针对大跨径钢结构桥梁高强螺栓群松动病害人工巡检效率低、风险大及智能化检测中数据集样本不足、检测精度不高、泛化性较弱等问题,提出一种基于深度学习的钢结构桥梁高强螺栓群松动病害识别方法。首先利用基于深度学习的YOLOv10(You On...针对大跨径钢结构桥梁高强螺栓群松动病害人工巡检效率低、风险大及智能化检测中数据集样本不足、检测精度不高、泛化性较弱等问题,提出一种基于深度学习的钢结构桥梁高强螺栓群松动病害识别方法。首先利用基于深度学习的YOLOv10(You Only Look Once version 10)目标检测算法对螺栓进行目标检测;其次采用匈牙利(Kuhn-Munkres)算法对高强螺栓群基准图和待检测图进行二分匹配,同时将图片划分为单螺栓子图;然后提出一种多任务学习注意力机制的高强螺栓关键点检测算法,设计空间聚类的螺栓六角点后处理模块,融合透视变换,自上而下检测螺栓6个角点;最后对比基准图与待检测图螺栓关键点的变化,计算螺栓松动角度。采用该方法对复杂环境下的室内、室外钢桁梁节段模型及实桥钢桁梁上的高强螺栓群进行检测试验。结果表明:该方法能准确检测出螺栓是否松动,检测准确率达到了97%以上,召回率均达到了95%以上,该方法具有较好的实用价值和工程前景。展开更多
【目的】由于气象数据具有稳定性好、可靠性高和能长期获取等优点,因此基于气象预报的温度来预测桥梁结构的温度场具有重要的工程意义。【方法】建立了基于贝叶斯优化(Bayesian optimization,BO)的长短期记忆(long-short term memory,LS...【目的】由于气象数据具有稳定性好、可靠性高和能长期获取等优点,因此基于气象预报的温度来预测桥梁结构的温度场具有重要的工程意义。【方法】建立了基于贝叶斯优化(Bayesian optimization,BO)的长短期记忆(long-short term memory,LSTM)模型,利用气象温度数据和桥梁实测温度对BO-LSTM模型进行深度训练后,输入气象预报温度,实现对桥梁温度历程的准确预测。【结果】基于广州鹤洞大桥的健康监测系统和远区气象站数据,由本文方法预测的桥梁温度历程与实测桥梁温度历程的决定系数达到0.961,而气象温度与实测温度的决定系数仅为0.874。因此,本文建立的BO-LSTM预测模型通过数据挖掘与学习提升了气象温度与桥梁温度之间的相关性。【结论】本文实现了由气象温度来较为准确地预测大跨桥梁的温度历程,为解决桥梁传感器故障、停电等导致的数据缺失和漂移问题提供了一种准确、可靠的智能预测方法。展开更多
文摘针对大跨径钢结构桥梁高强螺栓群松动病害人工巡检效率低、风险大及智能化检测中数据集样本不足、检测精度不高、泛化性较弱等问题,提出一种基于深度学习的钢结构桥梁高强螺栓群松动病害识别方法。首先利用基于深度学习的YOLOv10(You Only Look Once version 10)目标检测算法对螺栓进行目标检测;其次采用匈牙利(Kuhn-Munkres)算法对高强螺栓群基准图和待检测图进行二分匹配,同时将图片划分为单螺栓子图;然后提出一种多任务学习注意力机制的高强螺栓关键点检测算法,设计空间聚类的螺栓六角点后处理模块,融合透视变换,自上而下检测螺栓6个角点;最后对比基准图与待检测图螺栓关键点的变化,计算螺栓松动角度。采用该方法对复杂环境下的室内、室外钢桁梁节段模型及实桥钢桁梁上的高强螺栓群进行检测试验。结果表明:该方法能准确检测出螺栓是否松动,检测准确率达到了97%以上,召回率均达到了95%以上,该方法具有较好的实用价值和工程前景。
文摘【目的】由于气象数据具有稳定性好、可靠性高和能长期获取等优点,因此基于气象预报的温度来预测桥梁结构的温度场具有重要的工程意义。【方法】建立了基于贝叶斯优化(Bayesian optimization,BO)的长短期记忆(long-short term memory,LSTM)模型,利用气象温度数据和桥梁实测温度对BO-LSTM模型进行深度训练后,输入气象预报温度,实现对桥梁温度历程的准确预测。【结果】基于广州鹤洞大桥的健康监测系统和远区气象站数据,由本文方法预测的桥梁温度历程与实测桥梁温度历程的决定系数达到0.961,而气象温度与实测温度的决定系数仅为0.874。因此,本文建立的BO-LSTM预测模型通过数据挖掘与学习提升了气象温度与桥梁温度之间的相关性。【结论】本文实现了由气象温度来较为准确地预测大跨桥梁的温度历程,为解决桥梁传感器故障、停电等导致的数据缺失和漂移问题提供了一种准确、可靠的智能预测方法。
