CN117556650A - 深度学习辅助的落石冲击力非接触自动预测方法及系统 - Google Patents
深度学习辅助的落石冲击力非接触自动预测方法及系统 Download PDFInfo
- Publication number
- CN117556650A CN117556650A CN202311081363.8A CN202311081363A CN117556650A CN 117556650 A CN117556650 A CN 117556650A CN 202311081363 A CN202311081363 A CN 202311081363A CN 117556650 A CN117556650 A CN 117556650A
- Authority
- CN
- China
- Prior art keywords
- falling
- impact force
- sequence
- impact
- displacement
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 239000004575 stone Substances 0.000 title claims abstract description 63
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 239000011435 rock Substances 0.000 claims abstract description 55
- 238000006073 displacement reaction Methods 0.000 claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 19
- 230000007246 mechanism Effects 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 230000001681 protective effect Effects 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 6
- 230000008439 repair process Effects 0.000 abstract description 2
- 239000004698 Polyethylene Substances 0.000 description 8
- 238000001514 detection method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- -1 polyethylene Polymers 0.000 description 4
- 229920000573 polyethylene Polymers 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004873 anchoring Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000021715 photosynthesis, light harvesting Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种深度学习辅助的落石冲击力非接触自动预测方法及系统，包括：落石运动轨迹实时追踪模块：采用高速摄像机远距离非接触式监测落石冲击防护网系统全过程图像序列，利用预训练的Swin‑Transformer深度学习网络对落石运动轨迹进行全过程追踪识别；落石冲击力高精度预测模块：使用预先建立的精确有限元模型提取落石冲击力和位移时程，创建训练数据集，使用基于自注意力机制的序列到序列Transformer神经网络对落石冲击力与位移时程之间的复杂关系进行建模，通过非接触式监测落石位移图像序列作为网络输入，高精度预测落石作用于防护网系统冲击力时程。本发明具有非接触、远程监测和高精度预测的优势，提高了落石灾害下柔性防护系统的性态快速评定与应急抢修效率。
Description
技术领域
本发明涉及落石冲击力预测技术领域，具体涉及一种深度学习辅助的落石冲击力非接触自动预测方法及系统。
背景技术
落石崩塌是山区常见的自然灾害类型，严重威胁公路、桥梁等交通基础设施，甚至造成严重的人员伤亡。被动柔性防护结构由于具有成本低、安装方便、防护水平高等独特优势，在山区得到了广泛应用。柔性屏障系统由拦截系统、支撑系统、消能系统和由锚杆、锚索和底座组成的锚固系统组成。该系统的核心是它通过大规模弹塑性变形和能量吸收组件来吸收显著水平的冲击能量的能力。目前，柔性防护结构的状态评估主要依赖接触式传感器，落石冲击力是柔性防护系统状态评估和结构设计的基础，研究落石冲击力的方法主要有数值模拟、理论计算和实验测试等方法。在实验室条件下，通过在落锤内部安装加速度计、应变计、测力元件等接触式传感器获取冲击力，或在柔性保护结构上进行动态响应测量，测量落锤冲击下柔性保护系统的冲击力和动态响应。而在实际工况应用中，接触式传感器安装困难、在落石冲击下容易损坏等问题，限制了传统接触式传感器的应用。在柔性防护结构领域，目前还没有一种数据驱动的非接触式视觉测量冲击力预测方法。
发明内容
为解决现有技术中存在的问题，本发明提供了一种深度学习辅助的落石冲击力非接触自动预测方法及系统，本发明具有非接触、远程监测和高精度预测的优势，可实现落石冲击被动柔性防护系统全过程的全自动监测，提高了落石崩塌灾害下防护系统和运输基础设施的应急响应效率，解决了上述背景技术中提到的问题。
为实现上述目的，本发明提供如下技术方案：一种深度学习辅助的落石冲击力非接触自动预测方法，包括以下步骤：
S1、落石冲击被动柔性防护网系统全过程图像序列远程监测和基于深度学习的落石运动轨迹实时追踪；
S2、基于序列到序列神经网络的落石冲击力非接触式高精度预测。
优选的，在步骤S1中，具体包括如下：
S11、根据ROI确定高分辨率高速摄像机的位置和数量；
S12、利用高分辨率高速摄像机远距离非接触式捕捉监测落石冲击柔性防护系统的全过程图像序列；
S13、利用预训练的Swin-Transform深度神经网络跟踪落石运动轨迹；
S14、通过提取训练好的神经网络中检测边界框的像素坐标，利用左上角坐标和右下角坐标计算边界框的中心坐标，将参考图像的目标中心坐标与后续图像的目标中心坐标相减，便计算得到落石运动的二维位移；
S15、利用X、Y方向的落石运动轨迹，可以得到相对于参考帧图像的冲击角度。
优选的，在步骤S13中，利用以下损失函数对搭建的Swin-Transform网络模型进行训练：
L＝Lcls+Lbox
其中：Lcls为边界框的分类损失值，Lbox为边界框的回归损失值；
采用二值交叉熵计算Lcls，即：
其中：pi是预测结果是目标的概率，是预测结果不是目标的概率；
回归损失的计算公式为：
其中：t表示目标的预测偏移量，t*表示目标的实际偏移量。
优选的，在步骤S2中，具体包括如下：
S21、柔性防护系统在落石冲击下的位移和冲击力关系是复杂的非线性关系，通过数值仿真数据和实验测试结果建立训练数据集；
S22、建立冲击力-位移关系模型；在训练数据集生成后，使用基于自注意力机制的序列到序列Transformer神经网络对落石冲击力与位移时程之间的复杂关系进行建模，加入位置编码来提供时间信息以解决时间预测问题，表示为：
其中：PEp，2r表示第p个时间步的第2r个向量的位置编码，Dk表示输出的维度；PEp，2r+1表示第p个时间步的第2r+1个向量的位置编码；
当神经网络处理每个序列数据时，自注意力机制允许模型关注向量中的当前位置值以及其他位置，从而更好地对向量进行编码和解码，其计算公式为：
其中：Q、K、V分别表示三个在训练过程中随机初始化权重矩阵，dk是缩放因子，T表示对K矩阵进行转置；
S23、采用自适应优化算法随机梯度下降SGD作为冲击力-位移关系模型的优化器；选取MSE损失函数作为模型的评价标准，定义如下：
其中，xn是输入，yn是目标输出，f(xn)是重构值，N是批处理大小；
S24、建立冲击力-位移关系模型后，利用步骤S2中的非接触式获取的位移图像序列作为步骤2中序列到序列网络的输入数据，高精度预测落石冲击被动柔性防护系统的动态冲击力。
优选的，在步骤S21中，具体包括：在LS-DYNA中建立了各种柔性防护系统的精确有限元模型，以模拟落石冲击过程，并从建立的数值模型中提取落石冲击力和位移时程，用于创建训练数据集。
另一方面，为实现上述目的，本发明还提供了如下技术方案：一种深度学习辅助的落石冲击力非接触自动预测系统，所述系统包括：
落石运动轨迹实时追踪模块：采用高速摄像机远距离非接触式监测落石冲击防护网系统全过程图像序列，利用预训练的Swin-Transformer深度学习网络对落石运动轨迹进行全过程追踪识别；
落石冲击力高精度预测模块：使用预先建立的精确有限元模型提取落石冲击力和位移时程，创建训练数据集，使用基于自注意力机制的序列到序列Transformer神经网络对落石冲击力与位移时程之间的复杂关系进行建模，进而通过非接触式监测落石位移图像序列作为网络输入，高精度预测落石作用于防护网系统冲击力时程。
本发明的有益效果：
1)本发明方法使用轻量级的Swin-transformer神经网络从相机拍摄的图像中提取落石的运动轨迹，并通过目标检测框提取落石的二维位移；
2)本发明建立了基于视觉的落石冲击非接触式位移的高精度冲击力时序深度学习模型；在神经网络中融入自注意力机制，挖掘序列数据中潜在的时空相关性，显著提升预测性能；
3)本发明方法具有非接触式重建落石对柔性防护结构冲击力的独特优势，针对被动柔性防护系统实现基于深度学习数据驱动的全自动非接触冲击力预测，克服了传统传感技术成本高、传感器安装困难、易被落石破坏等问题，具有独特的遥感和高精度优势。
附图说明
图1为实施例中一种深度学习辅助的落石冲击力非接触自动预测方法步骤流程图；
图2为实施例中落石运动轨迹检测设备架设示意图；
图3为实施例中目标检测深度学习算法训练数据库示意图；
图4为实施例中落石轨迹提取示意图；
图5为实施例中序列到序列冲击力训练数据库示意图；
图6为实施例中序列到序列落石冲击力预测神经网络示意图；
图7为实施例中本发明落石轨迹提取和冲击力预测与数值模型结果对比示意图；
图中，1-落石运动轨迹实时追踪模块；2-落石冲击力高精度预测模块。
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。
本发明提供一种技术方案：一种深度学习辅助的落石冲击力非接触自动预测方法，如图1所示，包括以下步骤：
S1、落石冲击被动柔性防护网系统全过程图像序列远程监测和基于深度学习的落石运动轨迹实时追踪；具体包括如下：
S11、根据ROI确定高分辨率高速摄像机的位置和数量；
S12、利用高分辨率高速摄像机远距离非接触式捕捉监测落石冲击柔性防护系统的全过程图像序列；
S13、利用预训练的Swin-Transform深度神经网络跟踪落石运动轨迹；利用以下损失函数对搭建的Swin-Transform网络模型进行训练：
L＝Lcls+Lbox
其中：Lcls为边界框的分类损失值，Lbox为边界框的回归损失值；
采用二值交叉熵计算Lcls，即：
其中：pi是预测结果是目标的概率，是预测结果不是目标的概率；
回归损失的计算公式为：
其中：t表示目标的预测偏移量，t*表示目标的实际偏移量。
S14、通过提取训练好的神经网络中检测边界框的像素坐标，利用左上角坐标和右下角坐标计算边界框的中心坐标，将参考图像的目标中心坐标与后续图像的目标中心坐标相减，便计算得到落石运动的二维位移；
S15、利用X、Y方向的落石运动轨迹，可以得到相对于参考帧图像的冲击角度。
S2、基于序列到序列神经网络的落石冲击力非接触式高精度预测，具体包括如下：
S21、通过数值仿真数据和实验测试结果建立训练数据集，具体包括：在LS-DYNA中建立了各种柔性防护系统的精确有限元模型，以模拟落石冲击过程，并从建立的数值模型中提取落石冲击力和位移时程，用于创建训练数据集；
S22、建立冲击力-位移关系模型；在训练数据集生成后，使用基于自注意力机制的序列到序列Transformer神经网络对落石冲击力与位移时程之间的复杂关系进行建模，加入位置编码来提供时间信息以解决时间预测问题，表示为：
其中：PEp，2r表示第p个时间步的第2r个向量的位置编码，Dk表示输出的维度；PEp，2r+1表示第p个时间步的第2r+1个向量的位置编码；
当神经网络处理每个序列数据时，自注意力机制允许模型关注向量中的当前位置值以及其他位置，从而更好地对向量进行编码和解码，其计算公式为：
其中：Q、K、V分别表示三个在训练过程中随机初始化权重矩阵，dk是缩放因子，T表示对K矩阵进行转置；
S23、采用自适应优化算法随机梯度下降SGD作为冲击力-位移关系模型的优化器；选取MSE损失函数作为模型的评价标准，定义如下：
其中，xn是输入，yn是目标输出，f(xn)是重构值，N是批处理大小；
S24、建立冲击力-位移关系模型后，利用步骤S1中的非接触式获取的位移图像序列作为步骤S22中序列到序列网络的输入数据，高精度预测落石冲击被动柔性防护系统的动态冲击力。
一种深度学习辅助的落石冲击力非接触自动预测系统，如图1所示，包括：
落石运动轨迹实时追踪模块1：采用高速摄像机远距离非接触式监测落石冲击防护网系统全过程图像序列，利用预训练的Swin-Transformer深度学习网络对落石运动轨迹进行全过程追踪识别；
落石冲击力高精度预测模块2：使用预先建立的精确有限元模型提取落石冲击力和位移时程，创建训练数据集，使用基于自注意力机制的序列到序列Transformer神经网络对落石冲击力与位移时程之间的复杂关系进行建模，进而通过非接触式监测落石位移图像序列作为网络输入，高精度预测落石作用于防护网系统冲击力时程。
本发明方法中，包括一个基于Swin-transformer的落石轨迹提取目标检测方法，以及一个带有注意力机制的序列到序列(Seq to Seq)深度学习架构，用于重建落石对柔性防护结构的冲击力。首先，使用轻量级的Swin-transformer神经网络从相机拍摄的图像中提取落石的运动轨迹，并通过目标检测框提取落石的二维位移；其次，建立基于视觉的落石冲击非接触式位移的高精度冲击力时序深度学习模型；在神经网络中融入自注意力机制，挖掘序列数据中潜在的时空相关性，显著提升预测性能。
实验验证
使用设计防护能级750kJ和2000kJ被动柔性防护足尺试验现场测试来证明本发明方法的有效性。
1)落石运动信息提取：试验模型为三跨柔性防护结构，利用高速相机拍摄落石冲击防护网结构中间跨的全过程图像序列，架设高速相机拍摄冲击全过程，如图2所示，用于获取落石运动图像序列。收集检测目标图像，构建深度学习算法训练数据库，如图3所示，搭建Swin-transformer目标检测网络。将获取的落石冲击运动图像序列作为输入，使用训练后的网络对落石冲击过程进行目标检测，获得落石运动过程像素角点坐标，通过比较与参考帧的像素位移，即可准确提取落石冲击位移和冲击角度时程，如图4所示。
2)基于序列到序列的神经网络落石冲击力非接触式高精度预测：在训练神经网络之前，在LS-DYNA中建立了各种柔性屏障系统的精确有限元模型，以模拟落石冲击过程。从建立的数值模型中提取冲击力和位移历史，创建训练数据集，如图5所示；使用基于自注意力机制的序列到序列建立Transformer神经网络，使用编码器和解码器(Decoder)的序列到序列的框架，在其中加入了位置编码(Positional-Encoding)和自注意力层(Self-Attention)，进行多次非线性变换，对岩崩冲击力与位移时程之间的复杂关系进行序列到序列的建模，如图6所示。利用上一步骤中获取的非接触位移测量数据作为输入数据，可以预测落石冲击力。为验证本发明方法的正确性，建立对应能级的落石冲击数值模型，本发明方法与数值模拟结果对比如图7所示，从中可以看出，本发明方法提取了落石竖向位移、角度，准确预测了动态冲击力，本方法结果与数值模拟结果基本一致，验证了本发明方法的正确性与鲁棒性。所识别结果可以为柔性防护结构的运营维护提供关键数据支撑。
综上，本发明具有非接触、远程监测和高精度预测的优势，提高了落石灾害下柔性防护系统的性态快速评定与应急抢修效率。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种深度学习辅助的落石冲击力非接触自动预测方法，其特征在于，包括以下步骤：
S1、落石冲击被动柔性防护网系统全过程图像序列远程监测和基于深度学习的落石运动轨迹实时追踪；
S2、基于序列到序列神经网络的落石冲击力非接触式高精度预测。
2.根据权利要求1所述的深度学习辅助的落石冲击力非接触自动预测方法，其特征在于：在步骤S1中，具体包括如下：
S11、根据ROI确定高分辨率高速摄像机的位置和数量；
S12、利用高分辨率高速摄像机远距离非接触式捕捉监测落石冲击柔性防护系统的全过程图像序列；
S13、利用预训练的Swin-Transform深度神经网络跟踪落石运动轨迹；
S14、通过提取训练好的神经网络中检测边界框的像素坐标，利用左上角坐标和右下角坐标计算边界框的中心坐标，将参考图像的目标中心坐标与后续图像的目标中心坐标相减，便计算得到落石运动的二维位移；
S15、利用X、Y方向的落石运动轨迹，可以得到相对于参考帧图像的冲击角度。
3.根据权利要求2所述的深度学习辅助的落石冲击力非接触自动预测方法，其特征在于：在步骤S13中，利用以下损失函数对搭建的Swin-Transform网络模型进行训练：
L＝Lcls+Lbox
其中：Lcls为边界框的分类损失值，Lbox为边界框的回归损失值；
采用二值交叉熵计算Lcls，即:
其中：pi是预测结果是目标的概率，是预测结果不是目标的概率；
回归损失的计算公式为：
其中：t表示目标的预测偏移量，t*表示目标的实际偏移量。
4.根据权利要求1所述的深度学习辅助的落石冲击力非接触自动预测方法，其特征在于：在步骤S2中，具体包括如下：
S21、柔性防护系统在落石冲击下的位移和冲击力关系是复杂的非线性关系，通过数值仿真数据和实验测试结果建立训练数据集；
S22、建立冲击力-位移关系模型；在训练数据集生成后，使用基于自注意力机制的序列到序列Transformer神经网络对落石冲击力与位移时程之间的复杂关系进行建模，加入位置编码来提供时间信息以解决时间预测问题，表示为：
当神经网络处理每个序列数据时，自注意力机制允许模型关注向量中的当前位置值以及其他位置，从而更好地对向量进行编码和解码，其计算公式为：
S23、采用自适应优化算法随机梯度下降SGD作为冲击力-位移关系模型的优化器；选取MSE损失函数作为模型的评价标准，定义如下:
S24、建立冲击力-位移关系模型后，利用步骤S1中非接触式获取的位移序列作为步骤S2中序列到序列网络的输入数据，高精度预测落石冲击被动柔性防护系统的动态冲击力。
5.根据权利要求4所述的深度学习辅助的落石冲击力非接触自动预测方法，其特征在于：在步骤S21中，具体包括：在LS-DYNA中建立了各种柔性防护系统的精确有限元模型，以模拟落石冲击过程，并从建立的数值模型中提取落石冲击力和位移时程，用于创建训练数据集。
6.一种深度学习辅助的落石冲击力非接触自动预测系统，其特征在于：所述系统包括：
落石运动轨迹实时追踪模块(1)：采用高速摄像机远距离非接触式监测落石冲击防护网系统全过程图像序列，利用预训练的Swin-Transformer深度学习网络对落石运动轨迹进行全过程追踪识别；
落石冲击力高精度预测模块(2)：使用预先建立的精确有限元模型提取落石冲击力和位移时程，创建训练数据集，使用基于自注意力机制的序列到序列Transformer神经网络对落石冲击力与位移时程之间的复杂关系进行建模，进而通过非接触式监测落石位移图像序列作为网络输入，高精度预测落石作用于防护网系统冲击力时程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311081363.8A CN117556650B (zh) | 2023-08-25 | 2023-08-25 | 深度学习辅助的落石冲击力非接触自动预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311081363.8A CN117556650B (zh) | 2023-08-25 | 2023-08-25 | 深度学习辅助的落石冲击力非接触自动预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117556650A true CN117556650A (zh) | 2024-02-13 |
| CN117556650B CN117556650B (zh) | 2024-06-25 |
Family
ID=89822178
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311081363.8A Active CN117556650B (zh) | 2023-08-25 | 2023-08-25 | 深度学习辅助的落石冲击力非接触自动预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117556650B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109506870A (zh) * | 2018-11-06 | 2019-03-22 | 西南交通大学 | 一种用于落石防护系统消能器动力试验的绳索式导引定向冲击装置 |
| CN110222369A (zh) * | 2019-05-05 | 2019-09-10 | 西南交通大学 | 一种考虑回填缓冲层材料强化的落石冲击力计算方法 |
| CN110472597A (zh) * | 2019-07-31 | 2019-11-19 | 中铁二院工程集团有限责任公司 | 基于深度学习的岩石图像风化程度检测方法及系统 |
| US20190360334A1 (en) * | 2017-05-23 | 2019-11-28 | Shandong University | Intelligent steel arch flexible protection device for rockfall and landslide of tunnels |
| CN113744291A (zh) * | 2021-09-01 | 2021-12-03 | 江苏徐工工程机械研究院有限公司 | 一种基于深度学习的矿山落石检测方法和装置 |
| CN115060185A (zh) * | 2022-06-07 | 2022-09-16 | 西南交通大学 | 一种落石灾害柔性防护结构非接触视觉监测系统及方法 |
| CN115588027A (zh) * | 2022-10-21 | 2023-01-10 | 西南交通大学 | 一种落石冲击力非接触式重构方法及系统 |
-
2023
- 2023-08-25 CN CN202311081363.8A patent/CN117556650B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190360334A1 (en) * | 2017-05-23 | 2019-11-28 | Shandong University | Intelligent steel arch flexible protection device for rockfall and landslide of tunnels |
| CN109506870A (zh) * | 2018-11-06 | 2019-03-22 | 西南交通大学 | 一种用于落石防护系统消能器动力试验的绳索式导引定向冲击装置 |
| CN110222369A (zh) * | 2019-05-05 | 2019-09-10 | 西南交通大学 | 一种考虑回填缓冲层材料强化的落石冲击力计算方法 |
| CN110472597A (zh) * | 2019-07-31 | 2019-11-19 | 中铁二院工程集团有限责任公司 | 基于深度学习的岩石图像风化程度检测方法及系统 |
| CN113744291A (zh) * | 2021-09-01 | 2021-12-03 | 江苏徐工工程机械研究院有限公司 | 一种基于深度学习的矿山落石检测方法和装置 |
| CN115060185A (zh) * | 2022-06-07 | 2022-09-16 | 西南交通大学 | 一种落石灾害柔性防护结构非接触视觉监测系统及方法 |
| CN115588027A (zh) * | 2022-10-21 | 2023-01-10 | 西南交通大学 | 一种落石冲击力非接触式重构方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| YONGDING TIAN: "Noncontact vision-based impact force reconstruction and spatial-temporal deflection tracking of a flexible barrier system under rockfall impact", COMPUTERS AND GEOTECHNICS, vol. 153, 22 October 2022 (2022-10-22), pages 1 - 14 * |
| 余志祥;张丽君;骆丽茹;金云涛;赵雷: "韧性挑篷防护网系统抗冲击性能研究", 岩石力学与工程学报, vol. 39, no. 12, 1 December 2020 (2020-12-01), pages 2505 - 2516 * |
| 宋男男;王林峰;宋小波;闻锋;: "落石冲击作用下柔性被动防护系统结构的动力响应分析", 安阳工学院学报, no. 06, 20 November 2017 (2017-11-20), pages 97 - 100 * |
| 李丽敏;温宗周;李璐;刘超;赵建新;: "基于多参数融合和RBF神经网络的泥石流预报", 西安工程大学学报, vol. 31, no. 01, 10 March 2017 (2017-03-10), pages 77 - 81 * |
| 金云涛;余志祥;郭立平;骆丽茹;张丽君: "柔性落石防护系统丝束环形网拉–弯刚度协调模型", 岩石力学与工程学报, vol. 42, no. 3, 1 March 2023 (2023-03-01), pages 698 - 707 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117556650B (zh) | 2024-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fathnejat et al. | A data-driven structural damage identification approach using deep convolutional-attention-recurrent neural architecture under temperature variations | |
| Ge et al. | Real time monitoring and evaluation of overturning risk of single-column-pier box-girder bridges based on identification of spatial distribution of moving loads | |
| Chen et al. | Attention mechanism based neural networks for structural post-earthquake damage state prediction and rapid fragility analysis | |
| Zhang et al. | The application of deep learning in bridge health monitoring: a literature review | |
| Pan et al. | Sensor placement and seismic response reconstruction for structural health monitoring using a deep neural network | |
| Yessoufou et al. | One-class convolutional neural network (OC-CNN) model for rapid bridge damage detection using bridge response data | |
| Huang et al. | A deep learning augmented vision-based method for measuring dynamic displacements of structures in harsh environments | |
| Peng et al. | Structural surrogate model and dynamic response prediction with consideration of temporal and spatial evolution: An encoder–decoder ConvLSTM network | |
| Wang et al. | Target-free recognition of cable vibration in complex backgrounds based on computer vision | |
| CN117556650B (zh) | 深度学习辅助的落石冲击力非接触自动预测方法及系统 | |
| Tian et al. | Noncontact vision-based impact force reconstruction and spatial-temporal deflection tracking of a flexible barrier system under rockfall impact | |
| CN115588027B (zh) | 一种落石冲击力非接触式重构方法及系统 | |
| Zhang et al. | Post-earthquake structural damage assessment and damage state evaluation for RC structures with experimental validation | |
| Huang et al. | A photogrammetric system for tunnel underbreak and overbreak detection | |
| Skibniewski et al. | Web-based real time bridge scour monitoring system for disaster management | |
| CN114663840B (zh) | 隧道环境的巡检设备监控方法及系统 | |
| CN111650587B (zh) | 一种顾及移动规律的矿区地表三维动态形变估计方法、装置及存储介质 | |
| Deng et al. | Identification of behavioral features of bridge structure based on static image sequences | |
| Yang et al. | Deep learning-based automatic rockfall impact force reconstruction for flexible barrier systems in full-scale tests | |
| Xu et al. | Vehicle-induced deflection prediction using long short-term memory networks | |
| Entezami et al. | Pioneering Remote Sensing in Structural Health Monitoring | |
| CN117669389B (zh) | 基于深度学习的地震-车-桥系统随机振动分析方法 | |
| Zhang et al. | Intelligent identification of moving forces based on visual perception | |
| Qian et al. | Rapid damage assessment of regional beam bridges after earthquake based on simplified models and different seismic inputs | |
| Obiechefu | Computer vision-based structural health monitoring and condition assessment for small to medium-span bridges |
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 |