技能训练

SIELab的学生培养以真实科研、工程项目为载体。学生在参与检测监测、结构分析、装备研发和软件开发的实际任务中，逐步掌握面向基础设施智能化领域的方法与工具。

本页介绍团队的能力训练体系、软件工具体系和学习资源。团队不以短期成果数量作为培养目标，也不对论文、竞赛、升学或就业结果作预先承诺；但学生只要围绕具体任务持续投入，就能在毕业时带走一套完整的、可以证明的技能。参与技能训练的学生应做到：遵守科研诚信、数据管理和试验安全要求；愿意围绕一个具体问题持续投入；及时反馈进展与困难；尊重团队协作和成果署名规则。团队不接受"速成式"参与。技能的积累没有捷径，但团队可以保证：训练路径是清晰的，每一步的产出是明确的，付出的努力会被看见。

【了解实验条件】　【加入SIELab】

训练理念

团队的技能训练遵循四条原则：

  1. 真实项目驱动。 训练依托团队在研的隧道点云检测、桥梁健康监测、巡检无人机和机器人系统等任务展开，不设置脱离工程场景的虚拟练习。学生在真实数据和真实需求中学习，也在真实约束（数据质量、现场条件、工期）中理解工程的复杂性。
  2. 递进式能力链。 训练内容按阶段组织，前一阶段的产出是后一阶段的输入：先会采集和整理数据，再学处理和分析，然后进入建模与算法，最终完成系统级的集成与验证。每进入一个新阶段，学生都带着前一阶段可复用的成果。
  3. 对标岗位与竞赛。 团队定期梳理智能建造、检测监测、智慧交通和数字孪生等领域的岗位能力要求与学科竞赛赛项，据此调整训练内容。学生从参与训练的第一天起就知道，当前练习的技能对应什么竞赛环节、什么岗位要求。
  4. 产出可积累。 阶段训练成果沉淀为解决方案卡片、代码仓库、技术博客、竞赛材料和论文素材。这些产出在毕业时构成可展示、可核查的能力证据，而不是一段难以验证的"经历"。

能力主线：公共底座与两条路线

团队的技能体系由公共底座和两条技术路线构成，对应感知-决策-执行研究框架的不同环节。

公共技能

  • Python 编程与工程数据处理；
  • 结构与数值计算基础，理解模型和参数的工程含义；
  • 数据清洗、统计分析和图表规范；
  • 文献检索、阅读与技术写作；
  • 版本管理（Git）与团队协作工具。

路线A：智能感知与装备

面向多源数据获取、病害识别和无人系统研发，重点训练：

  • 机器视觉与图像处理，从照片中提取裂缝宽度、病害范围等工程量；
  • 激光点云处理与三维重建，几何量测与变形分析；
  • 无人机和移动机器人系统开发，包括飞控配置、载荷集成、航线规划；
  • 传感器选型、布设、标定与数据采集；
  • 边缘计算部署，算法在机载和工控平台上的工程化。

路线B：状态识别与性能评定

面向结构状态认知、参数识别和承载能力评定，重点训练：

  • 有限元建模与修正，从工程基准模型到参数化研究模型；
  • 结构动力学分析、模态参数识别与损伤反演；
  • 概率推断与不确定性量化，包括贝叶斯反演和灵敏度分析；
  • 健康监测数据分析，分离环境效应并识别结构状态变化；
  • 承载能力评定方法与规范体系。

两条路线不是封闭的。鼓励学生在掌握一条主线的基础上参与另一条路线的任务，形成既懂感知、又懂判定的复合能力，这也是基础设施智能化领域最稀缺的能力组合。

专业度分级（P1-P10）

团队不按年级、学历划分成长阶段，而按专业度（Professional）分级。不同课题、不同方向的任务复杂度不同，人员的成长路径也不同——同样的任务量，在一条线上可能一年达到独立执行，在另一条线上可能需要两年。级别衡量的不是入学多久，而是当前能独立完成什么任务。级别分为十级，覆盖从新成员到研究者的完整谱系，核心递进逻辑是两个维度：独立性的扩大（从需要指导到自主定义）和影响力范围的扩大（从完成自己的任务到影响他人的工作）。

学习级（P1-P2）

P1 · 上手——新成员，完成入门配置，第一次参与真实任务。

  • 能做：搭建开发环境（Linux、Python、Git），执行数据整理、图像标注、传感器接线等基础任务；
  • 典型产出：完成至少一次完整的"数据采集-整理-交付"任务。

P2 · 辅助——在指导下执行标准任务，成为可靠的协作者。

  • 能做：按团队规范完成点云处理流程、基准模型运行等标准操作，规范记录过程数据；
  • 典型产出：独立复现团队既有方法，提交第一份解决方案卡片。

执行级（P3-P4）

P3 · 独立——不再需要逐项指导，独立承担子任务。

  • 能做：独立完成一个子任务（一条检测流程、一组模型工况、一套识别管线），处理真实数据的质量问题并记录处置过程；
  • 典型产出：可运行、可复现的代码模块，多份解决方案卡片。

P4 · 熟练——完整链路的执行者，开始改进而非仅复现。

  • 能做：负责一条完整技术链路的执行与优化，对既有方法提出并验证改进；
  • 典型产出：竞赛作品、论文初稿、可部署的系统模块或工程验证报告。

骨干级（P5-P6）

P5 · 负责——从做事转向负责一条线，开始带人。

  • 能做：负责一条完整技术链路的规划、拆解、分配与验收，审查低级别成员的代码和成果；
  • 典型产出：可移交的模块与文档，对低级别成员的指导记录，组织竞赛团队。

P6 · 组织——跨链路、跨路线的组织者。

  • 能做：组织多人协作完成项目级任务，协调路线A与路线B的接口，管理进度与风险；
  • 典型产出：发表的论文、专利或软件著作权，通过验收的项目结题材料。

专家级（P7-P8）

P7 · 定义——子方向的定义者，回答"做什么、怎么做"。

  • 能做：定义子问题并设计技术路线，评估可行性并组织论证，指导多条链路并行推进；
  • 典型产出：研究方案与开题报告，有分量的学术论文，可供外部引用的方法。

P8 · 凝练——从工程现象中凝练科学问题。

  • 能做：主导方向级研究，建立评价基准与验证体系，凝练可检验的科学问题；
  • 典型产出：基金申请书，方法论论文，基准数据集与试验规范。

引领级（P9-P10）

P9 · 体系——方法论体系的构建者。

  • 能做：将分散的成果整合为可复用的方法论，推动跨方向融合，代表团队开展学术交流；
  • 典型产出：综述或专著，系统性平台或成套技术，外部学术报告。

P10 · 引领——领域问题的定义者与团队学术声誉的建立者。

  • 能做：提出并回答领域级问题，建立团队长期研究方向与外部合作网络，建设人才梯队；
  • 典型产出：有持续影响力的研究议程，成建制的团队，领域内的学术声誉。

级别使用规则

  • 级别与年级、学历不绑定。本科生可以达到P4-P5，研究生也可能长期停在P3——判据只有产出。
  • 以"典型产出"作为定级依据：稳定地产出P4级成果的成员，就是P4。
  • 两条路线分别定级。成员可以同时是路线A的P4和路线B的P2，复合能力本身就是优势。
  • 级别用于自评定位与制定下一阶段计划，不构成身份或待遇标签。
  • 专业度评估由指导教师结合日常表现与产出综合判断。

软件与工具体系

团队按功能类别维护软件工具清单，并为每个工具明确"用途、掌握程度、学习资源"。以下为核心清单。

结构分析与数值计算

  • Midas Civil / Midas CDN：工程基准模型、规范计算、荷载试验报告与加固验算；
  • OpenSeesPy：Python 驱动的参数化模型，支持反演计算的自动化批量调用；
  • ABAQUS / ANSYS：局部高保真模型，裂缝、接触和非线性细节分析；
  • COMSOL：多物理场仿真，重点是热力耦合仿真分析；
  • AutoCAD：结构图纸、传感器布置图与工装设计。

编程与数据分析

  • Python 全生态（NumPy、SciPy、pandas、matplotlib）：建模、分析、自动化与可视化的主力工具；
  • Jupyter Notebook：交互式分析与可复现研究；
  • scipy.signal：振动、声学和应变信号的滤波、FFT 与小波分析。

智能感知与点云处理

  • OpenCV：机器视觉、病害图像识别与量测；
  • CloudCompare：点云去噪、配准与量化分析；
  • Open3D / PCL：点云编程处理；
  • DIC 工具（Ncorr 等）：全场位移、应变与裂缝测量。

机器人与无人系统

  • ROS / ROS2：机器人控制、传感器融合与多机协同；
  • 无人机开发平台：开源飞控配置、载荷集成与航线规划；
  • SolidWorks + 3D 打印：工装夹具与传感器支架的快速原型。

机器学习与人工智能

  • PyTorch：深度学习模型训练，图像识别与代理模型；
  • scikit-learn：分类、回归与聚类等传统方法；
  • 贝叶斯推断工具（PyMC 等）：参数反演与不确定性量化。

BIM、GIS 与数字孪生

  • Revit / Civil 3D：桥梁构件建模、线形与场地三维表达；
  • QGIS：设施分布、检测路线与病害空间分析；
  • Three.js / Cesium：轻量 Web 端三维平台开发。

工程数据管理与协作

  • Git：代码与模型的版本管理；
  • 飞书文档与多维表格：团队知识沉淀与项目管理；
  • LaTeX 与 Zotero：论文排版与文献管理。

学生不需要掌握以上全部工具。团队按个人所属路线和阶段，在培养计划中明确当期需要掌握的工具范围和学习资源，并由高年级学生和教师提供指导。

学习资源

团队长期积累并持续维护以下资源，向正式参与团队工作的学生开放：

  • 桥隧工程、土木工程与程序设计类电子书籍近两万册；
  • 专业软件视频教程与慕课资源超过 3TB；
  • 检测报告样本、道路桥梁监测数据集、机器视觉训练数据集与源代码库；
  • 隧道点云、桥梁监测等真实工程数据，支持算法训练与论文研究；
  • 科研训练体系文档，覆盖从文献阅读、实验设计到论文写作的完整方法。

这些资源不是收藏品。团队要求学生在使用中补充和更新它们，在毕业时把自己整理的学习材料留给后续成员，使资源库随团队持续生长。

训练方式

团队的日常训练通过以下机制运行：

  • 组会制度：定期汇报与文献研讨，训练技术表达和批判性阅读；
  • 传帮带：高年级学生指导新成员完成入门任务，指导能力本身也是训练目标；
  • 代码审查：算法代码经审查后入库，训练规范意识和可复现习惯；
  • 博客写作：学生撰写技术博客并发布，训练把复杂问题讲清楚的能力；
  • 模拟答辩：正式汇报前组织预演，训练应对提问和诚实表达局限的能力。