卷积操作,并与卷积模块pool4节点进行跳跃连接和特征融合,通过反卷积层对融合结果进行二次反卷积,并与卷积模块pool3节点进行跳跃连接,以修正层级迭代带来的特征消失现象,通过SoftMax层做归一化处理,计算出损失函数,实现全局特征感知与预测。
一种利用上述系统进行多尺度数据信息提取与识别的方法,包括如下步骤:
步骤1:设置多个用于采集地下工程监测信息的信息采集点,以标注地下结构缺陷数据作为数据集;
步骤2:将数据输入到由空洞卷积构建的多尺度卷积模块中,提取多尺度特征;
步骤3:将三个通道池化后的结果采用add算法进行特征融合;
步骤4:将特征融合后的结果输入到RNN神经网络模型中提取时间特征;
步骤5:将多尺度卷积模块和RNN神经网络模型提取到的时间和空间特征输入到反卷积层进行汇总操作;
步骤6:利用SoftMax层归一化输出结果,计算出每个像素输出值与输入真实值的损失值,并反向传播给上一层,随FCNN-RNN混合不断迭代,实现FCNN-RNN混合的特征感知;
步骤7:将特征感知与预测结果执行可视化操作。
相比于现有技术,本发明具有如下优点:
1、本发明针对地下工程的监测预警信息提出了一套专门数据信息识别与提取问题的神经网络模型,模型前半部分主要以卷积神经网络为基础,构建了三种尺寸的空洞卷积核,代替传统CNN每个卷积层只使用一种尺寸的卷积核,最大程度的提取地下工程监测数据在空间上的多尺度信息,解决了模型对于细小缺陷信息不敏感的问题,同时减少了参数计算量。模型后端部分主要以RNN网络为基础,由于RNN网络能够提取数据间隐藏的时间序列特征,不同时间段的监测信息反映出地下工程不同类型损伤和缺陷的发展规律,加入RNN网络,精确度会大有提升。所以,在第一部分多尺度卷积提取空间特征后,输入到RNN网络中进行时间特征的提取,实现了地下工程缺陷损伤在未来时间段发展的预测。
2、本发明根据地下工程的特性,采用多尺度分析识别策略,尺度1给出了损伤预警,看结构是否发生了损伤;尺度2进行损伤定位,尺度3给出损伤程度和原因的判断。三尺度识别策略通过可视化操作,向工作人员和研究人员进行展示,便于用户直观的了解地下工程的缺陷损伤情况。
附图说明
图1为基于FCNN-RNN的地下工程加速度数据信息聚类与危险源识别方法架构;
图2为循环神经网络结构。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明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精神和范围,均应涵盖在本发明的保护范围中。
本发明提供了一种基于FCNN-RNN的地下工程加速度数据信息聚类与危险源识别系统,如图1所示,所述系统包括信息获取模块、卷积模块、循环神经网络模块和可视输出模块,其中:
1、信息获取模块:包括各类传感器,监测人员将传感器布置在地下工程相关位置,获取监测信息,所述监测信息主要为加速度数据。
2、卷积模块:以VGG-16为主体框架,构造多尺度全局FCN网络。移除池化层Pool5,利用空洞卷积构建多尺度模块,并联三条空洞率分别为1、2、5的空洞卷积通道,并结合三条通道得到的特征信息。
空洞卷积过程定义如下:
式中,x[m,n]为输入特征图,y[m,n]为输出特征图,w[i,j]为空洞滤波器,r为空洞率,m与n分别为特征图像素的长和宽,i与j分别为卷积核的长和宽。空洞率决定了卷积核的采样间隔,当r>1,表示卷积核之间引入r-1个空洞,当r=1,空洞卷积为正常卷积。
当空洞率为r,卷积核大小为k×k时,空洞卷积的感受野大小为:
k+(k+1)(r-1)
使用stride为1的普通卷积,当卷积层数为Mlayer,感受野大小为:
(k-1)×Mlabyer+1
相比之下,空洞卷积可有效增大感受野。当卷积层数为1时,空洞卷积将普通卷积的感受野由3扩大为7和15,从而有效减少了参数计算量。
3、循环神经网络模块:RNN具有一定的优势,可以考虑数据间存在的时序信息,打破了普通神经网络的固定大小的输入输出局限,循环神经网络通常是由输入层、输出层、隐藏层三部分构成的。本发明将特征融合的结果输入到RNN网络中提取时间特征。
考虑到监测数据在时间上具有其独特的变化特点,因此需要对其设计具有针对性的建模方案。在地下工程中,不同损伤和缺陷,传感器的不同时间段的监测信息反映出地下工程不同类型损伤和缺陷的发展规律,以结构变形为例,结构未来时段的变形量与之前一段时间的变形量相关。此外,相似工程或者相似类型的损伤具有一定的规律性。本发明使用RNN预测模型根据特征融合的结果对未来时段的结构损伤信息进行更加全面的预测分析。
RNN神经网络模型进行训练的方法为:
RNN神经网络模型包括输入层x、隐藏层s、输出层o,在隐藏层s上有一个循环操作。
图2是隐藏层在t时刻前后的层级展开图,其中t-1和t+1表示t时刻的前后时间状态,x和o分别代表输入和输出,St表示在时间t时刻时的数据信息和记忆,按下式计算:
St=f(UXt+WSt-1)
式中,U表示此刻输入的监测数据权重,W表示上一时刻输入的监测数据权重,V表示输出的数据权重,随机初始化U,V,W,并设置S0=0,则在t=1时刻,RNN神经网络模型的计算步骤如下:
h1=Ux1+Ws0
s1=f(h1)
o1=g(Vs1)
式中,f表示激活函数,g表示分类函数。
按照时间顺序依次类推,可得到下一时刻的计算步骤,则RNN神经网络模型中的输入输出的计算公式如下:
ht=Uxt+Wst-1
st=f(ht)
ot=g(Vst)
式中,xt代表t时监测数据特征的输入,相应地,xt-1和xt+1代表在t-1和t+1时监测数据特征的输入,ht代表在t时刻模型的隐藏状态,ot代表在t时刻模型的输出;
对监测信息特征进行训练,每一次运算后的输出值Ot都会与期望值产生一个误差值et,那么总的误差可以表示为:
为了找出模型最好的参数U、V、W需要将误差尽量降到最低,而衡量总误差E大小的函数称为损失函数。不断调参优化网络模型,使损失减小,然后运用梯度下降法通过反向传播来更新U、V、W参数,从而降低输出端的误差值,得到最优化的权重参数,将得到的权重参数表加载到RNN神经网络中。
4、可视输出模块:对RNN网络模块输出结果进行反卷积操作,并与pool4节点进行跳跃连接和特征融合。通过选择不同步长的反卷积层对融合结果进行二次反卷积,并与pool3节点进行跳跃连接,以修正层级迭代带来的特征消失现象。通过SoftMax层做归一化处理,计算出损失函数并随FCNN-RNN混合网络不断迭代,实现FCNN-RNN混合网络的全局特征感知与预测。
本发明根据地下工程的特性对损伤危险的识别尺度进行划分,釆用三尺度分步识别的策略,尺度1给出了损伤预警,看结构是否发生了损伤;尺度2进行损伤定位,尺度3给出损伤程度和原因的判断。
最后将特征感知与预测结果加载到可视输出模块中,就可以直接对已有的损伤部位进行识别和定位,预测新的地下工程伤损类型和伤损的位置信息。
本发明还提供了一种利用上述系统进行多尺度数据信息提取与识别的方法,所述方法包括如下步骤:
步骤1:设置多个信息采集点,所述信息采集点用于采集地下工程的加速度数据监测信息;以采集并标注的2000幅地下结构缺陷数据作为数据集,该数据集包含不同地质条件、结构形式、气候因素、工程扰动等重要影响因素的地下工程变形和损伤数据。在此基础上,为获得更多数据,通过旋转、镜像、随机裁剪、添加椒盐噪声的方式进行数据增强,将其扩充为16000幅;划分训练集和测试集,利用带有标签的训练集对FCNN-RNN混合网络进行训练和参数调优,利用测试集验证网络。
步骤2:将数据输入到由空洞卷积构建的多尺度卷积模块中,划分三个通道,选用空洞率r分别为1、2、5的空洞卷积层,卷积核大小均为3×3。每个尺度为一个独立分支,分别感知不同尺度感受野的信息,提取多尺度特征;不同的空洞率可控制多尺度模块学习不同尺度的特征,既保留了原有特征信息,又融合了多个尺度的特征信息,解决了模型对细小缺陷信息不敏感的问题。并行的多尺度模块避免了卷积层过多带来的结构冗余,减少了参数计算量。
步骤3:将三个通道池化后的结果采用add算法进行特征融合。
步骤4:根据监测数据的特点建立合适的RNN神经网络模型,包括其输入层、输出层、隐藏层神经元节点的数量、网络隐藏层层数、学习速率激活函数等,将特征融合后的结果输入到RNN神经网络模型中提取时间特征。
步骤5:将多尺度卷积模块和RNN神经网络模型提取到的时间和空间特征输入到反卷积层进行汇总操作。
步骤6:利用SoftMax层归一化输出结果,计算出每个像素输出值与输入真实值的损失值,并反向传播给上一层,随FCNN-RNN混合网络不断迭代,实现网络的特征感知。
SoftMax层计算公式为:
式中,Zi为归一化因子。该式对所有标签类别的概率逐一进行计算,输出特征图的预测值。
步骤7:将特征感知与预测结果执行可视化操作,本发明根据地下工程的特性对模型的识别尺度进行划分,釆用三尺度分步识别的策略,尺度1给出了损伤预警,看结构是否发生了损伤;尺度2进行损伤定位,尺度3给出损伤程度和原因的判断。在原有的图像信息上对发生损伤部位进行识别和定位,并预测新的地下工程伤损类型和伤损的位置信息。
本发明中,模型前半部分主要以卷积神经网络为基础,进行一定修改,用于提取地下工程监测数据在空间上的多尺度信息,解决了模型对于细小缺陷信息不敏感的问题;模型后端部分主要以RNN网络为基础,进行时间特征的提取,实现了地下工程缺陷损伤在未来时间段发展的预测。
Claims (7)
1.一种基于FCNN-RNN的地下工程加速度数据信息聚类与危险源识别系统,其特征在于所述系统包括信息获取模块、卷积模块、循环神经网络模块和可视输出模块,其中:
所述信息获取模块布置在地下工程相关位置,用于获取监测信息;
所述卷积模块以VGG-16为主体框架,构造多尺度全局FCN网络,移除池化层Pool5,利用空洞卷积构建多尺度卷积模块,并联三条空洞率分别为1、2、5的空洞卷积通道,分别感知不同尺度感受野的信息,提取多尺度特征;
所述循环神经网络模块为RNN神经网络模型,将卷积模块特征融合后的结果输入到RNN神经网络模型中提取时间特征;
所述可视输出模块对RNN神经网络模型输出结果进行反卷积操作,并与卷积模块pool4节点进行跳跃连接和特征融合,通过反卷积层对融合结果进行二次反卷积,并与卷积模块pool3节点进行跳跃连接,以修正层级迭代带来的特征消失现象,通过SoftMax层做归一化处理,计算出损失函数,实现全局特征感知与预测。
2.根据权利要求1所述的基于FCNN-RNN的地下工程加速度数据信息聚类与危险源识别系统,其特征在于所述监测信息为加速度数据。
3.根据权利要求1所述的基于FCNN-RNN的地下工程加速度数据信息聚类与危险源识别系统,其特征在于所述空洞卷积过程定义如下:
式中,x[m,n]为输入特征图,y[m,n]为输出特征图,w[i,j]为空洞滤波器,r为空洞率,m与n分别为特征图像素的长和宽,i与j分别为卷积核的长和宽。
4.根据权利要求3所述的基于FCNN-RNN的地下工程加速度数据信息聚类与危险源识别系统,其特征在于所述空洞率决定了卷积核的采样间隔,当r>1,表示卷积核之间引入r-1个空洞,当r=1,空洞卷积为正常卷积,卷积核大小为k×k时,空洞卷积的感受野大小为:
k+(k+1)(r-1)。
5.根据权利要求1所述的基于FCNN-RNN的地下工程加速度数据信息聚类与危险源识别系统,其特征在于所述RNN神经网络模型进行训练的方法为:
RNN神经网络模型包括输入层x、隐藏层s、输出层o,在隐藏层s上有一个循环操作;
t-1和t+1表示t时刻的前后时间状态,x和o分别代表输入和输出,St表示在时间t时刻时的数据信息和记忆,按下式计算:
St=f(UXt+WSt-1)
式中,U表示此刻输入的监测数据权重,W表示上一时刻输入的监测数据权重,V表示输出的数据权重,随机初始化U,V,W,并设置S0=0,则在t=1时刻,RNN神经网络模型的计算步骤如下:
h1=Ux1+Ws0
s1=f(h1)
o1=g(Vs1)
式中,f表示激活函数,g表示分类函数;
按照时间顺序依次类推,可得到下一时刻的计算步骤,则RNN神经网络模型中的输入输出的计算公式如下:
ht=Uxt+Wst-1
st=f(ht)
ot=g(Vst)
式中,xt代表t时监测数据特征的输入,相应地,xt-1和xt+1代表在t-1和t+1时监测数据特征的输入,ht代表在t时刻模型的隐藏状态,ot代表在t时刻模型的输出;
对监测信息特征进行训练,每一次运算后的输出值Ot都会与期望值产生一个误差值et,那么总的误差表示为:
不断调参优化网络模型,使损失减小,然后运用梯度下降法通过反向传播来更新U、V、W参数,从而降低输出端的误差值,得到最优化的权重参数,将得到的权重参数表加载到RNN神经网络中。
6.一种利用权利要求1-5任一项所述的系统进行基于FCNN-RNN的地下工程加速度数据信息聚类与危险源识别的方法,其特征在于所述方法包括如下步骤:
步骤1:设置多个用于采集地下工程监测信息的信息采集点,以标注地下结构缺陷数据作为数据集;
步骤2:将数据输入到由空洞卷积构建的多尺度卷积模块中,提取多尺度特征;
步骤3:将三个通道池化后的结果采用add算法进行特征融合;
步骤4:将特征融合后的结果输入到RNN神经网络模型中提取时间特征;
步骤5:将多尺度卷积模块和RNN神经网络模型提取到的时间和空间特征输入到反卷积层进行汇总操作;
步骤6:利用SoftMax层归一化输出结果,计算出每个像素输出值与输入真实值的损失值,并反向传播给上一层,随FCNN-RNN混合不断迭代,实现FCNN-RNN混合的特征感知;
步骤7:将特征感知与预测结果执行可视化操作。
7.根据权利要求6所述的基于FCNN-RNN的地下工程加速度数据信息聚类与危险源识别方法,其特征在于所述步骤7的具体步骤如下:根据地下工程的特性对损伤危险的识别尺度进行划分,釆用三尺度分步识别的策略,尺度1给出了损伤预警,看结构是否发生了损伤;尺度2进行损伤定位,尺度3给出损伤程度和原因的判断,最后将特征感知与预测结果加载到可视输出模块中,对已有的损伤部位进行识别和定位,预测新的地下工程伤损类型和伤损的位置信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310550414.0A CN116578888A (zh) | 2023-05-16 | 2023-05-16 | 基于fcnn-rnn的地下工程加速度数据信息聚类与危险源识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310550414.0A CN116578888A (zh) | 2023-05-16 | 2023-05-16 | 基于fcnn-rnn的地下工程加速度数据信息聚类与危险源识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116578888A true CN116578888A (zh) | 2023-08-11 |
Family
ID=87533556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310550414.0A Pending CN116578888A (zh) | 2023-05-16 | 2023-05-16 | 基于fcnn-rnn的地下工程加速度数据信息聚类与危险源识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116578888A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117211758A (zh) * | 2023-11-07 | 2023-12-12 | 克拉玛依市远山石油科技有限公司 | 用于浅孔取芯的智能钻进控制系统及方法 |
-
2023
- 2023-05-16 CN CN202310550414.0A patent/CN116578888A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117211758A (zh) * | 2023-11-07 | 2023-12-12 | 克拉玛依市远山石油科技有限公司 | 用于浅孔取芯的智能钻进控制系统及方法 |
CN117211758B (zh) * | 2023-11-07 | 2024-04-02 | 克拉玛依市远山石油科技有限公司 | 用于浅孔取芯的智能钻进控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110399927B (zh) | 识别模型训练方法、目标识别方法及装置 | |
CN116578888A (zh) | 基于fcnn-rnn的地下工程加速度数据信息聚类与危险源识别方法 | |
CN112597921B (zh) | 一种基于注意力机制gru深度学习的人体行为识别方法 | |
CN111950660A (zh) | 一种人工智能训练平台的告警预测方法及装置 | |
CN113705715B (zh) | 一种基于lstm和多尺度fcn的时间序列分类方法 | |
CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
CN117270482A (zh) | 基于数字孪生的汽车工厂控制系统 | |
CN117579513B (zh) | 汇聚分流设备的可视化运维系统及其方法 | |
CN116610816A (zh) | 一种基于图卷积神经网络的人员画像知识图谱分析方法及系统 | |
CN116579697A (zh) | 冷链全链路数据信息管理方法、装置、设备及存储介质 | |
CN115373879A (zh) | 一种面向大规模云数据中心智能运维的磁盘故障预测方法 | |
CN114020715A (zh) | 一种日志数据的处理方法、装置、介质及设备 | |
US20220164688A1 (en) | System and method for automated imputation for multi-state sensor data and outliers | |
CN112861881A (zh) | 一种基于改进MobileNet模型的蜂窝肺识别方法 | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
CN113312968B (zh) | 一种监控视频中的真实异常检测方法 | |
CN115758266A (zh) | 一种用于无人矿卡流式异常数据检测方法 | |
CN113033289B (zh) | 一种基于dssd算法的安全帽佩戴检查方法、装置与系统 | |
CN115034005A (zh) | 一种面向构件剩余使用寿命预测的模型分析可视化方法 | |
CN111354019B (zh) | 一种基于神经网络的视觉跟踪失效检测系统及其训练方法 | |
CN115757365A (zh) | 多维时序数据异常检测方法、模型训练方法及装置 | |
CN117421386B (zh) | 基于gis的空间数据处理方法及系统 | |
CN117828280B (zh) | 基于物联网的消防信息智能采集及管理方法 | |
CN117973870B (zh) | 消防场景的风险评估模型的训练系统及方法 | |
CN117911662A (zh) | 基于深度霍夫投票的数字孪生场景语义分割方法及系统 |
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 |