CN109887273B - 一种基于多源冗余信息的桥梁活载优化识别方法 - Google Patents
一种基于多源冗余信息的桥梁活载优化识别方法 Download PDFInfo
- Publication number
- CN109887273B CN109887273B CN201910061855.8A CN201910061855A CN109887273B CN 109887273 B CN109887273 B CN 109887273B CN 201910061855 A CN201910061855 A CN 201910061855A CN 109887273 B CN109887273 B CN 109887273B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- bridge
- monitoring
- peak
- monitoring sensor
- 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)
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方法，其特征在于，包括：步骤S1，分别对各个监测传感器在车辆通过时产生的桥梁结构响应数据进行采集并获得对应的峰值数据；步骤S2，获取交通监控装置中车辆通过各个监测传感器时的车辆监控视频的视频帧并识别从而获得视频帧中车辆的相对位置信息以及车辆位置坐标；步骤S3，根据相对位置信息判断当前车辆与该视频帧中其他各个车辆间形成的车位状态；步骤S4，根据车位状态、车辆位置坐标、预先标定的桥梁影响面以及峰值数据计算车辆对应各个监测传感器的车重；以及步骤S5，根据对应各个监测传感器的车重进行统计验算从而获得活载数据，其中，车位状态包括单辆状态、并行状态以及跟行状态。
Description
技术领域
本发明涉及公路桥梁安全监测领域，具体涉及一种桥梁活载优化识别方法。
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。
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的识别，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。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或是其他传感器获取的冗余信息对复杂车辆荷载进行区分及精确计算的桥梁活载优化识别方法，本发明采用了如下技术方案：
本发明提供了一种基于多源冗余信息的桥梁活载优化识别方法，用于对车辆通过设有多个监测传感器以及交通监控装置的桥梁时的复杂车辆荷载进行识别，其特征在于，包括：步骤S1，分别对各个监测传感器在车辆通过时产生的桥梁结构响应数据进行采集并获得与桥梁结构响应数据对应的峰值数据；步骤S2，获取交通监控装置中车辆通过各个监测传感器时的车辆监控视频的视频帧并分别对视频帧进行车辆识别从而获得各个视频帧中所有车辆在桥梁上的相对位置信息以及通过监测传感器的车辆的车辆位置坐标；步骤S3，根据相对位置信息判断当前视频帧中通过监测传感器的车辆与该视频帧中其他各个车辆间形成的车位状态；步骤S4，根据车位状态、车辆位置坐标、预先标定的桥梁影响面以及峰值数据计算车辆对应各个监测传感器的车重；以及步骤S5，根据对应各个监测传感器的车重进行统计验算从而获得活载数据，其中，车位状态包括单辆状态、并行状态以及跟行状态。
本发明提供的桥梁活载优化识别方法，还可以具有这样的技术特征，其中，步骤S4中，车位状态为单辆状态时，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。
本发明提供的桥梁活载优化识别方法，还可以具有这样的技术特征，其中，步骤S4中，车位状态为跟行状态时，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，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。
本发明提供的桥梁活载优化识别方法，还可以具有这样的技术特征，其中，步骤S4中，车位状态为并行状态时，车重计算方法为：
式中，wi是横向第i辆车辆的车重，si是同一桥梁截面上第i个监测传感器的峰值读数，I(xi,yi)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，xi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，yi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方法，还可以具有这样的技术特征，其中，步骤S5包括如下子步骤：步骤S5-1，通过综合通过不同监测传感器采集的桥梁结构动态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是多个监测传感器车重识别结果的标准差，μ是多个监测传感器车重识别结果的均值；步骤S5-2，基于步骤S5-1获取的统计结果，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，wi是第i个监测传感器对应的加权系数，xi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。
本发明提供的桥梁活载优化识别方法，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，获取交通监控装置中获取车辆通过各个监测传感器时的车辆监控视频的视频帧；步骤S2-2，通过预先训练的深度神经网络模型对视频帧中的车辆车轮进行识别从而获取该视频帧中所有车辆的车辆图像作为相对位置信息；步骤S2-3，根据相对位置信息判断当前视频帧中通过监测传感器的车辆并获取与该车辆对应的车轮坐标作为车辆位置坐标。
本发明提供的桥梁活载优化识别方法，还可以具有这样的技术特征，其中，步骤S4中，根据车位状态、车辆位置坐标、预先标定的桥梁影响面以及峰值数据对车辆的轴重进行计算，进一步根据车辆的所有轴重计算该车辆的车重。
本发明提供的桥梁活载优化识别方法，还可以具有这样的技术特征，其中，步骤S4中，在计算车重时，还根据各个静态成分的峰值以及对应的监测传感器之间的距离计算获取车辆的车速：
式中，v是车速，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的采集数据所对应的静态成分峰值出现的时间差。
本发明提供的桥梁活载优化识别方法，还可以具有这样的技术特征，其中，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方法，还可以具有这样的技术特征，其中，步骤S1还包括如下子步骤：步骤S1-1，依次获取各个监测传感器在车辆通过时产生的桥梁结构响应数据；步骤S1-2，依次选择一个对应车辆的桥梁结构响应数据；步骤S1-3，在所选的桥梁结构响应数据中截取由车辆激起的动态响应信号段；步骤S1-4，通过局部回归算法对动态响应信号段进行处理从而获取静态成分；步骤S1-5，从静态成分中提取峰值数据。
发明作用与效果
根据本发明的基于多源冗余信息的桥梁活载优化识别方法，由于采用局部回归算法，综合了动态响应信号的采集和滤波技术，对由设置在桥梁上的监测传感器采集的桥梁结构响应数据进行静态成分提取，从而实现了对由车辆激起的动态响应数据的获取；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，实现了对车辆的精确定位；进一步，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；最终，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方法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。
附图说明
图1是本发明实施例中桥梁活载优化识别方法的流程图；
图2是本发明实施例中局部回归算法对动态响应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；
图6是本发明实施例中标定完成的桥梁影响面的示意图；
图7是本发明实施例中车速计算的示意图；以及
图8是本发明实施例中车重统计分布的直方图。
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基于多源冗余信息桥梁活载优化识别方法作具体阐述。
<实施例>
本实施例中，运行有本发明基于多源冗余信息的桥梁活载优化识别方法的计算机软件能够设有多个监测传感器以及交通监控装置对多个车辆通过桥梁时的复杂车辆荷载进行识别，该计算机软件的运行方法如下：
图1是本发明实施例中桥梁活载优化识别方法的流程图。
如图1所示，桥梁活载优化识别方法包括如下步骤：
步骤S1，分别对各个所述监测传感器在所述车辆通过时产生的桥梁结构响应数据进行采集并获得与所述桥梁结构响应数据对应的峰值数据，具体步骤见步骤S1-1至S1-5。。
本实施例中，桥梁结构响应数据通过多个设置在桥梁截面上的监测传感器获取，当车辆通过桥梁的各个截面部分时，会引起桥梁结构的变化从而依次被各个监测传感器所捕获；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。
本实施例中，监测传感器为动应变传感器，用于获取车辆通过时产生的桥梁纵向动应变。在其他实施例中，监测传感器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，进一步，本实施例的步骤S4 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车重。
步骤S1-1，依次获取各个监测传感器在车辆通过时产生的桥梁结构响应数据，然后进入步骤S1-2。
本实施例中，车辆通过在桥梁时会依次经过各个监测传感器，步骤S1-1在当前车辆通过该桥梁上最后一个监测传感器时对之前各个监测传感器中对应该车辆的桥梁结构响应数据进行采集，从而获取当前车辆对应各个监测传感器的桥梁结构响应数据，然后对下一车辆的桥梁结构响应数据进行采集。
步骤S1-2，依次选择一个对应车辆的桥梁结构响应数据，直到当前车辆的桥梁结构响应数据都计算完毕，然后进入步骤S1-3。
步骤S1-3，在所选的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，能够通过交通监控装置识别出车辆在监控视频中的位置以及对应视频帧的时间从而实现车辆以及该车辆在桥梁结构响应数据中相应激起的时段进行对应。
步骤S1-4，通过局部回归算法LOWESS对动态响应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态响应信号段的处理流程示意图。
如图2所示，首先对动态响应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S1-5，从步骤S1-4分离的静态成分中提取该静态成分的峰值作为峰值数据，然后进入步骤S1-2并选择下一个当前车辆的桥梁结构响应数据进行处理。
步骤S2，获取交通监控装置中车辆通过各个监测传感器时的车辆监控视频的视频帧并分别对视频帧进行车辆识别从而获得各个视频帧中所有车辆在桥梁上的相对位置信息以及通过监测传感器的车辆的车辆位置坐标，具体步骤见步骤S2-1至S2-3。
步骤S2-1，依次获取交通监控装置中车辆通过各个监测传感器时的车辆监控视频的视频帧，然后进入步骤S2-2。
步骤S2-2，通过预先训练的深度神经网络模型对视频帧中的车辆车轮进行识别从而获取该视频帧中所有车辆的车辆图像作为相对位置信息，然后进入步骤S2-3。
步骤S2-3，根据相对位置信息判断当前视频帧中通过监测传感器的所述车辆并获取与该车辆对应的车轮坐标作为车辆位置坐标。
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并获取车辆在监控视频中的车轮坐标以及每一图像帧中各个车辆的相对位置信息。
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。
本实施例的步骤S2-3中，将车轮坐标转换为车辆位置坐标的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’)转换为车辆的车轮在桥面坐标系上的坐标 (X,Y)，进一步根据车轮的桥面坐标获取车辆的桥面坐标。
步骤S3，根据相对位置信息判断当前视频帧中通过监测传感器的车辆与该视频帧中其他各个车辆间形成的车位状态。
本实施例的步骤S3中，根据车辆的相对位置信息(即根据该车辆的前方、左右是否有其他车辆)识别车辆的车位状态，该车位状态包括单辆状态、并行状态(对应车辆左右有其他车辆)以及跟行状态 (对应车辆前方有其他车辆)。本实施例中，车辆可能同时处于并行状态以及跟行状态。
步骤S4，根据车位状态、车辆位置坐标、预先标定的桥梁影响面以及峰值数据计算所述车辆对应各个监测传感器的轴重进行计算，进一步通过轴重计算该车辆的车重，同时根据各个峰值数据以及对应的监测传感器之间的距离计算获取车辆的车速。
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响应数据作为标准响应数据进行采集(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S4中，当车位状态为单辆状态时(即车辆在视频中前后左右都没有其他车辆)，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，当车位状态为跟行状态时，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。
当车位状态为并行状态时，车重计算方法为：
式中，wi是横向第i辆车辆的车重，si是同一桥梁截面上第i个监测传感器的峰值读数，I(xi,yi)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，xi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，yi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。
如上所述，通过公式(6)(7)(8)，即可对桥梁上连续同时通过 (即车辆在桥梁的横向上以及纵向上都有多辆)的车辆逐一进行车重计算。本实施例中，还能够通过公式(6)(7)(8)对车辆的轴重进行计算，单一车辆的多个车轴可以视为前后跟行的多个车辆，通过步骤S2中识别的车辆以及车轮获取该车辆的车轴数，进一步对车辆每一轴的轴重进行计算，最后通过车辆的各个轴重换算该车辆的车重。
在其他实施例中，步骤S4在计算车重时，还根据各个静态成分的峰值的时间差以及对应的监测传感器之间的距离计算获取车辆的车速：
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的采集数据所对应的静态成分峰值出现的时间差。
图7是本发明实施例中车速计算部计算车速的示意图。
如图7所示，根据监测传感器a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b、c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。根据peak02、03之间的时差Δt2以及监测传感器a、b之间的距离以及公式(9)就能够完成车辆在监测传感器a、b之间的车速计算。
步骤S5，对对应各个监测传感器的车重进行统计验算从而获得活载数据，具体步骤如步骤S6-1至S6-2。
步骤S5-1，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重，进行频数统计并绘制频率分布直方图(如图8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；
步骤S5-2，基于步骤S5-1获取的统计结果，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，wi是第i个监测传感器对应的加权系数，xi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。
如上所述，通过步骤S4中计算的车重以及公式(10)(11)，就能够对车辆的车重进行精确的验算从而作为桥梁的活载数据。
实施例作用与效果
根据本实施例提供的基于多源冗余信息的桥梁活载优化识别方法，由于采用局部回归算法，综合了信号的采集和滤波技术，对由设置在桥梁上的监测传感器采集的桥梁结构响应数据进行静态成分提取，从而实现了对由车辆激起的桥梁结构响应数据的获取；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，实现了对车辆的精确定位；进一步，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；最终，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方法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。
本实施例中，由于能够通过提取桥梁结构响应数据中的动态响应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响应数据的处理效率。
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、前后多辆、左右并排多辆的车辆的车重进行计算，因此即使有多辆汽车同时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，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，由于先通过计算车辆的各个车轴的轴重，再根据该车辆的各个轴重计算该车辆的车重，从而提高了车辆车重的计算精度。
本实施例中，通过对同一车辆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冗余信息的利用。
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方法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，在步骤S4中，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，并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。
Claims (7)
1.一种基于多源冗余信息的桥梁活载优化识别方法，用于对车辆通过设有多个监测传感器以及交通监控装置的桥梁时的复杂车辆荷载进行识别，其特征在于，包括：
步骤S1，分别对各个所述监测传感器在所述车辆通过时产生的桥梁结构响应数据进行采集并获得与所述桥梁结构响应数据对应的峰值数据；
步骤S2，获取所述交通监控装置中所述车辆通过各个所述监测传感器时的车辆监控视频的视频帧并分别对所述视频帧进行车辆识别从而获得各个所述视频帧中所有车辆在所述桥梁上的相对位置信息和车轴数以及通过所述监测传感器的所述车辆的车辆位置坐标，所述车辆位置坐标为所述车辆各个车轮的坐标；
步骤S3，根据所述相对位置信息判断当前视频帧中通过所述监测传感器的所述车辆与该视频帧中其他各个车辆间形成的车位状态；
步骤S4，根据所述车位状态、所述车辆位置坐标、预先标定的桥梁影响面以及所述峰值数据计算所述车辆对应各个监测传感器的轴重，进一步结合所述车轴数以及所述轴重计算出所述车辆的车重；以及
步骤S5，根据对应各个监测传感器的所述车重进行统计验算从而获得活载数据，
其中，所述车位状态包括单辆状态、并行状态以及跟行状态，
所述车位状态为单辆状态时，所述车辆的车重计算方法为：
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峰值数据，I(x,ypeak)是所述车辆的所述车辆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，
所述车位状态为跟行状态时，所述车辆的车重计算方法为：
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，Wrear是当前车辆的车重，
是当前车辆激起的所述峰值数据，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，
所述车位状态为并行状态时，车重计算方法为：
式中，wi是横向第i辆所述车辆的车重，si是同一桥梁截面上第i个所述监测传感器的峰值读数，I(xi,yi)是所述监测传感器出现峰值读数时，第i辆车辆的所述车辆位置坐标在所述桥梁影响面上对应的影响量，xi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，yi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。
2.根据权利要求1所述桥梁活载优化识别方法，其特征在于：
其中，所述步骤S5包括如下子步骤：
步骤S5-1，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；
步骤S5-2，基于步骤S5-1获取的所述统计结果，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，wi是第i个所述监测传感器对应的加权系数，xi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。
3.根据权利要求1所述的桥梁活载优化识别方法，其特征在于：
其中，所述步骤S2还包括如下子步骤：
步骤S2-1，获取所述交通监控装置中所述车辆通过各个所述监测传感器时的车辆监控视频的视频帧；
步骤S2-2，通过预先训练的深度神经网络模型对所述视频帧中的车辆车轮进行识别从而获取该视频帧中所有车辆的车辆图像作为所述相对位置信息；
步骤S2-3，根据所述相对位置信息判断当前视频帧中通过所述监测传感器的所述车辆并获取与该车辆对应的车轮坐标作为车辆位置坐标。
4.根据权利要求3所述的桥梁活载优化识别方法，其特征在于：
其中，所述步骤S4中，根据所述车位状态、所述车辆位置坐标、预先标定的桥梁影响面以及所述峰值数据对所述车辆的轴重进行计算，进一步根据所述车辆的所有所述轴重计算该车辆的车重。
5.根据权利要求1所述的桥梁活载优化识别方法，其特征在于：
其中，所述步骤S4中，在计算所述车重时，还根据各个所述峰值数据以及对应的所述监测传感器之间的距离计算获取所述车辆的车速：
式中，v是所述车速，D是多个所述监测传感器的安装截面之间的距离，Δt是不同截面的所述监测传感器的采集数据所对应的静态成分峰值出现的时间差。
6.根据权利要求1所述的桥梁活载优化识别方法，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所述的桥梁活载优化识别方法，其特征在于：
其中，所述步骤S1还包括如下子步骤：
步骤S1-1，依次获取各个所述监测传感器在所述车辆通过时产生的桥梁结构响应数据；
步骤S1-2，依次选择一个对应所述车辆的所述桥梁结构响应数据；
步骤S1-3，在所选的所述桥梁结构响应数据中截取由所述车辆激起的动态响应信号段；
步骤S1-4，通过局部回归算法对所述动态响应信号段进行处理从而获取静态成分；
步骤S1-5，从所述静态成分中提取所述峰值数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910061855.8A CN109887273B (zh) | 2019-01-23 | 2019-01-23 | 一种基于多源冗余信息的桥梁活载优化识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910061855.8A CN109887273B (zh) | 2019-01-23 | 2019-01-23 | 一种基于多源冗余信息的桥梁活载优化识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109887273A CN109887273A (zh) | 2019-06-14 |
| CN109887273B true CN109887273B (zh) | 2022-04-08 |
Family
ID=66926702
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910061855.8A Active CN109887273B (zh) | 2019-01-23 | 2019-01-23 | 一种基于多源冗余信息的桥梁活载优化识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109887273B (zh) |
Families Citing this family (5)
| 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 |
| CN110781607B (zh) * | 2019-11-07 | 2021-08-10 | 大连理工大学 | 一种考虑车辆轮载空间分布的桥梁影响面识别方法 |
| 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 |
| CN112820112A (zh) * | 2021-02-05 | 2021-05-18 | 同济大学 | 依赖桥梁塔柱的桥面交通流全视场感知系统及方法 |
| CN114937365B (zh) * | 2022-06-21 | 2023-08-01 | 东南大学 | 一种基于同步多视觉传感器的桥面车辆参数识别方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106872005B (zh) * | 2017-02-20 | 2019-08-23 | 广西交通科学研究院有限公司 | 基于桥梁动应变识别车队单车车重的方法 |
| CN107389168A (zh) * | 2017-07-18 | 2017-11-24 | 重庆交通大学 | 一种用于桥梁的车辆移动载荷的识别方法 |
| CN108914815B (zh) * | 2018-05-17 | 2020-09-29 | 中铁大桥科学研究院有限公司 | 桥面车辆荷载识别装置、桥梁及桥梁荷载分布识别方法 |
-
2019
- 2019-01-23 CN CN201910061855.8A patent/CN109887273B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109887273A (zh) | 2019-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109887273B (zh) | 一种基于多源冗余信息的桥梁活载优化识别方法 | |
| CN109870223B (zh) | 一种视觉技术辅助的桥梁动态称重方法 | |
| CN109839175B (zh) | 一种桥梁活载优化识别系统 | |
| CN111429484B (zh) | 一种基于交通监控视频的多目标车辆轨迹实时构建方法 | |
| CN110992683B (zh) | 一种基于动态图像感知的交叉口盲区预警方法及系统 | |
| CN109827647B (zh) | 一种桥梁动态称重系统 | |
| CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
| CN110992693B (zh) | 一种基于深度学习的交通拥堵程度多维度分析方法 | |
| CN111709332B (zh) | 基于稠密卷积神经网络的桥梁车辆荷载时空分布识别方法 | |
| US20170330454A1 (en) | Method of controlling a traffic surveillance system | |
| CN111274843A (zh) | 基于监控视频的货车超载监测方法及系统 | |
| CN111027447B (zh) | 一种基于深度学习的道路溢出实时检测方法 | |
| CN105809669A (zh) | 一种用于校准图像检测设备的方法和装置 | |
| CN112464889A (zh) | 道路车辆姿态和运动信息检测方法 | |
| CN110516524A (zh) | 一种交通场景中基于Mask R-CNN的车辆轴数识别方法 | |
| CN113392817A (zh) | 一种基于多列卷积神经网络的车辆密度估计的方法及装置 | |
| CN112161685A (zh) | 一种基于表面特征的车辆荷载测量方法 | |
| CN115240471B (zh) | 一种基于图像采集的智慧厂区避撞预警方法和系统 | |
| CN115798207A (zh) | 基于LiDAR点云的信号交叉口追尾冲突识别方法 | |
| CN115908375A (zh) | 一种基于计算机视觉图像识别的轮胎荷载获取方法 | |
| CN115909285A (zh) | 一种雷达和视频信号融合的车辆跟踪方法 | |
| CN112418000B (zh) | 基于单目摄像头的不良驾驶行为检测方法及系统 | |
| CN113191239A (zh) | 一种基于计算机视觉的车辆外廓尺寸动态检测系统 | |
| CN112907978A (zh) | 基于监控视频的交通流量监控方法 | |
| CN112990128A (zh) | 一种基于视频跟踪的多车辆测速方法 |
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 | ||
| CB02 | Change of applicant information |
Address after: 200092 Siping Road 1239, Shanghai, Yangpu District Applicant after: TONGJI University Address before: 200092 Siping Road 1239, Shanghai, Hongkou District Applicant before: TONGJI University |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |