CN114662619A - 基于多源数据融合的桥梁监测系统 - Google Patents

Abstract

本发明公开了基于多源数据融合的桥梁监测系统，涉及桥梁监测技术领域，解决了现有技术在进行桥梁监测过程中，仅对桥梁梁板处进行了监测，且考虑的影响因素较少，导致桥梁监测精度不高，且适用范围较小的技术问题；本发明在常检图像不符合要求的情况下，数据分析模块对荷载数据进行分析，以判断目标桥梁的状态，能够综合多方面数据对目标桥梁进行全流程监测，提高桥梁监测效率和精度；本发明通过常检图像识别异常的常检位置，结合常检位置的数量和分布确定是否进行深入检测；对静载数据和动载数据分别分析，并将两种数据的分析结果结合起来判断目标桥梁的状态，以多种数据作为分析基础，提高桥梁监测精度。

Description

基于多源数据融合的桥梁监测系统

技术领域

本发明属于桥梁监测领域，涉及基于多源数据的桥梁监测技术，具体是基于多源数据融合的桥梁监测系统。

背景技术

在进行桥梁健康监测时，每天会产生大量数据。因此，面对海量的监测数据，有必要采用可靠的算法从中分析出有价值的信息，从而为桥梁结构运营状态评估提供重要的科学参考依据。

现有技术(公开号为CN112284657A的发明专利申请)公开了一种桥梁监测系统及监测方法，通过智能摄像机观测靶标在竖直方向上的竖向位移数据，获取靶标处梁板的动静扰度组合曲线，以实现桥梁监测。现有技术在进行桥梁监测过程中，仅对桥梁梁板处进行了监测，且考虑的影响因素较少，导致桥梁监测精度不高，且适用范围较小；因此，亟须一种基于多源数据融合的桥梁监测系统。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了基于多源数据融合的桥梁监测系统，用于解决现有技术在进行桥梁监测过程中，仅对桥梁梁板处进行了监测，且考虑的影响因素较少，导致桥梁监测精度不高，且适用范围较小的技术问题。

本发明通过与数据采集模块相连接的图像采集装置获取常检坐标对应的常检图像，在常检图像不符合要求的情况下，数据分析模块对荷载数据进行分析，以判断目标桥梁的状态，能够综合多方面数据对目标桥梁进行全流程监测，提高桥梁监测效率和精度。

为实现上述目的，本发明的第一方面提供了基于多源数据融合的桥梁监测系统，包括数据分析模块以及与之相连接的数据采集模块；

数据采集模块：根据图像采集装置采集常检坐标对应的常检图像；以及根据深检信号测试采集目标桥梁的荷载数据；其中，所述荷载数据包括静载数据和动载数据；

数据分析模块：根据桥梁模型确定常检位置，将所述常检位置转化为所述常检坐标；分析所述常检图像，根据分析结果确定是否生成所述深检信号；以及

结合静载标准曲线或者智能评估模型对所述荷载数据进行分析，根据分析结果确定所述目标桥梁的状态。

优选的，所述数据分析模块与若干所述数据采集模块通信和/或电气连接；

所述数据采集模块与所述图像采集装置和各类型传感器通信和/或电气连接；其中，所述图像采集装置包括摄像头及其承载设备。

优选的，所述数据分析模块根据桥梁模型获取所述常检坐标，包括：

根据所述目标桥梁的桥梁设计数据建立所述桥梁模型；

根据所述桥梁模型选择所述目标桥梁的常规检测点，标记为所述常检位置；之后，将所述常检位置转成所述常检坐标并发送至所述数据采集模块。

优选的，所述数据采集模块获取所述常检坐标获取对应的所述常检图像，包括：

所述数据采集模块接收所述常检坐标；并调用所述图像采集装置采集所述常规坐标对应的所述常规图像；

将所述常规图像进行核验处理后发送至所述数据分析模块。

优选的，所述数据分析模块对所述常规图像进行分析，根据分析结果生成所述深检信号，包括：

通过图像识别算法识别所述常规图像中常检位置的异常；

分析异常所述常检位置的数量和分布，根据分析结果自动生成所述深检信号。

优选的，所述数据分析模块结合所述静载标准曲线对所述静载数据进行分析，获取静载分析标签，包括：

对接收的所述静载数据进行分析，并以时间为自变量建立静载曲线；其中，所述静载数据包括变形数据和应力数据；

根据所述静载数据调用对应的所述静载标准曲线；

将所述静载曲线与对应的所述静载标准曲线进行对比，根据对比结果生成设置所述静载分析标签。

优选的，所述数据分析模块结合所述智能评估模型对所述动载数据进行分析，获取动载分析标签，包括：

接收所述动载数据，并将所述动载数据进行转化获取动载序列；其中，所述动载数据包括自振频率、桥梁振型、阻尼比以及对应的环境数据；

调用所述智能评估模型；其中，所述智能评估模型基于人工智能模型建立；

将所述动载序列输入所述智能评估模型，获取对应的所述动载分析标签。

优选的，基于所述人工智能模型建立所述智能评估模型，包括：

更新获取标准训练数据；其中，所述标准训练数据在测试环境下获取，包括动载训练数据以及对应的动载训练标签；

构建所述人工智能模型；其中，所述人工智能模型包括深度卷积神经网络模型或者RBF神经网络模型；

通过所述标准训练数据训练所述人工智能模型，将训练完成的所述人工智能模型标记为所述智能评估模型。

与现有技术相比，本发明的有益效果是：

1、本发明通过与数据采集模块相连接的图像采集装置获取常检坐标对应的常检图像，在常检图像不符合要求的情况下，数据分析模块对荷载数据进行分析，以判断目标桥梁的状态，能够综合多方面数据对目标桥梁进行全流程监测，提高桥梁监测效率和精度。

2、本发明通过常检图像识别异常的常检位置，结合常检位置的数量和分布确定是否进行深入检测；对静载数据和动载数据分别分析，并将两种数据的分析结果结合起来判断目标桥梁的状态，以多种数据作为分析基础，提高桥梁监测精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的工作步骤示意图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

现有技术(公开号为CN112284657A的发明专利申请)公开了一种桥梁监测系统及监测方法，通过智能摄像机观测靶标在竖直方向上的竖向位移数据，获取靶标处梁板的动静扰度组合曲线，以实现桥梁监测。现有技术在进行桥梁监测过程中，仅对桥梁梁板处进行了监测，且考虑的影响因素较少，及时桥梁梁板处的竖向位移数据有个别异常，也无法直接判断桥梁异常。

本发明通过与数据采集模块相连接的图像采集装置获取常检坐标对应的常检图像，在常检图像不符合要求的情况下，数据分析模块对荷载数据进行分析，以判断目标桥梁的状态，能够综合多方面数据对目标桥梁进行全流程监测，提高桥梁监测效率和精度。

请参阅图1，本申请第一方面实施例提供了基于多源数据融合的桥梁监测系统，包括数据分析模块以及与之相连接的数据采集模块；

数据采集模块：根据图像采集装置采集常检坐标对应的常检图像；以及根据深检信号测试采集目标桥梁的荷载数据；

数据分析模块：根据桥梁模型确定常检位置，将常检位置转化为常检坐标；分析常检图像，根据分析结果确定是否生成深检信号；以及结合静载标准曲线或者智能评估模型对荷载数据进行分析，根据分析结果确定目标桥梁的状态。

本申请中的目标桥梁即为需要监测的桥梁，根据静载标准曲线获取静载分析标签，根据智能评估模型获取动载分析标签，静载分析标签和动载分析标签即为对荷载数据进行分析的分析结果。静载分析标签异常时，说明目标桥梁对应位置的应力、形变异常，动载分析标签异常时，说明目标桥梁的自振频率、阻尼比等数据异常。动载数据或者静载数据的异常，则对应目标桥梁的各构件状态。因此，目标桥梁的状态实质是指目标桥梁各构件以及关键位置是否正常。

大跨公路或铁路桥梁在运营过程中长期受到车辆荷载、极端风作用、地震动作用等影响，桥梁的各构件很可能会受到一定程度的破坏，甚至失效，影响全桥的运营功能与使用寿命。近年来，同行们通过对多座运营桥梁的现场考察发现：斜拉桥的斜拉索、悬索桥和吊索等运营桥梁结构的拉索构件通常易提前失效；正交异性钢桥面板易产生疲劳破坏，导致桥梁提前失效；系杆拱桥短吊杆处易产生疲劳破坏，导致桥梁提前失效；多座大跨公路或铁路桥梁的伸缩缝磨损严重，易发生提前失效；许多混凝土桥梁主梁具有多处裂纹；诸如此类。因此，有必要根据健康监测系统实时获取的数据对运营桥梁状态进行跟踪识别，即本申请采用动载数据和静载数据来分析目标桥梁的状态。

本申请中数据分析模块相当于中央处理器，能够对多种数据进行及时处理，同时结合多源历史数据建立各种模型，负责数据的大量处理。数据采集模块相当于具有数据处理能力的数据中转站，负责采集数据并进行数据预处理。

本申请中数据分析模块与若干数据采集模块通信和/或电气连接；数据采集模块与图像采集装置和各类型传感器通信和/或电气连接；图像采集装置包括摄像头及其承载设备。

图像采集装置主要用于采集常规位置的图像数据，考虑到桥梁的常规检测周期较长(大约两年一次常规检测)，因此可以将摄像头固定在无人机上，控制无人机对常检坐标进行拍摄获取对应的图像数据。这里的无人机可以理解为上述的承载设备。

各类型传感器则用于采集环境数据和部分荷载数据，则传感器至少包括温度传感器、湿度传感器、风力传感器、压力传感器、形变传感器。各类型传感器按照设定的采集周期采集数据，并将数据及时发送至数据采集模块。

本申请中，数据分析模块根据桥梁模型获取常检坐标，包括：

根据目标桥梁的桥梁设计数据建立桥梁模型；

根据桥梁模型选择目标桥梁的常规检测点，标记为常检位置；之后，将常检位置转成常检坐标并发送至数据采集模块。

在对目标桥梁进行检测之前，需要确定哪些位置需要重点关注，并不需要对目标桥梁的所有位置均进行检测，对重点关注的位置进行检测即可，能够降低冗余数据和检测成本。

数据分析模块先根据桥梁设计数据建立桥梁模型，再根据桥梁模型划定常规检测点，即可以获取对应的常规位置。需要说明的是，常规检测点可以通过有经验的工作人员进行手动选择，也可以通过机器学习算法按照预先设置的规则选择。

本申请中的桥梁设计数据主要包括桥梁设计图纸，对桥梁设计图纸进行分析，结合BIM模型可以建立对应的桥梁模型，便于确定常规位置。详细建模方法和需要的数据可以参考基于BIM的桥梁施工方法(公开号为CN110804955A)、一种基于BIM模型的数字化桥梁施工系统(公开号为CN110096814A)等。

常规检测点或者常规位置一般为桥梁常规检测中需要注意的位置，在确定常规位置之后还需要根据地理数据将其转化成常检坐标，图像采集装置根据常检坐标进行图像数据的采集。可以理解的是，每个目标桥梁应包括若干个常检坐标。

本申请中根据桥梁模型选择常规检测点时，主要依赖于历史经验数据，即同类型桥梁哪些位置或者构件容易出现异常，则人工或者自动在桥梁模型中标记出来，即可获取常规位置，结合目标桥梁的地理坐标可以将常规位置转化为常检坐标。

本申请中数据采集模块获取常检坐标获取对应的常检图像，包括：

数据采集模块接收所述常检坐标；并调用图像采集装置采集常规坐标对应的常规图像；将常规图像进行核验处理后发送至数据分析模块。

获取常检坐标处的常检图像是桥梁分析的第一步，也是对桥梁进行常规检测的基础。无人机(图像采集装置)在接收到常检坐标之后，对常检坐标对应常检位置进行拍摄，获取对应的常检图像。所有常检坐标对应的常检图像均采集合格之后无人机的图像采集任务才算完成。

需要说明的是，无人机采集到某一常规坐标对应的常检图像之后立即发送至数据分析模块，数据分析模块对常规图像进行核验，如位置准确性、清晰度等，核验通过之后进行图像预处理(图像裁剪、灰度变换等)，并发送至数据分析模块。一旦常规图像没有通过核验，则发送信号至无人机重新采集该常规图像。

本申请中数据分析模块对常规图像进行分析，根据分析结果生成深检信号，包括：

通过图像识别算法识别常规图像中常检位置的异常；分析异常常检位置的数量和分布，根据分析结果自动生成深检信号。

数据分析模块接收到目标桥梁的常规图像之后，对其进行分析以确定常规位置是否存在异常，进而完成目标桥梁的常规检测。不同常规位置的构件对应不同的异常，如破裂破损、露筋锈蚀、支座脱空等。

图像识别算法识别过程参考《一种结合图像识别技术的桥梁裂纹系统及方法》(公开号为CN114004810A)、《一种基于视频图像识别的桥梁索力测量方法》(公开号为CN108106541A)以及通过机器学习模型从图像中检测裂纹的博客(https://blog.csdn.net/algorithmPro/article/details/112504831)；其中，该博客通过机器学习模型对包含墙壁裂缝的图像（URL格式）数据进行识别，以识别出图像中的裂纹。

在识别出异常之后，需要对异常数量以及分布进行分析，来确定是否需要进一步检测，即是否需要生成发送深检信号。比如：

1)根据常规位置的异常数量确定是否需要生成发送深检信号

统计目标桥梁中常规位置的异常数量；

当异常数量超过数量阈值时，则生成并发送深检信号；其中，数量阈值结合目标桥梁类型、服役年限等进行灵活设定。

2)根据常规位置的分布确定是否需要生成发送深检信号

统计目标桥梁中常规位置的异常数量；

当异常数量不超过数量阈值时，任选一个异常的常规位置，分析其周边是否存在一定数量的异常常规位置，如果存在则生成发送深检信号。可以理解的是，常规位置异常时，其周边很近的位置存在另外一个异常的常规位置，则应该对该常规位置进行深度监测；如某个异常的常规位置，其为中心的1平方米内存在其他异常的常规位置，则应该生成深检信号。

需要说明的是，数据分析模块没有生成深检信号时，则将异常的常检位置发送给工作人员，工作人员对这些异常的常检位置进行处理。

本申请中数据分析模块结合静载标准曲线对静载数据进行分析，获取静载分析标签，包括：

对接收的静载数据进行分析，并以时间为自变量建立静载曲线；

根据静载数据调用对应的静载标准曲线；

将静载曲线与对应的静载标准曲线进行对比，根据对比结果生成设置静载分析标签。

静载数据包括变形数据、应力数据等，以时间为自变量，以静载数据为因变量建立静载曲线，将静载曲线与静载标准曲线进行对比，即可判断静载数据是否异常。静载曲线包括变形数据曲线、应力数据曲线等。

静载标准曲线则是在测试环境或者实验室环境中获取的，且应该根据测试桥梁所处的环境以及年限建立多场景的静载标准曲线。静载标准曲线存储在数据分析模块中，且定期更新。

当静载曲线与对应静载标准曲线的相似度较低时，则将生成的静载分析标签设置为1；否则，不生成静载分析标签，或者将生成的静载分析标签设置为0。

本申请中数据分析模块结合智能评估模型对动载数据进行分析，获取动载分析标签，包括：

接收动载数据，并将动载数据进行转化获取动载序列；

调用智能评估模型，将动载序列输入智能评估模型，获取对应的动载分析标签。

动载数据包括自振频率、桥梁振型、阻尼比以及对应的环境数据，考虑到动载数据的非线性属性，结合具有强大的非线性处理能力的人工智能模型对动载数据进行处理，能够简化操作，快速判断出动载数据是否异常。

动载数据转化成动载序列实质是将动载数据转化成可被智能评估模型识别的数据序列，如动载数据对应的自振频率、阻尼比、温度、湿度分别为4Hz、0.03、20℃和40%RH，则将其转化为动载序列为[4，0.03，20，0.04]。

在一个可选的实施例中，基于人工智能模型建立智能评估模型，包括：

更新获取标准训练数据，构建人工智能模型；

通过标准训练数据训练人工智能模型，将训练完成的人工智能模型标记为智能评估模型。

标准训练数据在测试环境下获取，包括动载训练数据以及对应的动载训练标签；动载训练数据与上述动载数据的内容属性一致，即包括相同的数据类型，但数据值可能不相同。需要说明的是，动载训练数据对应的动载训练标签通过专业的工作人员设定，以保证其准确性。

动载训练数据获取之后，工作人员根据历史经验为动载训练数据设置动载训练标签，如动载训练数据异常时，为其设置的动载训练标签为1，动载训练数据正常时，为其设置的动载训练标签为0。而通过动载数据和智能评估模型获取的动载训练标签也为0或者1。

人工智能模型的训练可参考广东工业大学黄威的硕士学位论文《基于深度学习的桥梁裂缝检测方法研究》(2022年第03期)、北京交通大学陈爽的硕士学位论文《基于深度神经网络的耐候桥梁钢锈蚀图像识别》(2021年第03期)、哈尔冰工业大学白静的硕士学位论文《基于深度卷积神经网络的混凝土表观裂缝检测》(2021年第02期)等。

数据分析模块根据静载分析标签和动载分析标签来确定目标桥梁的状态，并根据静载分析标签或者动载分析标签来定位异常位置，以及派遣工作人员对异常位置进行检修维护。至此，本申请完成了目标桥梁的常规检测以及进一步的深入检测，实现了全范围的检测，有助于保证目标桥梁的安全。

本发明的工作原理：

数据采集模块根据图像采集装置采集常检坐标对应的常检图像；以及根据深检信号测试采集目标桥梁的荷载数据。

数据分析模块分析常检图像，生成深检信号；以及结合静载标准曲线或者智能评估模型对荷载数据进行分析，根据分析结果确定目标桥梁的状态。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (8)

1.基于多源数据融合的桥梁监测系统，包括数据分析模块以及与之相连接的数据采集模块，其特征在于：

数据采集模块：根据图像采集装置采集常检坐标对应的常检图像；以及根据深检信号测试采集目标桥梁的荷载数据；其中，所述荷载数据包括静载数据和动载数据；

数据分析模块：根据桥梁模型确定常检位置，将所述常检位置转化为所述常检坐标；分析所述常检图像，根据分析结果确定是否生成所述深检信号；以及

结合静载标准曲线对所述静载数据进行分析，获取静载分析标签；结合智能评估模型对所述动载数据进行分析获取动载分析标签；根据所述动载分析标签和/或所述静载分析标签确定所述目标桥梁的状态；其中，所述智能评估模型通过标准训练数据对人工智能模型进行训练获取。

2.根据权利要求1所述的基于多源数据融合的桥梁监测系统，其特征在于，所述数据分析模块与若干所述数据采集模块通信和/或电气连接；

所述数据采集模块与所述图像采集装置和各类型传感器通信和/或电气连接；其中，所述图像采集装置包括摄像头及其承载设备。

3.根据权利要求1所述的基于多源数据融合的桥梁监测系统，其特征在于，所述数据分析模块根据桥梁模型获取所述常检坐标，包括：

根据所述目标桥梁的桥梁设计数据建立所述桥梁模型；

根据所述桥梁模型选择所述目标桥梁的常规检测点，标记为所述常检位置；之后，将所述常检位置转成所述常检坐标并发送至所述数据采集模块。

4.根据权利要求1或3所述的基于多源数据融合的桥梁监测系统，其特征在于，所述数据采集模块获取所述常检坐标获取对应的所述常检图像，包括：

所述数据采集模块接收所述常检坐标；并调用所述图像采集装置采集所述常规坐标对应的所述常规图像；

将所述常规图像进行核验处理后发送至所述数据分析模块。

5.根据权利要求4所述的基于多源数据融合的桥梁监测系统，其特征在于，所述数据分析模块对所述常规图像进行分析，根据分析结果生成所述深检信号，包括：

通过图像识别算法识别所述常规图像中常检位置的异常；

分析异常所述常检位置的数量和分布，根据分析结果自动生成所述深检信号。

6.根据权利要求1所述的基于多源数据融合的桥梁监测系统，其特征在于，所述数据分析模块结合所述静载标准曲线对所述静载数据进行分析，获取静载分析标签，包括：

对接收的所述静载数据进行分析，并以时间为自变量建立静载曲线；其中，所述静载数据包括变形数据和应力数据；

根据所述静载数据调用对应的所述静载标准曲线；

将所述静载曲线与对应的所述静载标准曲线进行对比，根据对比结果生成设置所述静载分析标签。

7.根据权利要求1所述的基于多源数据融合的桥梁监测系统，其特征在于，所述数据分析模块结合所述智能评估模型对所述动载数据进行分析，获取动载分析标签，包括：

接收所述动载数据，并将所述动载数据进行转化获取动载序列；其中，所述动载数据包括自振频率、桥梁振型、阻尼比以及对应的环境数据；

调用所述智能评估模型；其中，所述智能评估模型基于人工智能模型建立；

将所述动载序列输入所述智能评估模型，获取对应的所述动载分析标签。

8.根据权利要求7所述的基于多源数据融合的桥梁监测系统，其特征在于，基于所述人工智能模型建立所述智能评估模型，包括：

更新获取标准训练数据；其中，所述标准训练数据在测试环境下获取，包括动载训练数据以及对应的动载训练标签；

构建所述人工智能模型；其中，所述人工智能模型包括深度卷积神经网络模型或者RBF神经网络模型；

通过所述标准训练数据训练所述人工智能模型，将训练完成的所述人工智能模型标记为所述智能评估模型。

Images