基于视觉监着深度学习的SHM传感器网络自动化交通监控
机器学习
2026-01-21 v3
摘要
桥梁作为民事基础设施的关键组成部分，正日益受到恶化的影响，使得可靠的交通监控对于评估其剩余服务寿命至关重要。在操作载荷中，交通载荷起着关键作用，近期深度学习——特别是计算机视觉（CV）技术的进展——正促进了向持续、自动化监控的发展。然而，基于CV的方法存在隐私 concerns 和对光照条件敏感等局限性，而传统非视觉方法往往在部署和验证方面缺乏灵活性。为弥合这一差距，我们提出一种基于结构健康监测（SHM）传感器网络的全自动深度学习管道，用于持续交通监控。该方法将CV辅助的高分辨率数据集生成与监督式训练和推断相结合，利用图神经网络（GNN）捕获传感器数据的时间结构和相互关联性。通过将CV输出的知识迁移至SHM传感器，该框架使传感器网络能够实现与视觉系统相当的准确率，同时最小化人工干预。应用于实际案例中的加速度计和应变计数据，该模型实现了最先进的性能，轻型车辆分类准确率达99%，重型车辆分类准确率达94%。
引用
@article{arxiv.2506.19023,
title = {Automating Traffic Monitoring with SHM Sensor Networks via Vision-Supervised Deep Learning},
author = {Hanshuo Wu and Xudong Jian and Christos Lataniotis and Cyprien Hoelzl and Eleni Chatzi and Yves Reuland},
journal= {arXiv preprint arXiv:2506.19023},
year = {2026}
}