CN115063017A - 一种中小跨径桥梁结构监测和评估系统及方法 - Google Patents

一种中小跨径桥梁结构监测和评估系统及方法 Download PDF

Info

Publication number
CN115063017A
CN115063017A CN202210787944.2A CN202210787944A CN115063017A CN 115063017 A CN115063017 A CN 115063017A CN 202210787944 A CN202210787944 A CN 202210787944A CN 115063017 A CN115063017 A CN 115063017A
Authority
CN
China
Prior art keywords
bridge
data
monitoring
evaluating
load
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.)
Pending
Application number
CN202210787944.2A
Other languages
English (en)
Inventor
康斌
何勇海
朱冀军
雷伟
刘桂霞
刘国明
闫涛
靳彦彪
刘耀武
王洪涛
乔盘
张悦
孟凡超
陈尧
冷志鹏
朱立伟
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 Shangong Intelligent Technology Co ltd
Hebei Communications Investment Group Co ltd
Hebei Communications Planning Design and Research Institute Co Ltd
Original Assignee
Zhejiang Shangong Intelligent Technology Co ltd
Hebei Communications Investment Group Co ltd
Hebei Communications Planning Design and Research Institute Co Ltd
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 Shangong Intelligent Technology Co ltd, Hebei Communications Investment Group Co ltd, Hebei Communications Planning Design and Research Institute Co Ltd filed Critical Zhejiang Shangong Intelligent Technology Co ltd
Priority to CN202210787944.2A priority Critical patent/CN115063017A/zh
Publication of CN115063017A publication Critical patent/CN115063017A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bridges Or Land Bridges (AREA)

Abstract

本发明提供了一种中小跨径桥梁结构监测和评估系统及方法，属于桥梁工程的技术领域。一种中小跨径桥梁结构监测和评估系统包括数据采集和传输模块以及数据处理模块，监测和评估方法包括数据采集和传输以及对相应数据的处理；本发明通过数据采集和传输模块实现了对桥梁数据的采集和传输，并通过数据处理模块对传输过来的数据进行处理，根据处理的数据实现对桥梁承载能力的动态评估和实时预警，以此提供桥梁预防性养护管理方案，方便维持桥梁的良好状态，降低桥梁的安全风险，确保路网运营的安全性。

Description

一种中小跨径桥梁结构监测和评估系统及方法
技术领域
本发明涉及桥梁工程的技术领域，具体是涉及一种中小跨径桥梁结构监测和评估系统及方法。
背景技术
桥梁作为交通运输中的控制性工程，是保持道路通畅的关键，但是，实际使用过程中，由于自身结构和外部环境的影响，任何形式、任何材料的桥梁总会不可避免地发生结构退化，导致桥梁构件的失效、承载力的降低，甚至出现桥梁倒塌的问题，因此，确保桥梁的良好状态成为了行业研究的方向。
目前，现有的桥梁包括中小跨径、大型、特大型桥梁，我国对大型、特大型桥梁的安全监测技术已经成熟，但是对于中小跨径桥梁而言，由于监测需求的特殊性，且受经济因素的制约，无法直接运用大型、特大型桥梁的安全监测技术，缺乏对中小跨径桥梁结构安全监测和评估的技术，不利于在运营期间对中小跨径桥梁进行承载能力评估和安全预警，缺乏对桥梁科学的养护管理方案，存在较大的安全风险。
发明内容
针对现有技术中存在的上述问题，现旨在提供一种中小跨径桥梁结构监测和评估系统及方法，以包括数据采集和传输模块、数据处理模块实现对桥梁数据进行采集和处理，实现对桥梁承载能力动态评估和实时预警，提供桥梁预防性养护管理方案，为保证桥梁的良好状态提供了方便，减低桥梁的安全风险。
具体技术方案如下：
一种中小跨径桥梁结构监测和评估系统，具有这样的特征，包括：
数据采集和传输模块，包括传感器模块、数据采集模块以及传输模块，传感器模块具有若干传感器，若干传感器布置于需要监测桥梁的需求部位上，若干传感器电连接于数据采集模块，数据采集模块与传输模块电连接；
数据处理模块，数据处理模块与传输模块通信连接，用于处理传输模块传输的各传感器的监测信号，并将处理后的数据建立数据库，同时，做出评估和安全预警。
一种中小跨径桥梁结构监测和评估方法，包括以下步骤：
步骤S1，数据采集和传输；
将传感器模块中各传感器采集的传感数据通过独立线缆传送至数据采集模块，且数据采集模块将传感数据通过传输模块传输至数据处理模块；
步骤S2，数据处理；
步骤S21，路网内荷载推演；
以一个区域路网内的部分桥梁的结构状态为样本数据，评估整个路网内所有桥梁的状态；
步骤S22，网级信息融合；
建立桥梁信息数据库，将桥梁的结构状态信息进行存储，桥梁的结构状态的表征对象包括整座桥梁、一根梁以及一块板，桥梁的结构状态信息的数据分为“属性”和“属性值”进行表达，由每一个从“属性”类中实例化的对象定义特定实体类型的一个特征，由每一个从“属性值”类中实例化的对象定义隶属于实体类型的领域实体的相应数据；
步骤S23，分级预警；
选取警报阈值，设定二级和一级预警界限；
步骤S24，综合评估；
S241，状态综合评估；
将桥梁的结构按主要子结构、部件、构件的顺序逐层分解，对各子项进行评分，再通过设置权重系数将各子项的评分汇总为桥梁的总体状态评估；
S242，承载能力评估；
通过对采集的视频图像数据的分析，获取车辆在道路位置信息，结合车型识别和动态称重实现对车辆位置、车型、车重多维信息的结合，获取车辆在桥面载荷分布状态，并将获取的车辆桥面载荷作用于桥梁上，结合有限元分析计算得到理论载荷，同时，将理论载荷和传感器的实测传感数据进行对比，实现对桥梁安全的在线评估。
步骤S25，管养决策建议；
根据桥梁结构的构件的重要程度和综合评估情况，优化对于目标桥梁在同年的管理养护决策。
上述的一种中小跨径桥梁结构监测和评估方法，其中，路网内荷载推演以荷载作为桥梁的输入，荷载包括环境荷载和车辆荷载，并且，环境荷载为温度荷载。
上述的一种中小跨径桥梁结构监测和评估方法，其中，车辆载荷推演包括交通分配模型、OD矩阵估计以及流量测点布局三部分，并且，
交通分配模型以桥梁为路段的表现形式，将车辆成为出行单位，将路段行程时间作为阻抗，将路段交通量作为流量，用“均衡”分析方法分析阻抗与流量之间的相互作用关系；
OD矩阵估计是通过观测到的路段交通量和先验信息估计未知的OD矩阵，先验信息包括历史OD矩阵；
流量测点布局需考虑信息补充、测点数量和覆盖问题，信息补充是将其他路段数据补充至使用的路段流量信息中，测点数量和覆盖是流量测点最小数量和布局需满足OD矩阵覆盖原理，保证任何OD点间路径的出行至少能被一个流量测点观测到。
上述的一种中小跨径桥梁结构监测和评估方法，其中，分级预警过程中，警报阈值的确定依据极致统计理论，首先建立监测量的小时最大值分布模型，再据此推断监测量的月最大值和年最大值的分布模型，分别选取月响应极值与年响应极值的期望水平作为二级和一级预警界限。
上述的一种中小跨径桥梁结构监测和评估方法，其中，状态综合评估是对目标桥梁的上部结构进行综合评估，由检测报告和监测信息两个子层次组成，基于检测报告的评估根据上部承重构件、一般承重构件、支座三项指标进行加权，基于监测信息的评估依据直接指标和核心指标进行。
上述的一种中小跨径桥梁结构监测和评估方法，其中，承载能力评估过程中，视频图像数据通过双目立体视觉的方法获取，包括图像获取、相机标定、特征提取、特征匹配生成视差、深度感知以及内插重建过程，图像获取过程以双目相机采集的双目图像作为输入项，采用视频采集获取方式，兼顾目标背景的对比度、光照情况下的相机的性能指标以及拍摄场景；相机标定过程是通过算法算出相机的固有参数及双目相机之间旋转平移矩阵；特征提取过程是提取采集的双目图像中的角点以及在不同的尺度模糊作用下的极值点；特征匹配生成视差过程是对特征提取过程中提取的角点和极值点进行相同特征之间的匹配，找到双目图像中的同名点；深度感知过程是以三角近似测量原理将空间中物体的三维坐标解算出来；内插重建过程是在深度感知过程中解算出来的三维坐标不完整时，通过内插的方式拟合物体完整的表面信息。
上述的一种中小跨径桥梁结构监测和评估方法，其中，承载能力评估中的车型识别采用基于ZF框架的Faster-RCNN深度学习算法对经过桥梁的车型进行分类识别，将经过的车型分为大型客车、中型客车、小型客车、大型轿车、中型轿车以及小型轿车类别。
上述的一种中小跨径桥梁结构监测和评估方法，其中，承载能力评估过程中的理论载荷和传感器的实测传感数据进行对比得到校验系数
Figure 603845DEST_PATH_IMAGE001
，当校验系数
Figure 609847DEST_PATH_IMAGE001
低于预设限值时，判定桥梁处于安全范围内，并且，校验系数
Figure 106688DEST_PATH_IMAGE001
的计算公式为：
Figure 553850DEST_PATH_IMAGE002
上式中，
Figure 336998DEST_PATH_IMAGE003
为实测传感数据；
Figure 440083DEST_PATH_IMAGE004
为理论载荷。
上述的一种中小跨径桥梁结构监测和评估方法，其中，数据采集和处理过程中的传感数据还包括人工巡检数据。
上述技术方案的积极效果是：
上述的中小跨径桥梁结构监测和评估系统及方法，设置包括数据采集和传输模块、数据处理模块的监测和评估系统，实现对桥梁数据进行采集、传输和处理，并根据处理结果对桥梁承载能力进行动态评估和实时预警，为桥梁预防性养护管理方案提供数据参考，方便了桥梁维持良好状态，降低桥梁的安全风险，利于路网的正常运营。
附图说明
图1为本发明的一种中小跨径桥梁结构监测和评估系统的实施例的结构图；
图2为本发明的一种中小跨径桥梁结构监测和评估方法的流程图。
附图中：1、传感器模块；2、数据采集模块；3、传输模块；4、数据处理模块。
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，以下实施例结合附图1至附图2对本发明提供的技术方案作具体阐述，但以下内容不作为本发明的限定。
图1为本发明的一种中小跨径桥梁结构监测和评估系统的实施例的结构图。如图1所示，本实施例提供的中小跨径桥梁结构监测和评估系统包括：数据采集和传输模块3，数据采集和传输模块又包括传感器模块1、数据采集模块2以及传输模块3，并且，传感器模块1具有若干传感器，若干传感器布置于需要监测桥梁的需求部位上，对需要监测桥梁上各构件的不同部位进行监测，并得到实测的传感数据，此时，若干传感器电连接于数据采集模块2，即传感器模块1采集到实测的传感数据能汇总传送至数据采集模块2中，优选，若干传感器和数据采集模块2之间采用有限布设的星形结构进行连接，将各个传感器采集的信号通过独立电缆传送至数据采集模块2中，同时，数据采集模块2与传输模块3电连接，通过传输模块3将数据采集模块2传送过来的信号传输至数据处理模块4中，
具体的，数据处理模块4与传输模块3通信连接，优选的，数据处理模块4可以为控制计算机，传输模块3和数据处理模块4之间通过网络连接，通过数据处理模块4分析处理传输模块3传输过来的各传感器采集的监测信号，并将处理后的数据建立数据库，同时，做出综合评估和安全预警，为管养决策建议提供了数据参考，为桥梁维持良好状态提供了方便，有效降低了桥梁的安全风险，利于路网的正常运营。
图2为本发明的一种中小跨径桥梁结构监测和评估方法的流程图。如图2所示，本实施例还提供了一种用上述中小跨径桥梁结构监测和评估系统进行的监测和评估方法，包括以下几个步骤：
步骤S1，数据采集和传输；
将传感器模块1中各传感器采集的传感数据通过独立线缆传送至数据采集模块2，并通过数据采集模块2将传感数据集中处理后通过传输模块3传输至数据处理模块4，通过数据处理模块4对传输过来的传感数据进行分析处理。值得指出的是，数据采集和处理过程中的传感数据还包括人工巡检数据，使得数据采集可以更全面、更加多元化，确保了数据采集的准确性。
步骤S2，数据处理；
数据处理包括路网内载荷推演、网级信息融合、分级预警、综合评估以及管养决策建议过程，其中，
步骤S21，路网内荷载推演；
以一个区域路网内的部分桥梁的结构状态为样本数据，评估整个路网内所有桥梁的状态，以便对桥梁结构网级进行检测评估与预警。
具体的，路网内荷载推演以荷载作为桥梁的输入，此时，荷载包括环境荷载和车辆荷载，并且，环境荷载为温度荷载。由于桥梁的温度受气候、日照等环境因素的直接影响，而环境因素在路网内的分布是连续的，因此，桥梁的温度在路网范围内的分布也是连续的。值得指出的是，桥梁温度在一定时期内仅在有限的范围内波动，对于理论模型和实际情况存在的误差可忽略。在获取温度数据时，可获取路网平面内的部分数据点，当数据点数量足够且在区域内分布均匀时，温度分布的推演转换为曲面拟合问题，采用最小二乘算法，拟合曲面在取样处的值与实际值之间的平方和达到最小，在温度分布曲线确定后，可类比推断出未知桥梁的结构温度数据，从而获取相应的温度荷载。
另外，路网内载荷推演中的车辆载荷推演又包括交通分配模型、OD矩阵估计以及流量测点布局三部分。由于路网是由多个路段组成，而桥梁作为路段的一种表现形式，因此，交通分配模型是将桥梁作为路段的表现形式，将车辆成为出行单位，将路段行程时间作为阻抗，将路段交通量作为流量，用“均衡”分析方法来分析阻抗与流量之间的相互作用关系，值得指出的是，“均衡”分析方法是指寻找交通运输系统中不同的环境下特性/需求两个函数的平衡点，其中，需求函数是描述服务质量随着流量增加而下降的关系，特征函数是描述流量随着服务质量的改善而上升的关系，此时，自变量为拥挤程度，拥挤程度的增加会导致阻抗增加。此时，设定起点O和迄点D，连接起点O和迄点D的路径有多条，且已知从起点O至迄点D的出行单位数量，若所有的出行单位均选择某一路径，则该路径上的阻抗会上升，直至该路径不再是最优路径，导致出行单位会倾向选择其他路径，而被选择的路径阻抗也会随流量的上升而增加，如此循环，最终达到交通模型的均衡状态，即为OD矩阵在路网中的运用，以获得待测路段的车辆流量。
另外，OD矩阵估计是通过观测到的路段交通量和先验信息估计未知的OD矩阵，先验信息包括历史OD矩阵，充分利用了检测或监测手段获得的交通量数据，效率更高，周期更短。
更加具体的，由于路网内桥梁检测或监测数据是待测路段的车辆流量数据的重要来源，因此，用于检测或监测的流量测点布局需考虑信息补充、测点数量和覆盖问题。此时，信息补充是将其他路段数据补充至使用的路段流量信息中，减小因人力、物力限制导致能提供流量信息的流量测点在某路网内有限的影响，提高OD矩阵估计的精确性。测点数量和覆盖是流量测点最小数量和布局需满足OD矩阵覆盖原理，保证任何OD点间路径的出行至少能被一个流量测点观测到，从而获取可靠OD矩阵估计结果。
步骤S22，网级信息融合；
建立桥梁信息数据库，将桥梁的结构状态信息进行存储，桥梁的结构状态的表征对象包括整座桥梁、一根梁以及一块板，由于不同表征对象间存在相似的属性和相互关系，在数据库中，桥梁的结构状态信息的数据需要分为“属性”和“属性值”进行表达，一方面，由每一个从“属性”类中实例化的对象定义特定实体类型的一个特征，另一方面，由每一个从“属性值”类中实例化的对象定义隶属于实体类型的领域实体的相应数据，方便了后续实现高效的信息融合，如“属性”可以定义为实体类型“梁”的“材料”，而“属性值”可以定位为隶属于实体类型“梁”的一个领域实体“1号梁”的相关数据。值得指出的是，领域实体可以理解为类比于一容器，容器中存储有现实世界中某一对象的所有相关信息。
步骤S23，分级预警；
选取警报阈值，设定二级和一级预警界限。此时，警报阈值的确定依据极致统计理论，首先建立监测量的小时最大值分布模型，即先计算监测数据的时间区间最大值，选择合适的时间区间宽度，且无论时间区间内发生了多少次极值事件，只以数值最大的一次进入后续统计过程中，优选的，时间区间宽度为一小时，再据此推断监测量的月最大值和年最大值的分布模型，分别选取月响应极值与年响应极值的期望水平作为二级和一级预警界限，为在桥梁出现损坏风险时及时发出预警提供了条件。
步骤S24，综合评估；
S241，状态综合评估；
将桥梁的结构按主要子结构、部件、构件的顺序逐层分解，对各子项进行评分，再通过设置权重系数将各子项的评分汇总为桥梁的总体状态评估。值得指出的是，本实施例中的桥梁状态综合评估是对目标桥梁的上部结构进行综合评估，整个上部结构的技术状况的综合评估由检测报告和监测信息两个子层次组成，基于检测报告的评估根据上部承重构件、一般承重构件、支座三项指标进行加权，基于监测信息的评估依据直接指标和核心指标进行。此时，直接指标为采集物理量，包括扰度、应变、位移以及频率；核心指标为在直接指标的基础上提取分析得到的进阶指标，包括直接指标的相关函数、中性轴位置。实现了对各监测指标的逐级向上归纳，最终得到对于桥梁上部结构的综合评价得分。值得指出的是，本实施例提供了状态综合评估是针对桥梁上部结构进行，对于桥梁的下部结构和桥面，并未在本实施例提供的监测和评估方法涉及的范围内，且已有较为全面的检测手段对其进行判断，沿用原有评估标准即可，在此不再赘述。
S242，承载能力评估；
通过对采集的视频图像数据的分析，获取车辆在道路位置信息，结合车型识别和动态称重实现对车辆位置、车型、车重多维信息的结合，获取车辆在桥面载荷分布状态，并将获取的车辆桥面载荷作用于桥梁上，结合有限元分析计算得到理论载荷，同时，将理论载荷和传感器的实测传感数据进行对比，实现对桥梁安全的在线评估。
更加具体的，视频图像数据是通过双目立体视觉的方法获取，包括图像获取、相机标定、特征提取、特征匹配生成视差、深度感知以及内插重建过程。此时，图像获取过程以双目相机采集的双目图像作为输入项，采用视频采集获取方式，值得指出的是，采集过程中，需要兼顾目标背景的对比度、光照情况下的相机的性能指标以及拍摄场景。另外，相机标定过程是通过算法算出相机的固有参数以及双目相机之间旋转平移矩阵的过程，此时，相机的固有参数包括内参数和外参数，内参数的标定依据相机的小孔成像模型得到，外参数的标定是将外界世界的坐标信息转化为自带相机的计算机可以理解的距离，即将世界坐标系转换为相机坐标系的过程，而双目相机之间旋转平移矩阵是分别对左右相机分别提取其内参数和外参数，找到左右相机对应的标定图的内角点坐标，结合三维的世界坐标，以及左右相机的内参数矩阵和畸变系数，得到双目相机的旋转矩阵、平移矩阵、本征矩阵以及基础矩阵。而特征提取过程是提取采集的双目图像中的角点以及在不同的尺度模糊作用下的极值点。另外，特征匹配生成视差过程是对特征提取过程中提取的角点和极值点进行相同特征之间的匹配，找到双目图像中的同名点的过程。深度感知过程是以三角近似测量原理将空间中物体的三维坐标解算出来的过程；内插重建过程是在深度感知过程中解算出来的三维坐标不完整时，通过内插的方式拟合物体完整的表面信息的过程，此时，内插的方式是指将有限离散的临近点作为采样点，利用临近点特征来估算缺失信息的整个过程，从而恢复完整连续的物体三维模型。经过上述多个过程的处理，使得提取的视频图像数据更准确，精度更高，提高了桥梁监测的准确性，参考价值更高。
更加具体的，承载能力评估中的车型识别是采用基于ZF框架的Faster-RCNN深度学习算法对经过桥梁的车型进行分类识别，提高车型识别的准确度，且更加细化了车型，进一步提高了监测的准确性。优选的，车型识别时，将经过的车型分为六种类型，分别为大型客车、中型客车、小型客车、大型轿车、中型轿车以及小型轿车类别，车型覆盖更广，得到的监测数据更全面。
更加具体的，承载能力评估过程，将理论载荷和传感器的实测传感数据进行对比后，可以得到校验系数
Figure 599669DEST_PATH_IMAGE001
，并且，当校验系数
Figure 370179DEST_PATH_IMAGE001
低于预设限值时，则判定桥梁处于安全范围内，否则桥梁处于损坏风险中。此时，校验系数
Figure 996332DEST_PATH_IMAGE001
的计算公式为：
Figure 976927DEST_PATH_IMAGE002
上式中，
Figure 549990DEST_PATH_IMAGE003
为实测传感数据；
Figure 34061DEST_PATH_IMAGE004
为理论载荷。
步骤S25，管养决策建议；
根据桥梁结构的构件的重要程度和综合评估情况，优化对于目标桥梁在同年的管理养护决策，如板桥的上部结构的承重构件和桥台均为其主要构件，在其综合评估得分在88-90之间时，应着重于桥台、上部结构的承重构件的维护和加固工作，并对管养预算做出合理的分配调整。
本实施例提供的中小跨径桥梁结构监测和评估系统及方法，监测和评估系统包括数据采集和传输模块3以及数据处理模块4，监测和评估方法包括数据采集和传输以及对相应数据的处理；通过数据采集和传输模块3实现了对桥梁数据的采集和传输，并通过数据处理模块4对传输过来的数据进行处理，根据处理的数据实现对桥梁承载能力的动态评估和实时预警，以此提供桥梁预防性养护管理方案，方便维持桥梁的良好状态，降低桥梁的安全风险，确保路网运营的安全性。
以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (10)

1.一种中小跨径桥梁结构监测和评估系统，其特征在于，包括：
数据采集和传输模块，所述数据采集和传输模块包括传感器模块、数据采集模块以及传输模块，所述传感器模块具有若干传感器，若干所述传感器布置于需要监测桥梁的需求部位上，若干所述传感器电连接于所述数据采集模块，所述数据采集模块与所述传输模块电连接；
数据处理模块，所述数据处理模块与所述传输模块通信连接，用于处理所述传输模块传输的各所述传感器的监测信号，并将处理后的数据建立数据库，同时，做出评估和安全预警。
2.一种中小跨径桥梁结构监测和评估方法，其特征在于，使用了权利要求1所述的中小跨径桥梁结构监测和评估系统，包括以下步骤：
步骤S1，数据采集和传输；
将所述传感器模块中各所述传感器采集的传感数据通过独立线缆传送至所述数据采集模块，且所述数据采集模块将传感数据通过传输模块传输至所述数据处理模块；
步骤S2，数据处理；
步骤S21，路网内荷载推演；
以一个区域路网内的部分桥梁的结构状态为样本数据，评估整个路网内所有桥梁的状态；
步骤S22，网级信息融合；
建立桥梁信息数据库，将桥梁的结构状态信息进行存储，桥梁的结构状态的表征对象包括整座桥梁、一根梁以及一块板，桥梁的结构状态信息的数据分为“属性”和“属性值”进行表达，由每一个从“属性”类中实例化的对象定义特定实体类型的一个特征，由每一个从“属性值”类中实例化的对象定义隶属于实体类型的领域实体的相应数据；
步骤S23，分级预警；
选取警报阈值，设定二级和一级预警界限；
步骤S24，综合评估；
S241，状态综合评估；
将桥梁的结构按主要子结构、部件、构件的顺序逐层分解，对各子项进行评分，再通过设置权重系数将各子项的评分汇总为桥梁的总体状态评估；
S242，承载能力评估；
通过对采集的视频图像数据的分析，获取车辆在道路位置信息，结合车型识别和动态称重实现对车辆位置、车型、车重多维信息的结合，获取车辆在桥面载荷分布状态，并将获取的车辆桥面载荷作用于桥梁上，结合有限元分析计算得到理论载荷，同时，将理论载荷和传感器的实测传感数据进行对比，实现对桥梁安全的在线评估；
步骤S25，管养决策建议；
根据桥梁结构的构件的重要程度和综合评估情况，优化对于目标桥梁在同年的管理养护决策。
3.根据权利要求2所述的中小跨径桥梁结构监测和评估方法，其特征在于，所述路网内荷载推演以荷载作为桥梁的输入，所述荷载包括环境荷载和车辆荷载，并且，所述环境荷载为温度荷载。
4.根据权利要求3所述的中小跨径桥梁结构监测和评估方法，其特征在于，所述车辆载荷推演包括交通分配模型、OD矩阵估计以及流量测点布局三部分，并且，
所述交通分配模型以桥梁为路段的表现形式，将车辆成为出行单位，将路段行程时间作为阻抗，将路段交通量作为流量，用“均衡”分析方法分析阻抗与流量之间的相互作用关系；
所述OD矩阵估计是通过观测到的路段交通量和先验信息估计未知的OD矩阵，先验信息包括历史OD矩阵；
所述流量测点布局需考虑信息补充、测点数量和覆盖问题，所述信息补充是将其他路段数据补充至使用的路段流量信息中，所述测点数量和覆盖是流量测点最小数量和布局需满足OD矩阵覆盖原理，保证任何OD点间路径的出行至少能被一个所述流量测点观测到。
5.根据权利要求2所述的中小跨径桥梁结构监测和评估方法，其特征在于，所述分级预警过程中，所述警报阈值的确定依据极致统计理论，首先建立监测量的小时最大值分布模型，再据此推断监测量的月最大值和年最大值的分布模型，分别选取月响应极值与年响应极值的期望水平作为二级和一级预警界限。
6.根据权利要求2所述的中小跨径桥梁结构监测和评估方法，其特征在于，所述状态综合评估是对目标桥梁的上部结构进行综合评估，由检测报告和监测信息两个子层次组成，基于所述检测报告的评估根据上部承重构件、一般承重构件、支座三项指标进行加权，基于所述监测信息的评估依据直接指标和核心指标进行。
7.根据权利要求2所述的中小跨径桥梁结构监测和评估方法，其特征在于，所述承载能力评估过程中，所述视频图像数据通过双目立体视觉的方法获取，包括图像获取、相机标定、特征提取、特征匹配生成视差、深度感知以及内插重建过程，所述图像获取过程以双目相机采集的双目图像作为输入项，采用视频采集获取方式，兼顾目标背景的对比度、光照情况下的相机的性能指标以及拍摄场景；所述相机标定过程是通过算法算出相机的固有参数及双目相机之间旋转平移矩阵；所述特征提取过程是提取采集的双目图像中的角点以及在不同的尺度模糊作用下的极值点；所述特征匹配生成视差过程是对特征提取过程中提取的角点和极值点进行相同特征之间的匹配，找到双目图像中的同名点；所述深度感知过程是以三角近似测量原理将空间中物体的三维坐标解算出来；所述内插重建过程是在深度感知过程中解算出来的三维坐标不完整时，通过内插的方式拟合物体完整的表面信息。
8.根据权利要求7所述的中小跨径桥梁结构监测和评估方法，其特征在于，所述承载能力评估中的车型识别采用基于ZF框架的Faster-RCNN深度学习算法对经过桥梁的车型进行分类识别，将经过的车型分为大型客车、中型客车、小型客车、大型轿车、中型轿车以及小型轿车类别。
9.根据权利要求7所述的中小跨径桥梁结构监测和评估方法，其特征在于，所述承载能力评估过程中的理论载荷和传感器的实测传感数据进行对比得到校验系数
Figure 440430DEST_PATH_IMAGE001
，当校验系数
Figure 518107DEST_PATH_IMAGE001
低于预设限值时，判定桥梁处于安全范围内，并且，校验系数
Figure 285075DEST_PATH_IMAGE001
的计算公式为：
Figure 764598DEST_PATH_IMAGE002
上式中，
Figure 326029DEST_PATH_IMAGE003
为实测传感数据；
Figure 891003DEST_PATH_IMAGE004
为理论载荷。
10.根据权利要求2所述的中小跨径桥梁结构监测和评估方法，其特征在于，所述数据采集和处理过程中的所述传感数据还包括人工巡检数据。
CN202210787944.2A 2022-07-06 2022-07-06 一种中小跨径桥梁结构监测和评估系统及方法 Pending CN115063017A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210787944.2A CN115063017A (zh) 2022-07-06 2022-07-06 一种中小跨径桥梁结构监测和评估系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210787944.2A CN115063017A (zh) 2022-07-06 2022-07-06 一种中小跨径桥梁结构监测和评估系统及方法

Publications (1)

Publication Number Publication Date
CN115063017A true CN115063017A (zh) 2022-09-16

Family

ID=83204931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210787944.2A Pending CN115063017A (zh) 2022-07-06 2022-07-06 一种中小跨径桥梁结构监测和评估系统及方法

Country Status (1)

Country Link
CN (1) CN115063017A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116311150A (zh) * 2023-01-03 2023-06-23 中设科欣设计集团有限公司 一种基于特定车辆挠度监测的桥梁损伤评定及预警方法
CN116975989A (zh) * 2023-09-25 2023-10-31 深圳市城市交通规划设计研究中心股份有限公司 基于有限元引导深度学习代理模型评估桥梁运行状态方法
CN117876969A (zh) * 2024-03-11 2024-04-12 贵州省公路建设养护集团有限公司 一种用于实现桥梁施工下的安全监测方法及系统
CN117876969B (zh) * 2024-03-11 2024-06-04 贵州省公路建设养护集团有限公司 一种用于实现桥梁施工下的安全监测方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116311150A (zh) * 2023-01-03 2023-06-23 中设科欣设计集团有限公司 一种基于特定车辆挠度监测的桥梁损伤评定及预警方法
CN116311150B (zh) * 2023-01-03 2023-11-14 中设科欣设计集团有限公司 一种基于特定车辆挠度监测的桥梁损伤评定及预警方法
CN116975989A (zh) * 2023-09-25 2023-10-31 深圳市城市交通规划设计研究中心股份有限公司 基于有限元引导深度学习代理模型评估桥梁运行状态方法
CN116975989B (zh) * 2023-09-25 2024-02-27 深圳市城市交通规划设计研究中心股份有限公司 基于有限元引导深度学习代理模型评估桥梁运行状态方法
CN117876969A (zh) * 2024-03-11 2024-04-12 贵州省公路建设养护集团有限公司 一种用于实现桥梁施工下的安全监测方法及系统
CN117876969B (zh) * 2024-03-11 2024-06-04 贵州省公路建设养护集团有限公司 一种用于实现桥梁施工下的安全监测方法及系统

Similar Documents

Publication Publication Date Title
CN115063017A (zh) 一种中小跨径桥梁结构监测和评估系统及方法
CN108061572B (zh) 一种海洋核动力平台综合态势显控系统及方法
CN108650139A (zh) 一种电力通信网络监测系统
CN117058600B (zh) 区域桥梁群车流荷载识别方法及系统
CN115687983B (zh) 一种桥梁健康状态监测方法、系统及电子设备
CN115205718B (zh) 一种地理信息测量系统及其测量方法
CN114463932B (zh) 非接触式施工安全距离主动动态识别预警系统及方法
CN113155196A (zh) 一种基于AIoT的桥梁运行实时监测系统及其监测方法
CN111896549A (zh) 一种基于机器学习的建筑物裂缝监测系统和方法
CN112258850A (zh) 一种车路协同系统边缘侧多传感器数据融合系统
CN112991096A (zh) 配置式桥梁集群结构监测管理装置和方法
Ji et al. Image‐based road crack risk‐informed assessment using a convolutional neural network and an unmanned aerial vehicle
CN117538503A (zh) 一种实时智能的土壤污染监测系统及方法
CN110298409A (zh) 面向电力可穿戴设备的多源数据融合方法
Zhu et al. Fine-grained identification of vehicle loads on bridges based on computer vision
CN113295212B (zh) 应用多监测点协同作用的滑坡整体稳定性安全预警系统
CN108805447A (zh) 一种农田土壤重金属污染分析预警系统
CN116311150B (zh) 一种基于特定车辆挠度监测的桥梁损伤评定及预警方法
CN115240101A (zh) 一种基于场景分析的医疗样本转送监督系统
CN114880954A (zh) 一种基于机器学习的滑坡敏感性的评估方法
Chavan et al. An Overview of Machine Learning Techniques for Evaluation of Pavement Condition
CN117035469B (zh) 公铁联运枢纽功能区建设用地指标测算的方法及装置
CN114463502A (zh) 非接触式安全距离主动预警方法、装置及存储介质
CN116739357B (zh) 多模态融合感知的城市既有建筑广域监测预警方法及装置
Zhao Application of Computer Vision and Image Processing Technology in Bridge Condition Monitoring System

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