斜拉索检测机器人的智能表观检测研究

为解决斜拉索检测日益繁重的工作任务,提高检测效率,结合斜拉索检测机器人与智能检测技术对斜拉索的外表进行检测。通过机器人在斜拉索上攀爬收集表面图像,将图像输入到卷积神经网络中进行缺陷识别,以确定缺陷的区域和位置。该项技术已成功应用于广东番禺大桥斜拉索的缺陷检测,结果证实:1)机器人能够灵活地采集到完整的斜拉索外表图像,基于智能算法的图像识别过程能够准确分辨出斜拉索不同的缺陷状态;2)识别正确率超过99%,且检测效率比传统方法提高300%,可以显著解决当前斜拉索检测的难题。     

基于模态分析理论和神经网络的斜拉桥拉索损伤识别研究

将振动模态分析和神经网络技术结合起来,以振动模态构造的损伤标识量作为神经网络识别输入的特征参数,进行结构健康监测。根据云阳长江公路大桥设计资料,考虑桥梁拉索结构的单构件损伤、2个构件损伤、3个构件损伤3类损伤工况,分别采用了模态频率、位移振型模态、曲率模态3种指标作为神经网络的输入参数,共建立9个BP神经网络模型进行了桥梁损伤识别的研究。研究结果表明基于振动模态分析理论和BP神经网络的桥梁损伤识别方法可用于识别斜拉桥拉索结构的损伤位置和损伤程度。     

基于模糊神经网络的混凝土桥梁状态评估系统研究

主要研究既有混凝土桥梁技术状态等级评估系统(CBCSAS),该系统包括检测、评估指标参数识别、结构状态评估、主因分析和缺陷优先等级评判等子模块.同时在评估系统中嵌入专家知识,采用多层神经网络和模糊理论实现结构状态评估.最后,以工程实例验证了CBCSAS的可行性与有效性.     

基于神经网络的桥梁异常状态识别方法

针对桥梁结构监测采集到的桥梁异常状态下长期积累演变的惊人数据量,提出了基于主成分分析与人工神经网络相结合的桥梁结构异常状态识别方法。布设多种类型传感器监测获取高维数据,采用主成分分析法对原始高维特征数据进行预处理,将结构异常特征变量的主成分作为人工神经网络的输入特征。该方法有效的降低了神经网络的结构复杂度,同时提高人工神经网络的训练速度,也保证了人工神经网络具有良好的收敛性和稳定性。应用于江苏南通如泰运河大桥和江苏无锡开源大桥的实际监测数据的结果表明,基于主成分分析的人工神经网络方法用于桥梁结构异常状态识别,与传统的神经网络以及其他模式识别算法相比,有更好的识别精度。     

基于神经网络技术的斜拉桥损伤分步识别方法

结合神经网络技术进行了斜拉桥损伤分步识别的系统性研究,提出了具体的斜拉桥损伤分步识别过程,给出了每一识别步骤中适当的损伤识别参数.可实现斜拉桥主要构件即拉索和主梁中损伤的有效识别.采用概率神经网络确定损伤构件的类型,采用径向基函数(RBF)网络实现损伤的定位定量分析.针对润扬大桥斜拉桥的损伤模拟分析表明:将测试数据进行平均计算可以大大降低噪声对于概率神经网络识别结果的影响;噪声水平对2个径向基函数网络的损伤位置和损伤程度的识别能力方面的影响较小.采用不同的神经网络分阶段实现大跨斜拉桥的损伤识别,不仅提高了损伤识别的效率和准确性,而且增强了损伤识别方法在实际结构中应用的可行性.     

BP神经网络在轮胎气压监测系统自学习匹配中的应用

提出了一种基于BP神经网络的轮胎气压监测系统轮胎换位自学习匹配方法。该方法基于间接式轮胎压力监测系统和轮胎受力特性对换位后的轮速信号特征进行分析,运用BP神经网络识别轮胎换位方式。通过采集轮胎换位后各车轮轮速数据对BP神经网络进行训练,从而实现神经网络对轮胎换位的准确识别,使得TPMS在无人工干预下可自行识别轮胎换位状态。道路试验结果表明,完成训练后的网络可实现对未换位、交叉换位、前后换位和循环换位的有效识别,准确率达97.52%。     

基于深度学习的驾驶员状态识别

提出了基于驾驶员脸部及周围信息的驾驶员状态检测方法。文章通过实车摄像头采集了驾驶员驾驶状态视频数据,利用Dlib和OpenCV库对采集的驾驶员图像进行脸部检测,基于驾驶员脸部数据建立了深度学习数据集,然后基于该数据集设计了一种卷积神经网络模型FaceNet,利用PyTorch深度学习框架在数据集上对模型进行训练,最终得到了有较高准确率的驾驶员状态检测模型,其可识别抽烟、睡觉、左手打电话和右手打电话四种驾驶员状态。     

基于相对小波熵和神经网络的结构损伤识别

建立接触的几何非线性简支梁模型模拟损伤裂缝的开合,计算在脉冲激励作用下简支梁完好状态机损伤状态下各节点的加速度响应,分析了损伤简支梁相对于完好梁的相对小波熵,以此有效识别简支梁损伤情况及预判损伤程度;结合BP神经网络,以不同工况下对应的相对小波熵值作为输入进行训练,利用BP神经网络较强的非线性能力及容错性对损伤位置、损伤程度进行准确判断.识别结果表明了相对小波熵指标在结构损伤检测中的有效性及实用性.     

基于BP神经网络的中等跨径桥梁损伤识别探讨

针对中等跨径桥梁中的损伤识别不敏感问题,运用BP神经网络进行中等跨径桥梁结构损伤识别。利用MIDAS/Civil分别建立三跨连续变截面箱梁完好及不同损伤状态下有限元模型,分析桥梁不同状态下的特征值,发现中等跨径桥梁对结构损伤的敏感性依次为振型竖向位移固有频率;将参数化的结构固有频率及振型作为BP神经网络的输入、损伤位置和损伤程度作为输出进行神经网络训练,对各工况下损伤位置和损伤程度进行识别,发现识别效果较差,通过获取中等跨径桥梁的自身特性,利用BP神经网络难以识别结构损伤,需探索合适的损伤识别参数及适用于中等跨径桥梁的方法。     

基于虚拟线圈的车型识别研究

在车型识别系统中,车辆的特征提取是非常重要的.传统的检测方法受摄像机的成像精度与架设方式等因素的影响,给车辆特征的提取带来困难.提出了一种采用虚拟线圈识别车型的方法.该方法将检测线与虚拟线圈相结合,对提取的车辆信息进行预处理,以检测线检测到达预先设置位置的车辆,然后触发虚拟线圈来提取车辆特征,通过BP神经网络来训练识别的车辆特征,以达到车型识别的目的.试验证明,该方法识别效果好,识别有效率达99%.     

基于新奇检测技术的桥梁结构损伤预警方法

结构损伤预警是实现损伤检测策略的第一步,是进一步进行结构健康诊断的基础。大量的研究证明新奇检测技术可以较好地应用于结构的损伤预警。探讨了应用前馈BP网络(Feed-forward back-propagation network)实现新奇检测技术的方法。以结构的自振频率为作为网络的基本输入,对斜拉桥结构进行了损伤预警模拟研究。该方法的优点是不依赖于数值模型。对神经网络的训练仅需要健康结构的若干实测频率。模拟研究表明,该方法具有较高的实用价值。导致频率2.5%以上变化的损伤情况,均可给予预警。模拟了14种损伤情况,每种损伤考虑2种损伤程度。通过多指标策略,预警同时还在一定意义上指示损伤程度。     

智能驾驶实时目标检测的深度卷积神经网络

为提高深度学习神经网络运行速度,满足智能驾驶对算法实时性的要求,基于一种一体化实时目标检测算法YOLO和一种目标检测网络模型Faster RCNN,提出一种结合两者特点的实时目标检测神经网络。该网络保留区域卷积神经网络(R-CNN)算法的二次检测模式和区域生成神经网络RPN,去掉先验框,采用YOLO直接预测位置。结合Mask R-CNN中的ROI-Align方法进行二次位置修正,减少了Faster R-CNN中ROI-pooling所带来的位置预测偏差。对改进后的网络在KITTI数据集上进行测试,结果表明:改进后的神经网络检测一次仅耗时38 ms,检测的平均精确度高于YOLO和Faster RCNN,且对于不同大小的目标都具有很好的泛化能力。     

面向高速公路交通调度的动态数据融合

在高速公路交通动态数据融合需求分析的基础上,采用环形线圈和微波检测器建立多检测器动态数据的现场试验站,通过多检测器组合方式构建数据检测方案;应用基于自适应加权和改进BP神经网络的数据融合方法,建立交通动态数据融合模型,研究高速公路同一时间、相同断面的多检测器的数据融合。现场试验与检测数据分析表明：基于改进BP神经网络融合方法所获得试验数据的平均相对误差较微波和环形线圈各自的精度提高了10％-20％。     

基于径向基网络的钢管混凝土拱桥安全性评价方法

以全桥安全性评价为总体目标,在以往桥梁安全性评价方法的基础上,引入人工神经网络理论,并结合层次分析法,提出了基于径向基网络的钢管混凝土拱桥安全性评价方法.从影响钢管混凝土拱桥安全性的承载能力、承重构件损伤以及外观损伤等3个主要方面进行考虑,分别建立RBF神经网络安全性评价模型,采用现场实测数据评价结果作为神经网络训练和检验样本,对神经网络进行学习训练,获取专家的经验知识和直觉思维,建立高度非线性的输入与输出的映射关系.通过仿真得到桥梁承载能力、承重构件损伤、外观损伤以及成桥状态下最终的安全性信息.以武汉市晴川桥为例进行工程实例分析,分析结果表明,该方法较好地反映了钢管混凝土拱桥结构的安全性状况.     

基于SVM的桥梁状态监测方法

随着交通领域的迅速发展,保障桥梁安全、降低维护费用成为普遍关注的问题。以振动分析为基础、广泛借助信息技术的理论和方法,进行桥梁状态监测成为当前的研究热点。考虑到的桥梁损伤样本很难获得、个体差异使得损伤数据难以共享的实际问题,本文将桥梁状态监测归结为异常监测问题,引入基于SVM的一类学习算法从长期监测数据中获取正常状态的模式,实现异常状态的精确报警。文中采用香港汀九桥400小时实测数据,验证了这种方法的实际效果。     

基于神经网络和D-S证据理论的柴油机状态评估

提出了一个柴油机状态评估模型,运用油液分析、振动分析和热力性能参数并根据专家知识分别构建子神经网络对柴油机进行状态评估,各部分的评估结果运用D-S证据理论进行融合判断,得到的融合决策评估结果表明,该方法逻辑清晰,评估结果符合实际。     

优化GM(1,1)模型在桥梁静载试验中应用

设计一种适用于桥梁静载荷试验中极不完备数据条件下的优化GM(1,1)模型。使用3个前置神经网络模块替换传统模型中的微分拟合过程,利用神经网络的回归能力对其进行优化,使用1个后置神经网络模块结合1个数据解模糊模块替换传统模型的数据还原过程,其他数据处理方式沿用传统模型的数据处理方式。经过仿真计算,发现不同桥梁设计规模下,优化模型的标准差显著低于传统模型,证实优化模型具有较显著的算力提升。     

基于粗集和神经网络耦合的短时交通流预测

比较分析神经网络和粗糙集在数据处理过程中的各自优缺点,提出一种基于二者强耦合集成方式的短时交通流预测模型。首先利用粗集对获取的交通流数据进行预处理,简化神经网络训练样本数据集并通过粗集属性约简提取决策规则;其次,利用所提取的规则直接确定神经网络的隐层数、隐层节点数及节点的相互关系;最后训练神经网络用于短时交通流预测。通过与单纯利用神经网络预测的结果进行比较,发现该模型降低了网络训练时间,提高了预测精度。     

基于多源信息融合的高速公路事件检测算法研究

为了研究高速公路交通事件检测算法,以多源信息融合理论为基础,依托人工神经网络技术,设计了固定检测器与浮动车检测器的信息融合事件检测算法,并说明了具体的检测原理和融合过程。通过Vissim仿真获得数据,在Matlab中编程实现了信息融合过程,试验结果表明在三级报警策略下,信息融合算法的事件检测率、误报警率和平均检测时间都达到了较高的检测水平,证明了所设计的信息融合交通事件检测方法的优越性。