已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

CNN-LSTM deep learning architecture for computer vision-based modal frequency detection

计算机科学 人工智能 建筑 计算机视觉 情态动词 深度学习 语音识别 艺术 视觉艺术 化学 高分子化学
作者
Ruoyu Yang,Shubhendu Singh,Mostafa Tavakkoli Anbarani,Nikta Amiri,Yongchao Yang,M. Amin Karami,Rahul Rai
出处
期刊:Mechanical Systems and Signal Processing [Elsevier BV]
卷期号:144: 106885-106885 被引量:169
标识
DOI:10.1016/j.ymssp.2020.106885
摘要

The conventional modal analysis involves physically-attached wired or wireless sensors for vibration measurement of structures. However, this method has certain disadvantages, owing to the sensor’s weight and its low spatial resolution, which limits the analysis precision or the high cost of optical vibration sensors. Besides, the sensor installation and calibration in itself is a time consuming and labor-intensive process. Non-contact computer vision-based vibration measurement techniques can address the shortcomings mentioned above. In this paper, we introduce CNN-LSTM (Convolutional Neural Network, Long Short-Term Memory) deep learning based approach that can serve as a backbone for computer vision-based vibration measurement techniques. The key idea is to use each pixel of an image taken from an off the shelf camera, encapsulating the Spatio-temporal information, like a sensor to capture the modal frequencies of a vibrating structure. Non-contact “pixel-sensor” does not alter the system’s dynamics and is relatively low-cost, agile, and provides measurements with very high spatial resolution. Our computer vision-based deep learning model takes the video of a vibrating structure as input and outputs the fundamental modal frequencies. We demonstrate, using reliable empirical results, that “pixel-sensor” is more efficient, autonomous, and accurate. Robustness of the deep learning model has been put to the test by using specimens of a variety of materials, and varying dimensions and results have shown high levels of sensing accuracy.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
PDF的下载单位、IP信息已删除 (2025-6-4)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
RHJ完成签到 ,获得积分10
刚刚
脚踏实滴完成签到 ,获得积分10
刚刚
君知完成签到,获得积分10
1秒前
Hello应助家家采纳,获得30
2秒前
2秒前
梁梁完成签到 ,获得积分10
3秒前
Shyee完成签到 ,获得积分10
3秒前
Silence完成签到 ,获得积分10
4秒前
zhao完成签到 ,获得积分10
4秒前
逍遥小书生完成签到 ,获得积分10
5秒前
风和日li完成签到,获得积分0
5秒前
王w完成签到 ,获得积分10
7秒前
天天摸鱼完成签到,获得积分10
8秒前
搞怪不言完成签到,获得积分10
8秒前
上上发布了新的文献求助10
8秒前
孤芳自赏IrisKing完成签到 ,获得积分10
8秒前
能干的阿拉蕾完成签到 ,获得积分10
8秒前
领导范儿应助lair采纳,获得10
8秒前
啦啦啦完成签到 ,获得积分10
8秒前
笑点低的冰淇淋完成签到,获得积分20
9秒前
味子橘完成签到 ,获得积分10
9秒前
黎乐荷发布了新的文献求助10
10秒前
哦豁完成签到 ,获得积分10
12秒前
正直的夏真完成签到 ,获得积分10
12秒前
几两完成签到 ,获得积分10
13秒前
13秒前
90090完成签到,获得积分20
13秒前
gwh完成签到 ,获得积分10
14秒前
15秒前
15秒前
lixiaolu完成签到 ,获得积分10
15秒前
monster完成签到 ,获得积分10
16秒前
木子李完成签到,获得积分20
16秒前
xiaomu完成签到,获得积分20
17秒前
18秒前
Jemma完成签到 ,获得积分10
18秒前
kk发布了新的文献求助10
19秒前
跳跃的惮完成签到,获得积分10
19秒前
岁峰柒完成签到 ,获得积分10
19秒前
澄子完成签到 ,获得积分10
19秒前
高分求助中
A new approach to the extrapolation of accelerated life test data 1000
ACSM’s Guidelines for Exercise Testing and Prescription, 12th edition 500
Indomethacinのヒトにおける経皮吸収 400
Phylogenetic study of the order Polydesmida (Myriapoda: Diplopoda) 370
基于可调谐半导体激光吸收光谱技术泄漏气体检测系统的研究 350
Robot-supported joining of reinforcement textiles with one-sided sewing heads 320
Aktuelle Entwicklungen in der linguistischen Forschung 300
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 冶金 细胞生物学 免疫学
热门帖子
关注 科研通微信公众号,转发送积分 3989949
求助须知:如何正确求助?哪些是违规求助? 3532017
关于积分的说明 11255865
捐赠科研通 3270829
什么是DOI,文献DOI怎么找? 1805053
邀请新用户注册赠送积分活动 882233
科研通“疑难数据库(出版商)”最低求助积分说明 809216

今日热心研友

fanyueyue
4
热心市民小红花
10
酷炫的一笑
1
momo
1
孙燕
1
注:热心度 = 本日应助数 + 本日被采纳获取积分÷10