以目标尺寸驱动的卷积神经网络设计：基于原始数据的虚拟轴检测
计算机视觉与模式识别
2024-12-03 v4
摘要
随着基础设施老化，对高效监测方法的需求日益迫切。桥梁称重运动（BWIM）系统对于经济有效地确定荷载以及进而确定道路与铁路基础设施的剩余使用寿命至关重要。然而，传统 BWIM 系统需要额外的传感器用于轴检测，这些传感器必须安装在可能难以接近的位置或干扰桥梁运行的地方。本研究提出一种利用任意放置在桥梁上的传感器实时检测列车车轴的新方法，作为专用轴检测器的替代方案。所开发的具有增强感受野的虚拟轴检测器（VADER）已在一座单线铁路桥上仅使用加速度测量得到验证，以 3.69cm 的空间误差检测出 99.9% 的车轴。使用原始数据作为输入在速度和内存占用上均比最先进的基于谱图的方法优 99%，从而首次使实时应用成为可能。此外，我们引入最大感受野（MRF）规则，一种基于目标尺寸优化卷积神经网络（CNNs）超参数的新方法。在此背景下，目标尺寸与桥梁的基频相关。MRF 规则有效缩小了超参数搜索空间，免除了大量超参数调优的需要。由于 MRF 规则在理论上可应用于所有非结构化数据，它可能对从地震预测到目标识别的广泛深度学习问题产生影响。
引用
@article{arxiv.2309.01574,
title = {Object-Size-Driven Design of Convolutional Neural Networks: Virtual Axle Detection based on Raw Data},
author = {Henik Riedel and Robert Steven Lorenzen and Clemens Hübler},
journal= {arXiv preprint arXiv:2309.01574},
year = {2024}
}