CN117191246B - 一种基于人工智能的船舶靠泊撞击力测试系统及方法 - Google Patents
一种基于人工智能的船舶靠泊撞击力测试系统及方法 Download PDFInfo
- Publication number
- CN117191246B CN117191246B CN202311468143.0A CN202311468143A CN117191246B CN 117191246 B CN117191246 B CN 117191246B CN 202311468143 A CN202311468143 A CN 202311468143A CN 117191246 B CN117191246 B CN 117191246B
- Authority
- CN
- China
- Prior art keywords
- matrix
- point
- measuring device
- piezoelectric
- force
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 25
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 198
- 230000002159 abnormal effect Effects 0.000 claims abstract description 63
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 238000009530 blood pressure measurement Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 239000004020 conductor Substances 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 7
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 239000011810 insulating material Substances 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于人工智能的船舶靠泊撞击力测试系统及方法,涉及压力测量技术领域。包括以下步骤:S1在待测区域设置矩阵检测模块,检测并得到矩阵检测模块中包括的每一测力装置的压力测量结果;S2将矩阵检测模块中包括的每一测力装置的压力测量结果进行数据处理得到压电变化矩阵图形集;S3将压电变化矩阵图形集中压电变矩阵图形的第一类异常点位进行修复处理,并得到最终压电变化矩阵图形集;S4训练目标检测图像,并对最终压电变化矩阵图形集中的监测目标进行标记。本发明实现了对测力装置检测的数据的划分,且对异常数据进行了优化。
Description
技术领域
本发明涉及压力测量技术领域,更具体的说是涉及一种基于人工智能的船舶靠泊撞击力测试系统及方法。
背景技术
大型海上作业平台和码头在设计时需要考虑船舶靠泊过程的作用力载荷,由于现代船舶的大型化发展,船舶靠泊过程的冲击作用力不断增加,一旦码头或海上平台结构在船舶冲击作用力下发生破坏,容易导致船体受损等严重事故。因此,研究船舶靠泊过程的动力学特性,开发针对船舶靠泊过程的撞击力测试系统,提升码头结构的安全性非常重要。
而在现有发明专利CN201110419414.4中公开了一种测量船舶撞击力的方法,特点是先在桥墩上安装密封的钢围箱,并在钢围箱上划出一块迎撞区,然后在迎撞区上设置方形的迎撞箱,接着设定迎撞箱的前面板为迎撞面,在迎撞箱的后面板、左右面板以及底面板分别固定安装多个呈阵列分布的X向、Y向和Z向测力传感器,再用船舶撞击迎撞面,迎撞箱内的X向、Y向、Z向测力传感器分别测出各自所受到的撞击力Fx、Fy、Fz,最后通过合力公式计算得到船舶撞击桥墩的总撞击力,可以看出现有技术缺乏一种对测力装置检测的数据进行划分,且对异常数据进行优化的系统及方法。
因此,提供一种基于人工智能的船舶靠泊撞击力测试系统及方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于人工智能的船舶靠泊撞击力测试系统及方法,以达到对测力装置检测的数据进行划分,且对异常数据进行优化的目的。
为了实现上述目的,本发明采用如下技术方案:
一种基于人工智能的船舶靠泊撞击力测试系统,包括
数据采集模块,用于循环重复对其包括的每一个测力装置进行测量,得到每一个测力装置所感测的压力测量结果;
数据处理模块,用于将数据采集模块中包括的每一测力装置的压力测量结果进行数据处理得到压电变化矩阵图形集;
图形处理模块,用于将压电变化矩阵图形集中压电变矩阵图形的第一类异常点位进行修复处理,并得到做最终压电变化矩阵图形集;
显示处理模块,用于训练目标检测图像,并对最终压电变化矩阵图形集中的监测目标进行标记;
显示模块,用于接收并显示最终压电变化矩阵图形集以及标记的监测目标。
可选的,数据采集模块还包括测力矩阵;
测力矩阵布设在码头或船身,船身与码头接触时测力矩阵产生的压电信号构成压电变化矩阵图形集,测力矩阵为测力装置组成的n×m的矩阵,其中n、m均为大于1的整数。
本发明还公开了一种基于人工智能的船舶靠泊撞击力测试方法,具体步骤包括:
S1在待测区域设置矩阵检测模块,检测并得到矩阵检测模块中包括的每一测力装置的压力测量结果;
S2将矩阵检测模块中包括的每一测力装置的压力测量结果进行数据处理得到压电变化矩阵图形集;
S3将压电变化矩阵图形集中压电变矩阵图形的第一类异常点位进行修复处理,并得到最终压电变化矩阵图形集;
S4训练目标检测图像,并对最终压电变化矩阵图形集中的监测目标进行标记。
可选的,S1具体步骤包括:
S1.1在所选待测区域上设置数据采集模块,数据采集模块采用测力矩阵,测力矩阵具有多个线性导体列和多个线性导体行;其中,线性导体列不平行于线性导体行,且测力矩阵具有测力装置,其中每一个测力装置设置在列和行的交叉处,且其中,测力装置包括电阻应变片,电阻应变片根据绝缘材料的压缩而变化;
S1.2循环重复对于测力矩阵的每一个测力装置进行测量,得到每一个测力装置所感测的压力测量结果。
可选的,S1.2的具体步骤包括:
S1.2.1选择测力矩阵中任一线性导体列并向所选的列施加高电平,未选列接入低电平;
S1.2.2选择测力矩阵中任一线性导体行并向所选的行接入低电平,未选列接入高电平;
S1.2.3测量所选的线性导体行的电流以由此测量所选的列和行的交叉处的测力装置的电阻;其中,测力装置还包括二极管,线性导体列、二极管、电阻应变片、线性导体行依次串联;
S1.2.4为所选行提供固定的基准电阻;
S1.2.5通过将所感测的测力装置的测量电阻与固定基准电阻进行比较,从而确定所感测的测力装置的压力测量结果。
可选的,S2具体步骤包括:
S2.1将一循环周期内得到的每一个测力装置的压力测量结果进行归一化处理,将压力测量结果归一化为0~255值色彩深度的B色图像,归一化处理公式:
式中:为矩阵第x行第y列的色彩深度值,/>为检测获取的测力装置电阻,为基准电阻,/>为二极管电阻,/>为电阻应变片最大有效电阻值;其中,归一化后的数据/>上限为测力装置额定电阻上限,/>大于等于0小于等于255,/>值等于255时为过限点;
S2.2将每一个测力装置归一化处理后的压力测量结果汇集为压电矩阵图;
S2.3按周期获取时间依次按时间轴排列压电矩阵图,并得到压电变化矩阵图形集。
可选的,S3具体步骤包括:
S3.1获取压电变化矩阵图形集中每一帧压电矩阵图;
S3.2获取压电矩阵图中过限点;其中,过限点为归一化数据上限,若该帧压电矩阵图任一点位为255色彩深度则判定为过限点;
S3.3若同一点位为过限点且未达到n帧则判定为第一类异常点,且发出第一类异常点信号;
S3.3若同一点位与邻域均差大于m色彩深度值则判定为第一类异常点,且发出第一类异常点信号;
S3.5若连续n帧同一点位为过限点则判定为第二类异常点,且发出第二类异常点待维护信号;
S3.5对第一类异常点进行点位修复后生成最终压电矩阵图;
S3.5.1选取第一类异常点中的任一点作为中心点;
S3.5.2在中心点的满足预设条件的邻域内寻找与中心点最佳匹配的最佳匹配点,其中,预设条件的邻域为中心点周围9*9的区域;通过如下公式寻找最佳匹配块:
式中:表示最佳匹配点,Q表示0~254色彩深度的点位,/>表示中心点,P表示第一类异常点,/>表示中心点的邻域;/>表示块/>和块/>之间的差距;
S3.5.5采用最佳匹配块中对应的像素点修复最先修复块中待修复的像素点;
S3.5.6判断修复的压电矩阵图是否还存在第一类异常点若是则跳转至步骤S3.5.1,若否,则修复完成;
S3.6将生成的最终压电矩阵图根据原帧位替换压电变化矩阵图形集中相应的原图,并生成最终压电变化矩阵图形集。
可选的,S4具体步骤包括:
S4.1获取撞击力矩阵测试公开数据集,对该数据集的训练集、测试集图形依次进行随机反转、缩放、裁剪,并根据设定的均值和标准差将图片归一化为0~255值色彩深度的B色图像;
S4.2采用ResNet-50神经网络对归一化后的图片进行特征提取,得到维度为(B,C,H,W)的特征图矩阵X,其中B为特征图的数量,H、W分别为特征图的高和宽,C为特征图的通道数;
S4.3构建皮尔森系数矩阵与注意力融合的目标检测模型:
S4.3.1获取带有全局上下文信息的特征图矩阵F:其中,全局上下文信息为对同一观测对象连续观测周期内的任一帧图像信息;
计算特征图矩阵X中每一个特征值与其他所有特征值之间的皮尔森系数,构成皮尔森系数矩阵P;其中,特征值采用若干等差域值中的任一项、第一类异常点或第二类异常点;
将皮尔森系数矩阵P输入到一个输入层与输出层维度相同的多层感知机MLP中进行转化;
将转化后的皮尔森系数矩阵MP与特征图矩阵X做矩阵相乘,并将该矩阵相乘结果MF与特征图矩阵X进行残差连接并进行层归一化,得到层归一化后的残差连接矩阵F′;
将层归一化后的残差连接矩阵F′输入到前向反馈层FFN,该前向反馈层的输出结果为一个带有全局上下文信息的特征图矩阵F;
S4.3.2将S4.3.1得到的带有全局上下文信息的特征图矩阵F与Transformer编码器的第四个编码器层相连接,并将其与DETR网络结构中的解码器相连接,构成皮尔森系数矩阵与注意力融合的目标检测模型;
S4.4设置皮尔森系数矩阵与注意力融合的目标检测模型的损失函数Loss,采用梯度下降法对模型进行训练,得到训练好的目标检测模型;
S4.5将待测图像输入到训练好的目标检测模型中,得到待预测图像中的目标分类及目标定位坐标,通过目标定位坐标在图像中画出目标包围框并标注目标类别;其中,待测图像为最终压电变化矩阵图形集中的任一图像,目标类别包括各等差域值区域、第一类异常点区域、第二类异常点区域。
可选的,S1具体步骤还包括:
S1.3根据S4.5得到的第二类异常点区域,在执行五次检测周期后执行一次校验周期;其中,在S1.2中对于测力矩阵的每一个测力装置进行测量的每一次循环为一次检测周期,对第二类异常点区域中的每一点位对应的测力装置分别进行测量为一校验周期。
可选的,具体步骤还包括:
S5通过显示模块接收并显示最终压电变化矩阵图形集以及标记的各等差域值区域、第一类异常点区域、第二类异常点区域。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于人工智能的船舶靠泊撞击力测试系统及方法,从而可以得到以下有益效果:
1、通过循环重复对数据采集模块包括的每一个测力装置进行测量,周期性对测力装置进行数据采集,集中了数据采集的控制中枢,使得对数据采集的控制更加灵机;
2、将压电变化矩阵图形集中压电变矩阵图形的第一类异常点位进行修复处理,减少由于噪音干扰产生的数据错误,利于获取准确的实验数据;
3、对最终压电变化矩阵图形集中的监测目标进行标记,将数据类型清晰化表现,使得数据分布更加清晰,且用户可以根据异常数据的分布对数据采集装置进行维护。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明一种基于人工智能的船舶靠泊撞击力测试系统的结构示意图;
图2为本发明一种基于人工智能的船舶靠泊撞击力测试方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例公开了一种基于人工智能的船舶靠泊撞击力测试系统,包括:
数据采集模块,用于循环重复对其包括的每一个测力装置进行测量,得到每一个测力装置所感测的压力测量结果;
数据处理模块,用于将数据采集模块中包括的每一测力装置的压力测量结果进行数据处理得到压电变化矩阵图形集;其中,数据处理模块采用第二处理器;
图形处理模块,用于将压电变化矩阵图形集中压电变矩阵图形的第一类异常点位进行修复处理,并得到做最终压电变化矩阵图形集;其中,图形处理模块采用第三处理器;
显示处理模块,用于训练目标检测图像,并对最终压电变化矩阵图形集中的监测目标进行标记;其中,显示处理模块采用第四处理器
显示模块,用于接收并显示最终压电变化矩阵图形集以及标记的监测目标。其中,显示模块采用LED显示屏,显示模块还用于显示压电变化矩阵图形集。
进一步的,数据采集模块还包括第一处理器、测力矩阵;
测力矩阵布设在码头或船身,船身与码头接触时测力矩阵产生的压电信号构成压电变化矩阵图形集,测力矩阵为测力装置组成的n×m的矩阵,其中n、m均为大于1的整数;测力矩阵的各测力装置分别与第一处理器信号连接。
如图2所示,与上述方法所对应的,本发明还公开了一种基于人工智能的船舶靠泊撞击力测试方法,具体步骤包括:
S1在待测区域设置矩阵检测模块,检测并得到矩阵检测模块中包括的每一测力装置的压力测量结果;
S2将矩阵检测模块中包括的每一测力装置的压力测量结果进行数据处理得到压电变化矩阵图形集;
S3将压电变化矩阵图形集中压电变矩阵图形的第一类异常点位进行修复处理,并得到最终压电变化矩阵图形集;
S4训练目标检测图像,并对最终压电变化矩阵图形集中的监测目标进行标记。
进一步的,S1具体步骤包括:
S1.1在所选待测区域上设置数据采集模块,数据采集模块采用测力矩阵,测力矩阵具有多个线性导体列和多个线性导体行;其中,线性导体列不平行于线性导体行,且测力矩阵具有测力装置,其中每一个测力装置设置在列和行的交叉处,且其中,测力装置包括电阻应变片,电阻应变片根据绝缘材料的压缩而变化;
S1.2循环重复对于测力矩阵的每一个测力装置进行测量,得到每一个测力装置所感测的压力测量结果。
进一步的,S1.2的具体步骤包括:
S1.2.1选择测力矩阵中任一线性导体列并向所选的列施加高电平,未选列接入低电平;
S1.2.2选择测力矩阵中任一线性导体行并向所选的行接入低电平,未选列接入高电平;
S1.2.3测量所选的线性导体行的电流以由此测量所选的列和行的交叉处的测力装置的电阻;其中,测力装置还包括二极管,线性导体列、二极管、电阻应变片、线性导体行依次串联;
S1.2.4为所选行提供固定的基准电阻;
S1.2.5通过将所感测的测力装置的测量电阻与固定基准电阻进行比较,从而确定所感测的测力装置的压力测量结果。
更进一步的,S1.1中所选待测区域为码头或船身,船身与码头接触时测力装置矩阵产生的压电信号。
进一步的,S2具体步骤包括:
S2.1将一循环周期内得到的每一个测力装置的压力测量结果进行归一化处理,将压力测量结果归一化为0~255值色彩深度的B色图像,归一化处理公式:
式中: 为矩阵第x行第y列的色彩深度值,/>为检测获取的测力装置电阻,为基准电阻,/>为二极管电阻,/>为电阻应变片最大有效电阻值;其中,归一化后的数据/>上限为测力装置额定电阻上限,/>大于等于0小于等于255,/>值等于255时为过限点;
S2.2将每一个测力装置归一化处理后的压力测量结果汇集为压电矩阵图;
S2.3按周期获取时间依次按时间轴排列压电矩阵图,并得到压电变化矩阵图形集。
进一步的,S3具体步骤包括:
S3.1获取压电变化矩阵图形集中每一帧压电矩阵图;
S3.2获取压电矩阵图中过限点;其中,过限点为归一化数据上限,若该帧压电矩阵图任一点位为255色彩深度则判定为过限点;
S3.3若同一点位为过限点且未达到n帧则判定为第一类异常点,且发出第一类异常点信号;
S3.3若同一点位与邻域均差大于m色彩深度值则判定为第一类异常点,且发出第一类异常点信号;
S3.5若连续n帧同一点位为过限点则判定为第二类异常点,且发出第二类异常点待维护信号;
S3.5对第一类异常点进行点位修复后生成最终压电矩阵图;
S3.5.1选取第一类异常点中的任一点作为中心点;
S3.5.2在中心点的满足预设条件的邻域内寻找与中心点最佳匹配的最佳匹配点,其中,预设条件的邻域为中心点周围9*9的区域;通过如下公式寻找最佳匹配块:
式中:表示最佳匹配点,Q表示0~254色彩深度的点位,/>表示中心点,P表示第一类异常点,/>表示中心点的邻域,P∈Ω,Q∉Ω,Ω表示待修复的第一类异常点;表示块/>和块/>之间的差距;
S3.5.5采用最佳匹配块中对应的像素点修复最先修复块中待修复的像素点;
S3.5.6判断修复的压电矩阵图是否还存在第一类异常点若是则跳转至步骤S3.5.1,若否,则修复完成;
S3.6将生成的最终压电矩阵图根据原帧位替换压电变化矩阵图形集中相应的原图,并生成最终压电变化矩阵图形集。
更进一步的,n为大于1的整数帧,m为大于1小于255的整数色彩深度。
进一步的,S4具体步骤包括:
S4.1获取撞击力矩阵测试公开数据集,对该数据集的训练集、测试集图形依次进行随机反转、缩放、裁剪,并根据设定的均值和标准差将图片归一化为0~255值色彩深度的B色图像;
S4.2采用ResNet-50神经网络对归一化后的图片进行特征提取,得到维度为(B,C,H,W)的特征图矩阵X,其中B为特征图的数量,H、W分别为特征图的高和宽,C为特征图的通道数;
S4.3构建皮尔森系数矩阵与注意力融合的目标检测模型:
S4.3.1获取带有全局上下文信息的特征图矩阵F:其中,全局上下文信息为对同一观测对象连续观测周期内的任一帧图像信息;
计算特征图矩阵X中每一个特征值与其他所有特征值之间的皮尔森系数,构成皮尔森系数矩阵P;其中,特征值采用若干等差域值中的任一项、第一类异常点或第二类异常点;其中,将0~255色彩深度平均分为大于1的整数个等差域,每个等差域均为特征值中的等差域值。
将皮尔森系数矩阵P输入到一个输入层与输出层维度相同的多层感知机MLP中进行转化;
将转化后的皮尔森系数矩阵MP与特征图矩阵X做矩阵相乘,并将该矩阵相乘结果MF与特征图矩阵X进行残差连接并进行层归一化,得到层归一化后的残差连接矩阵F′;
将层归一化后的残差连接矩阵F′输入到前向反馈层FFN,该前向反馈层的输出结果为一个带有全局上下文信息的特征图矩阵F;
S4.3.2选用原始包含六个相同的编码器层的Transformer编码器,去除其前三个编码器层,将S4.3.1得到的带有全局上下文信息的特征图矩阵F与Transformer编码器的第四个编码器层相连接,形成具有四层结构的皮尔森系数矩阵与注意力融合的Transformer编码器,并将其与DETR网络结构中的解码器相连接,构成皮尔森系数矩阵与注意力融合的目标检测模型;
S4.4设置皮尔森系数矩阵与注意力融合的目标检测模型的损失函数Loss,采用梯度下降法对模型进行训练,得到训练好的目标检测模型;
S4.5将待测图像输入到训练好的目标检测模型中,得到待预测图像中的目标分类及目标定位坐标,通过目标定位坐标在图像中画出目标包围框并标注目标类别;其中,待测图像为最终压电变化矩阵图形集中的任一图像,目标类别包括各等差域值区域、第一类异常点区域、第二类异常点区域。
进一步的,S1具体步骤还包括:
S1.3根据S4.5得到的第二类异常点区域,在执行五次检测周期后执行一次校验周期;其中,在S1.2中对于测力矩阵的每一个测力装置进行测量的每一次循环为一次检测周期,对第二类异常点区域中的每一点位对应的测力装置分别进行测量为一校验周期。
进一步的,具体步骤还包括:
S5通过显示模块接收并显示最终压电变化矩阵图形集以及标记的各等差域值区域、第一类异常点区域、第二类异常点区域。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种基于人工智能的船舶靠泊撞击力测试系统,其特征在于,包括
数据采集模块,用于循环重复对其包括的每一个测力装置进行测量,得到每一个测力装置所感测的压力测量结果;
数据处理模块,用于将数据采集模块中包括的每一测力装置的压力测量结果进行数据处理得到压电变化矩阵图形集;
图形处理模块,用于将压电变化矩阵图形集中压电变矩阵图形的第一类异常点位进行修复处理,并得到做最终压电变化矩阵图形集;
显示处理模块,用于训练目标检测图像,并对最终压电变化矩阵图形集中的监测目标进行标记;
显示模块,用于接收并显示最终压电变化矩阵图形集以及标记的监测目标;
其中,将数据采集模块中包括的每一测力装置的压力测量结果进行数据处理得到压电变化矩阵图形集的步骤包括:
S2.1将一循环周期内得到的每一个测力装置的压力测量结果进行归一化处理,将压力测量结果归一化为0~255值色彩深度的B色图像,归一化处理公式:
;
式中:为矩阵第x行第y列的色彩深度值,/>为检测获取的测力装置电阻,/>为基准电阻,/>为二极管电阻,/>为电阻应变片最大有效电阻值;其中,归一化后的数据上限为测力装置额定电阻上限,/>大于等于0小于等于255,/>值等于255时为过限点;
S2.2将每一个测力装置归一化处理后的压力测量结果汇集为压电矩阵图;
S2.3按周期获取时间依次按时间轴排列压电矩阵图,并得到压电变化矩阵图形集;
数据采集模块还包括测力矩阵;
测力矩阵布设在码头或船身,船身与码头接触时测力矩阵产生的压电信号构成压电变化矩阵图形集,测力矩阵为测力装置组成的n×m的矩阵,其中n、m均为大于1的整数。
2.一种基于人工智能的船舶靠泊撞击力测试方法,其特征在于,具体步骤包括:
S1在待测区域设置矩阵检测模块,检测并得到矩阵检测模块中包括的每一测力装置的压力测量结果;
S2将矩阵检测模块中包括的每一测力装置的压力测量结果进行数据处理得到压电变化矩阵图形集;
S3将压电变化矩阵图形集中压电变矩阵图形的第一类异常点位进行修复处理,并得到最终压电变化矩阵图形集;
S4训练目标检测图像,并对最终压电变化矩阵图形集中的监测目标进行标记;
S1具体步骤包括:
S1.1在所选待测区域上设置数据采集模块,数据采集模块采用测力矩阵,测力矩阵具有多个线性导体列和多个线性导体行;其中,线性导体列不平行于线性导体行,且测力矩阵具有测力装置,其中每一个测力装置设置在列和行的交叉处,且其中,测力装置包括电阻应变片,电阻应变片根据绝缘材料的压缩而变化;
S1.2循环重复对于测力矩阵的每一个测力装置进行测量,得到每一个测力装置所感测的压力测量结果;
S1.2的具体步骤包括:
S1.2.1选择测力矩阵中任一线性导体列并向所选的列施加高电平,未选列接入低电平;
S1.2.2选择测力矩阵中任一线性导体行并向所选的行接入低电平,未选列接入高电平;
S1.2.3测量所选的线性导体行的电流以由此测量所选的列和行的交叉处的测力装置的电阻;其中,测力装置还包括二极管,线性导体列、二极管、电阻应变片、线性导体行依次串联;
S1.2.4为所选行提供固定的基准电阻;
S1.2.5通过将所感测的测力装置的测量电阻与固定基准电阻进行比较,从而确定所感测的测力装置的压力测量结果;
S2具体步骤包括:
S2.1将一循环周期内得到的每一个测力装置的压力测量结果进行归一化处理,将压力测量结果归一化为0~255值色彩深度的B色图像,归一化处理公式:
;
式中:为矩阵第x行第y列的色彩深度值,/>为检测获取的测力装置电阻,/>为基准电阻,/>为二极管电阻,/>为电阻应变片最大有效电阻值;其中,归一化后的数据上限为测力装置额定电阻上限,/>大于等于0小于等于255,/>值等于255时为过限点;
S2.2将每一个测力装置归一化处理后的压力测量结果汇集为压电矩阵图;
S2.3按周期获取时间依次按时间轴排列压电矩阵图,并得到压电变化矩阵图形集;
S3具体步骤包括:
S3.1获取压电变化矩阵图形集中每一帧压电矩阵图;
S3.2获取压电矩阵图中过限点;其中,过限点为归一化数据上限,若该帧压电矩阵图任一点位为255色彩深度则判定为过限点;
S3.3若同一点位为过限点且未达到n帧则判定为第一类异常点,且发出第一类异常点信号;
S3.3若同一点位与邻域均差大于m色彩深度值则判定为第一类异常点,且发出第一类异常点信号;
S3.5若连续n帧同一点位为过限点则判定为第二类异常点,且发出第二类异常点待维护信号;
S3.5对第一类异常点进行点位修复后生成最终压电矩阵图;
S3.5.1选取第一类异常点中的任一点作为中心点;
S3.5.2在中心点的满足预设条件的邻域内寻找与中心点最佳匹配的最佳匹配点,其中,预设条件的邻域为中心点周围9*9的区域;通过如下公式寻找最佳匹配块:
;
式中:表示最佳匹配点,Q表示0~254色彩深度的点位,/>表示中心点,P表示第一类异常点,/>表示中心点的邻域;/>表示块/>和块/>之间的差距;
S3.5.5采用最佳匹配块中对应的像素点修复最先修复块中待修复的像素点;
S3.5.6判断修复的压电矩阵图是否还存在第一类异常点若是则跳转至步骤S3.5.1,若否,则修复完成;
S3.6将生成的最终压电矩阵图根据原帧位替换压电变化矩阵图形集中相应的原图,并生成最终压电变化矩阵图形集。
3.根据权利要求2所述的一种基于人工智能的船舶靠泊撞击力测试方法,其特征在于,
S4具体步骤包括:
S4.1获取撞击力矩阵测试公开数据集,对该数据集的训练集、测试集图形依次进行随机反转、缩放、裁剪,并根据设定的均值和标准差将图片归一化为0~255值色彩深度的B色图像;
S4.2采用ResNet-50神经网络对归一化后的图片进行特征提取,得到维度为(B,C,H,W)的特征图矩阵X,其中B为特征图的数量,H、W分别为特征图的高和宽,C为特征图的通道数;
S4.3构建皮尔森系数矩阵与注意力融合的目标检测模型:
S4.3.1获取带有全局上下文信息的特征图矩阵F:其中,全局上下文信息为对同一观测对象连续观测周期内的任一帧图像信息;
计算特征图矩阵X中每一个特征值与其他所有特征值之间的皮尔森系数,构成皮尔森系数矩阵P;其中,特征值采用若干等差域值中的任一项、第一类异常点或第二类异常点;
将皮尔森系数矩阵P输入到一个输入层与输出层维度相同的多层感知机MLP中进行转化;
将转化后的皮尔森系数矩阵MP与特征图矩阵X做矩阵相乘,并将该矩阵相乘结果MF与特征图矩阵X进行残差连接并进行层归一化,得到层归一化后的残差连接矩阵F′;
将层归一化后的残差连接矩阵F′输入到前向反馈层FFN,该前向反馈层的输出结果为一个带有全局上下文信息的特征图矩阵F;
S4.3.2将S4.3.1得到的带有全局上下文信息的特征图矩阵F与Transformer编码器的第四个编码器层相连接,并将其与DETR网络结构中的解码器相连接,构成皮尔森系数矩阵与注意力融合的目标检测模型;
S4.4设置皮尔森系数矩阵与注意力融合的目标检测模型的损失函数Loss,采用梯度下降法对模型进行训练,得到训练好的目标检测模型;
S4.5将待测图像输入到训练好的目标检测模型中,得到待预测图像中的目标分类及目标定位坐标,通过目标定位坐标在图像中画出目标包围框并标注目标类别;其中,待测图像为最终压电变化矩阵图形集中的任一图像,目标类别包括各等差域值区域、第一类异常点区域、第二类异常点区域。
4.根据权利要求3所述的一种基于人工智能的船舶靠泊撞击力测试方法,其特征在于,S1具体步骤还包括:
S1.3根据S4.5得到的第二类异常点区域,在执行五次检测周期后执行一次校验周期;其中,在S1.2中对于测力矩阵的每一个测力装置进行测量的每一次循环为一次检测周期,对第二类异常点区域中的每一点位对应的测力装置分别进行测量为一校验周期。
5.根据权利要求4所述的一种基于人工智能的船舶靠泊撞击力测试方法,其特征在于,具体步骤还包括:
S5通过显示模块接收并显示最终压电变化矩阵图形集以及标记的各等差域值区域、第一类异常点区域、第二类异常点区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311468143.0A CN117191246B (zh) | 2023-11-07 | 2023-11-07 | 一种基于人工智能的船舶靠泊撞击力测试系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311468143.0A CN117191246B (zh) | 2023-11-07 | 2023-11-07 | 一种基于人工智能的船舶靠泊撞击力测试系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117191246A CN117191246A (zh) | 2023-12-08 |
CN117191246B true CN117191246B (zh) | 2024-02-06 |
Family
ID=89002034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311468143.0A Active CN117191246B (zh) | 2023-11-07 | 2023-11-07 | 一种基于人工智能的船舶靠泊撞击力测试系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117191246B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101672707A (zh) * | 2009-09-25 | 2010-03-17 | 河海大学 | 一种船舶对闸墙碰擦力测试方法 |
CN103335764A (zh) * | 2013-05-10 | 2013-10-02 | 厦门大学 | 一种可定位冲击传感器 |
CN103438794A (zh) * | 2013-08-13 | 2013-12-11 | 南京航空航天大学 | 一种基于压电传感网络的工程结构冲击位置确定方法 |
CN106504276A (zh) * | 2016-10-25 | 2017-03-15 | 桂林电子科技大学 | 非局部立体匹配算法的组合匹配代价算法和视差联合填充算法 |
CN109360385A (zh) * | 2018-12-12 | 2019-02-19 | 重庆交通大学 | 对船舶靠泊安全状态的监测方法及装置 |
CN109615934A (zh) * | 2019-01-17 | 2019-04-12 | 武汉烽理光电技术有限公司 | 桥梁防撞风险评估方法及系统 |
CN114187569A (zh) * | 2021-12-02 | 2022-03-15 | 西安电子科技大学 | 一种皮尔森系数矩阵与注意力融合的实时目标检测方法 |
CN114551713A (zh) * | 2020-11-24 | 2022-05-27 | 环球水泥股份有限公司 | 具有交叉电极的压力传感器 |
CN115603466A (zh) * | 2022-12-14 | 2023-01-13 | 江苏交科能源科技发展有限公司(Cn) | 一种基于人工智能视觉识别的船舶岸电系统及其控制方法 |
-
2023
- 2023-11-07 CN CN202311468143.0A patent/CN117191246B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101672707A (zh) * | 2009-09-25 | 2010-03-17 | 河海大学 | 一种船舶对闸墙碰擦力测试方法 |
CN103335764A (zh) * | 2013-05-10 | 2013-10-02 | 厦门大学 | 一种可定位冲击传感器 |
CN103438794A (zh) * | 2013-08-13 | 2013-12-11 | 南京航空航天大学 | 一种基于压电传感网络的工程结构冲击位置确定方法 |
CN106504276A (zh) * | 2016-10-25 | 2017-03-15 | 桂林电子科技大学 | 非局部立体匹配算法的组合匹配代价算法和视差联合填充算法 |
CN109360385A (zh) * | 2018-12-12 | 2019-02-19 | 重庆交通大学 | 对船舶靠泊安全状态的监测方法及装置 |
CN109615934A (zh) * | 2019-01-17 | 2019-04-12 | 武汉烽理光电技术有限公司 | 桥梁防撞风险评估方法及系统 |
CN114551713A (zh) * | 2020-11-24 | 2022-05-27 | 环球水泥股份有限公司 | 具有交叉电极的压力传感器 |
CN114187569A (zh) * | 2021-12-02 | 2022-03-15 | 西安电子科技大学 | 一种皮尔森系数矩阵与注意力融合的实时目标检测方法 |
CN115603466A (zh) * | 2022-12-14 | 2023-01-13 | 江苏交科能源科技发展有限公司(Cn) | 一种基于人工智能视觉识别的船舶岸电系统及其控制方法 |
Non-Patent Citations (4)
Title |
---|
刘启钢.《铁路物流服务需求传递理论与服务方案设计技术》.2017,第149页. * |
船舶靠泊过程撞击力测试系统开发;吉顺莉;《舰船科学技术》;第45卷(第4期);全文 * |
许春晓.《旅游研究方法》.2018,第145-146页. * |
黄少罗.《MATLAB 2020图形与图像处理从入门到精通》.2021,第219-220页. * |
Also Published As
Publication number | Publication date |
---|---|
CN117191246A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108956614B (zh) | 一种基于机器视觉的矿用钢丝绳动态探伤检测方法和装置 | |
JP6240206B2 (ja) | 変位場およびひずみ場の測定方法、および、材料試験機 | |
US20110106459A1 (en) | In-situ optical crack measurement using a dot pattern | |
KR20190025474A (ko) | 플랜트 데이터 예측 장치 및 방법 | |
CN116665148A (zh) | 基于合成孔径雷达数据的海上船舶检测方法 | |
KR102582180B1 (ko) | Ai를 활용한 소하천 스마트 예측 관리 시스템 및 그방법 | |
CN115861256A (zh) | 基于知识蒸馏结合图像重构的异常检测方法 | |
JP2005536739A (ja) | 圧縮型記号体系ひずみゲージ | |
CN116824570B (zh) | 一种基于深度学习的吃水检测方法 | |
CN111783326B (zh) | 基于风速和动响应测试的输电塔结构风致安全性评估方法 | |
KR20210123436A (ko) | 디지털 트윈을 이용한 선체응력 모니터링 시스템 및 이를 이용한 선박의 피로 파괴 예측 방법 | |
CN112598657A (zh) | 缺陷检测方法、装置、模型构造方法和计算机设备 | |
CN117191246B (zh) | 一种基于人工智能的船舶靠泊撞击力测试系统及方法 | |
CN116484921A (zh) | 多物理量特征融合卷积神经网络的裂纹尺寸精准量化方法 | |
CN114187179B (zh) | 一种基于视频监控的遥感图像模拟生成方法及系统 | |
CN110532725A (zh) | 基于数字图像的工程结构力学参数识别方法及系统 | |
Xin et al. | Deep-learning approach based on multi-data fusion for damage recognition of marine platforms under complex loads | |
Youwai et al. | CTrPile: a computer vision and transformer approach for pile capacity estimation from dynamic pile load test | |
Xue et al. | Deep reference autoencoder convolutional neural network for damage identification in parallel steel wire cables | |
CN111739057A (zh) | 一种基于U-net卷积神经网络模型的自由液面识别和提取方法 | |
Chakinala | A study of algorithms based on digital image correlation for embedding in a full-fiield displacement sensor with subpixel resolution | |
JPH11237216A (ja) | 光学歪の評価方法および評価装置 | |
US20240142321A1 (en) | Soft Pressure Sensor Array | |
CN117892590B (zh) | 一种基于裂缝智能识别和有限元反演的混凝土大坝损伤识别及安全评估方法 | |
CN114841953B (zh) | 一种系靠船构件状态测试方法、装置、电子设备及介质 |
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 |