【技術實現步驟摘要】
本專利技術涉及橋梁監測，尤其涉及一種基于深度學習的陡坡橋梁穩定性評測方法及系統。
技術介紹
1、橋梁是交通的咽喉，橋梁結構的安全問題涉及重大財產安全甚至生命安全。隨著橋梁服役時間的推進以及交通量的日益增加，橋梁結構的局部損傷不可避免，因此對橋梁健康程度進行監測具有重要意義。
2、然而傳統的基于深度學習的橋梁穩定性監測技術僅僅通過分析橋梁內部結構參數來評價其穩定性，并未考慮到山區陡坡復雜的地形的特點，難以在山區陡坡場景下達到較好效果。
3、在山區陡坡場景下，地形情況具有地面高差大、變化頻繁、坡度陡峭等特點，因此山區陡坡橋梁具有相鄰橋墩較高、路橋相互作用頻繁的特點。與傳統橋梁監測場景相比，山區陡坡場景下的橋梁監測需要充分考慮橋梁各細部結構與地形的相互作用關系。
技術實現思路
1、有鑒于此，本專利技術提供一種基于深度學習的陡坡橋梁穩定性評測方法及系統，旨在解決山區陡坡場景下，橋梁穩定性監測精度受到地形影響較大的問題。傳統數據融合方式僅能做到各種傳感數據的融合，但無法做到傳感器數據與dem數據的多模態異構數據的融合。本專利技術對橋梁區域dem數據進行特征表示，并與橋梁內部結構數據進行多模態融合，提高了橋梁穩定性識別的準確率。
2、一種基于深度學習的陡坡橋梁穩定性評測方法，包括以下步驟：
3、s1：獲取橋梁區域dem數據、橋梁位移數據與橋梁應力數據；
4、s2：構建橋梁穩定性評價網絡，并基于卷積神經網絡提取橋梁區域dem特征；>
5、s3：基于循環神經網絡提取橋梁內部結構特征；
6、s4：基于注意力機制進行橋梁區域dem特征與橋梁內部結構特征的融合；
7、s5：設定網絡的輸入、輸出以及優化目標，并基于自適應學習率優化算法優化網絡參數；
8、進一步地，所述s1步驟中獲取橋梁區域dem數據、橋梁位移數據與橋梁應力數據，包括：
9、s11：通過傳感器獲取橋梁位移數據與橋梁應力數據，并通過衛星獲取橋梁區域遙感影像數據；
10、s12：對橋梁區域遙感影像數據進行影像校正、幾何校正、大氣校正，并將影像與地面控制點進行配準，生成立體影像；
11、s13：利用立體影像，采用立體匹配算法，提取橋梁區域dem數據。dem(digitalelevation?model)是數字高程模型的簡稱，是一種表示地形高程的數據結構。通過立體匹配算法，可以從立體影像中提取出每個像素的視差值，然后根據相機參數和幾何關系，將視差值轉換為高程值，從而得到橋梁區域的dem數據。
12、進一步地，所述s2步驟基于卷積神經網絡提取橋梁區域dem特征，包括：
13、s21：使用卷積神經網絡、gru網絡和注意力機制構建橋梁穩定性評價網絡；
14、s22：使用兩組由卷積層、激活函數和池化層共同構成的卷積神經網絡對橋梁區域dem數據進行卷積，其中第一組卷積神經網絡的結構為：
15、第一組卷積神經網絡的卷積層使用大小為3×3、步長為1、填充為1的卷積核，對輸入圖像進行卷積，輸出通道數為32，卷積的計算方式為：
16、
17、其中，oi,j,k為經卷積操作后輸出特征圖的第k個通道的第(i，j)個像素值，i和j分別為卷積后矩陣的行、列索引，k為通道索引，xu,v為原矩陣的第(u，v)個元素，ci-u,j-v為卷積核的第(i-u，j-v)個元素，u和v為原矩陣行、列的索引；第一組卷積神經網絡中，選取3x3，步長為1，填充為1的卷積核，可以保持圖像的尺寸不變，同時捕捉對應于圖像細節變化的邊緣、角點等高頻信息；
18、而通道數量可以決定卷積層的輸出特征圖的數量，也就是卷積層可以提取的特征種類。通道數量越多，卷積層可以提取的特征越豐富，但也會增加計算量和內存消耗。因此通道數量選擇32大小適中，既可以保證卷積層能夠提取到橋梁區域的空間、高程信息，又可以避免過多的計算量和內存消耗；
19、第一組卷積神經網絡的激活函數使用relu函數，對卷積層的輸出進行非線性變換，計算方式為：
20、ai,j,k＝max(0,oi,j,k)
21、其中，ai,j,k為激活函數的輸出值；由于relu只需要判斷輸入是否大于0，而不需要進行復雜的運算，因此計算速度快。除此之外，relu還可以有效解決梯度消失的問題，并且通過讓網絡的輸出中有更多的0值，增強網絡的稀疏性，減少網絡參數和計算量，提高網絡的泛化能力；
22、第一組卷積神經網絡的池化層使用最大池化對激活函數的輸出進行下采樣，池化核的大小為2×2、步長為2、輸出通道數為32，計算方式為：
23、
24、其中，pi,j,k為池化層的輸出值，m和n為計數索引，完成池化后，將池化層的輸出值輸入到第二組卷積神經網絡中；最大池化能夠將輸入的特征圖分成若干個小區域，然后在每個小區域中選取最大的值作為輸出，有利于聚焦橋梁區域各個部分的空間、高程變化特點；同時增加特征圖的平移不變性，即當輸入的橋梁區域衛星圖像發生較小的拍攝角度變化時，最大池化的輸出不會發生明顯的變化，從而提高網絡的魯棒性；
25、第二組卷積神經網絡的結構為：
26、第二組卷積神經網絡的卷積層使用大小為5×5、步長為1、填充為2的卷積核，對第一組卷積神經網絡的池化層的輸出進行卷積，輸出通道數為64；
27、第二組卷積神經網絡的激活函數、池化層的設置均與第一組卷積神經網絡的激活函數、池化層的設置相同；第二組卷積神經網絡的卷積層、激活函數、池化層的計算方式均與第一組卷積神經網絡的卷積層、激活函數、池化層的計算方式相同；
28、第二組卷積神經網絡中選取5x5，步長為1，填充為2的卷積核可以增加感受野，即卷積核覆蓋的像素范圍，同時捕捉對應于圖像平滑變化的紋理、形狀等低頻信息；
29、同時，由于第二組卷積神經網絡需要提取更高層次的橋梁區域dem特征，且是在第一組卷積神經網絡的基礎上進行的，因此需要增加輸出通道數，保證卷積層有足夠的特征提取能力；而第一組卷積神經網絡已經進行了池化，降低了特征圖的尺寸，因此第二組卷積神經網絡輸出通道數為64，也不會帶來過大的計算量和內存消耗；
30、s23：使用全連接層和激活函數，將第二組卷積層的輸出壓縮為一維向量，作為橋梁區域dem特征的表示，其中，全連接層的計算方式為：
31、
32、f＝[fk＝1,fk＝2,…,fk＝k]
33、其中，fk為全連接層的輸出特征圖的第k個通道的像素值，wi,j,k為全連接層的權重值，bi,j,k為全連接層的偏置項，n為池化層展平后的向量長度,f為全連接層各通道像素值的拼接結果，[]為拼接操作，全連接層將輸出特征圖壓縮為一維向量，實現了對橋梁區域dem特征的降維和抽象，再通過拼接操作將不同通道的特征組合起來，從而增強了特征的區分度，為后續基于attention機制的特征本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的陡坡橋梁穩定性評測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度學習的陡坡橋梁穩定性評測方法，其特征在于，所述步驟S1包括以下步驟：
3.根據權利要求2所述的基于深度學習的陡坡橋梁穩定性評測方法，其特征在于，所述步驟S2包括以下步驟：
4.根據權利要求3所述的基于深度學習的陡坡橋梁穩定性評測方法，其特征在于，所述步驟S3包括以下步驟：
5.根據權利要求4所述的基于深度學習的陡坡橋梁穩定性評測方法，其特征在于，所述步驟S4包括以下步驟：
6.根據權利要求5所述的基于深度學習的陡坡橋梁穩定性評測方法，其特征在于，所述步驟S5包括以下步驟：
7.一種基于深度學習的陡坡橋梁穩定性評測系統，其特征在于，包括：
【技術特征摘要】
1.一種基于深度學習的陡坡橋梁穩定性評測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度學習的陡坡橋梁穩定性評測方法，其特征在于，所述步驟s1包括以下步驟：
3.根據權利要求2所述的基于深度學習的陡坡橋梁穩定性評測方法，其特征在于，所述步驟s2包括以下步驟：
4.根據權利要求3所述的基于深度學習的陡坡橋梁...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。