CN113221682B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113221682B
CN113221682B CN202110458470.2A CN202110458470A CN113221682B CN 113221682 B CN113221682 B CN 113221682B CN 202110458470 A CN202110458470 A CN 202110458470A CN 113221682 B CN113221682 B CN 113221682B
Authority
CN
China
Prior art keywords
vehicle
bridge
space
monitoring camera
time distribution
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
CN202110458470.2A
Other languages
English (en)
Other versions
CN113221682A (zh
Inventor
朱劲松
李兴田
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN202110458470.2A priority Critical patent/CN113221682B/zh
Publication of CN113221682A publication Critical patent/CN113221682A/zh
Application granted granted Critical
Publication of CN113221682B publication Critical patent/CN113221682B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及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，在桥梁上布设监控摄像头，根据边缘计算设备和卷积神经网络对监控摄像头拍摄的视频帧进行计算，得到车辆和轮胎的2D包围框，进而通过计算机视觉算法得到车辆的3D包围盒，利用卡尔曼滤波算法实施车辆追踪，得到车辆荷载在单摄像头下的局部时空信息；最后进行车辆重识别，获取车辆荷载的细粒度时空分布信息。本发明能够通过单目图像，实现车辆荷载的轴数、轴距等重要信息的准确识别，适合桥梁结构或构件的有限元分析和计算。同时本发明实现了车辆3D包围盒的重建，能够跨摄像头获取车辆荷载在全桥范围内的准确的空间信息，因此可以提供全面的车辆荷载时空信息。

Description

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
技术领域
本发明属于桥梁监测领域，尤其是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。
背景技术
运营中的桥梁结构会不可避免地受到环境的侵蚀和荷载的作用，这些长期作用会导致桥梁结构性能退化、安全性降低、寿命缩短，严重的情况下可能导致桥梁结构的倒塌等破坏。因此，对桥梁结构进行实时监测就显得非常重要。在这些长期作用中，桥面通行的车辆荷载是最重要的荷载之一。车辆荷载是典型的随机荷载，一般具有很大的不确定性。为了使桥梁的设计更加合理、或者对运营中的桥梁结构的健康状况进行评估，就需要对桥梁车辆荷载进行识别和统计分析。
传统的利用动态称重系统进行车辆荷载识别的方法存在一些问题。由于需要将称重部件埋置于路面以下，因此会造成既有桥面的破坏性施工，同时也存在造价较高的问题。随着深度学习技术的快速发展，越来越多的研究人员开始利用卷积神经网络进行车辆荷载的识别分析。目前相关的方法有：发明专利(申请号：202010498366.1，名称：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)、发明专利(申请号：02011315926.1，名称：一种桥梁车辆时空荷载监控方法)、和发明专利(申请号：2020111288588，名称：一种基于道路物联网监测的车型与车重分类方法)。总之，这些发明利用深度卷积神经网络进行了车辆的荷载识别，但是无法识别车辆荷载的轴数、轴距等重要信息，也无法获取车辆荷载准确的空间信息，识别结果粒度较大，不能满足精度较高的有限元计算。因此，进行全桥车辆荷载的细粒度识别就显得具有非常重要的实用价值和现实意义。
发明内容
本发明的目的在于克服现有技术的不足，提出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，能够利用卷积神经网络、计算机视觉和多目标追踪等技术，通过对摄像头获取到的桥面车辆行驶视频进行分析，得到车辆荷载的细粒度信息。
本发明解决其技术问题是采取以下技术方案实现的：
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，包括以下步骤：
步骤1、根据桥梁桥面的现场条件安装监控摄像头，捕获桥面车辆的行驶视频；
步骤2、对步骤1中监控摄像头进行详细的标定，得到监控摄像头内部参数矩阵和外部参数矩阵以及监控摄像头相对于桥面的投影矩阵；
步骤3、创建模型训练和测试的数据集用于对深度卷积神经网络进行学习与检测；
步骤4、利用步骤3得到的深度卷积神经网络对步骤1中行驶视频的视频帧进行分析计算，得到车辆的类型、置信度、2D包围盒以及车辆轴数；
步骤5、通过计算机视觉技术得到车辆的3D包围盒；
步骤6、根据步骤5的车辆3D包围盒，通过卡尔曼滤波算法进行车辆追踪，得到车辆时空分布信息；
步骤7、根据步骤6的车辆时空分布信息，通过跨监控摄像头多目标追踪的方法获得车辆荷载的全桥时空分布。
而且，所述步骤1的具体实现方法为：调整监控摄像头的高度和倾斜角度，保证能够拍摄到车道上行驶车辆的前、右和上三个表面。
而且，所述步骤2包括以下步骤：
步骤2.1、确定小标定板，从不同角度和位置对小标定板进行拍摄，利用拍摄的视频图像完成监控摄像头的第一次标定并存储监控摄像头的内部参数矩阵；
步骤2.2、确定大标定板，将大标定板置于桥面中间车道进行拍摄，利用拍摄的视频图像与内部参数矩阵求得监控摄像头的外部参数矩阵；
步骤2.3、根据步骤2.1和步骤2.2两次标定，得到监控摄像头相对于桥面的投影矩阵，同时利用投影矩阵对监控摄像头投影误差进行核校，检查监控摄像头参数矩阵的正确性。
而且，所述步骤3包括以下步骤：
步骤3.1、创建用于模型训练和测试的数据集；
步骤3.2、利用深度卷积神经网络，对数据集中的车辆特征进行提取，然后进行目标位置预测和分类，再结合各类损失函数和误差反向传播，对向深度卷积神经网络中的权重进行逐次更新，直至损失函数不再减小；
步骤3.3、在学习过程中利用部分图像检测深度卷积神经网络的学习成果，并根据PR曲线评估模型精度及其检测能力；
步骤3.4、保存权重数据。
而且，所述步骤3.1中数据集包括：使用监控摄像头获取桥面任意时刻、车道及车型的视频图像，利用照相机拍摄交通路面上任意时刻、车道及车型的图像，以及著名车辆数据集中车辆的图像。
而且，所述步骤4包括以下步骤：
步骤4.1、在桥面上设定ROI，并对桥面区域内的车辆进行检测；
步骤4.2、通过深度卷积神经网络对视频帧中的车辆进行特征提取；
步骤4.3、根据车辆提取的特征，计算得到车辆的类型、置信度和2D包围盒；
步骤4.4、将步骤4.3计算的结果继续通过深度卷积神经网络计算，得到车辆车轮的置信度和包围盒，进而得到车辆轴数。
而且，所述步骤5包括以下步骤：
步骤5.1、通过步骤2得到的投影矩阵建立车辆的参数方程，根据步骤4结果计算出车辆在桥面的空间位置坐标和3D包围盒的像素尺寸；
步骤5.2、利用计算机视觉技术将像素尺寸转换为空间车辆的实际尺寸；
步骤5.3、循环获取ROI范围内所有视频帧内车辆的3D包围盒，并根据计算结果和统计数据进一步确定车辆的类型、轴数、轴距和车辆的轮廓尺寸大小；
步骤5.4、对车辆的类型、置信度和3D包围盒进行可视化输出。
而且，所述步骤6包括以下步骤：
步骤6.1、将当前视频帧中检测到的车辆包围盒进行传递并初始化车辆的追踪参数；
步骤6.2、根据假设的车辆系统方程计算下一帧中该车辆的状态向量；
步骤6.3、根据车辆的当前状态预测下一帧中该车辆的状态向量；
步骤6.4、更新该车辆的状态向量，准备下一步的循环计算并完成追踪；
步骤6.5、根据追踪结果，得到该车辆的行驶轨迹、行驶速度、车辆总重、轴重等时空分布信息。
而且，所述步骤7包括以下步骤：
步骤7.1、根据单摄像头下车辆的局部信息和特征，进行车辆重识别；
步骤7.2、将第一个监控摄像头识别到的车辆荷载信息跟随车辆ID进行传递，以实现车辆荷载的跨监控摄像头追踪；
步骤7.3、综合所有监控摄像头追踪到的车辆信息，得到车辆荷载的全桥时空分布。
本发明的优点和积极效果是：
本发明在桥梁上布设监控摄像头，并使用大小标定板对其进行标定，得到其内部和外部的参数矩阵，根据边缘计算设备和卷积神经网络对监控摄像头拍摄的视频帧进行计算，得到车辆和轮胎的2D包围框，进而通过计算机视觉算法得到车辆的3D包围盒，利用卡尔曼滤波算法实施车辆追踪，得到车辆荷载在单摄像头下的局部时空信息；最后进行车辆重识别，获取车辆荷载的细粒度时空分布信息。本发明能够通过单目图像，实现车辆荷载的轴数、轴距等重要信息的准确识别，适合桥梁结构或构件的有限元分析和计算。同时本发明实现了车辆3D包围盒的重建，能够跨摄像头获取车辆荷载在全桥范围内的准确的空间信息，因此可以提供全面的车辆荷载时空信息。
附图说明
图1是本发明的流程图；
图2是本发明建立适于系统求解的各种坐标系。
具体实施方式
以下结合附图对本发明做进一步详述。
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，如图1所示，包括以下步骤：
步骤1、根据桥梁桥面的现场条件安装监控摄像头，捕获桥面车辆的行驶视频。
本步骤的具体实现方法为：调整监控摄像头的高度和倾斜角度，保证能够拍摄到车道上行驶车辆的前、右和上三个表面，由于车辆大小不同，因此，也应该保证小型车辆的清晰成像，并创建如图2所示的适于系统求解的各种坐标系。
步骤2、对步骤1中监控摄像头进行详细的标定，得到监控摄像头内部参数矩阵和外部参数矩阵以及监控摄像头相对于桥面的投影矩阵。
本步骤的具体实现方法为：
步骤2.1、确定棋盘格小标定板，从不同角度和位置对小标定板拍摄3张及以上的图片，利用拍摄的视频图像完成监控摄像头的第一次标定并存储监控摄像头的内部参数矩阵；
步骤2.2、确定尺寸较大，可选黑白相间的地板革，方格为正方形的大标定板，将大标定板置于桥面中间车道进行拍摄，利用拍摄的视频图像与内部参数矩阵求得监控摄像头的外部参数矩阵；
步骤2.3、根据步骤2.1和步骤2.2两次标定，得到监控摄像头相对于桥面的投影矩阵，同时利用投影矩阵对监控摄像头投影误差进行核校，检查监控摄像头参数矩阵的正确性；
步骤2.4、保存投影矩阵并以备后续计算。
步骤3、创建模型训练和测试的数据集用于对深度卷积神经网络进行学习与检测。
本步骤包括以下步骤：
步骤3.1、使用监控摄像头获取桥面任意时刻、车道及车型的视频图像，利用照相机拍摄交通路面上任意时刻、车道及车型的图像，以及著名车辆数据集中车辆的图像，创建用于模型训练和测试的数据集，并对数据集进行分类标注，提取其中的车辆类型和包围框的像素坐标和包围框的像素坐标至数据文件；
步骤3.2、利用深度卷积神经网络，对数据集中的车辆特征进行提取，然后进行目标位置预测和分类，再结合各类损失函数和误差反向传播，对向深度卷积神经网络中的权重进行逐次更新，直至损失函数不再减小，在学习过程中利用部分图像检测深度卷积神经网络的学习成果，并根据PR曲线评估模型精度及其检测能力；
步骤3.3、在学习过程中利用部分图像检测深度卷积神经网络的学习成果，并根据PR曲线评估模型精度及其检测能力；
步骤3.4、保存权重数据并为下一步的车辆检测做好准备。
步骤4、利用步骤3得到的深度卷积神经网络对步骤1中行驶视频的视频帧进行分析计算，得到车辆的类型、置信度、2D包围盒以及车辆轴数。
本步骤包括以下步骤：
步骤4.1、在桥面上设定ROI，并对桥面区域内的车辆进行检测；
步骤4.2、将监控摄像头捕获到的桥面车辆行驶视频传递给边缘计算设备，通过深度卷积神经网络对视频帧中的车辆进行特征提取；
步骤4.3、根据车辆提取的特征，计算得到车辆的类型、置信度和2D包围盒；
步骤4.4、将步骤4.3计算的结果继续通过深度卷积神经网络计算，得到车辆车轮的置信度和包围盒，进而得到车辆轴数。
步骤5、通过计算机视觉技术得到车辆的3D包围盒。
本步骤包括以下步骤：
步骤5.1、通过步骤2得到的投影矩阵建立车辆的参数方程，根据步骤4结果计算出车辆在桥面的空间位置坐标和3D包围盒的像素尺寸；
步骤5.2、利用计算机视觉技术将计算所得像素尺寸转换为空间长度度量单位“米”；
步骤5.3、循环获取ROI范围内所有视频帧内车辆的3D包围盒，并根据计算结果和统计数据进一步确定车辆的类型、轴数、轴距和车辆的轮廓尺寸大小；
步骤5.4、对车辆的类型、置信度和3D包围盒进行可视化输出。
步骤6、根据步骤5的车辆3D包围盒，通过卡尔曼滤波算法进行车辆追踪，得到车辆时空分布信息。
本步骤包括以下步骤：
步骤6.1、将当前视频帧中检测到的车辆包围盒进行传递并初始化车辆的追踪参数；
步骤6.2、根据假设的车辆系统方程计算下一帧中该车辆的状态向量；
步骤6.3、根据车辆的当前状态预测下一帧中该车辆的状态向量；
步骤6.4、更新该车辆的状态向量，准备下一步的循环计算并完成追踪；
步骤6.5、根据追踪结果，得到该车辆的行驶轨迹、行驶速度、车辆总重、轴重等时空分布信息。
步骤7、根据步骤6的车辆时空分布信息，通过跨监控摄像头多目标追踪的方法获得车辆荷载的全桥时空分布。
本步骤包括以下步骤：
步骤7.1、根据单摄像头下车辆的局部信息和特征，进行车辆重识别；
步骤7.2、将第一个监控摄像头识别到的车辆荷载信息跟随车辆ID进行传递，以实现车辆荷载的跨监控摄像头追踪；
步骤7.3、综合所有监控摄像头追踪到的车辆信息，得到车辆荷载的全桥时空分布。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (5)

1.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，其特征在于：包括以下步骤：
步骤1、根据桥梁桥面的现场条件安装监控摄像头，捕获桥面车辆的行驶视频；
调整监控摄像头的高度和倾斜角度，保证能够拍摄到车道上行驶车辆的前、右和上三个表面；
步骤2、对步骤1中监控摄像头进行详细的标定，得到监控摄像头内部参数矩阵和外部参数矩阵以及监控摄像头相对于桥面的投影矩阵；
步骤2.1、确定小标定板，从不同角度和位置对小标定板进行拍摄，利用拍摄的视频图像完成监控摄像头的第一次标定并存储监控摄像头的内部参数矩阵；
步骤2.2、确定大标定板，将大标定板置于桥面中间车道进行拍摄，利用拍摄的视频图像与内部参数矩阵求得监控摄像头的外部参数矩阵；
步骤2.3、根据步骤2.1和步骤2.2两次标定，得到监控摄像头相对于桥面的投影矩阵，同时利用投影矩阵对监控摄像头投影误差进行核校，检查监控摄像头参数矩阵的正确性；
步骤3、创建模型训练和测试的数据集用于对深度卷积神经网络进行学习与检测；
步骤3.1、创建用于模型训练和测试的数据集；
数据集包括：使用监控摄像头获取桥面任意时刻、车道及车型的视频图像，利用照相机拍摄交通路面上任意时刻、车道及车型的图像，以及著名车辆数据集中车辆的图像；
步骤3.2、利用深度卷积神经网络，对数据集中的车辆特征进行提取，然后进行目标位置预测和分类，再结合各类损失函数和误差反向传播，对向深度卷积神经网络中的权重进行逐次更新，直至损失函数不再减小；
步骤3.3、在学习过程中利用部分图像检测深度卷积神经网络的学习成果，并根据PR曲线评估模型精度及其检测能力；
步骤3.4、保存权重数据；
步骤4、利用步骤3得到的深度卷积神经网络对步骤1中行驶视频的视频帧进行分析计算，得到车辆的类型、置信度、2D包围盒以及车辆轴数；
步骤5、通过计算机视觉技术得到车辆的3D包围盒；
步骤6、根据步骤5的车辆3D包围盒，通过卡尔曼滤波算法进行车辆追踪，得到车辆时空分布信息；
步骤7、根据步骤6的车辆时空分布信息，通过跨监控摄像头多目标追踪的方法获得车辆荷载的全桥时空分布。
2.根据权利要求1所述的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，其特征在于：所述步骤4包括以下步骤：
步骤4.1、在桥面上设定ROI，并对桥面区域内的车辆进行检测；
步骤4.2、通过深度卷积神经网络对视频帧中的车辆进行特征提取；
步骤4.3、根据车辆提取的特征，计算得到车辆的类型、置信度和2D包围盒；
步骤4.4、将步骤4.3计算的结果继续通过深度卷积神经网络计算，得到车辆车轮的置信度和包围盒，进而得到车辆轴数。
3.根据权利要求1所述的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，其特征在于：所述步骤5包括以下步骤：
步骤5.1、通过步骤2得到的投影矩阵建立车辆的参数方程，根据步骤4结果计算出车辆在桥面的空间位置坐标和3D包围盒的像素尺寸；
步骤5.2、利用计算机视觉技术将像素尺寸转换为空间车辆的实际尺寸；
步骤5.3、循环获取ROI范围内所有视频帧内车辆的3D包围盒，并根据计算结果和统计数据进一步确定车辆的类型、轴数、轴距和车辆的轮廓尺寸大小；
步骤5.4、对车辆的类型、置信度和3D包围盒进行可视化输出。
4.根据权利要求1所述的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，其特征在于：所述步骤6包括以下步骤：
步骤6.1、将当前视频帧中检测到的车辆包围盒进行传递并初始化车辆的追踪参数；
步骤6.2、根据假设的车辆系统方程计算下一帧中该车辆的状态向量；
步骤6.3、根据车辆的当前状态预测下一帧中该车辆的状态向量；
步骤6.4、更新该车辆的状态向量，准备下一步的循环计算并完成追踪；
步骤6.5、根据追踪结果，得到该车辆的行驶轨迹、行驶速度、车辆总重和轴重。
5.根据权利要求1所述的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，其特征在于：所述步骤7包括以下步骤：
步骤7.1、根据单摄像头下车辆的局部信息和特征，进行车辆重识别；
步骤7.2、将第一个监控摄像头识别到的车辆荷载信息跟随车辆ID进行传递，以实现车辆荷载的跨监控摄像头追踪；
步骤7.3、综合所有监控摄像头追踪到的车辆信息，得到车辆荷载的全桥时空分布。
CN202110458470.2A 2021-04-27 2021-04-27 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 Active CN113221682B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110458470.2A CN113221682B (zh) 2021-04-27 2021-04-27 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110458470.2A CN113221682B (zh) 2021-04-27 2021-04-27 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

Publications (2)

Publication Number Publication Date
CN113221682A CN113221682A (zh) 2021-08-06
CN113221682B true CN113221682B (zh) 2022-12-27

Family

ID=77089718

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110458470.2A Active CN113221682B (zh) 2021-04-27 2021-04-27 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

Country Status (1)

Country Link
CN (1) CN113221682B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837007B (zh) * 2021-08-23 2022-04-12 哈尔滨工业大学 一种基于桥梁监控视频中车辆匹配深度学习的桥梁荷载分布识别方法
CN114822029B (zh) * 2022-04-26 2023-04-07 广州大学 桥面车流荷载时空分布重构方法、系统及装置
CN114964445B (zh) * 2022-05-23 2023-05-02 西安交通大学 基于车辆识别的多模块动态称重方法
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
CN117058600B (zh) * 2023-10-13 2024-01-26 宁波朗达工程科技有限公司 区域桥梁群车流荷载识别方法及系统
CN117409379A (zh) * 2023-10-17 2024-01-16 哈尔滨工业大学 一种基于计算机视觉的大跨桥梁车辆追踪与车辆荷载谱智能识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991703A (zh) * 2017-03-23 2017-07-28 长沙冰眼电子科技有限公司 车辆摄像监控区域获取方法和系统
CN109167956A (zh) * 2018-05-21 2019-01-08 同济大学 基于动态称重和多视频信息融合的全桥面移动荷载空间分布监测系统
CN110032949A (zh) * 2019-03-22 2019-07-19 北京理工大学 一种基于轻量化卷积神经网络的目标检测与定位方法
CN111062437A (zh) * 2019-12-16 2020-04-24 交通运输部公路科学研究所 一种基于深度学习的桥梁结构病害自动目标检测模型
CN210487247U (zh) * 2019-09-29 2020-05-08 广州市新光快速路有限公司 一种车辆视频定位与结构响应监测联动的实验装置
CN111709332A (zh) * 2020-06-04 2020-09-25 浙江大学 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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991703A (zh) * 2017-03-23 2017-07-28 长沙冰眼电子科技有限公司 车辆摄像监控区域获取方法和系统
CN109167956A (zh) * 2018-05-21 2019-01-08 同济大学 基于动态称重和多视频信息融合的全桥面移动荷载空间分布监测系统
CN110032949A (zh) * 2019-03-22 2019-07-19 北京理工大学 一种基于轻量化卷积神经网络的目标检测与定位方法
CN210487247U (zh) * 2019-09-29 2020-05-08 广州市新光快速路有限公司 一种车辆视频定位与结构响应监测联动的实验装置
CN111062437A (zh) * 2019-12-16 2020-04-24 交通运输部公路科学研究所 一种基于深度学习的桥梁结构病害自动目标检测模型
CN111709332A (zh) * 2020-06-04 2020-09-25 浙江大学 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于深度学习与虚拟数据的车辆识别与状态估计研究;王也;《中国优秀博硕士学位论文全文数据库(博士) 工程科技II辑 》;20200215(第2期);第21-56页 *
基于深度学习理论的桥梁上车型识别;李紫玮;《中国优秀博硕士学位论文全文数据库(博士) 工程科技II辑》;20210115(第1期);第42-46页、第61-69页、第72-79页 *
桥面行车分布数字图像检测技术研究;王峰萍;《中国优秀博硕士学位论文全文数据库(博士) 工程科技II辑》;20140515(第5期);第39-49页 *

Also Published As

Publication number Publication date
CN113221682A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
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
CN109059954B (zh) 支持高精度地图车道线实时融合更新的方法和系统
Zhang et al. A methodology for obtaining spatiotemporal information of the vehicles on bridges based on computer vision
WO2021143778A1 (zh) 一种基于激光雷达的定位方法
US9767371B2 (en) Systems and methods for identifying traffic control devices and testing the retroreflectivity of the same
WO2020097840A1 (en) Systems and methods for correcting a high-definition map based on detection of obstructing objects
CN111476827B (zh) 目标跟踪方法、系统、电子装置及存储介质
CN104574393A (zh) 一种三维路面裂缝图像生成系统和方法
Zhu et al. An accurate approach for obtaining spatiotemporal information of vehicle loads on bridges based on 3D bounding box reconstruction with computer vision
US20220055652A1 (en) Device and method for data fusion between heterogeneous sensors
CN112950717A (zh) 一种空间标定方法和系统
CN112562005A (zh) 一种空间标定方法和系统
CN112541938A (zh) 一种行人速度测量方法、系统、介质及计算设备
CN115797408A (zh) 融合多视角图像和三维点云的目标跟踪方法及装置
CN110111018B (zh) 评估车辆感测能力的方法、装置、电子设备及存储介质
Zhu et al. Fine-grained identification of vehicle loads on bridges based on computer vision
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
CN113191239A (zh) 一种基于计算机视觉的车辆外廓尺寸动态检测系统
CN111598956A (zh) 标定方法、装置和系统
Guan et al. Multi-scale asphalt pavement deformation detection and measurement based on machine learning of full field-of-view digital surface data
CN116740657A (zh) 一种基于相似三角形的目标检测以及测距方法
CN108108706B (zh) 目标检测中滑动窗口的优化方法及系统
Bravo et al. Outdoor vacant parking space detector for improving mobility in smart cities
US20220404170A1 (en) Apparatus, method, and computer program for updating map
Loktev et al. Image Blur Simulation for the Estimation of the Behavior of Real Objects by Monitoring Systems.

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