基于轻量化卷积神经网络的桥梁斜拉索PE护套损伤识别方法

深度神经网络和计算机视觉技术近年来在结构健康监测中发挥了越来越重要的作用。利用无人机航拍采集的桥梁斜拉索损伤图像数据,研究基于深度学习技术的斜拉索PE护套损伤识别方法。为实现在较低运算能力设备上对大跨度桥梁斜拉索表面局部损伤的智能快速识别,解决传统深度卷积神经网络的运算效率相对较低、模型参数规模较大的问题,提出轻量化处理的区域推荐型卷积神经网络模型。介绍区域推荐网络与其轻量化改进方法的理论基础,分析轻量化模型处理的必要性,其能在保证识别精度的前提下降低模型训练与预测的设备性能需求,达到节约计算资源与时间的目的;通过数据增广等多手段解决损伤样本数据量不足的问题,设置对比试验,统计分析结果,验证了轻量化神经网络模型的优越性。结果表明,轻量化网络在牺牲少量识别准确度的前提下,能够在较大程度上实现对模型复杂度与计算量的改进,在工程应用中能有效拓展神经网络的实用性。

基于震动的发桥梁结构损伤智能化识别方法探究

桥梁结构在逐渐使用之后会由于多种不同的因素而发生部分结构性能的退化,尤其是对于比较关键的交通线的桥梁,现在急需做的是去了解以及评估这桥梁结构的具体损伤情况,并且探索有效的安全决策,而这个过程也就是被称之为桥梁结构健康智能化监测或者说是桥梁结构损伤智能化识别。在最近的三十年,不管是土木还是机械工程界的这些学者都在探索可以有效用于结构探伤评估的方案。这里的一个基本思路就是能够利用探究改变结构动力特征,从而实现桥梁结构损伤的智能化识别以及具体的量化评估效果。本课题中在对探究振动的桥梁结构的智能化损伤识别方案具体使用到的关键理论基础上,着重探究了桥梁结构模型修正的损伤识别方法,还有动力指纹法并且还实现改进完善了三种基于振动桥梁结构的损伤识别方法,且利用各种不一样的综合算例完成了最后的验证。

基于机器视觉技术的飞机绕机外观检查方法研究

大型民用飞机试飞和航线运营期间,对其外观表面进行绕机外观检查是适航性安全检查的必要工作。目前飞机的绕机检查主要采用人工绕机方式,该方式,且成本高、效率低,易出现漏检、误检等人为因素,因此智能外观表面检查方法的研究是一项迫切的任务。相比于其他工业检测任务,飞机外观检查智能识别目前无公开数据集,且飞机真实外观损伤类型多样。通过对飞机外观图像的采集和处理,研究基于YOLO V3的飞机表面检查工程方法,初步建立了飞机外观损伤图像数据集框架。首先采用YOLO检测网络粗略获取飞机外观损伤位置和损伤类型,其次针对不同损伤类型的特点,用水平集算法获取图像块中更精准的损伤位置,最后根据精细化后的结果进行量化分析。提出了能够解决机器深度学习网络智能检测已知类别损伤的方法,对未知损伤具有较强容忍度和较大的灵活性与适应性。实践表明,本文提出的方法可以解决传统人工目视检测的部分弊端,可以为机器人智能绕机检查的工程应用提供技术参考,对降低飞机试飞和运营阶段的维修、维护成本有重要意义。