CN118171069B - 基于三维点云的桥梁状态分析方法及系统 - Google Patents

Abstract

本发明实施例涉及数据处理技术领域，具体而言，涉及一种基于三维点云的桥梁状态分析方法及系统，通过综合运用三维点云扫描技术、数据分析以及机器学习网络，实现了对桥梁状态的全面、精准监测和分析，这不仅可以提高桥梁检测的效率和准确性，更能为预防桥梁安全事故、保障交通运输安全提供有力支持，从而解决了传统桥梁检测方法中存在的问题。

Description

基于三维点云的桥梁状态分析方法及系统

技术领域

本发明涉及数据处理技术领域，具体而言，涉及一种基于三维点云的桥梁状态分析方法及系统。

背景技术

随着城市化进程的迅猛发展和交通运输的日益繁忙，桥梁作为连接城市各个重要节点的关键交通枢纽，承载着日益增长的交通流量。在这样的背景下，桥梁的安全性和稳定性不仅关乎交通的顺畅，更直接关系到人民生命财产的安全。因此，对桥梁状态的实时监测和精确评估，成为了当今城市管理和交通规划中的一项紧迫任务。

然而，传统的桥梁检测方法主要依赖人工巡检和定期的检测评估，这种方法不仅耗时耗力，效率低下，而且受限于检测人员的专业水平和经验，往往难以及时、准确地发现桥梁的潜在问题和安全隐患。特别是在极端天气或复杂环境下，传统的检测方法的局限性更加凸显，难以提供全面、客观、实时的桥梁状态信息。

因此，开发一种能够实时监测和评估桥梁状态的技术显得尤为重要。

发明内容

为了至少克服现有技术中的上述不足，本发明的目的之一在于提供一种基于三维点云的桥梁状态分析方法及系统。

本发明实施例提供了一种基于三维点云的桥梁状态分析方法，获取三维桥梁点云扫描信息，所述三维桥梁点云扫描信息中包括至少一个桥梁结构区域的力学载荷状态向量和区域关系描述向量，所述桥梁结构区域包括若干个结构单位，所述力学载荷状态向量用于表征所述桥梁结构区域的力学负载变化趋势，所述区域关系描述向量用于表征所述桥梁结构区域的分布特征；

获取所述三维桥梁点云扫描信息对应的先验指示数据，所述先验指示数据用于表征各个所述桥梁结构区域的异常结构单位种类比例；

依据所述至少一个桥梁结构区域的区域关系描述向量，得到相关性特征，所述相关性特征用于表征各个所述桥梁结构区域之间的相关度；

依据所述至少一个桥梁结构区域的力学载荷状态向量、所述先验指示数据和所述相关性特征，对第一桥梁状态分析网络进行调试，得到调试后的第一桥梁状态分析网络，所述调试后的第一桥梁状态分析网络用于对所述桥梁结构区域的异常结构单位种类比例进行识别。

优选的，所述第一桥梁状态分析网络包括第一桥梁状态分析子网、第二桥梁状态分析子网和异常结构单元决策子网，所述第一桥梁状态分析子网包括第一特征挖掘组件和第一特征分析组件，所述第二桥梁状态分析子网包括第二特征挖掘组件和第二特征分析组件；

所述依据所述至少一个桥梁结构区域的力学载荷状态向量、所述先验指示数据和所述相关性特征，对第一桥梁状态分析网络进行调试，得到调试后的第一桥梁状态分析网络，包括：

通过所述第一特征挖掘组件依据所述至少一个桥梁结构区域的力学载荷状态向量，得到第一桥梁载荷状态嵌入特征；

通过所述第二特征挖掘组件依据所述第一桥梁载荷状态嵌入特征和所述相关性特征，得到第二桥梁载荷状态嵌入特征；

将所述第一桥梁载荷状态嵌入特征和所述第二桥梁载荷状态嵌入特征进行组合，得到第三桥梁载荷状态嵌入特征；

通过所述第一特征分析组件依据所述第三桥梁载荷状态嵌入特征，得到更新的至少一个桥梁结构区域的力学载荷状态向量；

通过所述第二特征分析组件依据所述第三桥梁载荷状态嵌入特征，得到更新的相关性特征；

通过所述异常结构单元决策子网依据所述第三桥梁载荷状态嵌入特征，得到第一决策观点，所述第一决策观点用于表征所述第一桥梁状态分析网络对各个所述桥梁结构区域的异常结构单位种类比例的识别结果；

依据所述至少一个桥梁结构区域的力学载荷状态向量、所述更新的至少一个桥梁结构区域的力学载荷状态向量、所述相关性特征、所述更新的相关性特征、所述第一决策观点和所述先验指示数据，对所述第一桥梁状态分析网络的网络偏置权重进行改进，得到所述改进后的第一桥梁状态分析网络。

优选的，所述依据所述至少一个桥梁结构区域的力学载荷状态向量、所述更新的至少一个桥梁结构区域的力学载荷状态向量、所述相关性特征、所述更新的相关性特征、所述第一决策观点和先验指示数据，对所述第一桥梁状态分析网络的网络偏置权重进行改进，得到所述改进后的第一桥梁状态分析网络，包括：

依据所述至少一个桥梁结构区域的力学载荷状态向量和所述更新的至少一个桥梁结构区域的力学载荷状态向量，确定出第一更新误差，所述第一更新误差用于表征所述至少一个桥梁结构区域的力学载荷状态向量和所述更新的至少一个桥梁结构区域的力学载荷状态向量之间的区别；

依据所述相关性特征和所述更新的相关性特征，确定出第二更新误差，所述第二更新误差用于表征所述相关性特征和所述更新的相关性特征之间的区别；

依据所述第一决策观点和所述先验指示数据，确定出决策误差，所述决策误差用于表征所述第一决策观点和所述先验指示数据之间的区别；

对所述第一更新误差、所述第二更新误差和所述决策误差进行整合，得到第一训练误差，所述第一训练误差用于反映所述第一桥梁状态分析网络识别异常结构单位种类比例的质量评价；

根据所述第一训练误差，对所述第一桥梁状态分析网络的网络偏置权重进行改进，得到所述调试后的第一桥梁状态分析网络。

优选的，所述获取所述三维桥梁点云扫描信息对应的先验指示数据，包括：

通过调试后的第二桥梁状态分析网络依据所述至少一个桥梁结构区域的力学载荷状态向量，得到所述先验指示数据。

优选的，所述方法还包括：

获取所述三维桥梁点云扫描信息对应的三维桥梁点云认证信息，所述三维桥梁点云认证信息用于表征多个异常结构单位种类分别对应的力学负载变化趋势，所述多个异常结构单位种类包括所述若干个结构单位分别对应的异常结构单位种类；

依据所述三维桥梁点云认证信息，生成三维桥梁点云衍生信息，所述三维桥梁点云衍生信息包括至少一个衍生的桥梁结构区域的力学载荷状态向量；

依据所述三维桥梁点云衍生信息，对所述第二桥梁状态分析网络进行调试，得到所述调试后的第二桥梁状态分析网络。

优选的，所述依据所述三维桥梁点云认证信息，生成三维桥梁点云衍生信息，包括：

依据所述多个异常结构单位种类包括的异常结构单位种类的个数，生成第一异常单位热力谱，所述第一异常单位热力谱用于表征各个所述衍生的桥梁结构区域分别对应的异常结构单位种类个数的异常单位热力谱；

依据所述第一异常单位热力谱，生成先验指示衍生数据，所述先验指示衍生数据用于表征各个所述衍生的桥梁结构区域的异常结构单位种类比例；

依据所述三维桥梁点云认证信息和所述先验指示衍生数据，生成所述三维桥梁点云衍生信息。

优选的，在所述第一异常单位热力谱中，所述异常结构单位种类个数越小，所述异常结构单位种类个数对应的置信权重越高。

优选的，所述依据所述三维桥梁点云衍生信息，对所述第二桥梁状态分析网络进行调试，得到所述调试后的第二桥梁状态分析网络，包括：

通过所述第二桥梁状态分析网络依据所述三维桥梁点云衍生信息，得到第二决策观点，所述第二决策观点用于表征所述第二桥梁状态分析网络对各个所述衍生的桥梁结构区域的异常结构单位种类比例的识别结果；

依据所述第二决策观点和所述先验指示衍生数据，确定出第二训练误差，所述第二训练误差用于反映所述第二桥梁状态分析网络识别异常结构单位种类比例的质量评价；

依据所述第二训练误差，对所述第二桥梁状态分析网络的网络偏置权重进行改进，得到所述调试后的第二桥梁状态分析网络。

本发明实施例还提供了一种桥梁状态分析系统，包括处理器以及与所述处理器连接的存储器和总线；其中，所述处理器和所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述的基于三维点云的桥梁状态分析方法。

本发明实施例还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的基于三维点云的桥梁状态分析方法。

有益效果

本发明实施例所提供的一种基于三维点云的桥梁状态分析方法及系统，通过综合运用三维点云扫描技术、数据分析以及机器学习网络，能够有效地解决传统桥梁检测方法中存在的问题，实现对桥梁状态的实时监测和精确评估。

首先，通过获取三维桥梁点云扫描信息，本发明实施例能够全面、精确地捕捉桥梁的三维形态和结构特征。其中，力学载荷状态向量反映了桥梁结构区域的力学负载变化趋势，这有助于及时发现桥梁的受力异常和潜在的安全隐患。而区域关系描述向量则揭示了桥梁结构区域的分布特征，为理解桥梁的整体结构和局部细节提供了重要信息。

其次，本发明实施例还引入了先验指示数据，这些数据基于历史数据和专家经验，能够表征各个桥梁结构区域的异常结构单位种类比例。通过与三维桥梁点云扫描信息的结合分析，可以更加准确地判断桥梁的当前状态，并预测可能出现的问题。

此外，本发明实施例还依据区域关系描述向量得到了相关性特征，这一特征能够准确表征各个桥梁结构区域之间的相关度，这有助于理解桥梁结构各部分之间的相互作用，进一步提高了桥梁状态分析的精度和深度。

最后，通过结合力学载荷状态向量、先验指示数据和相关性特征，对第一桥梁状态分析网络进行调试，得到了调试后的第一桥梁状态分析网络，这个网络能够高效、准确地识别桥梁结构区域的异常结构单位种类比例，为桥梁的实时监测和预警提供了强有力的技术支持。

综上所述，本发明实施例通过综合运用三维点云扫描技术、数据分析以及机器学习网络，实现了对桥梁状态的全面、精准监测和分析，这不仅可以提高桥梁检测的效率和准确性，更能为预防桥梁安全事故、保障交通运输安全提供有力支持，从而解决了传统桥梁检测方法中存在的问题。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例所提供的一种基于三维点云的桥梁状态分析方法的流程图。

图2为本发明实施例所提供的一种桥梁状态分析系统的方框示意图。

图标：

100-桥梁状态分析系统；

101-处理器；102-存储器；103-总线。

具体实施方式

下面将参照附图更详细地描述本发明公开的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。

图1为根据本发明一个实施例提供的基于三维点云的桥梁状态分析方法的流程图，应用于桥梁状态分析系统，包括步骤101-步骤104。

步骤101、获取三维桥梁点云扫描信息。

其中，所述三维桥梁点云扫描信息中包括至少一个桥梁结构区域的力学载荷状态向量和区域关系描述向量，所述桥梁结构区域包括若干个结构单位，所述力学载荷状态向量用于表征所述桥梁结构区域的力学负载变化趋势，所述区域关系描述向量用于表征所述桥梁结构区域的分布特征。

在本发明实施例中，三维桥梁点云扫描信息是通过三维激光扫描仪或其他类似设备获取的桥梁详细数据。点云数据是由大量的三维坐标点组成，每一个点都代表桥梁表面上的一个具体位置，这些点集合起来，就形成了一个“云”状的数据集，能够精确地描绘出桥梁的三维形状和结构。

进一步地，桥梁可以被划分为多个不同的结构区域，比如桥墩、桥面、支撑结构等。每个区域都有其特定的功能和结构特性，对于整体桥梁的稳定性和安全性都至关重要。

力学载荷状态向量用于描述桥梁结构区域在不同时间点上的力学负载变化。比如，当有车辆通过桥梁时，桥面会承受一定的压力，这个压力会随着时间的变化而波动。力学载荷状态向量就能够捕捉到这些波动，从而反映出桥梁在实际使用中的力学负载情况。

区域关系描述向量描述的是桥梁各个结构区域之间的空间关系和分布特征。比如，哪个区域与哪个区域相邻，哪个区域支撑着另一个区域等，这些信息对于全面理解桥梁的结构和性能至关重要。

桥梁的每个结构区域又可以进一步细分为多个更小的单元，这些单元被称为结构单位。比如，桥面可以由多个板块组成，每个板块就是一个结构单位，这些结构单位的性能和状态直接影响到其所在结构区域的整体性能。

在步骤101中，桥梁状态分析系统首先通过激光扫描仪获取了桥梁的三维点云扫描信息，这些信息中包含了桥梁各个结构区域的详细数据，包括力学载荷状态向量和区域关系描述向量。力学载荷状态向量反映了桥梁在实际使用中的力学负载变化趋势，而区域关系描述向量则描述了桥梁各个结构区域之间的空间关系和分布特征，这些数据为后续的分析和评估提供了坚实的基础。比如，桥梁状态分析系统可以先对点云数据进行预处理，提取出桥梁的各个结构区域。然后，针对每个区域，系统计算其力学载荷状态向量和区域关系描述向量，这些向量的计算可以涉及到复杂的数学模型和算法，但最终的结果能够为系统提供关于桥梁状态的全面而准确的信息。

步骤102、获取所述三维桥梁点云扫描信息对应的先验指示数据，所述先验指示数据用于表征各个所述桥梁结构区域的异常结构单位种类比例。

在本发明实施例中，先验指示数据是一种基于历史经验和专业知识得出的数据，通常包括了桥梁在不同结构区域内可以出现的异常情况、异常的种类以及这些异常在总结构单位中的比例，这些数据可以作为桥梁状态分析的参考标准，帮助分析和识别桥梁当前的健康状态。

异常结构单位指的是桥梁结构区域中出现的损坏、老化、变形等问题的结构单位，这些异常可以包括裂缝、锈蚀、材料疲劳等，它们对桥梁的安全性和稳定性构成潜在威胁。

异常结构单位种类比例指的是在特定桥梁结构区域内，不同类型的异常结构单位所占的比例。比如，某个区域内裂缝类型的异常可以占30%，而锈蚀类型的异常占20%等，这个比例有助于了解哪种类型的异常在该区域更为普遍，从而制定相应的维护和修复策略。

在步骤102中，桥梁状态分析系统可以获取与三维桥梁点云扫描信息相对应的先验指示数据，这些数据是基于过去的桥梁检测结果、维护记录以及桥梁工程专家的分析和评估得出的。它们为系统提供了一个关于桥梁各个结构区域内可以出现的异常种类及其比例的参考框架。比如，先验指示数据可以包括桥梁各个结构区域内历史上出现过的所有异常类型，以及这些异常在各自区域内的比例。例如，对于桥面区域，先验指示数据可以显示裂缝类型的异常在过去占比较高，而锈蚀类型的异常相对较少，这样的数据可以帮助桥梁状态分析系统更有针对性地去识别和预测当前桥梁结构中可以存在的问题。系统获取这些先验指示数据后，会将其与三维桥梁点云扫描信息进行对比和结合，以便更准确地分析和评估桥梁的当前状态，这种结合先验知识和实时数据的方法，可以大大提高桥梁状态分析的准确性和可靠性。

步骤103、依据所述至少一个桥梁结构区域的区域关系描述向量，得到相关性特征，所述相关性特征用于表征各个所述桥梁结构区域之间的相关度。

在本发明实施例中，相关性特征用于描述两个或多个变量之间的关系程度。在桥梁状态分析的上下文中，相关性特征指的是不同桥梁结构区域之间的关联程度或相互影响的程度，这种相关性可以帮助我们理解一个区域的状态变化如何影响其他区域。而相关度指的是两个或多个桥梁结构区域之间在结构、功能或状态上的相似性或关联性。一个高的相关度意味着这些区域在某种方式上是紧密相连的，一个区域的变化可以显著影响另一个区域。

在步骤103中，桥梁状态分析系统可以依据之前从三维桥梁点云扫描信息中提取的区域关系描述向量，来分析和计算各个桥梁结构区域之间的相关性特征，这些区域关系描述向量已经捕捉到了桥梁各个结构区域之间的空间关系和分布特征，因此是分析区域相关性的重要基础。比如，系统首先对每个区域关系描述向量进行深入分析，理解各个桥梁结构区域之间的相对位置和连接方式。例如，哪些区域是相邻的，哪些区域是通过某种结构相互支撑的，等等。接下来，系统利用复杂的数学模型和算法，比如相关性分析、聚类分析等，来计算这些区域之间的相关性特征，这些特征可以包括相关系数、协方差等统计指标，用于量化不同区域之间的关联程度。最终，系统得出一个关于各个桥梁结构区域之间相关度的全面描述，这个描述可以帮助我们更深入地理解桥梁的整体性能和状态。比如，如果发现两个相邻区域的相关度很高，那么在实际维护中就需要特别注意，因为一个区域的问题可以迅速影响到另一个区域。通过这种方式，桥梁状态分析系统能够为我们提供一个更为全面和深入的桥梁状态评估，从而指导后续的维护和修复工作。

步骤104、依据所述至少一个桥梁结构区域的力学载荷状态向量、所述先验指示数据和所述相关性特征，对第一桥梁状态分析网络进行调试，得到调试后的第一桥梁状态分析网络，所述调试后的第一桥梁状态分析网络用于对所述桥梁结构区域的异常结构单位种类比例进行识别。

在本发明实施例中，第一桥梁状态分析网络是一个基于机器学习或深度学习的模型，专门设计用于分析桥梁状态。网络通过接收和处理与桥梁结构相关的数据，能够输出关于桥梁状态的预测或分类结果。在本次场景中，该网络主要用于识别桥梁结构区域中的异常结构单位种类及其比例。

在步骤104中，桥梁状态分析系统可以利用之前获取的力学载荷状态向量、先验指示数据和相关性特征，对第一桥梁状态分析网络进行调试，这些数据提供了关于桥梁结构的多维度信息，包括实时的力学负载情况、历史上的异常情况以及不同结构区域之间的相关性。

具体来说，调试过程可以包括以下几个步骤：

1）数据预处理：首先，系统对收集到的数据进行清洗和格式化，以确保它们能够被第一桥梁状态分析网络正确处理，这可以包括归一化数据、填充缺失值等步骤；

2）特征融合：接下来，系统将力学载荷状态向量、先验指示数据和相关性特征进行融合，形成一个综合的特征集，这个过程旨在捕捉桥梁状态的多个方面，以便为网络提供更丰富的信息；

3）网络训练：使用融合后的特征集来训练第一桥梁状态分析网络。在这个过程中，网络会尝试学习从输入特征到输出标签（即异常结构单位种类比例）的映射关系。通过不断调整网络的权重和偏置等参数，网络能够逐渐适应并优化其预测性能；

4）验证与调整：在训练过程中，系统使用一部分数据作为验证集来评估网络的性能。如果发现性能不佳，系统调整网络的参数或结构，并重新进行训练，这个过程可以反复进行多次，直到网络达到满意的性能为止。

5）测试与评估：最后，系统使用独立的测试集来评估调试后的第一桥梁状态分析网络的性能，这可以帮助验证网络在实际应用中的泛化能力。

经过上述步骤的调试后，第一桥梁状态分析网络将能够更好地识别桥梁结构区域中的异常结构单位种类及其比例，这对于及时发现桥梁的潜在问题、预防安全事故以及制定合理的维护和修复计划具有重要意义。

综合上述内容，在一个示例性应用场景下，桥梁状态分析系统首先通过激光扫描仪或其他三维数据采集设备，获取了一座具体桥梁的三维点云扫描信息，这些信息中包含了桥梁不同结构区域的详细数据，每个区域都由多个结构单位（如桥墩、桥面板块、支撑结构等）组成。对于每个桥梁结构区域，系统都提取出了力学载荷状态向量和区域关系描述向量。力学载荷状态向量反映了该区域在不同时间点的力学负载变化，如车辆通过时的压力变化等；而区域关系描述向量则描述了该区域与其他区域的空间关系，如相邻、连接或支撑关系等。

接着，桥梁状态分析系统从历史数据库中获取了与该三维桥梁点云扫描信息相对应的先验指示数据，这些数据是基于过去的桥梁检测和维护记录，以及专家对桥梁结构的分析和评估得出的。先验指示数据中包含了各个桥梁结构区域内异常结构单位（如裂缝、锈蚀、变形等）的种类和比例，这些信息对于后续的网络调试和异常识别至关重要。

在获取了区域关系描述向量后，桥梁状态分析系统进一步分析了这些向量，得出了各个桥梁结构区域之间的相关性特征。例如，系统发现某两个相邻区域的力学载荷状态向量呈现出高度的一致性，这表明这两个区域在承受力学负载时存在密切的相互作用，这样的相关性特征有助于系统更全面地理解桥梁的整体性能状态。

最后，桥梁状态分析系统利用力学载荷状态向量、先验指示数据和相关性特征，对第一桥梁状态分析网络进行了调试，这个网络是一个深度学习模型，专门用于识别桥梁结构区域中的异常结构单位。在调试过程中，系统通过不断调整网络的参数和结构，使其能够更好地适应和识别各种异常情况。调试完成后，系统得到了一个经过优化的第一桥梁状态分析网络，该网络能够准确高效地识别出桥梁结构中的异常结构单位种类及其比例，从而为后续的桥梁维护和修复工作提供了有力支持。

综上所述，应用本发明实施例，首先，通过获取三维桥梁点云扫描信息，包括桥梁结构区域的力学载荷状态向量和区域关系描述向量，本发明实施例能够全面、准确地捕捉桥梁的力学负载变化趋势和结构分布特征，这种全面的信息获取方式为后续的桥梁状态分析提供了丰富的数据基础，从而提高了分析的准确性和可靠性。

其次，本发明实施例通过获取与三维桥梁点云扫描信息对应的先验指示数据，能够了解各个桥梁结构区域的异常结构单位种类比例，这些数据为桥梁的预防性维护和修复提供了重要的参考，有助于及时发现并处理潜在的桥梁结构问题，延长桥梁的使用寿命，提高桥梁的安全性。

再者，本发明实施例依据桥梁结构区域的区域关系描述向量，得到了相关性特征，这一特征能够准确表征各个桥梁结构区域之间的相关度，这有助于理解桥梁结构各部分之间的相互作用，进一步提高了桥梁状态分析的精度和深度。

最后，通过结合力学载荷状态向量、先验指示数据和相关性特征，对第一桥梁状态分析网络进行调试，得到了调试后的第一桥梁状态分析网络，这个网络能够高效、准确地识别桥梁结构区域的异常结构单位种类比例，为桥梁的实时监测和预警提供了强有力的技术支持。

可见，本发明实施例通过综合运用三维点云扫描技术、机器学习网络和大数据分析，实现了对桥梁状态的全面、精准监测和分析，为桥梁的安全运营和预防性维护提供了有力保障。

在一些可选的实施例中，所述第一桥梁状态分析网络包括第一桥梁状态分析子网、第二桥梁状态分析子网和异常结构单元决策子网，所述第一桥梁状态分析子网包括第一特征挖掘组件和第一特征分析组件，所述第二桥梁状态分析子网包括第二特征挖掘组件和第二特征分析组件；所述依据所述至少一个桥梁结构区域的力学载荷状态向量、所述先验指示数据和所述相关性特征，对第一桥梁状态分析网络进行调试，得到调试后的第一桥梁状态分析网络，包括：通过所述第一特征挖掘组件依据所述至少一个桥梁结构区域的力学载荷状态向量，得到第一桥梁载荷状态嵌入特征；通过所述第二特征挖掘组件依据所述第一桥梁载荷状态嵌入特征和所述相关性特征，得到第二桥梁载荷状态嵌入特征；将所述第一桥梁载荷状态嵌入特征和所述第二桥梁载荷状态嵌入特征进行组合，得到第三桥梁载荷状态嵌入特征；通过所述第一特征分析组件依据所述第三桥梁载荷状态嵌入特征，得到更新的至少一个桥梁结构区域的力学载荷状态向量；通过所述第二特征分析组件依据所述第三桥梁载荷状态嵌入特征，得到更新的相关性特征；通过所述异常结构单元决策子网依据所述第三桥梁载荷状态嵌入特征，得到第一决策观点，所述第一决策观点用于表征所述第一桥梁状态分析网络对各个所述桥梁结构区域的异常结构单位种类比例的识别结果；依据所述至少一个桥梁结构区域的力学载荷状态向量、所述更新的至少一个桥梁结构区域的力学载荷状态向量、所述相关性特征、所述更新的相关性特征、所述第一决策观点和所述先验指示数据，对所述第一桥梁状态分析网络的网络偏置权重进行改进，得到所述改进后的第一桥梁状态分析网络。

在该实施例中，所述第一桥梁状态分析网络设计得更为精细和复杂，以适应桥梁状态分析的多种需求。具体来说，这个网络由三个主要子网构成：第一桥梁状态分析子网、第二桥梁状态分析子网和异常结构单元决策子网，这些子网各自承担着不同的任务，但又相互协作，共同完成对桥梁状态的全面分析。

首先，第一桥梁状态分析子网扮演着深入挖掘力学载荷状态向量特征的角色。它内部包含的第一特征挖掘组件，专门负责处理输入的桥梁结构区域的力学载荷状态向量。通过一系列复杂的计算和转换，这个组件能够将这些原始的力学载荷数据转化为第一桥梁载荷状态嵌入特征，这些嵌入特征不仅包含了原始数据的核心信息，还以一种更易于后续处理和分析的形式呈现出来。

接着，第二桥梁状态分析子网则进一步处理这些嵌入特征。它的第二特征挖掘组件在接收到第一桥梁载荷状态嵌入特征和相关性特征后，会进行更深层次的特征提取和融合，这一过程中，它充分考虑了桥梁结构区域之间的相关性，从而生成了第二桥梁载荷状态嵌入特征，这些特征不仅反映了单个桥梁结构区域的状态，还体现了它们之间的相互关系和影响。

随后，第一桥梁载荷状态嵌入特征和第二桥梁载荷状态嵌入特征被组合在一起，形成了更为全面和丰富的第三桥梁载荷状态嵌入特征，这些特征既包含了桥梁的力学载荷状态信息，又体现了结构区域之间的相关性特征，为后续的决策提供了坚实的数据基础。

在此基础上，第一特征分析组件和第二特征分析组件分别对第三桥梁载荷状态嵌入特征进行进一步的分析和处理。前者负责更新桥梁结构区域的力学载荷状态向量，以反映最新的桥梁受力状态；后者则专注于更新相关性特征，以更准确地描述桥梁结构区域之间的当前关系。

最后，异常结构单元决策子网根据这些经过深度处理和更新的嵌入特征，生成了第一决策观点，这一观点是网络对各个桥梁结构区域的异常结构单位种类比例的识别结果，它直接反映了网络对当前桥梁状态的判断和预测。

为了不断提高网络的准确性和可靠性，系统还可以依据原始的力学载荷状态向量、更新的力学载荷状态向量、原始的相关性特征、更新的相关性特征、第一决策观点以及先验指示数据，对第一桥梁状态分析网络的网络偏置权重进行持续的改进和优化，这种改进不仅体现在权重的微调上，还包括对网络结构和算法的优化，以确保网络能够更好地适应各种复杂的桥梁状态分析任务。

通过这样一系列精细而复杂的处理流程，第一桥梁状态分析网络能够实现对桥梁状态的实时监测和精确评估。它不仅能够及时发现桥梁的潜在问题，还能为后续的维护和管理提供科学的决策依据，从而大大提高桥梁检测的效率和准确性，保障桥梁的安全运营。同时，这种网络化的分析方法还具有很好的扩展性和适应性，可以广泛应用于各种不同类型的桥梁检测任务中。

在一些可选的实施例中，所述依据所述至少一个桥梁结构区域的力学载荷状态向量、所述更新的至少一个桥梁结构区域的力学载荷状态向量、所述相关性特征、所述更新的相关性特征、所述第一决策观点和先验指示数据，对所述第一桥梁状态分析网络的网络偏置权重进行改进，得到所述改进后的第一桥梁状态分析网络，包括：依据所述至少一个桥梁结构区域的力学载荷状态向量和所述更新的至少一个桥梁结构区域的力学载荷状态向量，确定出第一更新误差，所述第一更新误差用于表征所述至少一个桥梁结构区域的力学载荷状态向量和所述更新的至少一个桥梁结构区域的力学载荷状态向量之间的区别；依据所述相关性特征和所述更新的相关性特征，确定出第二更新误差，所述第二更新误差用于表征所述相关性特征和所述更新的相关性特征之间的区别；依据所述第一决策观点和所述先验指示数据，确定出决策误差，所述决策误差用于表征所述第一决策观点和所述先验指示数据之间的区别；对所述第一更新误差、所述第二更新误差和所述决策误差进行整合，得到第一训练误差，所述第一训练误差用于反映所述第一桥梁状态分析网络识别异常结构单位种类比例的质量评价；根据所述第一训练误差，对所述第一桥梁状态分析网络的网络偏置权重进行改进，得到所述调试后的第一桥梁状态分析网络。

又比如，对第一桥梁状态分析网络的网络偏置权重的改进是一个细致且关键的过程，这一过程的目的是提高网络对桥梁状态分析的准确性和效率，从而更好地识别桥梁结构中的异常结构单位。

首先，系统根据原始的力学载荷状态向量和经过网络处理后更新的力学载荷状态向量，来确定一个称为第一更新误差的值，这个第一更新误差反映了网络在处理力学载荷数据时的偏差，即网络输出的力学载荷状态与网络输入的实际力学载荷状态之间的差异。通过计算这一误差，可以了解到网络在力学载荷状态分析方面的不足之处。

接下来，系统考虑桥梁结构区域之间的相关性。它会比较原始的相关性特征和经过网络处理后更新的相关性特征，从而确定出第二更新误差，这个误差揭示了网络在捕捉和处理桥梁结构区域间相关性方面的能力。如果误差较大，说明网络在这方面的性能有待提升。

此外，系统还可以关注网络的决策能力。它会依据网络生成的第一决策观点和先验指示数据来确定一个决策误差，这个误差反映了网络的决策结果与实际情况之间的偏离程度。一个较小的决策误差意味着网络的决策更为准确，反之则说明网络的决策能力有待提高。

在确定了这三个误差之后，系统对它们进行整合，得到一个综合的训练误差，即第一训练误差，这个误差是对网络整体性能的一个综合评价，它融合了网络在力学载荷分析、相关性处理以及决策制定等各个方面的表现。通过观察和分析这个训练误差，可以全面了解到网络在桥梁状态分析中的优势和不足。

最后，根据这个第一训练误差，系统对第一桥梁状态分析网络的网络偏置权重进行改进，这个过程是通过调整网络的参数来减少训练误差，从而提高网络在未来任务中的性能，这种改进是持续且迭代的，系统不断地根据网络的表现来调整其参数，直到网络达到一个相对稳定的性能水平。

通过这一系列的步骤，系统能够有效地提升第一桥梁状态分析网络在桥梁状态监测和评估方面的能力，这不仅有助于提高桥梁检测的准确性和效率，还能为桥梁的维护和管理提供更为科学、可靠的依据。同时，这种基于深度学习的桥梁状态分析方法还具有很强的灵活性和扩展性，可以适应各种不同类型的桥梁以及复杂多变的环境条件。

如此，通过综合运用三维点云扫描技术、数据分析和深度学习网络，实现了对桥梁状态的实时监测和精确评估。它不仅提高了桥梁检测的效率和准确性，还为预防桥梁安全事故、保障交通运输安全提供了有力的技术支持。

在一些可选的实施例中，所述获取所述三维桥梁点云扫描信息对应的先验指示数据，包括：通过调试后的第二桥梁状态分析网络依据所述至少一个桥梁结构区域的力学载荷状态向量，得到所述先验指示数据。

详细地，获取三维桥梁点云扫描信息对应的先验指示数据的步骤，是通过一个已经调试完成的第二桥梁状态分析网络来实现的，这个网络是专门为桥梁状态分析而设计的深度学习模型，它已经经过了一系列的训练和优化，能够准确地根据输入的桥梁结构区域的力学载荷状态向量，输出对应的先验指示数据。

具体来说，当系统获取到三维桥梁点云扫描信息后，可以首先从这些信息中提取出各个桥梁结构区域的力学载荷状态向量，这些向量是桥梁结构在不同载荷状态下的数值化表示，它们包含了桥梁结构在各种力学条件下的变形、应力分布等关键信息。

接着，系统将这些力学载荷状态向量输入到已经调试好的第二桥梁状态分析网络中，这个网络内部包含了多个层级和节点，每个节点都对应着一种特定的特征提取或数据处理功能。当力学载荷状态向量在网络中传递时，这些节点会逐层对其进行深入的分析和处理，提取出与桥梁状态相关的各种深层特征。

最终，经过网络内部复杂的计算和推理过程，第二桥梁状态分析网络会输出一个先验指示数据，这个数据是基于输入的力学载荷状态向量，结合网络所学的知识和经验，对桥梁状态进行的一种预判断或初步评估。它可以为后续的桥梁状态监测、异常检测等任务提供重要的参考和依据。

通过这种方式获取先验指示数据，不仅可以提高数据处理的自动化程度，减少人工干预和主观判断的影响，还可以利用深度学习模型的强大学习能力，从海量的数据中挖掘出更多有用的信息和特征，这对于提升桥梁状态监测的准确性和效率，预防潜在的安全隐患，具有重要的实践意义和应用价值。此外，通过调试后的第二桥梁状态分析网络获取先验指示数据，是一种高效、准确且智能化的方法。它能够为桥梁状态分析提供更为可靠的数据支持，有助于提升桥梁管理和维护的整体水平。

在一些可选的实施例中，所述方法还包括：获取所述三维桥梁点云扫描信息对应的三维桥梁点云认证信息，所述三维桥梁点云认证信息用于表征多个异常结构单位种类分别对应的力学负载变化趋势，所述多个异常结构单位种类包括所述若干个结构单位分别对应的异常结构单位种类；依据所述三维桥梁点云认证信息，生成三维桥梁点云衍生信息，所述三维桥梁点云衍生信息包括至少一个衍生的桥梁结构区域的力学载荷状态向量；依据所述三维桥梁点云衍生信息，对所述第二桥梁状态分析网络进行调试，得到所述调试后的第二桥梁状态分析网络。

另外，系统还包括一系列步骤来进一步优化和提高桥梁状态分析的准确性。首先，系统获取与三维桥梁点云扫描信息相对应的三维桥梁点云认证信息，这一认证信息是非常关键的，因为它能够反映出多种异常结构单位种类分别对应的力学负载变化趋势，这些异常结构单位种类涵盖了桥梁中可能出现的各种问题，比如裂缝、变形、材料疲劳等，而每种异常都会对桥梁的力学负载产生特定的影响。

三维桥梁点云认证信息的获取通常是通过专业的监测设备和技术来实现的，比如使用高精度的传感器来实时监测桥梁在不同条件下的力学响应，这些数据会经过严格的分析和验证，以确保其准确性和可靠性。一旦获取了这些认证信息，系统就能更深入地了解桥梁在各种异常情况下的性能表现。

接下来，系统根据这些三维桥梁点云认证信息生成三维桥梁点云衍生信息，这些信息是对原始点云数据的扩展和增强，特别关注于桥梁结构区域的力学载荷状态。通过复杂的数据处理和模型分析，系统能够提取出各个结构区域的力学载荷状态向量，这些向量不仅包含了桥梁在静态条件下的载荷状态，还反映了在不同异常情况下的动态变化。

有了这些三维桥梁点云衍生信息，系统就可以进一步对第二桥梁状态分析网络进行调试。调试的过程是一个优化网络参数和模型结构的过程，目的是使网络能够更准确地分析和预测桥梁状态。通过不断地调整网络的权重、偏置等参数，以及改进网络的结构和算法，系统能够逐渐提升第二桥梁状态分析网络的性能，使其在处理复杂的桥梁状态时更加精确和高效。

应用上述实施例，可以通过获取和处理三维桥梁点云扫描信息和认证信息，生成丰富的衍生信息，并据此优化和调整第二桥梁状态分析网络，这不仅提高了桥梁状态分析的准确性和效率，还为桥梁的安全监测和维护提供了强有力的技术支持。通过这种方式，系统能够更好地识别和预测桥梁中的异常情况，及时采取有效的措施来保障桥梁的安全运营。

在一些可选的实施例中，所述依据所述三维桥梁点云认证信息，生成三维桥梁点云衍生信息，包括：依据所述多个异常结构单位种类包括的异常结构单位种类的个数，生成第一异常单位热力谱，所述第一异常单位热力谱用于表征各个所述衍生的桥梁结构区域分别对应的异常结构单位种类个数的异常单位热力谱；依据所述第一异常单位热力谱，生成先验指示衍生数据，所述先验指示衍生数据用于表征各个所述衍生的桥梁结构区域的异常结构单位种类比例；依据所述三维桥梁点云认证信息和所述先验指示衍生数据，生成所述三维桥梁点云衍生信息。

在一些示例下，系统根据三维桥梁点云认证信息来生成三维桥梁点云衍生信息，这一过程涉及多个步骤，旨在从认证信息中提取出更深层次的、对桥梁状态分析有价值的衍生数据。

首先，系统依据多个异常结构单位种类中包含的异常结构单位种类的个数，生成一个名为第一异常单位热力谱的数据结构，这个热力谱实际上是一个可视化的工具，它用热力图的形式直观地展示了各个衍生的桥梁结构区域分别对应的异常结构单位种类的个数。在热力谱中，不同的颜色或亮度代表不同的异常单位个数，从而使得用户可以快速地识别出哪些区域存在较多的异常情况。

接下来，系统根据这个第一异常单位热力谱，进一步生成先验指示衍生数据，这些数据是基于热力谱中的信息计算得出的，它们用于表征各个衍生的桥梁结构区域的异常结构单位种类的比例。换句话说，先验指示衍生数据提供了关于各个区域中异常结构单位种类分布的统计信息，这对于后续的桥梁状态分析和异常检测至关重要。

最后，系统将三维桥梁点云认证信息和先验指示衍生数据结合起来，生成最终的三维桥梁点云衍生信息，这个衍生信息不仅包含了原始的点云数据，还融合了经过深度处理和分析的先验知识，从而为用户提供了一个更全面、更深入的桥梁状态视图。

通过这种方式生成的三维桥梁点云衍生信息，不仅丰富了原始的点云数据，还提高了数据的可用性和分析价值。它使得系统能够更准确地识别出桥梁中的异常结构单位，进而为桥梁的维护和管理提供更为科学的依据。同时，这种基于热力谱和先验指示衍生数据的分析方法，也增强了桥梁状态监测的直观性和可操作性，使得用户能够更快速地做出决策，确保桥梁的安全运营。

在一些可选的实施例中，在所述第一异常单位热力谱中，所述异常结构单位种类个数越小，所述异常结构单位种类个数对应的置信权重越高。

进一步地，系统在生成和处理第一异常单位热力谱时，采用了一种特殊的权重分配机制。具体来说，在第一异常单位热力谱中，异常结构单位种类的个数与其对应的置信权重成反比关系，这意味着如果一个区域中检测到的异常结构单位种类个数越少，那么这些异常种类的置信权重就越高。

在桥梁的某个特定区域内，如果检测到的异常结构单位种类很少，那么这些异常更有可能是真实存在的，而不是由于数据噪声或其他干扰因素导致的误报。因此，系统给予这些少数异常种类更高的置信权重，以确保在后续的分析和决策中，这些关键信息能够得到足够的重视。

如果在某个桥梁结构区域中，系统只检测到了一种异常结构单位种类，比如裂缝，那么这种异常在热力谱中将被赋予很高的置信权重。相反，如果在同一个区域中检测到了多种异常，比如裂缝、锈蚀和材料剥落等，那么每种异常的置信权重就会相对较低，因为它们中的任何一个都可能是由其他因素引起的误报，或者它们之间存在某种关联性。

可见，通过这种权重分配机制，系统能够更有效地识别出那些真正需要关注的异常情况，提高桥梁状态监测的准确性和效率。同时，这种机制也有助于减少误报和漏报的情况，从而增强了整个监测系统的可靠性和实用性。因此，通过在第一异常单位热力谱中采用与异常结构单位种类个数成反比的置信权重分配机制，系统能够更精确地识别和评估桥梁中的异常情况，为桥梁的安全监测和维护提供更为科学和有效的技术支持，这种机制不仅提高了监测数据的准确性和可信度，还降低了误报和漏报的风险，有助于保障桥梁的长期安全运营。

在一些可选的实施例中，所述依据所述三维桥梁点云衍生信息，对所述第二桥梁状态分析网络进行调试，得到所述调试后的第二桥梁状态分析网络，包括：通过所述第二桥梁状态分析网络依据所述三维桥梁点云衍生信息，得到第二决策观点，所述第二决策观点用于表征所述第二桥梁状态分析网络对各个所述衍生的桥梁结构区域的异常结构单位种类比例的识别结果；依据所述第二决策观点和所述先验指示衍生数据，确定出第二训练误差，所述第二训练误差用于反映所述第二桥梁状态分析网络识别异常结构单位种类比例的质量评价；依据所述第二训练误差，对所述第二桥梁状态分析网络的网络偏置权重进行改进，得到所述调试后的第二桥梁状态分析网络。

又比如，系统利用三维桥梁点云衍生信息对第二桥梁状态分析网络进行调试，以提升其识别和分析桥梁状态的能力。这一过程涉及几个关键步骤，并充分利用了之前生成的三维桥梁点云衍生信息和先验指示衍生数据。

首先，系统通过第二桥梁状态分析网络处理三维桥梁点云衍生信息，生成第二决策观点。这个决策观点实际上是网络对各个衍生的桥梁结构区域中异常结构单位种类比例的识别结果。换句话说，它反映了网络对当前桥梁状态的理解和判断。

接下来，系统比较第二决策观点和先前生成的先验指示衍生数据。先验指示衍生数据是基于第一异常单位热力谱生成的，它代表了各个桥梁结构区域中异常结构单位种类的真实比例。通过对比这两组数据，系统可以计算出第二训练误差。这个误差值反映了第二桥梁状态分析网络在识别异常结构单位种类比例方面的准确性。

最后，根据计算出的第二训练误差，系统对第二桥梁状态分析网络的网络偏置权重进行调整。这是一个优化过程，目的是使网络的识别结果更加接近真实情况。通过不断地迭代和调整，网络的性能会逐渐提升，从而能够更准确地分析和预测桥梁的状态。

调试后的第二桥梁状态分析网络在识别异常结构单位种类比例方面具有更高的准确性。这不仅有助于及时发现和处理桥梁中的异常情况，还能为桥梁的维护和管理提供更为科学的依据。同时，这种基于深度学习的分析方法也增强了桥梁状态监测的智能化水平，提高了工作效率和安全性。本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现所述基于三维点云的桥梁状态分析方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述基于三维点云的桥梁状态分析方法。

本发明实施例中，如图2所示，桥梁状态分析系统100包括至少一个处理器101、以及与处理器101连接的至少一个存储器102、总线103；其中，处理器101、存储器102通过总线103完成相互间的通信；处理器101用于调用存储器102中的程序指令，以执行上述的基于三维点云的桥梁状态分析方法。

本发明是参照根据本发明实施例的方法、桥梁状态分析系统（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

在一个典型的配置中，桥梁状态分析系统包括一个或多个处理器（CPU）、存储器和总线。桥梁状态分析系统还可以包括输入/输出接口、网络接口等。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器（RAM）和/或非易失性内存等形式，如只读存储器（ROM）或闪存（flash RAM），存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 （PRAM）、静态随机存取存储器 （SRAM）、动态随机存取存储器 （DRAM）、其他类型的随机存取存储器 （RAM）、只读存储器 （ROM）、电可擦除可编程只读存储器 （EEPROM）、快闪记忆体或其他内存技术、只读光盘只读存储器（CD-ROM）、数字多功能光盘 （DVD） 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储计算机可读存储介质或任何其他非传输介质，可用于存储可以被桥梁状态分析系统访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体（transitory media），如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者计算机可读存储介质不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者计算机可读存储介质所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括要素的过程、方法、商品或者计算机可读存储介质中还存在另外的相同要素。

本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

以上仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理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权利要求范围之内。

Claims (7)

1.一种基于三维点云的桥梁状态分析方法，其特征在于，应用于桥梁状态分析系统，所述方法包括：

获取三维桥梁点云扫描信息，所述三维桥梁点云扫描信息中包括至少一个桥梁结构区域的力学载荷状态向量和区域关系描述向量，所述桥梁结构区域包括若干个结构单位，所述力学载荷状态向量用于表征所述桥梁结构区域的力学负载变化趋势，所述区域关系描述向量用于表征所述桥梁结构区域的分布特征；

获取所述三维桥梁点云扫描信息对应的先验指示数据，所述先验指示数据用于表征各个所述桥梁结构区域的异常结构单位种类比例；

依据所述至少一个桥梁结构区域的区域关系描述向量，得到相关性特征，所述相关性特征用于表征各个所述桥梁结构区域之间的相关度；

依据所述至少一个桥梁结构区域的力学载荷状态向量、所述先验指示数据和所述相关性特征，对第一桥梁状态分析网络进行调试，得到调试后的第一桥梁状态分析网络，所述调试后的第一桥梁状态分析网络用于对所述桥梁结构区域的异常结构单位种类比例进行识别；

所述第一桥梁状态分析网络包括第一桥梁状态分析子网、第二桥梁状态分析子网和异常结构单元决策子网，所述第一桥梁状态分析子网包括第一特征挖掘组件和第一特征分析组件，所述第二桥梁状态分析子网包括第二特征挖掘组件和第二特征分析组件；

所述依据所述至少一个桥梁结构区域的力学载荷状态向量、所述先验指示数据和所述相关性特征，对第一桥梁状态分析网络进行调试，得到调试后的第一桥梁状态分析网络，包括：

通过所述第一特征挖掘组件依据所述至少一个桥梁结构区域的力学载荷状态向量，得到第一桥梁载荷状态嵌入特征；

通过所述第二特征挖掘组件依据所述第一桥梁载荷状态嵌入特征和所述相关性特征，得到第二桥梁载荷状态嵌入特征；

将所述第一桥梁载荷状态嵌入特征和所述第二桥梁载荷状态嵌入特征进行组合，得到第三桥梁载荷状态嵌入特征；

通过所述第一特征分析组件依据所述第三桥梁载荷状态嵌入特征，得到更新的至少一个桥梁结构区域的力学载荷状态向量；

通过所述第二特征分析组件依据所述第三桥梁载荷状态嵌入特征，得到更新的相关性特征；

通过所述异常结构单元决策子网依据所述第三桥梁载荷状态嵌入特征，得到第一决策观点，所述第一决策观点用于表征所述第一桥梁状态分析网络对各个所述桥梁结构区域的异常结构单位种类比例的识别结果；

依据所述至少一个桥梁结构区域的力学载荷状态向量、所述更新的至少一个桥梁结构区域的力学载荷状态向量、所述相关性特征、所述更新的相关性特征、所述第一决策观点和所述先验指示数据，对所述第一桥梁状态分析网络的网络偏置权重进行改进，得到改进后的第一桥梁状态分析网络；

所述依据所述至少一个桥梁结构区域的力学载荷状态向量、所述更新的至少一个桥梁结构区域的力学载荷状态向量、所述相关性特征、所述更新的相关性特征、所述第一决策观点和先验指示数据，对所述第一桥梁状态分析网络的网络偏置权重进行改进，得到改进后的第一桥梁状态分析网络，包括：

依据所述至少一个桥梁结构区域的力学载荷状态向量和所述更新的至少一个桥梁结构区域的力学载荷状态向量，确定出第一更新误差，所述第一更新误差用于表征所述至少一个桥梁结构区域的力学载荷状态向量和所述更新的至少一个桥梁结构区域的力学载荷状态向量之间的区别；

依据所述相关性特征和所述更新的相关性特征，确定出第二更新误差，所述第二更新误差用于表征所述相关性特征和所述更新的相关性特征之间的区别；

依据所述第一决策观点和所述先验指示数据，确定出决策误差，所述决策误差用于表征所述第一决策观点和所述先验指示数据之间的区别；

对所述第一更新误差、所述第二更新误差和所述决策误差进行整合，得到第一训练误差，所述第一训练误差用于反映所述第一桥梁状态分析网络识别异常结构单位种类比例的质量评价；

根据所述第一训练误差，对所述第一桥梁状态分析网络的网络偏置权重进行改进，得到所述调试后的第一桥梁状态分析网络。

2.根据权利要求1所述的方法，其特征在于，所述获取所述三维桥梁点云扫描信息对应的先验指示数据，包括：

通过调试后的第二桥梁状态分析网络依据所述至少一个桥梁结构区域的力学载荷状态向量，得到所述先验指示数据。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

获取所述三维桥梁点云扫描信息对应的三维桥梁点云认证信息，所述三维桥梁点云认证信息用于表征多个异常结构单位种类分别对应的力学负载变化趋势，所述多个异常结构单位种类包括所述若干个结构单位分别对应的异常结构单位种类；

依据所述三维桥梁点云认证信息，生成三维桥梁点云衍生信息，所述三维桥梁点云衍生信息包括至少一个衍生的桥梁结构区域的力学载荷状态向量；

依据所述三维桥梁点云衍生信息，对所述第二桥梁状态分析网络进行调试，得到所述调试后的第二桥梁状态分析网络。

4.根据权利要求3所述的方法，其特征在于，所述依据所述三维桥梁点云认证信息，生成三维桥梁点云衍生信息，包括：

依据所述多个异常结构单位种类包括的异常结构单位种类的个数，生成第一异常单位热力谱，所述第一异常单位热力谱用于表征各个所述衍生的桥梁结构区域分别对应的异常结构单位种类个数的异常单位热力谱；

依据所述第一异常单位热力谱，生成先验指示衍生数据，所述先验指示衍生数据用于表征各个所述衍生的桥梁结构区域的异常结构单位种类比例；

依据所述三维桥梁点云认证信息和所述先验指示衍生数据，生成所述三维桥梁点云衍生信息。

5.根据权利要求4所述的方法，其特征在于，在所述第一异常单位热力谱中，所述异常结构单位种类个数越小，所述异常结构单位种类个数对应的置信权重越高。

6.根据权利要求4所述的方法，其特征在于，所述依据所述三维桥梁点云衍生信息，对所述第二桥梁状态分析网络进行调试，得到所述调试后的第二桥梁状态分析网络，包括：

通过所述第二桥梁状态分析网络依据所述三维桥梁点云衍生信息，得到第二决策观点，所述第二决策观点用于表征所述第二桥梁状态分析网络对各个所述衍生的桥梁结构区域的异常结构单位种类比例的识别结果；

依据所述第二决策观点和所述先验指示衍生数据，确定出第二训练误差，所述第二训练误差用于反映所述第二桥梁状态分析网络识别异常结构单位种类比例的质量评价；

依据所述第二训练误差，对所述第二桥梁状态分析网络的网络偏置权重进行改进，得到所述调试后的第二桥梁状态分析网络。

7.一种桥梁状态分析系统，其特征在于，包括处理器以及与所述处理器连接的存储器和总线；其中，所述处理器和所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行权利要求1-6任一项所述的基于三维点云的桥梁状态分析方法。