本发明属于桥梁健康监测，涉及一种基于图像分类的桥梁结构健康监测数据异常识别方法。
背景技术：
1、我国桥梁建设发展迅速，数量庞大。截止2022年末，我国公路桥梁103.32万座、8576.49万延米，其中特大桥8816座，大桥15.96万座。近年来，桥梁结构的发展趋势是跨径越来越长，结构越来越复杂。桥梁结构在使用过程中潜在风险点越来越多，又因桥梁服役期通常为几十年甚至上百年、加之工作环境恶劣、养护工作不当、车辆严重超载、建筑材料性能退化和自然灾害等原因，桥梁结构极易出现损伤、老化、局部破坏等问题，乃至发生严重事故，造成社会财富的极大损失并且威胁着人民的生命安全。若能对桥梁实施常年的维护和定期的检查，可以改善桥梁的运营状况以及降低桥梁发生事故概率。结构健康监测系统为桥梁的维护提供一个全新的解决方案，其主要是通过利用周期性的传感器阵列获取结构响应和提取损伤敏感指标。
2、一套完备的桥梁健康监测系统通常包括成千上百个传感器，用以监测各类指标。因此一座大型桥梁健康监测系统采集到的数据是海量的。由于桥梁结构多处于野外环境，传感器不可避免的受到高温、高湿以及复杂的电磁环境等自然因素影响。从数据采集到数据传输，再由数据传输到数据存储，每个流程，每个环节都有可能导致数据发生异常。这些异常数据会引起系统的虚假报警，甚至会影响桥梁结构健康的评估结果。故对异常的数据予以识别、修复是非常有必要的。
3、基于数据统计的方法，如3σ法、格鲁布斯法等，极易混淆失常数据(基于结构损坏引起的失常数据)与异常数据，导致监测系统漏报警，工程实用性差。基于机器学习的方法，如主成分分析法(pca)等，无法处理多种异常数据类型的复杂数据。处理该类复杂数据通常需要专家干预，确定数据异常类型，并明确修复算法类型。人工干预通常费时、费力，且容易出错。
技术实现思路
1、本发明提供了一种基于图像分类的桥梁结构健康监测数据异常识别方法，解决了数据不平衡对异常数据检测的精度影响，使用轻量级卷积减少训练量，又利用子注意力机制进行全局特征提取，改进普通卷积操作智能提取局部特征的特点，以及transformer参数量大，训练困难的短板。
2、本发明采用的技术方案是：
3、基于图像分类的桥梁结构健康监测数据异常识别方法，其具体步骤如下：
4、s1，获取桥梁结构健康监测的原始数据；
5、s2，将原始数据进行图像转化作为模型训练样本，并对模型训练样本进行异常数据分类；
6、s3，构建基于融合焦点损失函数的mobile vit网络构建桥梁结构健康监测异常数据检测模型，并使用模型训练样本进行训练；
7、s4，将桥梁结构健康监测数据转化成图像后输入到训练好的基于融合焦点损失函数的mobile vit网络构建桥梁结构健康监测异常数据检测模型内，生成每个类别的概率，根据概率输出数据异常类型。
8、进一步，步骤s2中的原始数据进行图像转化步骤如下：
9、将每个传感器的原始数据根据时间序列分割成一小时一个片段，绘制成图，并保存为图像文件；其中分割数据是两个相邻窗口之间没有重叠的窗口数据。每张图像都是32位，分辨率为496×369，能够表示出数据的图像特征。数据可视化的过程是特征选择的过程。
10、进一步，步骤s2中所述模型训练样本的异常数据分类包括：缺失、离群值、次小值、超量程振荡、趋势和漂移。
11、进一步，步骤s3中基于融合焦点损失函数的mobile vit网络构建桥梁结构健康监测异常数据检测模型包括普通卷积层、mv2模块、mobile vit模块、全局平均池化层、全连接层、softmax层。
12、进一步，所述mv2模块是对输入特征先升维，然后使用深度可分离卷积提取特征，最后降维输出。由于使用了倒残差的深度可分离卷积，在降低参数量的同时仍能保证异常数据识别的准确率。
13、进一步，所述mobile vit模块是使用卷积操作进行局部特征提取，经过transformer进行全局特征提取，通过shortcut跳跃连接将输出特征与原始输入进行拼接，最后进行特征融合。实现特征提取的全面性，提高检测的准确率。
14、进一步，步骤s3中基于融合焦点损失函数的mobile vit网络构建桥梁结构健康监测异常数据检测模型的焦点损失函数是通过调整不均衡样本之间的权重系数，达到减少多数量样本损失贡献，增大少数量样本的损失函数，公式如下：
15、fl(pt)＝-αt(1-pt)γlog pt
16、式中，t是桥梁结构健康检测异常数据类别样本；pt是模型预测出对于样本t的概率值；αt是类别样本t对应的权重系数；γ是可调节因子，范围在[0，5]，通常取2；pt数值越小，表明识别越不准确，那么焦点损失函数就越倾向于把此类异常数据类型看作少数量异常数据类型；(1-pt)γ值越大，那么少数量异常数据类型对损失的贡献度越大。
17、本发明的有益效果：通过融合焦点损失函数解决了数据不平衡对异常数据检测的精度影响。mobile vit网络实现了卷积神经网络中卷积层和transformer中自注意力机制的优势互补，使用轻量级卷积减少训练量，又利用子注意力机制进行全局特征提取，改进普通卷积操作智能提取局部特征的特点，以及transformer参数量大，训练困难的短板。
1.基于图像分类的桥梁结构健康监测数据异常识别方法，其具体步骤如下：
2.根据权利要求1所述的基于图像分类的桥梁结构健康监测数据异常识别方法，其特征在于：步骤s2中的原始数据进行图像转化步骤如下：
3.根据权利要求2所述的基于图像分类的桥梁结构健康监测数据异常识别方法，其特征在于：步骤s2中所述模型训练样本的异常数据分类包括：缺失、离群值、次小值、超量程振荡、趋势和漂移。
4.根据权利要求1所述的基于图像分类的桥梁结构健康监测数据异常识别方法，其特征在于：步骤s3中基于融合焦点损失函数的mobile vit网络构建桥梁结构健康监测异常数据检测模型包括普通卷积层、mv2模块、mobile vit模块、全局平均池化层、全连接层、softmax层。
5.根据权利要求4所述的基于图像分类的桥梁结构健康监测数据异常识别方法，其特征在于：所述mv2模块是对输入特征先升维，然后使用深度可分离卷积提取特征，最后降维输出。
6.根据权利要求5所述的基于图像分类的桥梁结构健康监测数据异常识别方法，其特征在于：所述mobile vit模块是使用卷积操作进行局部特征提取，经过transformer进行全局特征提取，通过shortcut跳跃连接将输出特征与原始输入进行拼接，最后进行特征融合。
7.根据权利要求6所述的基于图像分类的桥梁结构健康监测数据异常识别方法，其特征在于：步骤s3中基于融合焦点损失函数的mobile vit网络构建桥梁结构健康监测异常数据检测模型的焦点损失函数是通过调整不均衡样本之间的权重系数，达到减少多数量样本损失贡献，增大少数量样本的损失函数，公式如下：
