[发明专利]一种基于深度学习的桥梁快速检测方法

说明书

本发明公开了一种基于深度学习的桥梁快速检测方法，在桥梁结构上阵列布置振动传感器，采集由过境车辆激发的桥梁振动响应数据；通过无线传输将数据发送至CNN卷积神经网络；对CNN卷积神经网络进行训练并建立映射关系；输入数据对卷积神经网络进行预测，并根据映射关系映射出的校验系数判断桥梁结构是否需要维修或加固。本发明在深度学习的基础上，对过境车辆所产生的随机响应进行自主学习和快速判别，在不中断交通的情况下，实现缩短检测时间与检测周期，减少人力物力消耗，对桥梁结构进行实时监测，提高检测数据利用率，再由数据分析结果，结合桥梁结构管养规范生成桥梁结构校验系数，参考该系数，对桥梁结构是否需要维修或加固进行评估提供依据。

技术领域

本发明涉及桥梁检测技术领域，具体涉及一种基于深度学习的桥梁快速检测方法。

背景技术

传统桥梁结构检测方法主要包括静载试验和动载试验。其中，桥梁结构静载试验是将静止的荷载作用在桥梁上的指定位置，测试桥梁结构的静力应变、静力位移、裂缝等参量，从而推断桥梁结构在荷载作用下的工作性能及使用能力，所得结果可以作为对桥梁结构是否需要进行维修与加固的依据；桥梁结构动载试验是利用某种激振方法激起桥梁结构的振动，测定桥梁结构的固有频率、振型、阻尼比、动力冲击系数、行车响应等参量，从而判断桥梁结构的整体刚度、行车性能等，可以有效的发现桥梁结构中存在的问题，并及时的解决，保证桥梁结构的安全运行。实施该试验时需要提前根据桥梁结构设计资料，设计荷载试验方案，紧接着对需检测的桥梁结构进行检测，检测时需要在特定时间段内阻断交通，然后荷载车辆上桥进行加载，再由工作人员进行测量和数据记录，最后后端进行数据分析，给出桥梁结构检测结果。该检测手段存在试验周期长、不能实时监测、需阻断交通、需特定加荷车辆进行加载、人力物力消耗大、后期数据利用率不高等缺点。

发明内容

为解决现有技术中存在的问题，本发明提供了一种基于深度学习的桥梁快速检测方法，是一种在物联网技术、深度学习理论的基础上，由过境车辆激发的桥梁结构所产生的随机响应信号，进行自主学习和快速判别的技术方案。该发明在不中断交通的情况下，能缩短检测时间，提高检测数据利用率，达到快速检测的目的，且能对桥梁进行全寿命期在线监测，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：一种基于深度学习的桥梁快速检测方法，包括如下步骤：

S1、在桥梁结构上阵列布置振动传感器，实时采集由过境车辆激发的桥梁振动响应数据；

S2、通过无线传输将数据发送至CNN卷积神经网络；

S3、对数据进行标注标签并制作训练用的数据集；

S4、对CNN卷积神经网络进行训练并建立映射关系；

S5、输入数据对CNN卷积神经网络进行预测，并根据映射关系映射出的校验系数判断桥梁结构是否需要维修或加固。

优选的，所述步骤S1中的阵列布置传感器为矩阵阵列布置传感器；所述振动响应数据包括位移、速度或者加速度信号数据。

优选的，所述步骤S2中的无线传输包括物联网、5G或云端技术。

优选的，所述步骤S3中的标注标签是使用数据标注工具对样本数据进行标注标签，得到.xml格式的标签文件。

优选的，所述步骤S4中对CNN卷积神经网络进行训练并建立映射关系具体是指：将数据集中的数据作为训练样本，输入到CNN卷积神经网络中，经过卷积和池化操作后，实现对数据的特征提取，再通过全连接层，建立出关于结构振动的输入与桥梁校验系数的输出之间的映射关系，训练结束后，保存网络参数。

优选的，所述步骤S5中的预测是指：将训练完成后的数据输入到CNN卷积神经网络进行预测，结合训练完成后的网络参数，输出桥梁结构校验系数。