SHM-Traffic: DRL and Transfer learning based UAV Control for Structural Health Monitoring of Bridges with Traffic

📄 arXiv: 2402.14757v1 📥 PDF

作者: Divija Swetha Gadiraju, Saeed Eftekhar Azam, Deepak Khazanchi

分类: cs.AI

发布日期: 2024-02-22

💡 一句话要点

提出基于深度强化学习和迁移学习的无人机控制方法以监测桥梁结构健康

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 结构健康监测 无人机控制 深度强化学习 迁移学习 裂缝检测 卷积神经网络 边缘检测 桥梁监测

📋 核心要点

  1. 现有桥梁监测方法在实时性和准确性上存在不足，尤其是在交通流量大的情况下，难以有效检测裂缝。
  2. 本文提出了一种结合深度强化学习和迁移学习的无人机控制方法，能够在交通流中进行高效的桥梁裂缝检测。
  3. 实验结果表明，Canny边缘检测在任务完成时间上优于CNN，而CNN在损伤检测和奖励方面表现更佳，显示出方法的有效性。

📝 摘要（中文）

本研究聚焦于桥梁结构健康监测（SHM）中的先进技术应用，提出了一种基于深度强化学习（DRL）的无人机（UAV）控制方法。该方法在交通流量持续的情况下，对混凝土桥面进行巡检并检测裂缝。无人机在裂缝位置未知的情况下进行检测，采用了两种边缘检测技术：首先使用Canny边缘检测，其次使用卷积神经网络（CNN）进行裂缝检测，并对两者进行了比较。通过迁移学习，利用从裂缝图像数据集中获得的预训练权重，提升了模型在识别和定位裂缝方面的性能。采用近端策略优化（PPO）进行无人机控制和桥梁巡检，实验评估了该方法在不同场景下的表现，观察到Canny边缘检测在任务完成时间上降低了40%，而CNN在损伤检测上提高了12%，奖励提升了1.8倍。

🔬 方法详解

问题定义：本研究旨在解决在交通流量下进行桥梁结构健康监测时，裂缝检测的实时性和准确性问题。现有方法在复杂环境中难以有效识别裂缝，导致监测效率低下。

核心思路：论文提出的核心思路是结合深度强化学习和迁移学习，通过无人机在交通流中进行自主巡检，实时检测和定位桥梁裂缝。采用Canny边缘检测与CNN相结合，提升检测精度和效率。

技术框架：整体架构包括无人机控制模块、裂缝检测模块和数据处理模块。无人机通过PPO算法进行自主飞行，实时获取桥梁图像，并通过Canny和CNN进行裂缝检测和定位。

关键创新：最重要的技术创新在于将深度强化学习与迁移学习相结合，使得无人机能够在复杂交通环境中高效进行裂缝检测，显著提升了监测的实时性和准确性。

关键设计：在设计中，采用了预训练的CNN模型以提高裂缝检测的准确性，损失函数设计为结合检测精度和任务完成时间的复合损失函数，以优化无人机的巡检策略。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，Canny边缘检测在任务完成时间上比CNN降低了40%，而CNN在损伤检测方面提高了12%，且在奖励方面表现出1.8倍的提升。这些结果表明，提出的方法在效率和准确性上均有显著改善，验证了其有效性。

🎯 应用场景

该研究的潜在应用领域包括桥梁监测、基础设施维护和无人机巡检等。通过提高裂缝检测的效率和准确性，能够有效延长桥梁的使用寿命，降低维护成本，并为城市交通管理提供支持。未来，该方法还可扩展至其他结构健康监测领域，具有广泛的实际价值和影响。

📄 摘要（原文）

This work focuses on using advanced techniques for structural health monitoring (SHM) for bridges with Traffic. We propose an approach using deep reinforcement learning (DRL)-based control for Unmanned Aerial Vehicle (UAV). Our approach conducts a concrete bridge deck survey while traffic is ongoing and detects cracks. The UAV performs the crack detection, and the location of cracks is initially unknown. We use two edge detection techniques. First, we use canny edge detection for crack detection. We also use a Convolutional Neural Network (CNN) for crack detection and compare it with canny edge detection. Transfer learning is applied using CNN with pre-trained weights obtained from a crack image dataset. This enables the model to adapt and improve its performance in identifying and localizing cracks. Proximal Policy Optimization (PPO) is applied for UAV control and bridge surveys. The experimentation across various scenarios is performed to evaluate the performance of the proposed methodology. Key metrics such as task completion time and reward convergence are observed to gauge the effectiveness of the approach. We observe that the Canny edge detector offers up to 40\% lower task completion time, while the CNN excels in up to 12\% better damage detection and 1.8 times better rewards.