CINECA IRIS Institutional Research Information System
IRIS è l'Anagrafe della ricerca dell'Università degli Studi di Trento, e ha lo scopo di raccogliere, documentare, conservare e diffondere, anche ad accesso aperto, la produzione scientifica degli autori afferenti all'Università degli Studi di Trento.
EnglishStructural Health Monitoring (SHM) systems are increasingly employed in many civil structures such as buildings, tunnels and viaducts. Typical installations consist of sensors that gather information and send it to a central computing unit, which then periodically analyzes the incoming data and produces an assessment of the structure conditions. To avoid the transmission of a huge amount of raw data and reduce latency in the detection of structural anomalies, recent works focus on moving computation on the sensor nodes. This work shows that a small autoencoder, which fits the tiny 2 MB memory of a typical microcontroller used for SHM sensor nodes can achieve very competitive accuracy in detecting structural anomalies as well as vehicle passage on bridges by leveraging adversarial training based on generative adversarial networks (GANs). We improve accuracy over state-of-the-art algorithms in two use-cases on real-standing buildings: i) predicting anomalies on a bridge (+7.4%) and ii) detecting vehicles on a viaduct (2.30×).
Adversarially-Trained Tiny Autoencoders for Near-Sensor Continuous Structural Health Monitoring / Burrello, Alessio; Sintoni, Giacomo; Brunelli, Davide; Benini, Luca. - ELETTRONICO. - (2022). ((Intervento presentato al convegno AICAS tenutosi a Incheon, Korea nel 13-15, June.
Scheda prodotto non validato
I dati visualizzati non sono stati ancora sottoposti a validazione formale da parte dello Staff di IRIS, ma sono stati ugualmente trasmessi al Sito Docente Cineca (Loginmiur).
| Titolo: | Adversarially-Trained Tiny Autoencoders for Near-Sensor Continuous Structural Health Monitoring | |
| Autori: | Burrello, Alessio; Sintoni, Giacomo; Brunelli, Davide; Benini, Luca | |
| Autori Unitn: | ||
| Titolo del volume contenente il saggio: | 2022 IEEE 4th International Conference on Artificial Intelligence Circuits and Systems (AICAS) | |
| Luogo di edizione: | New York, New York, Stati Uniti | |
| Casa editrice: | IEEE | |
| Anno di pubblicazione: | 2022 | |
| Handle: | http://hdl.handle.net/11572/338332 | |
| Citazione: | Adversarially-Trained Tiny Autoencoders for Near-Sensor Continuous Structural Health Monitoring / Burrello, Alessio; Sintoni, Giacomo; Brunelli, Davide; Benini, Luca. - ELETTRONICO. - (2022). ((Intervento presentato al convegno AICAS tenutosi a Incheon, Korea nel 13-15, June. | |
| Appare nelle tipologie: | 04.1 Saggio in atti di convegno (Paper in proceedings) |
File in questo prodotto:
Copyright © 2022