CN111709332B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111709332B
CN111709332B CN202010498366.1A CN202010498366A CN111709332B CN 111709332 B CN111709332 B CN 111709332B CN 202010498366 A CN202010498366 A CN 202010498366A CN 111709332 B CN111709332 B CN 111709332B
Authority
CN
China
Prior art keywords
bridge
vehicle
time
neural network
convolutional neural
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
Application number
CN202010498366.1A
Other languages
English (en)
Other versions
CN111709332A (zh
Inventor
叶肖伟
李哲勋
金涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202010498366.1A priority Critical patent/CN111709332B/zh
Priority to US17/012,034 priority patent/US11692885B2/en
Publication of CN111709332A publication Critical patent/CN111709332A/zh
Application granted granted Critical
Publication of CN111709332B publication Critical patent/CN111709332B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L1/00—Measuring force or stress, in general
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
    • G01G19/03—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles for weighing during motion
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0008—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of bridges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0091—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by using electromagnetic excitation or detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30236—Traffic on road, railway or crossing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Electromagnetism (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种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。该方法分为五个步骤，首先，在桥上不同位置安装多个摄像头，从多个方向获取桥梁上图像，输出带有时间标签的视频图像；其次，使用稠密神经网络获得桥梁上车辆的多通道特性，包括颜色特征、形状特征、位置特征等；第三，分析同一时刻不同摄像头下的的车辆都数据、特征，得到任一时间桥梁上的车辆分布情况；第四，通过对某一个时间段上的车辆分布情况进行持续监测，得到桥梁任意截面上的车辆荷载情况；最后，综合车辆的时间和空间分布，得到桥梁的时空分布情况。

Description

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
技术领域
本发明涉及到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。
背景技术
桥梁结构在服役期间，长期承受着风荷载、车辆荷载、人群荷载、以及地震荷载等随机荷载的作用，产生疲劳现象。重复作用的疲劳荷载所引起的应力水平虽然远低于强度屈服极限，但会有较强烈的应力集中现象产生，最终会导致突然的破坏，这种破坏称为疲劳破坏。它是一种结构材料在重复荷载作用下发生的低于静载强度的脆性破坏。
在上述的作用力中，尤以车辆荷载为最主要的因素，其作用力大、频率高、且作用时间长，造成的桥梁结构的疲劳损伤最大。由于日常生活中长期作用于桥梁结构上的各种实际车辆荷载，导致了桥梁结构构件的疲劳损伤累积。
因此，研究桥梁结构的疲劳问题，首先就需要研究车辆荷载作用的问题。但是，要将在设计基准期内实际通过桥梁的所有车辆作用一一列出计算是不可能做到的，所以就需要通过一定的统计方法来确定用作疲劳设计的疲劳荷载。对桥梁结构上的车辆荷载进行采样并按其大小及出现次数统计罗列出来，就得到了车辆荷载谱。
为了获取桥梁上的车辆荷载谱，通常使用的有以下方法：
设置称重站对过往车辆的轴重和总重进行采集，记录车辆信息，通过汽车生产厂家，找到该车的几何尺寸。该种方法能够完整的记录通过桥梁车辆的具体信息，但是对于交通影响很大，效率低下，称重站的地点也不好布置。
基于动态称重系统进行车辆荷载检测，动态称重系统是一组安装的传感器和含有软件的电子仪器，用以测量动态轮胎力和车辆通过时间并提供计算轮重、轴重、总重(如车速、轴距等)的数据。由于它可以准确获取实际车流数据，因此通过这些数据可以进行车辆荷载效应的计算，进而利用极值理论来预测未来荷载效应的情况。但是该方法存在一个较大的缺陷，将其应用于桥梁的车辆识别时，一般只能安装在桥台或引桥位置，无法识别桥跨范围内的车辆荷载及其分布情况。
发明内容
本发明要克服现有技术的上述缺点，提供一种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。
本发明提出了一种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。该方法分为五个步骤，首先，在桥上不同位置安装多个摄像头，从多个方向获取桥梁上图像，输出带有时间标签的视频图像；其次，使用稠密神经网络获得桥梁上车辆的多通道特性，包括颜色特征、形状特征、位置特征等；第三，分析同一时刻不同摄像头下的车辆数据、特征，得到任一时间桥梁上的车辆分布情况；第四，通过对某一个时间段上的车辆分布情况进行持续监测，得到桥梁任意截面上的车辆荷载情况；最后，综合车辆的时间和空间分布，得到桥梁的时空分布情况。
本发明所述的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，具体实施步骤如下：
A安装摄像头；
A1.选定待监测的桥梁，确定桥梁起始位置及结束位置，将跨径方向作为x轴，桥宽方向作为y轴，起始位置中心为原点，建立坐标系，量化桥上位置信息；
A2.结合桥梁长度、宽度、上部结构构造等客观条件，在桥上安装摄像头，监控桥梁画面；
A3.使用摄像头获取桥梁上的实时监控图像，截取第一帧图像，并以此时间为基点，为后续的监控画面标记时间；
A4.处理A3获取的图像，通过各个摄像头监控的图像和实际的位置对应关系，计算得到图像和实际位置的转化方程。
B使用稠密卷积神经网络识别车辆；
B1.使用相机，对不同种类的车辆从不同的方向进行采集，对其形状、颜色、位置等特征进行分类和标记，得到一个车辆的数据库；
B2.基于B1的数据库，对稠密卷积神经网络进行训练，训练神经网络时，采用随机梯度下降学习率随迭代次数逐渐减小，并使稠密卷积神经网络的输出结果对每张图像上车辆的形状、颜色、图像上的位置等信息进行拟合。使该稠密神经网络能够区分车辆的形状、颜色、位置，输出一个能够表示这些特征的数据；
B3.将训练后的稠密卷积神经网络应用于摄像头获取的图像识别。
C获取某一时刻下车辆分布情况；
C1.采集某一时刻所有摄像头的监控图像，将监控图像传输到计算机；
C2.使用B2训练的稠密神经网络对监控图像进行分析，得到各个摄像头捕捉的画面中，车辆的形状、颜色、在监控图像上的位置等特征，并根据A4确定的图上位置和实际位置的转换关系，计算桥上车辆在该时刻的实际位置；
C3.使用贝叶斯方法对上述的数据进行评估，通过期望最大化算法，利用对数似然比得到不同图像之间车辆特征的相似度，最终识别出同一辆车的不同图像；
D4.合并识别为同一辆车的位置信息，该车辆最终的位置采用多个摄像头图片计算结果的平均值，得到该时刻下桥梁上的车辆分布情况。
D获取桥梁任意截面上的车辆分布情况；
D1.在一段时间内，每隔特定的时间，重复C步骤得到该时刻桥梁的车辆分布情况；
D2.使用C3的方法，对相邻时刻拍摄的图像的数据进行评估，识别出同一辆车的在不同时刻下的图像，以及该车辆在时间段的起始和结束时的位置；
D3.通过对桥梁的持续监测，得到桥梁上的任意车辆从进入桥梁范围到驶离桥梁范围的完整的行驶情况，提取其经过目标截面时的时间；
D4.整合D3中，经过目标截面的车辆特征及经过该截面的时间，得到该截面上的车辆随时间分布情况。
E获取桥梁车辆时空分布信息；
E1.综合桥梁在同一时刻下的车辆分布情况，以及特定截面在不同时刻下的车辆布载情况，建立桥梁的车辆时空分布图谱。
与现有的技术相比，本技术有几下几个优点：
1.多个摄像头共同识别目标，结果准确，且减低了单个摄像头被遮挡对结果的干扰。
2.能自动识别车辆的分布情况及运行轨迹，有助于后续桥梁交通量以及所受荷载的估计。
3.使用计算机方法识别车辆，减轻人力成本，能够实现长期、持续的监测。
4.可以利用既有的摄像头进行监控，减低建设成本。
5.对摄像头的维护、更换简单，不对桥梁结构本身造成影响。
6.可以和动态称重方法结合，将动态称重方法得到桥梁上车辆荷载的具体大小结合本方法中车辆的时空分布，得到桥梁的车辆荷载谱。
附图说明
图1是本发明的车辆位置监测示意图。
图2是本发明的车辆位置追踪示意图。
图3是本发明的实施流程图。
图例说明：
1——待测桥梁；
2——摄像头A、B、C；
3——摄像头在第t1帧拍摄的车辆；
4——摄像头在第t2帧拍摄的车辆；
5——摄像头在第t3帧拍摄的车辆。
具体实施方式
以下结合附图进一步阐述本发明的具体实施方式。
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，其具体步骤如下：
A安装摄像头；
A1.选定待监测的桥梁1，确定桥梁起始位置及结束位置，将跨径方向作为x轴，桥宽方向作为y轴，起始位置中心为原点，建立坐标系，量化桥上位置信息；
A2.结合桥梁长度、宽度、上部结构构造等客观条件，在桥上安装摄像头2，监控桥梁画面；
A3.使用摄像头获取桥梁上的实时监控图像，截取第一帧图像，并以此时间为基点，为后续的监控画面标记时间；
A4.处理A3获取的图像，通过各个摄像头监控的图像和实际的位置对应关系，计算得到图像和实际位置的转化方程。
B使用稠密卷积神经网络识别车辆；
B1.使用相机，对不同种类的车辆从不同的方向进行采集，对其形状、颜色、位置等特征进行分类和标记，得到一个车辆的数据库；
B2.基于B1的数据库，对稠密卷积神经网络进行训练，训练神经网络时，采用随机梯度下降学习率随迭代次数逐渐减小，并使稠密卷积神经网络的输出结果对每张图像上车辆的形状、颜色、图像上的位置等信息进行拟合。使该稠密神经网络能够区分车辆的形状、颜色、位置，输出一个能够表示这些特征的数据；
B3.将训练后的稠密卷积神经网络应用于摄像头获取的图像识别。
C获取某一时刻下车辆分布情况；
C1.采集某一时刻所有摄像头的监控图像，将监控图像传输到计算机；
C2.使用B2训练的稠密神经网络对监控图像进行分析，得到各个摄像头2捕捉的画面中，车辆的形状、颜色、在监控图像上的位置等特征，并根据A4确定的图上位置和实际位置的转换关系，计算桥上车辆在该时刻的实际位置；
C3.使用贝叶斯方法对摄像头A、B、C拍摄的图像数据进行评估，通过期望最大化算法，利用对数似然比得到不同图像之间车辆特征的相似度，最终识别出同一辆车的不同图像；
D4.合并识别为同一辆车的位置信息，该车辆最终的位置采用多个摄像头图片计算结果的平均值，得到该时刻下桥梁上的车辆分布情况。
D获取到桥梁任意截面上的车辆分布情况；
D1.在一段时间内，每隔特定的时间，重复C步骤得到该时刻桥梁的车辆分布情况；
D2.使用C3的方法，对t1、t2、t3拍摄的图像的数据进行评估，识别出同一辆车的在不同时刻下的图像3，4，5，以及该车辆在时间段的起始和结束时的位置；
D3.通过对桥梁的持续监测，得到桥梁上的任意车辆从进入桥梁范围到驶离桥梁范围的完整的行驶情况，提取其经过目标截面时的时间；
D4.整合D3中，经过目标截面的车辆特征及经过该截面的时间，得到该截面上的车辆随时间分布情况。
E获取桥梁车辆时空分布信息；
E1.综合桥梁在同一时刻下的车辆分布情况，以及特定截面在不同时刻下的车辆布载情况，建立桥梁的车辆时空分布图谱。

Claims (1)

1.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，具体实施步骤如下：
A安装摄像头；
A1.选定待监测的桥梁，确定桥梁起始位置及结束位置，将跨径方向作为x轴，桥宽方向作为y轴，起始位置中心为原点，建立坐标系，量化桥上位置信息；
A2.结合桥梁长度、宽度、上部结构构造客观条件，在桥上安装摄像头，监控桥梁画面；
A3.使用摄像头获取桥梁上的实时监控图像，截取第一帧图像，并以此时间为基点，为后续的监控画面标记时间；
A4.处理A3获取的图像，通过各个摄像头监控的图像和实际的位置对应关系，计算得到图像和实际位置的转化方程；
B使用稠密卷积神经网络识别车辆；
B1.使用相机，对不同种类的车辆从不同的方向进行采集，对其形状、颜色、位置特征进行分类和标记，得到一个车辆的数据库；
B2.基于B1的数据库，对稠密卷积神经网络进行训练，训练神经网络时，采用随机梯度下降学习率随迭代次数逐渐减小，并使稠密卷积神经网络的输出结果对每张图像上车辆的形状、颜色、图像上的位置信息进行拟合；使该稠密卷积神经网络能够区分车辆的形状、颜色、位置，输出一个能够表示这些特征的数据；
B3.将训练后的稠密卷积神经网络应用于摄像头获取的图像识别；
C获取某一时刻下车辆分布情况；
C1.采集某一时刻所有摄像头的监控图像，将监控图像传输到计算机；
C2.使用B2训练的稠密神经网络对监控图像进行分析，得到各个摄像头捕捉的画面中，车辆的形状、颜色、在监控图像上的位置特征，并根据A4确定的图上位置和实际位置的转换关系，计算桥上车辆在该时刻的实际位置；
C3.使用贝叶斯方法对上述的数据进行评估，通过期望最大化算法，利用对数似然比得到不同图像之间车辆特征的相似度，最终识别出同一辆车的不同图像；
D4.合并识别为同一辆车的位置信息，该车辆最终的位置采用多个摄像头图片计算结果的平均值，得到该时刻下桥梁上的车辆分布情况；
D获取桥梁任意截面上的车辆分布情况；
D1.在一段时间内，每隔特定的时间，重复C步骤得到该时刻桥梁的车辆分布情况；
D2.使用C3的方法，对相邻时刻拍摄的图像的数据进行评估，识别出同一辆车的在不同时刻下的图像，以及该车辆在时间段的起始和结束时的位置；
D3.通过对桥梁的持续监测，得到桥梁上的任意车辆从进入桥梁范围到驶离桥梁范围的完整的行驶情况，提取其经过目标截面时的时间；
D4.整合D3中，经过目标截面的车辆特征及经过该截面的时间，得到该截面上的车辆随时间分布情况；
E获取桥梁车辆时空分布信息；
E1.综合桥梁在同一时刻下的车辆分布情况，以及特定截面在不同时刻下的车辆布载情况，建立桥梁的车辆时空分布图谱。
CN202010498366.1A 2020-06-04 2020-06-04 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 Active CN111709332B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010498366.1A CN111709332B (zh) 2020-06-04 2020-06-04 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
US17/012,034 US11692885B2 (en) 2020-06-04 2020-09-03 Method for identifying spatial-temporal distribution of vehicle loads on bridge based on densely connected convolutional networks

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010498366.1A CN111709332B (zh) 2020-06-04 2020-06-04 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

Publications (2)

Publication Number Publication Date
CN111709332A CN111709332A (zh) 2020-09-25
CN111709332B true CN111709332B (zh) 2022-04-26

Family

ID=72539246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010498366.1A Active CN111709332B (zh) 2020-06-04 2020-06-04 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

Country Status (2)

Country Link
US (1) US11692885B2 (zh)
CN (1) CN111709332B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112444311B (zh) * 2020-11-22 2021-11-09 同济大学 一种桥梁车辆时空荷载监控方法
CN112487925B (zh) * 2020-11-25 2024-05-14 上海海事大学 一种桥梁载荷损伤识别方法及系统
CN112637553B (zh) * 2020-11-25 2021-11-23 浙江大学 一种基于监控视频的桥梁结构模态分析方法
US11610332B2 (en) * 2020-12-22 2023-03-21 Here Global B.V. Method and apparatus for detecting a start location and end location of a bridge
CN113221682B (zh) * 2021-04-27 2022-12-27 天津大学 基于计算机视觉的桥梁车辆荷载时空分布细粒度识别方法
CN115482474B (zh) * 2022-08-24 2023-07-04 湖南科技大学 一种基于高空航拍图像的桥面车辆荷载识别方法和系统
CN116128380B (zh) * 2023-04-13 2023-06-30 沧州路桥工程有限责任公司 一种桥梁健康监测方法、装置、电子设备及存储介质
CN117197760A (zh) * 2023-09-06 2023-12-08 东南大学 一种基于视频监控的桥梁车辆荷载分布长期监测方法
CN117454318B (zh) * 2023-12-26 2024-03-26 深圳市城市交通规划设计研究中心股份有限公司 一种基于多源数据融合的桥梁群时空荷载分布识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108914815A (zh) * 2018-05-17 2018-11-30 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
CN109118776A (zh) * 2018-10-10 2019-01-01 中交基础设施养护集团有限公司 一种基于桥梁监测数据识别车辆荷载空间分布的方法
CN109859473A (zh) * 2019-03-07 2019-06-07 南京博瑞吉工程技术有限公司 一种道路桥梁车辆荷载分布监控系统及监控方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7974456B2 (en) * 2006-09-05 2011-07-05 Drvision Technologies Llc Spatial-temporal regulation method for robust model estimation
AT510973B1 (de) * 2011-04-11 2012-08-15 Markus Dipl Ing Dr Petschacher System zum messen der belastung einer brücke beim befahren durch ein fahrzeug
US10042055B2 (en) * 2016-04-20 2018-08-07 Here Global B.V. Traffic volume estimation
CN107688819A (zh) 2017-02-16 2018-02-13 平安科技（深圳）有限公司 车辆的识别方法及装置
JP7047392B2 (ja) * 2018-01-16 2022-04-05 愛知製鋼株式会社 車両位置管理システム及び車両位置管理方法
CN109064495B (zh) 2018-09-19 2021-09-28 东南大学 一种基于Faster R-CNN与视频技术的桥面车辆时空信息获取方法
CN110379168B (zh) 2019-06-24 2021-09-24 东南大学 一种基于Mask R-CNN的交通车辆信息获取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108914815A (zh) * 2018-05-17 2018-11-30 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
CN109118776A (zh) * 2018-10-10 2019-01-01 中交基础设施养护集团有限公司 一种基于桥梁监测数据识别车辆荷载空间分布的方法
CN109859473A (zh) * 2019-03-07 2019-06-07 南京博瑞吉工程技术有限公司 一种道路桥梁车辆荷载分布监控系统及监控方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《A methodology for obtaining spatiotemporal information of the vehicles on bridges based on computer vision》;Bo Zhang等;《computer-aided civil and infrastructure engineering》;20190312;全文 *
《基于WIM系统的重载车辆模型及其荷载效应分析》;李占峰 等;《公路》;20190218;全文 *

Also Published As

Publication number Publication date
US20210381911A1 (en) 2021-12-09
CN111709332A (zh) 2020-09-25
US11692885B2 (en) 2023-07-04

Similar Documents

Publication Publication Date Title
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
CN110310261B (zh) 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法
CN110689723B (zh) 基于功率分布与自学习的货车超载识别方法
CN113033284A (zh) 一种基于卷积神经网络的车辆实时超载检测方法
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
CN111833604B (zh) 基于驾驶行为特征提取的车辆载重状态识别方法及装置
CN113221682B (zh) 基于计算机视觉的桥梁车辆荷载时空分布细粒度识别方法
CN111259770B (zh) 基于无人机平台和深度学习的复杂背景下索力快速测试方法
CN110751829B (zh) 一种基于图像自学习的车辆排队消散时间预测方法
CN110255318B (zh) 基于图像语义分割的电梯轿厢闲置物品检测的方法
CN112411371A (zh) 基于移动传感和视觉的公路桥梁综合检测方法和系统
CN116448773B (zh) 一种图像-振动特征融合的路面病害检测方法及系统
CN114298948A (zh) 基于PSPNet-RCNN的球机监控异常检测方法
CN111091551A (zh) 一种铁路货车制动梁支柱开口销丢失故障检测方法
CN115761487A (zh) 一种基于机器视觉的中小跨径桥梁振动特性快速识别方法
CN114494845A (zh) 一种用于施工项目现场人工智能隐患排查系统及其排查方法
CN111553500B (zh) 基于注意力机制全卷积网络的铁路交通接触网巡检方法
CN114414023A (zh) 传感器异常诊断方法及装置、存储介质
CN112766771A (zh) 一种基于svm的重型汽车整车质量预测方法
Irvine et al. Image quality and performance modeling for automated target detection
CN117132300A (zh) 一种基于图像识别的报废汽车评价系统
CN117037088A (zh) 基于边缘计算的热电厂煤灰运输车辆的定位方法及系统
CN116109986A (zh) 一种基于激光雷达和视频技术互补的车辆轨迹提取方法
CN110411686A (zh) 桥梁静动影像全息性态健康监测诊断方法及系统

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