一维堆叠卷积自编码器在分布式裂缝检测中的应用

"这篇论文提出了一种基于一维堆叠卷积自编码器的分布式应变裂缝检测方法，用于改善桥梁健康监测中的裂缝检测效率和准确性。通过利用光纤传感器获取结构表面的应变数据，结合一维堆叠卷积自编码器进行特征提取，以及Softmax分类器进行分类判断，该方法能有效地识别微小裂缝，具有高检测准确率和特征可判别性。" 在现代桥梁健康监测领域，裂缝检测是一项至关重要的任务，因为它直接影响到桥梁的安全性和稳定性。传统的基于布里渊时域分析的分布式光纤传感器虽然能获取结构表面的应变数据，但这些数据往往受到噪声的影响，使得裂缝损伤的应变异常难以被准确识别。为了解决这一问题，研究者提出了一个创新的方法，即利用一维堆叠卷积自编码器（1D Stacked Convolutional Autoencoder, SCAE）进行特征提取。 一维堆叠卷积自编码器是一种深度学习模型，它由多个卷积层和池化层交替堆叠而成，特别适合处理一维序列数据，如时间序列或应变数据。在这个方法中，首先对光纤传感器收集的应变数据进行标准化预处理，以减少噪声影响并使数据归一化。接着，将预处理后的应变数据划分为多个子序列，这些子序列作为SCAE的输入。SCAE通过其内在的卷积和池化操作，能够自动学习并提取出数据中的关键特征，这些特征对裂缝的存在与否有高度的判别能力。 SCAE的噪声鲁棒性是其一大优势，即使在数据噪声较大的情况下，也能有效地提取出有效的特征。提取出的特征随后输入到Softmax分类器中，这是一个常用的多分类模型，它可以计算每个类别的概率，并确定样本最可能属于哪个类别。在本案例中，分类器将判断应变子序列是否表示裂缝存在。 实验结果显示，采用这种方法进行裂缝检测，不仅能够有效地检测到微小裂缝，而且检测准确率较高，这优于传统的基于CNN（卷积神经网络）和SAE（堆叠自编码器）的方法。这种方法的优越性在于其提取的特征具有更高的可判别性，有助于提高裂缝识别的精确度。 基于一维堆叠卷积自编码器的分布式应变裂缝检测方法为桥梁健康监测提供了新的解决方案，通过自动化和智能化的数据处理，提高了裂缝检测的效率和可靠性，为保障桥梁安全提供了有力的技术支持。