CN115897435B - 基于计算机视觉和作动器的桥梁超高碰撞防护方法 - Google Patents

Abstract

本发明公开了一种基于计算机视觉和作动器的桥梁超高碰撞防护方法，涉及桥梁建筑技术领域，其包括：识别行驶车辆的高度；判断行驶车辆的高度是否超出预设高度，若是，则识别行驶车辆的类别，若否，则识别下一车辆的高度；判断行驶车辆是否为刚性货物，若是，控制防撞装置向横梁施加支撑应力、以使横梁产生前拱效应，若否，则识别下一车辆的类别。本发明所提供的基于计算机视觉和作动器的桥梁超高碰撞防护方法，可准确实时地识别超高车辆的实际高度和类别，主动调整横梁的抗撞性能。

Description

基于计算机视觉和作动器的桥梁超高碰撞防护方法

技术领域

本发明涉及桥梁建筑技术领域，更具体地说，涉及一种基于计算机视觉和作动器的桥梁超高碰撞防护方法。

背景技术

随着社会的发展，城市快速扩张，城市交通迅猛发展、立交跨线桥梁增多，伴随而来的超高车辆撞击桥梁上部结构的事故也与日俱增。根据北京市交通部门的统计数据，北京市约有50%的桥梁上部结构曾遭受过超高车辆的撞击，且由此损坏的桥梁占所有损坏桥梁的20%以上。高架桥在使用过程中遭受超高车辆的撞击，会导致横梁局部破损或坍塌，桥面板断裂，桥墩基础开裂等病害，进而造成人员伤亡。由于横梁主要承受上部结构传下来的荷载，出于经济性的考虑，横梁截面的高度一般大于其宽度，这就导致了横梁的侧向平面内刚度小的问题。

目前，防止超高车辆撞击桥梁横梁的方法主要是在桥梁入口处设立限高架。限高架大体可以分为两种，一种是高度固定限高架，另一种是高度可调限高架。然而，这种方式的缺点是施工工艺复杂，需要开挖路面，浇筑混凝土基础，预埋钢板和地脚螺栓。而且，限高架的主框架钢柱采用钢管柱，构件板材下料采用手动切割，需要下料准确，保证焊接质量，导致操作繁琐、成本较高。

对于没有设置限高架，或限高架失效的桥梁，超高车辆对横梁的撞击作用会导致严重的结构性损伤。为降低横梁的受损程度，目前常见的措施是增加耗能防护装置或对横梁进行直接加固。

耗能防护装置主要基于缓冲消能原理，将车辆撞击能量通过耗能材料的变形吸收，从而降低车辆对桥梁的冲击力，其缺点是为了保证结构的安全性、消耗足够的能量，耗能防护装置一般需要使用大量的耗能材料，成本较高。且每次撞击后，需要更换耗能防护装置。而且，耗能防护装置的安装需要足够大的空间，这使得耗能防护装置无法安装在结构内部，一般悬挑在空中，影响视觉美观。

直接加固法主要包括：增大截面加固法和纤维增强复合材料加固法。

增大截面加固法是指加大构件的截面面积，尤其是增加正截面的有效高度和宽度，从而提高正截面的承载力和构件刚度。其缺点是施工的湿作业时间较长，加固后结构自重增加，桥梁净空会受到一定程度的影响。而且，施工需保证新旧材料界面之间内力的有效传递，其界面的连接设计较为复杂。

纤维增强复合材料加固法主要包括碳纤维布加固法，其缺点是碳纤维布加固桥梁结构后，容易发生粘贴剥离破坏，加固后的混凝土构件在极端荷载作用下会呈现明显的脆性破坏特征。而且，碳纤维复合材料加固时，往往采用建筑结构胶作为碳纤维布和混凝土结构的粘结剂。该粘结剂对温度比较敏感，耐久性不强，使得加固效果受影响。

综上所述，如何准确实时地识别超高车辆的实际高度和类别，主动调整横梁的抗撞性能，是目前本领域技术人员亟待解决的问题。

发明内容

有鉴于此，本发明的目的是提供一种基于计算机视觉和作动器的桥梁超高碰撞防护方法，可准确实时地识别超高车辆的实际高度和类别，主动调整横梁的抗撞性能。

为了实现上述目的，本发明提供如下技术方案：

一种基于计算机视觉和作动器的桥梁超高碰撞防护方法，包括：

识别行驶车辆的高度；

判断所述行驶车辆的高度是否超出预设高度，若是，则识别所述行驶车辆的类别，若否，则识别下一车辆的高度；

判断所述行驶车辆是否为刚性货物，若是，控制防撞装置向横梁施加支撑应力、以使所述横梁产生前拱效应，若否，则识别下一车辆的类别。

优选的，所述防撞装置包括垂直所述横梁的背面中点设置的抗压件、两个以所述抗压件为中心对称分布的抗拉件以及固定件，所述抗拉件和所述抗压件的一端均与所述横梁的背面连接，所述抗拉件和所述抗压件的另一端均与所述固定件连接。

优选的，两个所述抗拉件上均设有用于使所述横梁向着撞击的所述行驶车辆前拱的液压作动器。

优选的，所述横梁表面铺设有碳纤维布；

或所述横梁表面喷涂有厚度为6mm-12mm的聚脲层。

优选的，所述抗压件为钢管件，所述抗拉件为角钢、钢管或工字钢，所述固定件为钢板。

优选的，所述横梁的中部和两端均设有安装孔、设于所述安装孔内的螺栓件以及设于所述螺栓件上的底座，所述抗拉件和所述拉压件分别设于对应的所述底座上，各所述底座的高度位置相同。

优选的，所述识别所述行驶车辆的类别，包括，

基于yolov5s-ShuffleNetV2的车辆类别识别算法识别所述行驶车辆的类别。

优选的，所述识别行驶车辆的高度，包括，

基于yolov5+3D边界框的车辆高度识别算法识别行驶车辆的高度。

优选的，所述基于yolov5+3D边界框的车辆高度识别算法识别行驶车辆的高度，包括，

拍摄所述行驶车辆；

获取所述行驶车辆的三维轮廓；

通过ransac算法获得所述行驶车辆的三个正交消失点；

通过穿过三个所述正交消失点、并与所述三维轮廓相切，以形成3D边界框；

将所述3D边界框的垂直边与车辆图像的高度通过单视图计量法进行关联，并参考交通场景中具有已知高度的对象、以计算所述行驶车辆的物理高度。

优选的，所述获取所述行驶车辆的三维轮廓，包括，

在yolov5的基础上添加用于语义分割的head，以同时进行目标检测和实例分割

在使用本发明所提供的基于计算机视觉和作动器的桥梁超高碰撞防护方法时，通过引入计算机视觉技术识别行驶车辆的高度，并判断行驶车辆的高度是否超出预设高度，若是，则继续识别行驶车辆的类别，并判断行驶车辆是否为刚性货物，若是，则利用防撞装置向横梁施加支撑应力，以使横梁产生前拱效应、减小撞击后可能造成的变形与破坏程度。也即通过引入计算机视觉技术，可针对不同撞击车辆的实际高度和类别，获取不同撞击力等级，再通过防撞装置实时进行防护等级调整，达到最优的防护效果。

本申请通过在横梁侧面利用防撞装置进行加固，使受撞击的横梁独立受力，不会传力到相邻横梁，且防撞装置在车辆冲击荷载作用下，会使横梁产生反方向的前拱效应，有效抵消横梁受到的冲击。另外，本方法和防撞装置对已建和新建横梁均适用。

综上所述，本发明所提供的基于计算机视觉和作动器的桥梁超高碰撞防护方法，可准确实时地识别超高车辆的实际高度和类别，主动调整横梁的抗撞性能。

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，还可以根据提供的附图获得其他的附图。

图1为本发明所提供的基于计算机视觉和作动器的桥梁超高碰撞防护方法的流程示意图；

图2为防撞装置和横梁的装配示意图；

图3为防撞装置的结构示意图；

图4为block1的网络结构图；

图5为block2的网络结构图；

图6为3D边界框的结构示意图；

图7为车辆高度计算流程图；

图8为三维空间场景图；

图9为空间场景到图像平面的投影图。

图1-图9中：

1为横梁、2为抗压件、3为抗拉件、4为固定件、5为底座。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中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他实施例，都属于本发明保护的范围。

本发明的核心是提供一种基于计算机视觉和作动器的桥梁超高碰撞防护方法，可准确实时地识别超高车辆的实际高度和类别，主动调整横梁的抗撞性能。

请参考图1-图9。

本具体实施例提供了一种基于计算机视觉和作动器的桥梁超高碰撞防护方法，包括：

识别行驶车辆的高度；

判断行驶车辆的高度是否超出预设高度，若是，则识别行驶车辆的类别，若否，则识别下一车辆的高度；

判断行驶车辆是否为刚性货物，若是，控制防撞装置向横梁1施加支撑应力、以使横梁1产生前拱效应，若否，则识别下一车辆的类别。

在使用本发明所提供的基于计算机视觉和作动器的桥梁超高碰撞防护方法时，通过引入计算机视觉技术识别行驶车辆的高度，并判断行驶车辆的高度是否超出预设高度，若是，则继续识别行驶车辆的类别，并判断行驶车辆是否为刚性货物，若是，则控制防撞装置向横梁1施加支撑应力，以使横梁1产生前拱效应、减小撞击后可能造成的变形与破坏程度。也即通过引入计算机视觉技术，可针对不同撞击车辆的实际高度和类别，获取不同撞击力等级，再通过防撞装置实时进行防护等级调整，达到最优的防护效果。

本申请通过在横梁1侧面利用防撞装置进行加固，使受撞击的横梁1独立受力，不会传力到相邻的横梁1，且防撞装置在车辆冲击荷载作用下，会使横梁1产生反方向的前拱效应，有效抵消横梁1受到的冲击。另外，本方法和防撞装置对已建和新建的横梁1均适用。并且，在上述的识别下一车辆的高度或类别过程中，可将该识别情况实时汇报至公路管理局。

综上所述，本发明所提供的基于计算机视觉和作动器的桥梁超高碰撞防护方法，可准确实时地识别超高车辆的实际高度和类别，主动调整横梁1的抗撞性能。

在上述实施例的基础上，优选的，防撞装置包括垂直横梁1的背面中点设置的抗压件2、两个以抗压件2为中心对称分布的抗拉件3以及固定件4，抗拉件3和抗压件2的一端均与横梁1的背面连接，抗拉件3和抗压件2的另一端均与固定件4连接。

需要说明的是，当超高车辆撞击到横梁1上时，横梁1发生变形，使得横梁1背面中点的抗压件2受压，抗压件2可给予横梁1反方向的支撑力，发生较大变形时，横梁1两端的抗拉件3可进一步对中间的抗压件2进行加强，同时，抗拉件3可对横梁1施加轴向压力。也即两个抗拉件3通过固定件4与抗压件2构成一个四点支撑桁架系统，一方面减小了横梁1在受撞击方向的有效跨度，使横梁1由长跨变为短跨，且两端的抗拉件3与中间的抗压件2协同变形，增加了横梁1的侧向刚度，改善了横梁1结构的受力情况；另一方面，该支撑桁架系统在冲击荷载作用下，会产生反方向的前拱效应，能有效抵消冲击引起的横梁1变形，减小横梁1在超高车辆撞击作用下的侧向变形和破坏程度。

另外，本装置依附于横梁1自身，无需其它的独立结构，充分利用了横梁1之间的空间，有效增强了横梁1自身的侧向刚度和强度，对既建桥梁横梁1和新建桥梁横梁1均可适用。且本装置结构简单、制作成本低，可进行推广使用。

优选的，两个抗拉件3上均设有用于使横梁1向着撞击的行驶车辆前拱的液压作动器。

需要说明的是，通过在抗拉件3上安装液压作动器，当摄像头检测到超高的行驶车辆为刚性货物时，两端的液压作动器将收缩，使得横梁1向撞击车辆前拱，以减小横梁1被撞击后可能造成的变形与破坏程度。

优选的，横梁1表面铺设有碳纤维布，也即当已建和新建横梁1发生受损现象后，可以在横梁1的受损部位铺设碳纤维布，以对横梁1进行强度和刚度方面的双重补强；

或横梁1表面喷涂有厚度为6mm-12mm的聚脲层，聚脲具有非常优异的抗冲击、抗疲劳破坏的能力，可以提高横梁1的变形能力与耗能能力，并且，聚脲层可有效防止由混凝土制作的横梁1被撞击后出现块体剥落现象。

优选的，抗压件2为钢管件，抗拉件3为角钢、钢管或工字钢，固定件4为钢板。也即抗拉件3的形式不一定非要选择角钢，可以选取钢管、工字钢或其它延性好且抗拉强度强的材料；抗压件2、抗拉件3以及固定件4之间除了可通过焊接固定，也可以通过螺栓连接进行固定。

需要说明的是，可以将抗压件2设置为直径较大、长度较短的钢管件，以提高抗压件2的抗压效果，当横梁1发生变形而使中间的钢管件受压时，钢管件可以给予横梁1反向支撑力，以减小横梁1的形变效果。钢板可有效连接抗拉件3和抗压件2，使其成为一个整体结构。两个抗拉件3通过钢板与抗压件2焊接在一起，与中间的抗压件2协同受力，增加了横梁1的侧向刚度，改善了结构的受力情况，减小了横梁1在超高车辆撞击作用下的侧向变形与破坏程度。

优选的，横梁1的中部和两端均设有安装孔、设于安装孔内的螺栓件以及设于螺栓件上的底座5，抗拉件3和拉压件分别设于对应的底座5上，各底座5的高度位置相同。这样可确保抗拉件3和抗压件2处于同一高度，抗拉件3和抗压件2对横梁1施加的作用力处于同一水平面上，有利于提高横梁1的抗变形效果。

优选的，识别行驶车辆的类别，包括，基于yolov5s-ShuffleNetV2的车辆类别识别算法识别行驶车辆的类别。

其中，yolov5s网络的四个主要组成部分：

（1）Input：

对输入的图像进行Mosaic数据增强。通过随机缩放、随机裁剪、随机排布的方式对不同图像进行拼接，不仅使图片能丰富检测目标的背景，而且能够提高小目标的检测效果。

（2）Backbone：

骨干网络部分主要采用的是：Focus结构、CSP结构。Focus结构主要是进行切片操作。原始608*608*3的图像输入Focus结构，采用切片操作，先变成304*304*12的特征图，再经过一次32个卷积核的卷积操作，最终变成304*304*32的特征图。然后，通过concat层进行拼接，再经过CBL层，提取输入图片的各种特征信息，其次通过batch norm层，让每次计算出的梯度在原点附近分布，这样能够让各个batch的偏差较小，最后用leaky_ relu激活函数输入结果到下一层卷积。

（3）Neck：

在这个部分采用的是：FPN+PAN结构，FPN层自顶向下传达强语义特征，而PAN塔自底向上传达定位特征，混合了图像特征并将其组合形成的网络层，且可将其图像特征传递到预测层。

（4）Head：

采用IOU_LoSS作为bounding box的损失函数，预测图像特征，生成边界框并预测其类别。

yolov5s的骨干网络有许多卷积层，一个“bottleneckcsp”包含三个卷积运算和一个带有bottleneck的路径，这种结构在特征提取上耗时较长，网络的传播速度较慢。因此，本申请利用ShuffleNetV2替换yolov5s的骨干网络（也即ShuffleNetV2算法和yolov5s算法串接），并引入了通道shuffle，允许信息在通道之间流动。这种网络结构可以映射更多的信道特征，使得计算复杂度和内存损失较低，运行速度更快。

ShuffleNetV2网络结构：

ShuffleNetV2是一种高效的轻量级卷积模块，其共有两种结构。其中，一种结构（block1）首先在输入端进行一次通道分割，将输入特征图分为两个分支，其中主分支含3个卷积操作，中间操作为3*3深度可分卷积，两端为1*1点卷积，侧分支则为恒等映射，block1的网络结构如图4所示。

另一种结构（block2）为了加倍输出特征图，在输入端不进行通道分割，该结构的主分支同样为3个卷积操作，其中深度可分卷积的步长为2，侧分支则包含1个stride=2的深度可分卷积和1个点卷积。block在输出端通过通道拼接合并两个分支的输出特征图，并进一步对合并后的特征图进行通道混洗，block2的网络结构如图5所示。

Channel split和 Channel shuffle的应用，减小了模型的计算复杂度，降低了模型的内存占用率，极大地提高了模型的计算效率和卷积网络模型的检测精度。

优选的，识别行驶车辆的高度，包括，基于yolov5+3D边界框的车辆高度识别算法识别行驶车辆的高度。

优选的，基于yolov5+3D边界框的车辆高度识别算法识别行驶车辆的高度，包括，

拍摄行驶车辆；

获取行驶车辆的三维轮廓；

通过ransac算法获得行驶车辆的三个正交消失点；

通过穿过三个正交消失点、并与三维轮廓相切，以形成3D边界框；

将3D边界框的垂直边与车辆图像的高度通过单视图计量法进行关联，并参考交通场景中具有已知高度的对象、以计算行驶车辆的物理高度。

需要说明的是，在测量目标车辆的高度时，除了可以利用上述方式获取高度以外，还可以直接使用双目相机直接得到高度。在识别了行驶车辆类别后，为了得到消失点建立3D边界框，需要对车辆进行实例分割。本申请通过在yolov5的基础上添加一个分割的head用于语义分割，使得改进后的yolov5可同时进行目标检测和语义分割、达到实例分割的效果。得到三维车辆轮廓后可进行消失点的检测。

在大多数交通场景中，三个正交消失点主要分布在行驶车辆轮廓和路面边缘线上。因此，为了得到最优的正交消失点，需要从交通监控视频帧中分割出车辆实例后，再将车辆轮廓线和路面上的边缘线收录到数据集中，然后通过Ransac算法搜索并识别出正交消失点。

需要补充说明的是，用于消失点检测的 Ransac 算法的基本流程如下：

步骤1、建立拟合函数和距离函数。

拟合函数选择将多条线按顺序依次分配，寻找它们的相交点，再取这些相交点的平均位置为我们估计的消失点位置；距离函数选择点到直线的垂直距离

拟合函数：

对于两直线和方程A₁x+B₁y+C₁=0和A₂x+B₂y+C₂=0

相交点坐标为

距离函数：

对于直线方程为Ax+By+C=0，点P的坐标为（m，n）。

步骤2、从收集的边缘线数据集中随机采样。因为两条线相交于一点，可以选择随机采样数为2。

步骤3、根据随机采样的线段（数目为2），估计其相交点，即消失点的位置。

步骤4、计算估计的消失点到线段数据集中其他线段的距离，距离小于阈值的线段加入内群。

步骤5、再次估计内群中的线段相交点位置，同时如步骤1所述，计算模型的拟合误差

步骤6、不断重复步骤1-5，通过算法的不断迭代，最终得到模型拟合误差最小的消失点估计位置

迭代次数确定：

其中，M：求解模型需要的最少的点的个数

P：该点为内点的概率

Z：K次采样至少有一次成功的概率综上，通过Ransac算法可以得到三个正交消失点。

而后，利用获得的三维车辆轮廓和三个正交消失点，通过穿过三个消失点并与三维车辆轮廓相切的线来形成3D边界框，结构如图6所示，以获得所有八个顶点（B1、B2、B3、B4、B5、B6、B7以及B8）后，可通过依次连接这些顶点来封闭车辆的3D边界框，构建的3D边界框的垂直边与车辆图像高度直接关联。最后，使用单视图计量法，通过参考交通场景中具有已知高度的对象来计算车辆的物理高度，车辆高度计算流程如图7所示。

进一步需要补充说明的是，车辆高度计算方法为：

图8为三维空间场景，其中，O为摄像头中心，平面O1为地面，平面O2与地面平行且与相机处于同一高度。OF为相机中心到地面的距离，CD为目标车辆的高度，AB为参照物的高度，CD在z方向上的延长线与O2交于E点。

图9为空间场景到图像平面的投影，其中，L为消失线，v1、v2分别为O1 沿x方向和沿y方向的消失点，v3为z方向上的消失点a、b、c、d分别为相应的空间点A、B、C、D在图像平面中的投影，v1v2和cv3相交于点e ，v1v2和av3相交于点g，点e对应于空间中的点E。

由射影几何中的交比不变性可以得到：

 （1）

v1、v2、v3分别为图片平面中的消失点，V1、V2、V3分别是v1、v2、v3对应的空间无限远处的点，因此，

 （2）

 （3）

因此，只要确定了相机中心距离地面的距离OF（OF=CE）,通过上式就可以求得目标车辆的高度。

 （4）

如果相机中心距离地面的距离OF未知，则可以通过图像中的参照物高度AB利用公式（5）计算得到CE。

 （5）

最后再利用公式（4）得到目标行驶车辆的高度。

还需要说明的是，本申请的防撞装置依附于横梁1自身，无需其它独立结构（如门架或桩基基础），不会传力到相邻的横梁1。本方法与传统的增大截面法相比，所提出的支撑加固方式所用材料较少，自重轻，该防撞装置充分利用横梁1之间的空间，有效增强了横梁1自身的侧向刚度和强度，且安装简便，便于施工，可批量生产；

其次，所施加的防撞装置一方面减小了横梁1在受撞击方向的有效跨度，由长跨变为短跨，两端的抗拉件3与中间的抗压件2协同变形，另一方面，该防撞装置在冲击荷载作用下，会产生反方向的前拱效应，能有效抵消冲击引起横梁1的变形。本申请更重要的一点在于，通过引入计算机视觉技术，该加固体系可针对不同撞击车辆类别，即不同撞击力等级，通过作动器实时进行防护等级调整，达到最优的防护效果。也即本申请可准确实时地识别超高车辆的实际高度和类别，及时通知管理部门，并主动调整横梁1的抗撞性能。本方法和防撞装置对已建和新建的横梁1均适用，此外还可结合碳纤维布对横梁1进行强度和刚度方面的双重补强。

另外，还需要说明的是，本申请的“前后”等指示的方位或位置关系，是基于附图所示的方位或位置关系，仅是为了便于简化描述和便于理解，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。本发明所提供的所有实施例的任意组合方式均在此发明的保护范围内，在此不做赘述。

以上对本发明所提供的基于计算机视觉和作动器的桥梁超高碰撞防护方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (9)

1.一种基于计算机视觉和作动器的桥梁超高碰撞防护方法，其特征在于，包括：

识别行驶车辆的高度；

判断所述行驶车辆的高度是否超出预设高度，若是，则识别所述行驶车辆的类别，若否，则识别下一车辆的高度；

判断所述行驶车辆是否为刚性货物，若是，控制防撞装置向横梁（1）施加支撑应力、以使所述横梁（1）产生前拱效应，若否，则识别下一车辆的类别；所述防撞装置包括垂直所述横梁（1）的背面中点设置的抗压件（2）、两个以所述抗压件（2）为中心对称分布的抗拉件（3）以及固定件（4），所述抗拉件（3）和所述抗压件（2）的一端均与所述横梁（1）的背面连接，所述抗拉件（3）和所述抗压件（2）的另一端均与所述固定件（4）连接。

2.根据权利要求1所述的基于计算机视觉和作动器的桥梁超高碰撞防护方法，其特征在于，两个所述抗拉件（3）上均设有用于使所述横梁（1）向着撞击的所述行驶车辆前拱的液压作动器。

3.根据权利要求1所述的基于计算机视觉和作动器的桥梁超高碰撞防护方法，其特征在于，所述横梁（1）表面铺设有碳纤维布；

或所述横梁（1）表面喷涂有厚度为6mm-12mm的聚脲层。

4.根据权利要求1所述的基于计算机视觉和作动器的桥梁超高碰撞防护方法，其特征在于，所述抗压件（2）为钢管件，所述抗拉件（3）为角钢、钢管或工字钢，所述固定件（4）为钢板。

5.根据权利要求1所述的基于计算机视觉和作动器的桥梁超高碰撞防护方法，其特征在于，所述横梁（1）的中部和两端均设有安装孔、设于所述安装孔内的螺栓件以及设于所述螺栓件上的底座（5），所述抗拉件（3）和所述抗压件（2）分别设于对应的所述底座（5）上，各所述底座（5）的高度位置相同。

6.根据权利要求1至5任一项所述的基于计算机视觉和作动器的桥梁超高碰撞防护方法，其特征在于，所述识别所述行驶车辆的类别，包括，

基于yolov5s-ShuffleNetV2的车辆类别识别算法识别所述行驶车辆的类别。

7.根据权利要求1至5任一项所述的基于计算机视觉和作动器的桥梁超高碰撞防护方法，其特征在于，所述识别行驶车辆的高度，包括，

基于yolov5+3D边界框的车辆高度识别算法识别行驶车辆的高度。

8.根据权利要求7所述的基于计算机视觉和作动器的桥梁超高碰撞防护方法，其特征在于，所述基于yolov5+3D边界框的车辆高度识别算法识别行驶车辆的高度，包括，

拍摄所述行驶车辆；

获取所述行驶车辆的三维轮廓；

通过ransac算法获得所述行驶车辆的三个正交消失点；

通过穿过三个所述正交消失点、并与所述三维轮廓相切，以形成3D边界框；

将所述3D边界框的垂直边与车辆图像的高度通过单视图计量法进行关联，并参考交通场景中具有已知高度的对象、以计算所述行驶车辆的物理高度。

9.根据权利要求8所述的基于计算机视觉和作动器的桥梁超高碰撞防护方法，其特征在于，所述获取所述行驶车辆的三维轮廓，包括，

在yolov5的基础上添加用于语义分割的head，以同时进行目标检测和实例分割。

Images