Apr, 2023

在结构健康监控领域集成边缘 AI 技术

PDF
TL;DR本研究旨在探索将边缘人工智能（AI）与结构健康监测领域相结合，例如在实时桥梁检查任务中，将商用的 Google Coral Dev Board 或 Kneron KL520 等边缘 AI 平台应用于决策支持系统，以便在物理现场上执行实时推断，从而进行其准确性、混淆矩阵生成和推理时间的评估。
structural health monitoringedge-aireal-timecrack detectiondecision support system
发现论文，激发创造
  • 结构健康监测的基础模型

    使用 Transformer 神经网络和自监督预训练技术进行结构健康监测，超过传统方法在异常检测和交通负荷估计等任务上的性能，并通过模型大小和精确度的权衡实现在边缘节点嵌入较小的 Transformers。

    Apr, 2024

  • SHM-Traffic: 基于 DRL 和迁移学习的无人机控制，用于道路上的桥梁结构健康监测

    使用深度强化学习为无人机提出一种针对有交通的桥梁进行结构健康监测的先进技术，利用两种边缘检测技术对裂缝进行检测和定位，并探讨了边缘检测和卷积神经网络在损伤检测方面的优劣，通过实验评估了该方法的有效性。

    Feb, 2024

  • 基于 CNN 的时间序列传感器数据结构损伤检测

    这项研究引入了一种创新的卷积神经网络算法来检测结构损伤，通过从时间序列数据中提取深度空间特征，并利用长期时间连接教授卷积神经网络识别时空特征，结合两类时间序列数据（完好和损坏）的方法验证了其有效性，并证明该新的卷积神经网络算法在检测结构退化方面非常准确。

    Nov, 2023

  • 多模态时间序列结构振动的协同信号去噪

    该研究介绍了一个针对结构健康监测中多模态振动信号复杂性的新型深度学习算法，通过融合卷积和循环结构，以及关注机制的重要集成，该算法能够准确捕捉结构行为并从噪声中辨别和优先处理重要的结构响应，取得了显著的预测准确性、早期损伤检测以及在多种结构健康监测方案中的适应性改进。该研究不仅提供了一个强大的分析工具，还为更透明、可解释的人工智能驱动的结构健康监测解决方案铺平了道路，并展望了未来的实时处理、与外部环境因素的集成以及对模型可解释性的深入强调。

    Aug, 2023

  • 从分类到分割的可解释人工智能研究：裂缝检测和生长监测

    本文提出了运用可解释人工智能的方法对表面裂纹进行分割和监测，结果表明，虽然生成的分割掩码质量可能不如有监督方法产生的高，但仍具有意义并能够实现严重程度的监测，从而降低了大量标注成本。

    Sep, 2023

  • 力学信息自编码器实现未预料的结构损伤的自动检测和定位

    使用全自动化的机械类自动编码器实现结构损伤的自动检测和定位，该方法结合了可扩展、廉价、无需人工干预、针对每个机械结构定制化的全被动测量技术，具有较标准自动编码器 35% 提前检测和定位损伤的能力，有望显著降低人工干预和检测成本，延长土木基础设施的寿命、可靠性和可持续性。

    Feb, 2024

  • 异构受限计算中的边缘 AI 推断：可行性与机遇

    网络边缘在人工智能（AI）推理处理中的作用正在快速扩大，驱动力是众多寻求计算优势的应用程序。

    Oct, 2023

  • 人工智能监控系统的设计与实施：放射学自主 AI 监测系统的新时代

    我们提出了一种通过预警来监测医学成像 AI 分类模型性能变化的方法，该方法采用预测分歧度和时间稳定性这两个指标，通过使用 KL 散度和 JS 散度来评估模型准确性，并通过与历史移动平均值进行对比，检测模型退化或数据漂移，实验证明其在维护 AI 的可靠性方面有效。

    Nov, 2023

  • 边缘智能赋能基于物联网的医疗系统

    这篇文章研究智能医疗系统中智能边缘技术和人工智能的应用，提出了一个新的智能医疗模型，并讨论了整合这些技术时出现的问题和研究方向。

    Mar, 2021

  • CycleGAN 用于结构健康监测和损伤检测中的未损坏到损坏域转换

    本研究开发了一种循环一致的 Wasserstein 深度卷积 GAN 模型来调查结构动态特征从未受损状态到受损状态的转变及其是否可用于预测性损伤检测，结果表明该模型能够准确地生成受损响应和未受损响应，从而实现在结构未受损的情况下理解受损状态的能力，这将有助于更为积极地监控生命周期表现并预测结构的剩余寿命。

    Feb, 2022