一种基于LSTM递归神经网络的桥头跳车检测方法技术

本发明专利技术公开了一种基于LSTM递归神经网络的桥头跳车检测方法，在通过桥头之前的普通路段，车辆的前进方向与竖直方向的加速度变化较为平稳，在通过桥头时车辆前进方向加速度变化幅值不大，但是竖直方向加速度变化幅值迅速上升，则表明桥头跳车对车辆竖直方向运动影响远比水平方向运动影响大。因此根据采集的大量的车辆通过多个桥头的前进过程中的加速度数据结合LSTM递归神经网络进行网络训练，获得递归神经网络LSTM模型，通过该模型对待测路段进行桥头跳车检测，能在最短时间内自动检测出是否存在桥头跳车现象，便于专业人员快速定位问题路段并及时维护，从而大大增强桥梁道路的安全性。

【技术实现步骤摘要】
一种基于LSTM递归神经网络的桥头跳车检测方法
本专利技术涉及工程检测
，更具体的说是涉及一种基于LSTM递归神经网络的桥头跳车检测方法。
技术介绍
桥头跳车，是由于公路桥头及伸缩缝(桥头引道)处的差异沉降或伸缩缝破坏而使路面纵坡产生台阶，引起通过的车辆产生跳跃的现象。桥头跳车直接影响车辆行驶安全和舒适性，损害桥台和路基路面以及损伤车辆底盘，严重的将导致交通事故。因此，桥头跳车问题已成为高等级公路的工程质量和造价的重要影响因素，一直是困扰市政管理工程技术人员的难题之一。桥头跳车问题主要包括由引道纵向不均匀沉降引起的“错台”和“纵坡突变”两类。错台类主要是由刚性桥面结构物与柔性桥面连接处不均匀沉降形成错台所致。车辆行驶经过错台区，车内人员会产生一瞬间的不适，并对路面和车辆轮胎产生冲击，错台越高冲击越大，增加车辆机械磨损和轮胎损耗。纵坡突变类桥面两端无明显错台，在桥台和路基路面连接处附近道路沉降量剧烈变化，使得车辆通过时发生颠簸。目前，世界各地学者对桥头跳车的研究很不完善，研究成果集中在修复方法，对于桥头跳车的检测方法较少，而桥梁建设质量问题直接影响行车安全，对桥梁建设质量问题的及时检测和维修对保证行车安全具有重要意义。因此，如何实现桥梁是否存在桥头跳车现象的准确检测以保证行车安全是本领域技术人员亟需解决的问题。
技术实现思路
有鉴于此，本专利技术提供了一种基于LSTM递归神经网络的桥头跳车检测方法，采用的原理是与桥头之前的普通路段相比，车辆在经过桥头时前向加速度变化较为稳定，但是竖直方向加速度变化波动较大，这表明桥头跳车对车辆竖直方向运动影响远比水平方向运动影响大。因此根据采集车辆前进过程中的加速度数据结合LSTM递归神经网络进行桥头跳车检测，能在最短时间内自动检测出桥头跳车，便于专业人员快速定位问题路段并及时维护，从而大大增强桥梁道路的安全性。为了实现上述目的，本专利技术采用如下技术方案：一种基于LSTM递归神经网络的桥头跳车检测方法，包括如下具体步骤：步骤1：采集大量的车辆经过若干桥头时的加速度数据，所述加速度数据包括前向加速度和竖向加速度，对所述加速度数据进行标签标记，整理得到一个二维加速度序列；其中，所述车辆经过若干所述桥头时根据道桥行业中判断桥头跳车的标准获得发生桥头跳车现象的时间片段根据所述时间片段对所述加速度数据进行所述标签标记，存在所述桥头跳车现象的时间段内的所述加速度数据标记为标签1，对不存在所述桥头跳车现象的时间段内的所述加速度数据标记为标签0，获得训练样本；每个所述训练样本包含所述车辆经过当前所述桥头时的所述二维加速度序列和所述标签；步骤2：将所述训练样本所述二维加速度序列采用LSTM递归神经网络进行训练学习，得到递归神经网络LSTM模型Q；步骤3：采集在待检测桥头上所述车辆行驶的待检测加速度数据，获得待检测加速度序列；步骤4：将所述步骤3中的所述待检测加速度序列输入到所述步骤2中的所述递归神经网络LSTM模型Q中，获得所述待检测加速度序列中每一列对应的所述标签；由所述标签判断所述待检测桥头是否存在桥头跳车，如果所述标签为1则当前所述待检测桥头存在所述桥头跳车现象，所述标签为0则当前所述待检测桥头不存在所述桥头跳车现象。优选的，在采用所述LSTM递归神经网络训练过程中，在序列输入层输入每个所述训练样本的所述二维加速度序列，依次经过LSTM层、全连接层和Softmax层对所述二维加速度序列进行学习，在分类输出层输入每个所述训练样本的所述标签进行训练获得所述递归神经网络LSTM模型Q；其中，基于LSTM采用梯度下降等方法对所述全连接层和所述Softmax层进行神经网络训练学习。优选的，所述步骤1是通过在所述车辆中安装的速度传感器采集的所述车辆通过所述桥头时间段内的所述加速度数据。经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于LSTM递归神经网络的桥头跳车检测方法，采用LSTM递归神经网络训练采集的大量的桥头车辆行驶过程中的加速度数据，其中加速度数据包括前向加速度和竖向加速度，经过训练学习获得递归神经网络LSTM模型Q，通过递归神经网络LSTM模型Q可以实现给定的待检测路段是否存在桥头跳车现象的自动判别和检测。由于本专利技术的递归神经网络LSTM模型Q是采用LSTM递归神经网络基于大量样本进行训练学习获得的，所以自动检测的准确率高，同时仅需要输入待检测路段的采集数据即可实现是否存在桥头跳车现象的判断，因此节省大量人力物力，检测迅速，使得在日常道路检测中可以实现大范围快速检测，并及时进行修复，避免因桥头跳车造成车辆底盘的损毁及交通事故，提高了桥梁道路交通的安全性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1附图为本专利技术提供的基于LSTM递归神经网络的桥头跳车检测方法流程图；图2附图为本专利技术提供的LSTM网络训练过程示意图；图3附图为本专利技术提供的加速度数据示意图；图4附图为本专利技术提供的桥头跳车的预测时间和实际时间示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例公开了一种基于LSTM递归神经网络的桥头跳车检测方法，包括如下具体步骤：S1：采集大量的车辆经过若干桥头时的包括前向加速度和竖向加速度的加速度数据，对加速度数据进行标签标记，整理得到一个二维加速度序列；其中，车辆经过若干桥头时根据道桥行业中判断桥头跳车的标准获得发生桥头跳车现象的时间片段，根据时间片段对二维加速度序列进行标签标记，存在桥头跳车现象的二维加速度序列片段标记为标签1，即对应时间片段内的加速度数据标记为1；对不存在桥头跳车现象的二维加速度序列片段标记为标签标记为标签0，获得训练样本；每个训练样本包含车辆经过当前桥头时的二维加速度序列和标签；S2：将训练样本二维加速度序列采用LSTM递归神经网络进行训练学习，得到递归神经网络LSTM模型Q；S3：采集在待检测桥头上车辆行驶的待检测加速度数据，获得待检测加速度序列；S4：将S3中的待检测加速度序列输入S2中的递归神经网络LSTM模型Q中，获得待检测加速度序列中每一列对应的标签；由标签判断待检测桥头是否存在桥头跳车，如果标签为1则当前待检测桥头存在桥头跳车现象，标签为0则当前待检测桥头不存在桥头跳车现象。为了进一步优化上述技术方案，在采用LSTM递归神经网络训练过程中，在序列输入层输入每个训练样本的二维加速度序列，依次经过LS本文档来自技高网...

【技术保护点】
1.一种基于LSTM递归神经网络的桥头跳车检测方法，其特征在于，包括如下具体步骤：/n步骤1：采集车辆经过若干桥头时的加速度数据，对所述加速度数据进行标签标注，整理得到二维加速度序列，所述二维加速度序列作为训练样本；/n步骤2：将所述训练样本加速度序列输入LSTM网络进行训练学习，获得递归神经网络LSTM模型Q；/n步骤3：采集车辆行驶过待检测路段时的待检测加速度数据，获得待检测加速度序列；/n步骤4：将所述待检测加速度序列输入所述步骤2中的所述递归神经网络LSTM模型Q，获得所述待检测加速度序列中每一列的标签。/n

【技术特征摘要】
1.一种基于LSTM递归神经网络的桥头跳车检测方法，其特征在于，包括如下具体步骤：
步骤1：采集车辆经过若干桥头时的加速度数据，对所述加速度数据进行标签标注，整理得到二维加速度序列，所述二维加速度序列作为训练样本；
步骤2：将所述训练样本加速度序列输入LSTM网络进行训练学习，获得递归神经网络LSTM模型Q；
步骤3：采集车辆行驶过待检测路段时的待检测加速度数据，获得待检测加速度序列；
步骤4：将所述待检测加速度序列输入所述步骤2中的所述递归神经网络LSTM模型Q，获得所述待检测加速度序列中每一列的标签。


2.根据权利要求1所述的一种基于LSTM递归神经网络的桥头跳车检测方法，其特征在于，所述步骤1中的所述加速度数据包括前向加速度和竖向加速度，所述前向加速度和所述竖向加速度组成所述二维加速度序列；每个所述训练样本包含所述车辆经过当前所述桥头时的所述二维加速度序列和所述标签。


3.根据权利要求1所述的一种基于LSTM递归神经网络...

【专利技术属性】
技术研发人员：陈浩波，金伟松，江华伟，曹燕，舒振宇，王钢，杨思鹏，金海容，隆威，
申请(专利权)人：宁波市市政设施中心，浙江大学宁波理工学院，
类型：发明
国别省市：浙江;33