CN109839175B - 一种桥梁活载优化识别系统 - Google Patents

Abstract

本发明提供一种基于多源冗余信息的桥梁活载优化识别系统，其特征在于，包括：具有不同编号的多个动应变计，用于采集桥梁结构动应变数据；至少一个桥梁交通监控装置，用于生成车辆监控视频；以及计算处理装置，用于进行计算从而获取桥梁的活载，其中，计算处理装置具有：动应变处理部，对桥梁结构动应变数据进行处理从而获取其静态成分的峰值；视频车辆识别部，对车辆监控视频进行识别获取位置信息；车辆坐标转换部，对位置信息进行转换从而获取车辆的实际位置坐标；车重计算部，根据静态成分的峰值、实际位置坐标以及桥梁影响面计算获取车辆的车重；以及车重统计验算部，用于对车重进行统计从而对车辆的车重进行验算作为桥梁的活载。

Description

一种桥梁活载优化识别系统

技术领域

本发明涉及公路桥梁安全监测领域，具体涉及一种桥梁活载优化识别系统。

背景技术

现代桥梁是为交通目的而设计建造的，因此获取桥上行驶车辆的重量、速度、数量、类型以及时空分布等交通信息，对于桥梁结构的设计规范改进、安全性评价与养护决策具有重要意义。有鉴于此，国内外针对桥梁交通信息的识别进行了大量研究。

传统的桥梁动态称重系统使用安装于桥面铺装上的感应线圈或者交通雷达探测实现对车辆位置信息以及横向位置的获取，但这些系统成本高昂，耐久性欠佳，安装或维修需中断交通，不适用于老桥及交通量大的已建桥梁。同时，基于桥载传感器的桥梁称重系统，通常无法实现对同时过桥的多车辆的识别，而是把并行多车辆误识别为一辆重车，或是把跟行多车辆误识别为一辆多轴车。

发明内容

为解决上述问题，提供一种能够利用多个监测传感器获取的冗余信息对车辆位置进行精确计算从而进一步对复杂车辆荷载进行识别的桥梁活载优化识别系统，本发明采用了如下技术方案：

本发明提供了一种桥梁活载优化识别系统，其特征在于，包括：具有不同编号的多个监测传感器，分别按照预定的采集距离沿桥梁的纵桥向依次设置在桥梁的预定截面底部，用于对车辆通过桥梁时产生的桥梁结构响应数据进行采集；至少一个桥梁交通监控装置，设置在桥梁的桥面上方，用于记录桥梁上通过的车辆并生成车辆监控视频；以及计算处理装置，分别与监测传感器以及计算处理装置相通信连接，用于对桥梁结构响应数据以及车辆监控视频进行计算处理从而获取桥梁的活载，其中，计算处理装置具有：响应数据处理部，用于对桥梁结构响应数据进行处理从而获取该桥梁结构响应数据的静态成分的峰值以及与该峰值对应的峰值时间；视频车辆识别部，用于通过预先训练的深度神经网络模型对车辆监控视频进行识别从而获取车辆监控视频中车辆的位置信息；车辆坐标转换部，用于根据预定的车辆位置坐标转换方法对位置信息进行转换从而获取车辆的实际位置坐标；车速计算部，用于根据同一车辆通过各个监测传感器采集的桥梁结构响应数据进行处理获得的对应峰值时间的时间差以及采集距离计算该车辆的车速；车重计算部，用于根据静态成分的峰值、实际位置坐标以及预先标定的桥梁影响面计算获取车辆的轴重以及车重；以及车重统计验算部，用于对同一车辆通过各个监测传感器采集的桥梁结构响应数据进行处理获得的对应车重进行统计从而对该车辆的车重进行验算作为活载。

本发明提供的桥梁活载优化识别系统，还可以具有这样的技术特征，其中，视频车辆识别部对车辆监控视频进行识别从而获取车辆监控视频中车辆的位置信息时，还能够获取车辆的车轴数以及车型信息。

本发明提供的桥梁活载优化识别系统，还可以具有这样的技术特征，其中，计算处理装置还具有车流信息统计部，车流信息统计部能够根据车重统计验算部验算的活载的数量统计桥梁的车流统计信息。

本发明提供的桥梁活载优化识别系统，还可以具有这样的技术特征，其中，所述监测传感器为动应变传感器，所述桥梁结构响应数据为桥梁动应变数据。

本发明提供的桥梁活载优化识别系统，还可以具有这样的技术特征，其中，车重计算部对单辆车辆通过桥梁时进行计算的车重计算方法为：

式中，W是计算出的车辆的车重，S^peak是车辆激起的静态成分的峰值，I(x,y^peak)是车辆的实际位置坐标在桥梁影响面的影响量，x是由视频车辆识别部识别得到的车辆通过桥梁影响面的纵桥向峰值的横桥向剖面时的横桥向位置坐标，y^peak是由标定桥梁影响面时进行的影响面理论分析得到的桥梁影响面的纵桥向峰值剖面在桥面坐标系上的纵桥向坐标，车重计算部对前后多辆车辆通过桥梁时进行计算的车重计算方法为：对于首辆车辆采用公式(1)进行计算，对于后续的车辆采用公式(2)进行计算：

式中，W_rear是当前车辆的车重，

是当前车辆激起的静态成分的峰值，I(x_front,y_front)是前一车辆的实际位置坐标在桥梁影响面上对应的影响量，W_front是已经计算出的前一车辆的车重，I(x_rear,y^peak)是当前车辆的实际位置坐标在桥梁影响面上对应的影响量，x_rear是由计算机视觉技术识别得到的当前车辆通过桥梁影响面的纵桥向峰值的横桥向剖面时的横桥向位置坐标，y^peak是由标定桥梁影响面时进行的影响面理论分析得到的桥梁影响面的纵桥向峰值剖面在桥面坐标系上的纵桥向坐标。

本发明提供的桥梁活载优化识别系统，还可以具有这样的技术特征，其中，车重计算部对左右并排多辆车辆通过桥梁时进行计算的车重计算方法为：

式中，w_i是横向第i辆车辆的车重，s_i是同一桥梁截面上第i个监测传感器的峰值读数，I(x_i,y_i)是监测传感器出现峰值读数时，第i辆车辆的实际位置坐标在桥梁影响面上对应的影响量，x_i是监测传感器出现峰值读数时，第i辆汽车在桥面上的横桥向位置坐标，y_i是监测传感器出现峰值读数时，第i辆汽车在桥面上的纵桥向位置坐标。

本发明提供的桥梁活载优化识别系统，还可以具有这样的技术特征，其中，所述监测传感器为不同种类的监测传感器。

本发明提供的桥梁活载优化识别系统，还可以具有这样的技术特征，其中，车重统计验算部对车重进行验算时使用的方法如下：通过综合通过不同监测传感器采集的桥梁结构响应数据计算得到的车辆重量，进行频数统计并绘制频率分布直方图，验证其正态分布特性并获取其统计结果，拟合的概率密度函数如下所示；

式中，σ是多监测传感器车重识别结果的标准差，μ是多监测传感器车重识别结果的均值，基于统计结果，以95％的保证率剔除统计结果中的在区间(μ-2σ,μ+2σ)之外的统计结果，然后对剩下的统计结果进行加权平均运算从而获得活载，其公式如下：

式中，

是加权平均后的活载，w_i是第i个监测传感器对应的加权系数，x_i是对应第i个监测传感器处理获得的车重，n是监测传感器的总数量。

发明作用与效果

根据本发明的桥梁活载优化识别系统，由于具有响应数据处理部，能够对在桥梁上设置的多个监测传感器获取的桥梁结构响应数据分别进行静态成分提取；还由于具有视频车辆识别部，能够有效地利用目前已经大范围普及的车辆监控视频，对车辆监控视频中的车辆进行识别获取车辆的类型、轨迹以及位置信息，同时将位置信息通过车辆坐标转换部将位置信息转换为车辆的实际位置坐标，从而完成了低成本、高效率的车辆位置识别；进一步，车重计算部利用基于影响面原理的车辆荷载计算方式，根据静态成分以及车辆的实际位置坐标实现了对车辆车重的计算；最终，车重统计验算部对由不同监测传感器采集的桥梁结构响应数据计算处理获得的车重进行统计验算，实现了对多个监测传感器的冗余信息的利用，实现更精确的车重计算。本发明的桥梁活载优化识别系统通过多个监测传感器，进一步地提升了系统的精度与可靠性，在车流量大的情况下依旧能够完成对桥梁活载的识别，长期稳定地扩展了系统的功能。本发明的桥梁活载优化识别系统通过对多个监测传感器的冗余信息的利用，实现了对横桥向并行车辆以及纵桥向跟行车辆的优化识别，避免了在桥梁监测系统中易产生的车辆误识别的问题。同时，本发明尤其适用于已经安装有交通监控摄像头以及桥梁结构健康监测系统的桥梁，可以在无增量费用的情况下，增强桥上既有硬件的功能，具有一定的经济效益。

附图说明

图1是本发明实施例中桥梁活载优化识别系统的结构框图；

图2是本发明实施例中计算处理装置的结构框图；

图3是本发明实施例中视频车辆识别部识别车辆车轮的示意图；

图4是本发明实施例中车辆坐标转换的示意图；

图5是本发明实施例中车重统计分布的直方图；

图6是本发明实施例中车速计算部计算车速的示意图；

图7是本发明实施例中标定完成的桥梁影响面的示意图；以及

图8是本发明实施例中车重计算过程的流程图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的桥梁活载优化识别系统作具体阐述。

<实施例>

图1是本发明实施例中桥梁活载优化识别系统的结构框图。

如图1所示，桥梁活载优化识别系统100具有多个监测传感器1、至少一个桥梁交通监控装置2、计算处理装置3以及通信网络4。

其中，计算处理装置3分别通过通信网络4与监测传感器1以及桥梁交通监控装置2相通信连接。

监测传感器1设置在桥梁的预定截面，用于对车辆通过桥梁时产生的桥梁结构响应数据进行采集。

本实施例中，预定截面为桥梁车道正下方的桥梁截面的底部，并且均匀地沿纵桥向(即桥梁中轴线方向)分布。在其他实施例中，预定截面还能够是桥梁车道下方截面的中部或其他位置。

本实施例中，监测传感器1为安装在预定截面底部的长标距支架辅助的动应变计，在采集到桥梁结构响应数据时就通过通信网络4发送至计算处理装置3。

在其他实施例中，监测传感器1还能够是多个其他类型的监测传感器(例如加速度传感器)，用于采集车辆通过时产生的其他类型的桥梁结构响应数据，随后计算处理装置3根据与各个类型的桥梁结构响应数据对应设定的桥梁影响面计算车辆的荷载。

本实施例中，监测传感器1分别具有对应的编号，在监测传感器1将桥梁结构响应数据发送给计算处理装置3时，还同时将自身的编号发送给计算处理装置3。

桥梁交通监控装置2设置在桥梁的桥面上方，用于记录桥梁上通过的车辆并生成车辆监控视频。

本实施例中，桥梁交通监控装置2为交通监控记录仪，能够通过相机(即摄像头)拍摄路过的车辆并将生成的车辆监控视频通过通信网络4发送至计算处理装置3。

图2是本发明实施例中计算处理装置的结构框图。

如图2所示，计算处理装置3包括响应数据处理部31、视频车辆识别部32、车辆坐标转换部33、车重计算部34、车重统计验算部35、车速计算部36、车流信息统计部37、处理侧通信部38以及处理侧控制部39。本实施例的计算处理装置3为一个能够进行数据运算的计算机。

其中，处理侧通信部38用于进行计算处理装置3的各个构成部分之间以及计算处理装置3与其他装置之间的数据交换，处理侧控制部39用于对计算处理装置3中的各个构成部分的工作进行控制。

响应数据处理部31用于对桥梁结构响应数据进行处理从而获取该桥梁结构响应数据的静态成分的峰值，具有应变截取单元311、静态成分计算单元312以及峰值提取单元313。

应变截取单元311用于在桥梁结构响应数据中截取由车辆激起的动态响应信号段。

本实施例中，应变截取单元311能够对桥梁结构响应数据进行分析监测，从而判断桥梁结构响应数据中有车辆通过时的片段从而截取作为动态响应信号段。

静态成分计算单元312用于通过局部回归算法(例如LOWESS算法)对应变截取单元311截取的动态响应信号段进行处理从而获取的静态成分。

本实施例中，静态成分为动态响应信号段中由移动车辆荷载所引起静态应变信号。

峰值提取单元313用于从静态成分中提取静态成分的峰值。

本实施例中，峰值提取单元313还能够对静态成分中的波峰值以及波谷值进行提取并作为二元数组进行输出。

本实施例中，峰值提取单元313提取静态成分的峰值时，还同时提取了该峰值对应的峰值时间。

视频车辆识别部32用于通过预先训练的深度神经网络模型对车辆监控视频进行识别从而获取车辆监控视频中车辆的位置信息。

本实施例中，视频车辆识别部32能够根据应变截取单元311所截取的动态响应信号段对应的时间从车辆监控视频中获取该段时间内的视频帧，从而进一步对该视频帧进行识别。

本实施例中，用于车辆监控视频的视频帧进行识别的深度神经网络模型需要通过预设的训练步骤进行训练后才能完成识别，该训练步骤包括以下步骤：

视频处理步骤，通过桥梁交通监控装置2获取既有的车辆监控视频作为历史监控视频，进一步将历史监控视频分解为单帧图片并将该单帧图片中的车辆进行标注(例如，通过训练人员手动对车辆进行标注，或是通过已有的目标识别算法完成标注)，然后进入模型训练步骤；

模型训练步骤，建立初始神经网络模型并将单帧图片以及标注作为训练数据对该初始神经网络模型进行训练，从而得到深度神经网络模型，然后步骤结束。

本实施例中，位置信息为车辆在车辆监控视频中的车轮坐标，视频车辆识别部32能够通过车辆的各个车轮确定车辆的坐标，进一步地提高了车辆坐标的准确度。如图3所示，视频车辆识别部32识别出目标卡车一侧的六个车轮，然后进一步提取车轮的坐标。

本实施例中，视频车辆识别部32还能够通过深度神经网络模型识别获取车辆的语义信息，即车辆轴距、车轴数以及车辆类型。

本实施例中，视频车辆识别部32还能够为识别的车辆设定对应的车辆编号。

车辆坐标转换部33用于根据预定的车辆位置坐标转换方法对车轮坐标进行转换从而获取车辆的实际位置坐标。

本实施例中，车辆位置坐标转换方法为基于计算机视觉技术的坐标转换方法，图4为该车辆位置坐标转换方法的车辆坐标转换示意图。

车辆坐标转换部33将车辆的车轮坐标转换为空间坐标的转换过程中，对于车辆位置坐标转换方法的坐标系的描述内容包括：

式中，A、B、C、D为空间坐标系中桥面空间平面方程(该桥面空间平面方程用于标定固定视频画面与桥面的空间对应关系)的待定参数。x’、y’为车辆在摄像机的成像平面上的像素位置坐标，如图4(a)所示，x’的方向对应相机成像的平面(即车辆监控视频的视频帧中车辆的车轮坐标)中的水平方向，y’的方向对应相机成像的平面中的竖直方向。x、y、z为车辆在相机空间坐标系中的位置坐标，如图4(b)所示，z的方向对应相机光轴所指的方向，x方向对应相机空间坐标系中，与相机成像平面的水平方向相平行的方向，y方向对应相机空间坐标系中，与相机成像平面的竖直方向相平行的方向，x、y、z三轴两两垂直。f是摄像机的焦距，t是成像放大系数，图4(c)是摄像机对车辆进行成像时的空间模型，图4(d)是图4(c)在相机空间坐标系xoz平面上的水平投影。

公式(1)中的待定参数A、B、C、D能够通过下式(2)计算确定：

式中，(x₁’,y₁’)、(x₂’,y₂’)、(x₃’,y₃’)和(x₄’,y₄’)是车辆监控视频中两条实际长度相等的线段端点的车轮坐标，L是线段的实际长度，t₁，t₂分别为两等长线段在相机成像空间模型(图4c)中的放大系数。Δx₁,Δy₁,Δx₂,Δy₂分别为两等长线段在相机成像平面车轮坐标(图4a)中的x，y坐标差。将根据公式(2)求出的t₁和t₂，以及视频中两等长线段的四个端点的已知车轮坐标(x₁’,y₁’)、(x₂’,y₂’)、(x₃’,y₃’)和(x₄’,y₄’)代入公式(1)，通过四个方程即可求解出四个未知数A,B,C,D。

为了得到车辆在桥面平面上的位置坐标(X,Y)，还需将公式(1)中车辆在相机空间坐标系下的坐标转换到桥面平面上。在桥面平面上，以相机透镜的光心O(0,0,0)在桥面上的竖向投影为原点，相机空间坐标系的z轴在桥面上的竖向投影为桥面坐标系Y轴，相机空间坐标系的x轴在桥面上的竖向投影为桥面坐标系X轴。然后计算车辆空间坐标V(x,y,z)到X轴与Y轴的距离，即可得到车辆在桥面平面上的坐标。计算过程如下：

首先计算相机空间坐标系原点O(0,0,0)在桥面平面上的投影点坐标O₀(X₀,Y₀,Z₀)。

然后求车辆空间坐标点V(x,y,z)到向量OO₀与相机空间坐标系(图4c)中向量z(0,0,1)构成的平面OO₀z之间的距离，即车辆在桥面坐标系中的横坐标X：

式中，A_X,B_X,C_X,是空间平面OO₀z的法向量(A_X,B_X,C_X,)的系数。

同理，求车辆空间坐标点V(x,y,z)到向量OO₀与相机空间坐标系(图4c)中向量x(1,0,0)构成的平面OO₀x之间的距离，即车辆在桥面坐标系中的纵坐标Y：

式中，A_Y,B_Y,C_Y,是空间平面OO₀x的法向量(A_Y,B_Y,C_Y,)的系数。

通过公式(1)(2)(3)(4)(5)，即可将车辆在成像平面上的车轮坐标(x’,y’)转换为车辆在桥面坐标系上的坐标(X,Y)。

车重计算部34用于根据响应数据处理部31提取的静态成分的峰值、车辆坐标转换部33转换的实际位置坐标以及预先标定的桥梁影响面计算获取车辆的车重。

本实施例中，车重计算部34能够分别对单辆、多辆以及并排多辆的车辆通过桥梁时的车重进行计算，从而实现对所有通过桥梁的车辆车重进行测定的功能，其计算方法如下：

车重计算部34对单辆车辆通过桥梁时进行计算的车重计算方法为：

式中，W是计算出的车辆的车重，S^peak是车辆激起的静态成分的峰值，I(x,y^peak)是车辆的实际位置坐标在桥梁影响面的影响量，x是由视频车辆识别部识别得到的车辆通过桥梁影响面的纵桥向峰值的横桥向剖面时的横桥向位置坐标，y^peak是由标定桥梁影响面时进行的影响面理论分析得到的桥梁影响面的纵桥向峰值剖面在桥面坐标系上的纵桥向坐标。

本实施例中，纵桥向是指桥梁的中轴线方向，横桥向指的是垂直于桥梁中轴线的方向，桥梁影响面的纵桥向峰值为车辆所在的横桥向位置处，对影响面进行纵桥向剖切所得到的影响线的最大值，横桥向位置坐标为车辆在桥梁上的横桥向位置坐标，即上述公式(4)中计算得到的X坐标，纵桥向峰值剖面为影响面所对应的应变传感器安装位置处的桥梁横剖面。

车重计算部34对前后多辆车辆通过桥梁时进行计算的车重计算方法为：

对于首辆车辆采用公式(6)进行计算，

对于后续的车辆采用公式(7)进行计算：

式中，W_rear是当前车辆的车重，

是当前车辆激起的静态成分的峰值，I(x_front,y_front)是前一车辆的实际位置坐标在桥梁影响面上对应的影响量，W_front是已经计算出的前一车辆的车重，I(x_rear,y^peak)是当前车辆的实际位置坐标在桥梁影响面上对应的影响量，x_rear是由计算机视觉技术识别得到的当前车辆通过桥梁影响面的纵桥向峰值的横桥向剖面时的横桥向位置坐标，y^peak是由标定桥梁影响面时进行的影响面理论分析得到的桥梁影响面的纵桥向峰值剖面在桥面坐标系上的纵桥向坐标。

车重计算部34对左右并排多辆车辆通过桥梁时进行计算的车重计算方法为：

式中，w_i是横向第i辆车辆的车重，s_i是同一桥梁截面上第i个监测传感器的峰值读数，I(x_i,y_i)是监测传感器出现峰值读数时，第i辆车辆的实际位置坐标在桥梁影响面上对应的影响量，x_i是监测传感器出现峰值读数时，第i辆汽车在桥面上的横桥向位置坐标，y_i是监测传感器出现峰值读数时，第i辆汽车在桥面上的纵桥向位置坐标。

在其他实施例中，车重计算部34还能够通过公式(6)(7)(8)对车辆的轴重进行计算，进一步结合视频车辆识别部32识别出的车辆的车轴数对该车辆的车重进行计算，从而使车重的计算结果更加精确。

本实施例中，视频车辆识别部32设定的每一个车辆编号对应多个监测传感器1的编号，每组车辆编号下的监测传感器1的编号还分别与车重计算部34对该车辆通过对应各个监测传感器1采集的桥梁结构响应数据计算出的各个车重相对应。

车重统计验算部35用于通过多个监测传感器采集的进行计算获得对应的车重进行统计从而对车辆的车重进行验算并将验算后的车重作为桥梁的活载。

本实施例中，车重统计验算部35先获取各个车辆编号对应的所有车重从而对该车辆编号对应的车辆的车重进行验算。车重统计验算部35使用的方法如下：

通过综合通过各个监测传感器采集的桥梁结构响应数据计算得到的车重，进行频数统计并绘制频率分布直方图(如图5所示)，验证其正态分布特性并获取其统计特征，拟合的概率密度函数如下所示；

式中，σ是对应各个监测传感器的车重的标准差，μ是对应各个监测传感器的车重的均值。

基于车重的统计结果，以95％的保证率剔除车重中的异常值，即落在区间(μ-2σ,μ+2σ)之外的车重，然后对剩下的正常值进行加权平均运算以提高识别结果的精度，其公式如下：

式中，

是加权平均后的活载，w_i是第i个监测传感器对应的加权系数，x_i是对应第i个监测传感器处理获得的车重，n是监测传感器的总数量。

车速计算部36根据同一车辆通过各个监测传感器1采集的桥梁结构响应数据进行处理获得的对应峰值时间的时间差以及采集距离计算该车辆的车速。

本实施例中，峰值提取单元313提取静态成分的峰值以及峰值时间时，将其作为峰值二元数组输出，进一步，车速计算部36基于峰值二元数组，使用下式求解车辆的行驶速度：

式中，v是车辆行驶速度，D是多个监测传感器的安装截面之间的距离，Δt是不同截面的监测传感器1的采集数据所对应的静态成分峰值出现的时间差。

图6是本发明实施例中车速计算部计算车速的示意图。

如图6所示，根据监测传感器1a采集的桥梁结构响应数据处理的静态成分为曲线02，同理，分别对应监测传感器1b、1c的为曲线03以及曲线04，peak02、03、04分别对应各自静态成分曲线的峰值。

车速计算部36根据peak02、03之间的时差Δt₂以及监测传感器1a、1b之间的距离以及公式(11)就能够完成车辆在监测传感器1a、1b之间的车速计算。

车流信息统计部37能够对车重统计验算部36验算的活载、视频车辆识别部32识别出的车辆(包括车辆的车辆信息、车轴数、车型信息以及所有车辆的数量)以及车速计算部36计算的车速进行统计从而得到桥梁的车流统计信息。

图7是本发明实施例中标定完成的桥梁影响面的示意图。

如图7所示，图中的Lateral Direction以及Longitudinal Direction分别对应桥梁的横桥向以及纵桥向(即与该桥梁的桥面位置坐标相对应)，Strain为桥面的各个位置对应的影响量。

车重计算部34计算车重前预先标定的桥梁影响面的设定方法包括如下步骤：

步骤T1，安排已知车重的车辆作为标定车辆，并对该标定车辆沿标准车道(即严格按照车道行驶)多次通过桥梁时产生的桥梁结构响应数据作为标准响应数据进行采集；

步骤T2，响应数据处理部31对步骤T1中采集的标准响应数据进行处理获取标准静态成分，并提取标准静态成分的波峰值与波谷值作为二元数组；

步骤T3，对桥梁进行影响面理论分析从而获取影响面形状；

步骤T4，根据步骤T3获取的影响面形状以及步骤T2提取的二元数组对桥梁影响面通过标定车进行标定。

图8是本发明实施例中车重计算过程的流程图。

如图8所示，当车辆通过桥梁后，监测传感器1获取桥梁结构响应数据并发送给计算处理装置3后，开始以下步骤：

步骤S1，响应数据处理部31对从监测传感器1接收的桥梁结构响应数据进行处理从而获取该桥梁结构响应数据的静态成分的峰值，然后进入步骤S2；

步骤S2，视频车辆识别部32对从桥梁交通监控装置2接收的车辆监控视频进行识别从而获取该车辆监控视频中车辆的位置信息，然后进入步骤S3；

步骤S3，车辆坐标转换部33根据预定的车辆位置坐标转换方法对步骤S2中获取的位置信息进行转换从而获取车辆的实际位置坐标，然后进入步骤S4；

步骤S4，车重计算部34根据步骤S1中获取的静态成分的峰值、步骤S3中获取的实际位置坐标以及预先标定的桥梁影响面计算获取该车辆的车重，然后进入步骤S5；

步骤S5，车重统计验算部35对步骤S4中计算的车重，分别对与各个车辆对应的多个车重进行统计从而对各个车辆的车重进行验算作为桥梁的活载，然后步骤结束。

实施例作用与效果

根据本实施例提供的桥梁活载优化识别系统，由于具有响应数据处理部，能够对在桥梁上设置的多个监测传感器获取的桥梁结构响应数据分别进行静态成分提取；还由于具有视频车辆识别部，能够有效地利用目前已经大范围普及的车辆监控视频，对车辆监控视频中的车辆进行识别获取车辆的类型、轨迹以及位置信息，同时将位置信息通过车辆坐标转换部将位置信息转换为车辆的实际位置坐标，从而完成了低成本、高效率的车辆位置识别；进一步，车重计算部利用基于影响面原理的车辆荷载计算方式，根据静态成分以及车辆的实际位置坐标实现了对车辆车重的计算；最终，车重统计验算部对由不同监测传感器采集的桥梁结构响应数据计算处理获得的车重进行统计验算，实现了对多个监测传感器的冗余信息的利用，实现更精确的车重计算。本发明的桥梁活载优化识别系统通过对多个监测传感器的冗余信息的利用，实现了对横桥向并行车辆以及纵桥向跟行车辆的优化识别，避免了在桥梁监测系统中易产生的车辆误识别的问题。本发明的桥梁活载优化识别系统通过多个监测传感器，进一步地提升了系统的精度与可靠性，在车流量大的情况下依旧能够完成对桥梁活载的识别，长期稳定地扩展了系统的功能。

本实施例中，视频车辆识别部还能够对车辆监控视频中车辆的车轴数、轴距以及车型信息进行识别，从而进一步完善了桥梁交通的车辆监控信息，更好地在无增量费用的情况下加强桥梁硬件的监控能力。

本实施例中，车速计算部能够根据响应数据处理部获取的静态成分的峰值以及对应的峰值时间，计算各个监测传感器的应变峰值时差，进一步根据各个监测传感器之间的距离计算车辆的速度，从而获得了车辆在经过各个监测传感器区间的平均速度，实现了更精确、稳定、高效的车速计算方式，提高系统对桥梁车辆车速的获取能力。

本实施例中，车流信息统计部能够对车重统计验算部的活载、视频车辆识别部识别出的车辆的车辆信息、车轴数、车型信息以及车速计算部计算的车速进行统计，从而实现了对桥梁进行车流信息统计的功能，更好地完善了桥梁交通的监控统计工作。

本实施例中，车重计算部能够分别对单辆、前后多辆、左右并排多辆的车辆的车重进行计算，由于通过多个监测传感器确定了各辆汽车的横向以及纵向方位，因此即使有多辆汽车同时通过桥梁车重计算部也能够有效地并准确地对各个车辆的车重进行计算，从而解决了车重计算过程中横向车辆的荷载计算不明确的问题，实现了桥梁的动态以及实时称重，在车流量大的情况下依旧能够进行车重计算。

本实施例中，车重统计验算部获取同一车辆并且对应不同监测传感器采集计算的车重并进行统计，从中剔除异常的车重计算结果，并将剩余正常的车重数值进行加权平均运算，从而提高了车重的计算精度，进一步提高了对多个监测传感器的亢余信息的利用。

上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。

例如，本实施例的监测传感器为同类的多个监测传感器，本发明的桥梁活载优化识别系统还能够对不同种类的多个监测传感器采集的各类桥梁结构响应数据进行处理，车速计算部根据各类桥梁结构响应数据的峰值以及对应的监测传感器之间的距离计算车辆的速度，车重计算部根据对应各类桥梁结构响应数据设定的桥梁影响面以及对应的桥梁结构响应数据的峰值计算车辆的车重，进一步，车重统计验算部对车重计算部计算的车重进行验算。

Claims (7)

1.一种桥梁活载优化识别系统，其特征在于，包括：

具有不同编号的多个监测传感器，分别按照预定的采集距离沿纵桥向依次设置在桥梁的预定截面，用于对车辆通过所述桥梁时产生的桥梁结构响应数据进行采集；

至少一个桥梁交通监控装置，设置在所述桥梁的桥面上方，用于记录所述桥梁上通过的所述车辆并生成车辆监控视频；以及

计算处理装置，分别与所述监测传感器以及所述桥梁交通监控装置相通信连接，用于对所述桥梁结构响应数据以及所述车辆监控视频进行计算处理从而获取所述桥梁的活载，

其中，所述计算处理装置具有：

响应数据处理部，用于对所述桥梁结构响应数据进行处理从而获取该桥梁结构响应数据的静态成分的峰值以及与该峰值对应的峰值时间；

视频车辆识别部，用于通过预先训练的深度神经网络模型对所述车辆监控视频进行识别从而获取所述车辆监控视频中车辆的位置信息、车轴数以及车型信息，所述位置信息为所述车辆各个车轮的坐标；

车辆坐标转换部，用于根据预定的车辆位置坐标转换方法对所述位置信息进行转换从而获取所述车辆的实际位置坐标；

车速计算部，用于根据同一车辆通过各个所述监测传感器采集的所述桥梁结构响应数据进行处理获得的对应所述峰值时间的时间差以及所述采集距离计算该车辆的车速；

车重计算部，用于根据所述静态成分的峰值、所述实际位置坐标以及预先标定的桥梁影响面计算获取所述车辆的轴重，进一步结合所述车轴数以及所述车型信息计算出所述车辆的车重；以及

车重统计验算部，用于对同一车辆通过各个所述监测传感器采集的所述桥梁结构响应数据进行处理获得的对应车重进行统计从而对该车辆的所述车重进行验算作为所述活载，

所述预先标定的桥梁影响面的设定方法包括如下步骤：

步骤T1，安排已知车重的车辆作为标定车辆，并对该标定车辆沿标准车道多次通过所述桥梁时产生的桥梁结构响应数据作为标准响应数据进行采集；

步骤T2，所述响应数据处理部对所述步骤T1中采集的标准响应数据进行处理获取标准静态成分，并提取该标准静态成分的波峰值与波谷值作为二元数组；

步骤T3，对所述桥梁进行影响面理论分析从而获取影响面形状；

步骤T4，根据所述步骤T3获取的影响面形状以及所述步骤T2提取的二元数组对所述桥梁影响面通过所述标定车辆进行标定。

2.根据权利要求1所述的桥梁活载优化识别系统，其特征在于：

其中，所述计算处理装置还具有车流信息统计部，

所述车流信息统计部能够对所述车重计算部计算出的所述车重、所述视频车辆识别部识别出的车辆以及所述车速计算部计算的车速进行统计从而得到所述桥梁的车流统计信息。

3.根据权利要求1所述的桥梁活载优化识别系统，其特征在于：

其中，所述监测传感器为动应变传感器，所述桥梁结构响应数据为桥梁动应变数据。

4.根据权利要求3所述的桥梁活载优化识别系统，其特征在于：

其中，所述车重计算部对单辆所述车辆通过桥梁时进行计算的车重计算方法为：

式中，W是计算出的所述车辆的车重，S^peak是所述车辆激起的所述静态成分的峰值，I(x,y^peak)是所述车辆的所述实际位置坐标在所述桥梁影响面的影响量，x是由所述视频车辆识别部识别得到的所述车辆通过所述桥梁影响面的纵桥向峰值的横桥向剖面时的横桥向位置坐标，y^peak是由标定所述桥梁影响面时进行的影响面理论分析得到的所述桥梁影响面的纵桥向峰值剖面在桥面坐标系上的纵桥向坐标，

所述车重计算部对前后多辆所述车辆通过桥梁时进行计算的车重计算方法为：

对于首辆所述车辆采用公式(1)进行计算，

对于后续的所述车辆采用公式(2)进行计算：

式中，W_rear是当前车辆的车重，

是当前车辆激起的所述静态成分的峰值，I(x_front,y_front)是前一车辆的所述实际位置坐标在所述桥梁影响面上对应的影响量，W_front是已经计算出的前一车辆的车重，I(x_rear,y^peak)是当前车辆的所述实际位置坐标在所述桥梁影响面上对应的影响量，x_rear是由计算机视觉技术识别得到的当前车辆通过所述桥梁影响面的纵桥向峰值的横桥向剖面时的横桥向位置坐标，y^peak是由标定所述桥梁影响面时进行的影响面理论分析得到的所述桥梁影响面的纵桥向峰值剖面在桥面坐标系上的纵桥向坐标。

5.根据权利要求4所述的桥梁活载优化识别系统，其特征在于：

其中，所述车重计算部对左右并排多辆所述车辆通过桥梁时进行计算的车重计算方法为：

式中，w_i是横向第i辆所述车辆的车重，s_i是同一桥梁截面上第i个所述监测传感器的峰值读数，I(x_i,y_i)是所述监测传感器出现峰值读数时，第i辆车辆的所述实际位置坐标在所述桥梁影响面上对应的影响量，x_i是所述监测传感器出现峰值读数时，第i辆汽车在桥面上的横桥向位置坐标，y_i是所述监测传感器出现峰值读数时，第i辆汽车在桥面上的纵桥向位置坐标。

6.根据权利要求1所述桥梁活载优化识别系统，其特征在于：

其中，所述监测传感器为不同种类的监测传感器。

7.根据权利要求1所述桥梁活载优化识别系统，其特征在于：

其中，所述车重统计验算部对所述车重进行验算时使用的方法如下：

通过综合通过不同所述监测传感器采集的桥梁结构响应数据计算得到的车辆重量，进行频数统计并绘制频率分布直方图，验证其正态分布特性并获取其统计结果，拟合的概率密度函数如下所示；

式中，σ是多所述监测传感器车重识别结果的标准差，μ是多所述监测传感器车重识别结果的均值，

基于所述统计结果，以95％的保证率剔除所述统计结果中的在区间(μ-2σ,μ+2σ)之外的统计结果，然后对剩下的所述统计结果进行加权平均运算从而获得所述活载，其公式如下：

式中，

是加权平均后的所述活载，w_i是第i个所述监测传感器对应的加权系数，x_i是对应第i个所述监测传感器处理获得的所述车重，n是所述监测传感器的总数量。

Images