CN109870223B - 一种视觉技术辅助的桥梁动态称重方法 - Google Patents
一种视觉技术辅助的桥梁动态称重方法 Download PDFInfo
- Publication number
- CN109870223B CN109870223B CN201910042964.5A CN201910042964A CN109870223B CN 109870223 B CN109870223 B CN 109870223B CN 201910042964 A CN201910042964 A CN 201910042964A CN 109870223 B CN109870223 B CN 109870223B
- Authority
- CN
- China
- Prior art keywords
- bridge
- vehicle
- influence surface
- coordinate system
- dynamic strain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种视觉技术辅助的桥梁动态称重方法,用于对车辆通过桥梁时的车重进行计算,其特征在于,包括:步骤S1,采集车辆通过设有动应变传感器以及交通监控装置的桥梁时产生的桥梁结构动应变数据以及车辆监控视频;步骤S2,对桥梁结构动应变数据进行处理从而提取该桥梁结构动应变数据的静态成分的峰值;步骤S3,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像素坐标;步骤S4,将对像素坐标进行转换从而获取车辆在桥面上的桥面位置坐标;以及步骤S5,根据静态成分的峰值、桥面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。
Description
技术领域
本发明涉及公路桥梁安全监测领域,具体涉及一种桥梁动态称重 方法。
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,其中的研究重点是桥 梁动态称重技术。
通俗地说,桥梁动态称重技术的原理是将装有结构健康监测系统 的桥梁视为一杆“秤”,然后用这杆“秤”去称量桥上车辆的重量。 然而,车辆行驶通过桥梁关键截面时的横向位置是一个非常重要的参 数,桥载传感器在识别车辆荷载时对这一参数非常敏感。常规依靠桥 载传感的称重方法因缺乏关键截面横向位置这一参数导致识别精度 低,识别结果不可靠;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, 不适用与老桥及交通量大的已建桥梁。
近年来,随着硬件技术的进步,桥梁道路交通视频监控已经大范 围普及,积累了大量的非结构化视频数据。传统的桥梁动态称重系统 也没有对这些数据进行有效的利用,造成了信息上的浪费。
发明内容
为解决上述问题,提供一种利用计算机视觉技术辅助进行车辆监 测信息计算的桥梁动态称重方法,本发明采用了如下技术方案:
本发明提供了一种视觉技术辅助的桥梁动态称重方法,用于对车 辆通过桥梁时的车重进行计算,其特征在于,包括:步骤S1,采集 车辆通过设有动应变传感器以及交通监控装置的桥梁时产生的桥梁 结构动应变数据以及车辆监控视频;步骤S2,对桥梁结构动应变数 据进行处理从而提取该桥梁结构动应变数据的静态成分的峰值;步骤 S3,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车轮坐标;步骤S4,将对车轮坐标进行 转换从而获取车辆在桥面上的桥面位置坐标;以及步骤S5,根据静 态成分的峰值、桥面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,并根据桥面位置坐标以及对应的车轮坐标的识别 时间计算获取车辆的车速以及车轴数。
本发明提供的桥梁动态称重方法,还可以具有这样的技术特征, 其中,步骤S2还包括如下子步骤:步骤S2-1,在桥梁结构动应变数 据中截取由车辆激起的动应变信号段;步骤S2-2,通过局部回归算法 对动应变信号段进行处理从而获取静态成分;步骤S2-3,从静态成分 中提取静态成分的峰值。
本发明提供的桥梁动态称重方法,还可以具有这样的技术特征, 其中,步骤S4中桥面的平面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平面方程的待定参数, x、y、z为车辆在相机空间坐标系中的位置坐标,x’、y’为车辆在相机 的成像平面上的位置坐标,f是相机的焦距,t是成像放大系数。
本发明提供的桥梁动态称重方法,还可以具有这样的技术特征, 其中,待定参数A、B、C、D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。
本发明提供的桥梁动态称重方法,还可以具有这样的技术特征, 其中,步骤S4包括如下子步骤:步骤S4-1,在桥梁的桥面平面上, 以交通监控装置的相机透镜的光心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,进 一步:
通过式(3)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);步骤S4-2,计算桥面位置坐标(X,Y),车辆 在桥面坐标系中的横坐标X为车辆空间坐标点V(x,y,z)到向量OO0与相机空间坐标系中向量z(0,0,1)构成的平面OO0z之间的距离:
式中,AX,BX,CX是空间平面OO0z的法向量(AX,BX,CX)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,AY,BY,CY是空间平面OO0x的法向量(AY,BY,CY)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桥面位置坐标(X,Y)。
本发明提供的桥梁动态称重方法,还可以具有这样的技术特征, 其中,步骤S5中,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,Speak是车辆激起的静态成分的 峰值,I(x,ypeak)是车辆的桥面位置坐标在桥梁影响面的影响量,x是 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,ypeak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。
本发明提供的桥梁动态称重方法,还可以具有这样的技术特征, 其中,步骤S5中,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(3)进行计算,对于后续的车辆采 用公式(4)进行计算:
式中,Wrear是当前车辆的车重,是当前车辆激起的静态成分 的峰值,I(xfront,yfront)是前一车辆的桥面位置坐标在桥梁影响面上对应 的影响量,Wfront是已经计算出的前一车辆的车重,I(xrear,ypeak)是当前 车辆的桥面位置坐标在桥梁影响面上对应的影响量,xrear是当前车辆 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,ypeak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。
本发明提供的桥梁动态称重方法,还可以具有这样的技术特征, 其中,步骤S3中的深度神经网络模型的训练方法包括如下步骤:视 频处理步骤,获取既有的车辆监控视频作为历史监控视频,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;模型训练 步骤,建立初始神经网络模型并根据单帧图片以及标注对该初始神经 网络模型进行训练从而得到深度神经网络模型。
本发明提供的桥梁动态称重方法,还可以具有这样的技术特征, 其中,步骤S5中的桥梁影响面的标定方法包括如下步骤:标准动应 变采集步骤,安排已知车重的车辆作为标定车辆,对标定车辆沿标准 车道多次通过桥梁时产生的桥梁结构动应变数据作为标准动应变进 行采集;标准动应变提取步骤,对标准动应变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;影响面分析步骤,对 桥梁进行影响面理论分析从而获取影响面形状;影响面标定步骤,根 据影响面形状以及标准静态成分的波峰值与波谷值通过标定车标定 桥梁影响面。
发明作用与效果
根据本发明的桥梁动态称重方法,由于采用局部回归算法,综合 了动应变信号的采集和滤波技术,对由设置在桥梁上的动应变计采集 的桥梁结构动应变数据进行静态成分提取,从而实现了对由车辆激起 的动应变数据的获取;同时,利用了基于深度学习的计算机视觉技术 对桥梁监控设备所获取的视频进行车辆车轮的识别并获取车辆的位 置信息,进一步通过对相机空间以及桥面空间的坐标转换将位置信息 转换为车辆的实际位置坐标,实现了对车辆在桥梁的纵向以及横向位 置上的精确定位;最终,利用基于影响面分析拟合的桥梁影响面对实 际位置坐标以及静态成分的峰值进行计算从而得出车辆的车重,不仅 提高了识别的精度以及稳定性,还有效降低了桥梁监控系统所需要的 软硬件成本。本发明的车重计算方法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动态称重方法的流程图;
图2是本发明实施例中局部回归算法对动应变信号段的处理流程示 意图;
图3是本发明实施例中识别车辆监控视频中车辆车轮的示意图;
图4是本发明实施例中车辆位置坐标转换方法的坐标转换示意图;
图5是本发明实施例中桥梁影响面的标定流程示意图;以及
图6是本发明实施例中标定完成的桥梁影响面的示意图。
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动态称重方法作具 体阐述。
<实施例>
图1是本发明实施例中桥梁动态称重方法的流程图。
如图1所示,桥梁动态称重方法包括以下步骤:
步骤S1,采集车辆通过设有动应变传感器以及交通监控装置的 桥梁时产生的桥梁结构动应变数据以及车辆监控视频。
本实施例中,桥梁结构动应变数据通过一个设置在桥梁截面上的 动应变传感器获取,当车辆通过桥梁时,会引起桥梁结构动应变的变 化从而被动应变传感器所捕获;车辆监控视频通过一个设置在桥面上 方的交通监控装置(即监控摄像头)获取,交通监控装置能够对车辆 通过桥面时的视频画面进行拍摄。
步骤S2,对桥梁结构动应变数据进行处理从而获取该桥梁结构 动应变数据的静态成分的峰值,具体步骤如步骤S2-1至S2-3。
步骤S2-1,在桥梁结构动应变数据中截取由车辆激起的动应变信 号段。
步骤S2-2,通过局部回归算法LOWESS对动应变信号段进行处 理从而获取静态成分。
图2是本发明实施例中局部回归算法对动应变信号段的处理流 程示意图。
如图2所示,首先对动应变信号段的原始信号进行处理,从而将 其中的漂移部分以及车辆激励部分进行剥离,进一步从车辆激励部分 中将振动部分以及静态部分(即静态成分)进行分离。
步骤S2-3,从步骤S2-2分离的静态成分中提取静态成分的峰值。
步骤S3,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车轮坐标。
本实施例中,深度神经网络模型的训练方法包括如下步骤:
视频处理步骤,获取既有的车辆监控视频作为历史监控视频,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;
模型训练步骤,建立初始神经网络模型并根据单帧图片以及标注 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。
本实施例中,初始神经网络模型的训练过程通过根据现有技术设 定的神经网络训练算法实现,训练获得的深度神经网络模型能够对车 辆监控视频的各个图像帧中的车辆进行识别从而获取车辆在监控视 频中的车轮坐标。
本实施例中,由于通过深度神经网络模型对车辆的车轮坐标进行 识别,因此能够通过车辆的各个车轮确定车辆的坐标,同时还能够根 据车辆单侧的车轮数量确定该车辆的车轴数,进一步地提高了车辆坐 标的准确度。如图3所示,通过深度神经网络模型识别出目标卡车一 侧的六个车轮,然后进一步提取车轮的坐标。
步骤S4,根据预定的车辆位置坐标转换方法对车轮坐标进行转 换从而获取车辆的桥面位置坐标。
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是本发明实施例中车辆位置坐标转换方法的坐标转换示意 图。
如图4所示,在将车辆的车轮坐标转换为桥面的平面空间坐标的 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’为车辆在相机(即交通监控装置)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是相机的焦距,t是成像放大 系数,图4(c)是相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。Δ x1,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,其计算过程如下:
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,AX,BX,CX是空间平面OO0z的法向量(AX,BX,CX)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,AY,BY,CY是空间平面OO0x的法向量(AY,BY,CY)的系数。
最后,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)。
步骤S5,根据静态成分的峰值、桥面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,并根据桥面位置坐标以及对应的车 轮坐标的识别时间计算获取车辆的车速以及车轴数。
图5是本发明实施例中桥梁影响面的标定流程示意图。
如图5所示,本实施例的桥梁影响面标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,对标定车辆沿标 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动应 变数据作为标准动应变数据进行采集(图5a),然后进入步骤T2;
步骤T2,根据步骤S2-1至S2-2的静态成分提取方法,对步骤 T1中采集的标准动应变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以及波谷值(图5b)作为二元数组,然后进入 步骤T3;
步骤T3,对桥梁进行影响面理论分析从而获取影响面形状,然 后进入步骤T4;
步骤T4,根据步骤T3中获取的影响面形状以及步骤T2中提取 的二元数组拟合并标定桥梁影响面(图5c)。
图6是本发明实施例中标定完成的桥梁影响面的示意图。
如图6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(即与桥面的平面空间坐标系相对 应),Strain为桥面的各个位置对应的影响量。
本实施例的步骤S5中,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,Speak是车辆激起的静态成分的 峰值,I(x,ypeak)是车辆的桥面位置坐标在桥梁影响面的影响量,x是 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,ypeak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。
进一步,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,Wrear是当前车辆的车重,是当前车辆激起的静态成分 的峰值,I(xfront,yfront)是前一车辆的桥面位置坐标在桥梁影响面上对应 的影响量,Wfront是已经计算出的前一车辆的车重,I(xrear,ypeak)是当前 车辆的桥面位置坐标在桥梁影响面上对应的影响量,xrear是当前车辆 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,ypeak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。
在其他实施例中,通过公式(6)(7)还能够对车辆的轴重进行 计算,进一步结合步骤S5中计算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。
如上所述,通过公式(6)(7),即可对桥梁上连续通过的车辆逐 一进行车重计算。
本实施例的步骤S5中,对车辆的车速的计算方法为根据由深度 神经网络模型识别的该车辆的车轮坐标以及对应的识别时间(至少识 别两次)进行计算,通过该车辆同一车轮在两次识别时间中车轮坐标 对应的实际桥面坐标的距离以及该两次识别时间的时间差,就能计算 出该车辆的车速;同时,根据深度神经网络模型识别出的该车辆单侧 的车轮数量,就能够确定该车辆的车轴数。
实施例作用与效果
根据本实施例提供的桥梁动态称重方法,由于采用局部回归算 法,综合了动应变信号的采集和滤波技术,对由设置在桥梁上的动应 变计采集的桥梁结构动应变数据进行静态成分提取,从而实现了对由 车辆激起的动应变数据的获取;同时,利用了基于深度学习的计算机 视觉技术对桥梁监控设备所获取的视频进行车辆的识别并获取车辆 的位置信息,进一步通过对相机空间以及桥面空间的坐标转换将位置 信息转换为车辆的实际位置坐标,实现了对车辆在桥梁的纵向以及横 向位置上的精确定位;最终,利用基于影响面分析拟合的桥梁影响面 对实际位置坐标以及静态成分的峰值进行计算从而得出车辆的车重, 不仅提高了识别的精度以及稳定性,还有效降低了桥梁监控系统所需 要的软硬件成本。本发明的车重计算方法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。
本实施例中,由于能够通过提取桥梁结构动应变数据中的动应变 信号段并通过局部回归算法过滤获取静态成分,提高了提取桥梁结构 动应变数据的处理效率。
本实施例中,由于通过将桥梁监控相机的空间坐标与桥面平面的 空间坐标进行了对应,从而能够实现车辆在视频中的车轮坐标与在桥 面上的空间坐标的快速转换,提高了计算效率。
本实施例中,由于能够分别对单辆以及前后多辆的车辆的车重进 行计算,因此即使有多辆汽车通过桥梁也能够有效地并准确地对各个 车辆的车重进行计算,实现了桥梁的动态以及实时称重。
本实施例中,由于利用桥梁影响面对车重进行计算,从而在计算 车重时提高了计算效率以及准确度。
本实施例中,由于采用深度神经网络模型对车辆监控视频进行识 别,实现了桥上车辆的结构化语义信息提取以及精确定位,在提高车 辆信息的提取效率的同时降低了车辆定位的成本。
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。
Claims (6)
1.一种视觉技术辅助的桥梁动态称重方法,用于对车辆通过桥梁时的车重进行计算,其特征在于,包括:
步骤S1,采集所述车辆通过设有动应变传感器以及交通监控装置的桥梁时产生的桥梁结构动应变数据以及车辆监控视频;
步骤S2,对所述桥梁结构动应变数据进行处理从而提取该桥梁结构动应变数据的静态成分的峰值;
步骤S3,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车轮坐标、车轴数以及车型信息;
步骤S4,将所述车轮坐标进行转换从而获取所述车辆在桥面上的桥面位置坐标;以及
步骤S5,根据所述静态成分的峰值、所述桥面位置坐标以及预先标定的桥梁影响面计算获取所述桥面上单辆以及连续多辆通过的车辆的轴重,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,并根据所述桥面位置坐标以及对应的所述车轮坐标的识别时间计算获取所述车辆的车速,
其中,所述步骤S5中,对单辆所述车辆通过桥梁时进行计算的轴重以及车重计算方法为:
式中,W是计算出的所述车辆的车重,Speak是所述车辆激起的所述静态成分的峰值,I(x,ypeak)是所述车辆的所述桥面位置坐标在所述桥梁影响面的影响量,x是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,ypeak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,
所述步骤S5中,对前后多辆所述车辆通过桥梁时进行计算的轴重以及车重计算方法为:
对于首辆所述车辆采用公式(6)进行计算,
对于后续的所述车辆采用公式(7)进行计算:
式中,Wrear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(xfront,yfront)是前一车辆的所述桥面位置坐标在所述桥梁影响面上对应的影响量,Wfront是已经计算出的前一车辆的车重,I(xrear,ypeak)是当前车辆的所述桥面位置坐标在所述桥梁影响面上对应的影响量,xrear是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,ypeak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,
所述步骤S5中的所述桥梁影响面的标定方法包括如下步骤:
标准动应变采集步骤,安排已知车重的车辆作为标定车辆,对所述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动应变数据作为标准动应变进行采集;
标准动应变提取步骤,对所述标准动应变进行处理获取标准静态成分,并提取所述标准静态成分的波峰值与波谷值;
影响面分析步骤,对所述桥梁进行影响面理论分析从而获取影响面形状;
影响面标定步骤,根据所述影响面形状以及所述标准静态成分的波峰值与波谷值通过标定车标定所述桥梁影响面。
2.根据权利要求1所述的桥梁动态称重方法,其特征在于:
其中,所述步骤S2还包括如下子步骤:
步骤S2-1,在所述桥梁结构动应变数据中截取由所述车辆激起的动应变信号段;
步骤S2-2,通过局部回归算法对所述动应变信号段进行处理从而获取所述静态成分;
步骤S2-3,从所述静态成分中提取所述静态成分的峰值。
5.根据权利要求3所述的桥梁动态称重方法,其特征在于:
其中,所述步骤S4包括如下子步骤:
步骤S4-1,在所述桥梁的桥面平面上,以所述交通监控装置的相机透镜的光心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,进一步:
通过式(3)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);
步骤S4-2,计算所述桥面位置坐标(X,Y),
所述车辆在桥面坐标系中的横坐标X为车辆空间坐标点V(x,y,z)到向量OO0与相机空间坐标系中向量z(0,0,1)构成的平面OO0z之间的距离:
式中,AX,BX,CX是空间平面OO0z的法向量(AX,BX,CX)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3c)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,AY,BY,CY是空间平面OO0x的法向量(AY,BY,CY)的系数,
通过公式(1)(3)(4)(5),即可将车辆在成像平面上的所述车轮坐标(x’,y’)转换为车辆在桥面坐标系上的所述桥面位置坐标(X,Y)。
6.根据权利要求1所述的桥梁动态称重方法,其特征在于:
其中,所述步骤S3中的所述深度神经网络模型的训练方法包括如下步骤:
视频处理步骤,获取既有的车辆监控视频作为历史监控视频,将所述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;
模型训练步骤,建立初始神经网络模型并根据所述单帧图片以及所述标注对该初始神经网络模型进行训练从而得到所述深度神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910042964.5A CN109870223B (zh) | 2019-01-17 | 2019-01-17 | 一种视觉技术辅助的桥梁动态称重方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910042964.5A CN109870223B (zh) | 2019-01-17 | 2019-01-17 | 一种视觉技术辅助的桥梁动态称重方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109870223A CN109870223A (zh) | 2019-06-11 |
CN109870223B true CN109870223B (zh) | 2021-11-09 |
Family
ID=66917805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910042964.5A Active CN109870223B (zh) | 2019-01-17 | 2019-01-17 | 一种视觉技术辅助的桥梁动态称重方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109870223B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516524A (zh) * | 2019-06-26 | 2019-11-29 | 东南大学 | 一种交通场景中基于Mask R-CNN的车辆轴数识别方法 |
CN110553861B (zh) * | 2019-08-29 | 2022-03-04 | 朔黄铁路发展有限责任公司 | 列车信息监测方法、装置和设备 |
CN110702195B (zh) * | 2019-09-24 | 2021-06-25 | 北京化工大学 | 载重车辆运行状态监测方法及装置 |
CN111144039B (zh) * | 2019-12-04 | 2023-04-18 | 东南大学 | 一种基于深度学习的列车动态称重系统及称重方法 |
CN111860201B (zh) * | 2020-06-28 | 2023-07-25 | 中铁大桥科学研究院有限公司 | 图像识别与桥梁监测相结合的匝道重车识别方法及系统 |
CN112113649A (zh) * | 2020-08-10 | 2020-12-22 | 华南理工大学 | 车辆荷载及其作用下桥梁结构响应的二维监测系统和方法 |
CN112307888B (zh) * | 2020-09-21 | 2022-04-26 | 中铁第四勘察设计院集团有限公司 | 一种基于机器视觉定位识别桥梁动态荷载方法和系统 |
CN112179467B (zh) * | 2020-11-27 | 2021-04-02 | 湖南大学 | 一种基于视频测量动挠度的桥梁动态称重方法和系统 |
CN112710371B (zh) * | 2020-12-03 | 2021-12-28 | 湖南大学 | 基于车辆实时空间位置的桥梁动态称重方法及系统 |
CN112885096A (zh) * | 2021-02-05 | 2021-06-01 | 同济大学 | 依赖桥梁拱肋的桥面交通流全视场感知系统及方法 |
WO2023147375A2 (en) * | 2022-01-25 | 2023-08-03 | Stl Scientific Llc | New non-invasive fully automated system identifying and classifying vehicles and measuring each vehicle's weight, dimension, visual characteristics, acoustic pattern and noise in real-time without interfering with the traffic |
CN114577385B (zh) * | 2022-02-28 | 2023-08-04 | 中铁第四勘察设计院集团有限公司 | 桥梁动态荷载识别方法及装置 |
CN114593800B (zh) * | 2022-02-28 | 2023-06-02 | 中铁第四勘察设计院集团有限公司 | 桥梁动态荷载识别方法、装置、电子设备及存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604448B (zh) * | 2009-03-16 | 2015-01-21 | 北京中星微电子有限公司 | 一种运动目标的测速方法和系统 |
CN102735320B (zh) * | 2012-07-19 | 2014-06-04 | 广西大学 | 基于桥梁动应变识别车辆重量的方法 |
CN104599249B (zh) * | 2015-01-13 | 2017-07-14 | 重庆大学 | 缆索承重桥梁桥面车辆载荷分布实时检测方法 |
EP3187838B1 (en) * | 2015-12-29 | 2020-03-25 | Neostrain spolka z ograniczona odpowiedzialnoscia | System for vehicles weight preselection and evaluation of the technical state of road infrastructure |
CN105574550B (zh) * | 2016-02-02 | 2019-04-12 | 北京格灵深瞳信息技术有限公司 | 一种车辆识别方法及装置 |
EP3591370B1 (en) * | 2017-02-28 | 2021-08-25 | Panasonic Intellectual Property Management Co., Ltd. | Monitoring system |
CN107310475B (zh) * | 2017-05-17 | 2019-10-08 | 广州小鹏汽车科技有限公司 | 一种智能汽车预警功能的显示方法及系统 |
CN108763763B (zh) * | 2018-05-28 | 2021-10-19 | 东南大学 | 一种桥梁结构应变响应异常预警方法 |
CN108985145A (zh) * | 2018-05-29 | 2018-12-11 | 同济大学 | 小尺寸交通标志检测识别的反向连接深度神经网络模型方法 |
-
2019
- 2019-01-17 CN CN201910042964.5A patent/CN109870223B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109870223A (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109870223B (zh) | 一种视觉技术辅助的桥梁动态称重方法 | |
CN109827647B (zh) | 一种桥梁动态称重系统 | |
CN106919915B (zh) | 基于adas系统的地图道路标记及道路质量采集装置及方法 | |
CN109887273B (zh) | 一种基于多源冗余信息的桥梁活载优化识别方法 | |
CN109839175B (zh) | 一种桥梁活载优化识别系统 | |
CN110287905B (zh) | 一种基于深度学习的交通拥堵区域实时检测方法 | |
Zhangyu et al. | A camera and LiDAR data fusion method for railway object detection | |
CN110992693B (zh) | 一种基于深度学习的交通拥堵程度多维度分析方法 | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN108645375B (zh) | 一种用于车载双目系统快速车辆测距优化方法 | |
WO2023155483A1 (zh) | 一种车型识别方法、装置和系统 | |
CN107430774A (zh) | 行驶道路识别装置和使用其的行驶辅助系统 | |
CN111898491B (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
CN111027447B (zh) | 一种基于深度学习的道路溢出实时检测方法 | |
CN102016954B (zh) | 车辆周围监测装置 | |
CN107195182A (zh) | 一种动态高速治超检测系统 | |
CN107516423A (zh) | 一种基于视频的车辆行驶方向检测方法 | |
CN114926984B (zh) | 一种实时交通冲突收集与道路安全评价方法 | |
CN111724604A (zh) | 一种带车牌识别的高速公路不停车测速称重系统及方法 | |
CN113124777B (zh) | 车辆尺寸确定方法、装置、系统及存储介质 | |
CN110472508A (zh) | 基于深度学习和双目视觉的车道线测距方法 | |
CN110516524A (zh) | 一种交通场景中基于Mask R-CNN的车辆轴数识别方法 | |
CN110398226A (zh) | 一种用于先进辅助驾驶系统的单目视觉测距方法 | |
CN116740657A (zh) | 一种基于相似三角形的目标检测以及测距方法 | |
JP3891181B2 (ja) | カメラパラメータの自動算出方法及び装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |