Sep, 2023

基于结构健康监测数据的超载车辆辨识的深度学习方法

PDF
TL;DR利用结构健康监测数据，本文提出了一种基于深度学习的长跨度桥梁超载车辆识别方法（DOVI），通过时间卷积架构提取输入序列数据的空间和时间特征，从而提供了一种端到端的超载车辆识别解决方案，无需预先影响线、也不需要提前获得速度和轴距信息，可在多车辆的情况下应用，并在随机交通流条件下，通过对简支梁和长跨度斜拉桥进行模型评估，结果表明，所提出的深度学习超载车辆识别方法具有更好的效果和鲁棒性，相比其他机器学习和深度学习方法。
overloaded vehiclesbwim methoddeep learningoverloaded vehicle identificationstructural health monitoring
发现论文，激发创造
  • 结构仿真和桥梁健康监测的神经算符

    本文介绍了一种基于傅里叶神经算子的 VINO（Vehicle-bridge Interaction Neural Operator）方法，利用数据驱动的方法实现了车桥交互作用的结构损伤检测和预测，在使用预处理和微调数据集的情况下，VINO 比有限元模型更准确地预测了结构响应，并能够检测和定量化不同的损伤情况。

    May, 2023

  • 使用联网车辆数据和深度学习模型自动提取相关道路基础设施

    通过利用车联网数据和深度学习模型，在道路基础设施映射方面取得了显著的成果，提出了一种基于 geohashing 和 YOLOv5 算法的自动识别路口的新方法，实验证明了该方法的高准确性和广泛应用前景。

    Aug, 2023

  • 一种基于物理知识的机器学习模型用于动态载荷重构

    基于高斯过程回归的概率物理信息机器学习框架，通过测量挠度、速度或加速度来重建动力学力，适用于不完整和受污染的数据，可以用于考虑测量系统噪声的自然正则化方法，推测了格陵兰东桥的空气动力学响应，结果显示应用和预测的动态负荷之间存在良好的一致性，并可用于计算全局响应和所产生的内部力，该框架的应用包括验证设计模型和假设，以及辅助损伤检测和结构健康监测的预测。

    Aug, 2023

  • 基于视觉的桥梁场景中车辆再识别算法的研究

    基于群集相似性的一种车辆再识别方法，通过利用目标车辆附近的车辆信息来提高车辆再识别的准确性。当车辆相对位置保持不变且群集规模适当时，在实验中我们在 VeRi 数据集上获得了平均相对改进 204% 的效果。同时，讨论了车辆在经过两个相邻摄像头时的相对位置变化量对识别效果的影响，提出了两个可用于量化差异的度量，并建立了它们之间的联系。虽然这个假设基于桥梁场景，但由于行车安全和摄像头位置的原因，在其他场景中通常也成立。

    Mar, 2024

  • 交通摄像头用于检测内陆水路驳船交通：机器学习应用

    使用现有的交通摄像头和深度学习模型，本研究开发了一种检测内陆水路驳船交通的方法，并可用于匿名的大宗商品追踪和监测，为公共交通机构的长期交通规划以及美国工程兵团等联邦机构的运营和维护规划提供有价值的数据。

    Jan, 2024

  • 悬臂梁损伤检测的神经符号模型

    本文提出了一种名为逻辑卷积神经回归器的神经符号模型，通过将卷积神经网络的处理能力与直接将真实逻辑引入模型的互动控制相结合来检测悬臂梁中的损伤，并在实验中证明了该混合方法的优越性。

    May, 2023

  • 面对不完整的 DVL 测量的数据驱动策略

    比较分析了 LiBeamsNet 和 MissBeamNet 这两种先进的深度学习方法以及基于模型的平均估计器的有效性，这些方法在两个波束不可用时对于回归丢失的 Doppler 速度日志波束进行了评估。研究发现，这两种深度学习架构的速度预测准确性相比基于模型的方法提高了 16% 以上。

    Jan, 2024

  • 使用定向窗口学习视觉变换器的目标检测：道路资产识别

    利用 OWL-ViT 方法在智能交通系统中实现道路资产检测的研究表明，在各种情况下，OWL-ViT 具有高效率和可靠性，强调其提升智能交通系统安全和效率的潜力。

    Jun, 2024

  • 多元性强：面向车辆再识别的多分支表示学习

    本文提出了一种高效轻量级的多分支深度架构，用于改进车辆再识别，并基于分组卷积和损失分支拆分策略设计了一个多分支架构，以提高特征的多样性和可辨识性，还提出了一种轻量级解决方案以模拟将损失拆分学习为多个嵌入，同时显著减小模型尺寸，并设计了一个改进解决方案来利用额外的元数据，如摄像头 ID 和姿势信息，大大提高了再识别性能。与现有方法相比，在 Veri-776 中本方法在 mAP 方面达到了 85.6%，在 CMC1 方面达到了 97.7%，在 Veri-Wild 中得到了 88.1% 的 mAP 和 96.3% 的 CMC1，通过提供对车辆再识别的重要见解，为其他检索任务提供了坚实的基础。

    Oct, 2023

  • 基于 Transformer 预测头改进 YOLOv5 的计算机视觉损伤检测模型

    提出了一种基于 DenseNet 块和 CBAM 的实时深度学习伤害检测模型，采用先进的自我注意机制实现多尺度目标检测，并减少计算复杂度，结果显示该模型性能优于当前最先进模型，是准确和鲁棒的机器人在现实场景下实现自动化损坏检测系统的重要一步。

    Mar, 2023