CN116448224A - 基于视觉应变监测的桥梁动态称重与分级报警方法 - Google Patents

基于视觉应变监测的桥梁动态称重与分级报警方法 Download PDF

Info

Publication number
CN116448224A
CN116448224A CN202310372170.1A CN202310372170A CN116448224A CN 116448224 A CN116448224 A CN 116448224A CN 202310372170 A CN202310372170 A CN 202310372170A CN 116448224 A CN116448224 A CN 116448224A
Authority
CN
China
Prior art keywords
bridge
vehicle
strain
monitoring
axle
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
CN202310372170.1A
Other languages
English (en)
Inventor
邢晨曦
朱小杰
王浩
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202310372170.1A priority Critical patent/CN116448224A/zh
Publication of CN116448224A publication Critical patent/CN116448224A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • 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
    • 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
    • G01G—WEIGHING
    • G01G23/00—Auxiliary devices for weighing apparatus
    • G01G23/18—Indicating devices, e.g. for remote indication; Recording devices; Scales, e.g. graduated
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Abstract

本发明公开基于视觉应变监测的桥梁动态称重与分级报警方法，属于车辆称重技术领域；基于视觉应变监测的桥梁动态称重与分级报警方法包括：识别桥上车辆参数，车辆参数包括：车轴数量、轴距、车速和车辆数量；监测桥梁跨中应变；依据车辆轴重与桥梁跨中应变的线性关系，以及车辆参数，建立考虑不确定度的线性回归模型，并基于贝叶斯推理识别车辆的轴重参数及其置信范围，最后得到车辆的总车重及其置信范围；基于车轴数量来确定限重标准，再结合动态称重结果，来进行超重分级报警；从而提高了监测系统的精度和寿命，降低了桥梁动态称重系统的维护成本，并有效避免超载车辆对重大桥梁造成损伤甚至破坏。

Description

基于视觉应变监测的桥梁动态称重与分级报警方法
技术领域
本发明属于车辆称重技术领域，具体涉及基于视觉应变监测的桥梁动态称重与分级报警方法。
背景技术
车辆荷载是桥梁重要荷载之一，其超重会对桥梁等基础设施造成严重损害，缩短桥梁服役寿命，甚至超出桥梁承载能力，直接导致桥梁倾覆或坍塌。因此，识别车辆荷载并对超重车辆进行报警对桥梁基础设施的健康至关重要。
目前的车辆称重方法主要包括路面式称重方法和桥梁动态称重方法。其中，路面式称重方法包括传统的地磅式静态称重方法和路面动态称重方法。传统的地磅式静态称重方法需要专门的称重站，且需要车辆静止停放在地磅上进行称重，识别效率低，称重成本高。路面动态称重方法通过在路面安装传感器，监测车辆通过传感器时的路面动力响应来实现动态称重的目的，这种称重方法的识别效率明显要高于传统的地磅式静态称重方法，但是需要在路面开槽安装称重系统，系统安装和维护的成本较高，识别精度和稳定性也不是很高。
近些年来，桥梁动态称重方法不断被提出，其通过监测车辆通过桥梁时的动力响应来识别车辆的重量，这种称重方法不会影响到车辆的正常通行，不需要安装地磅等大型装置，且称重精度也得到了提高，该称重方法监测得到的桥梁动力响应还可以用于评估桥梁的服役性能和健康状态。
但是，现有的桥梁动态称重方法大多需要在桥上或桥底安装各种传感器，传感器与桥梁结构直接接触，导致其性能和精度受桥梁振动的影响较大，称重系统维护成本较高，传感器寿命降低。由于车桥耦合振动的复杂性、动力学反问题的不适定性和响应监测的噪声干扰等因素，桥梁动态称重方法识别得到的车重不确定度较高，这种方法离实际应用尚有一定距离。
发明内容
针对现有技术的不足，本发明的目的在于提供基于视觉应变监测的桥梁动态称重与分级报警方法。
本发明的目的可以通过以下技术方案实现：
基于视觉应变监测的桥梁动态称重方法，包括以下步骤：
识别桥上车辆参数，车辆参数包括：车轴数量、轴距、车速和车辆数量；
监测桥梁跨中应变；
依据车辆轴重与桥梁跨中应变的线性关系，以及车辆参数，建立考虑不确定度的线性回归模型，并基于贝叶斯推理识别车辆的轴重参数及其置信范围，最后得到车辆的总车重及其置信范围。
进一步地，桥梁支座端的车道两侧布置两组激光测距传感器和挡板，两组激光测距传感器和挡板分别布置于桥梁的入口端和出口端，两者分别位于行驶车道的两侧车道线外侧，连线水平且垂直于车道线，布置高度低于公路车辆底盘离地最小间隙；采用激光测距传感器监测记录传感器到挡板或经过车辆的车轮的距离，进而根据激光测距传感器监测得到的距离时程参数特征识别车辆参数。
进一步地，所述车辆参数的识别步骤包括：
S11，基于桥梁入口端和出口端的激光测距传感器监测得到的距离时程数据D1(t)和D2(t)，以车道宽度D0为基准，计算函数(D1(t)-0.5D0)和函数(D2(t)-0.5D0)的负区间数N1和N2，每个负区间对应一个车轴，桥上车轴数量Na为：
Na＝N1-N2；
S12，第i个车轴的速度Vi为：
Vi＝L/(T2 i-T1 i)
其中，L为桥梁跨径，T1 i和T2 i分别为桥梁入口端和出口端对应距离时程减去0.5D0后的第i个负区间出现的时刻；
S13，第i个车轴与第i+1个车轴的轴距Da为：
Da＝(T1 i+1-T1 i)×Vi＝(T2 i+1-T2 i)×Vi；
S14，对桥上所有车轴的速度进行聚类分析，相同速度的车轴属于同一辆车，由此确定桥上车辆的数量及各车辆对应的车轴。
进一步地，监测桥梁跨中应变的步骤包括：
S21，在桥梁跨中的梁底布置均匀分布的标记点群，在标记点群正下方架设双目相机并进行参数标定；
S22，桥梁入口端的激光测距传感器识别到车辆进桥时，触发双目相机以固定的频率拍摄标记点群以获取序列图像；
S23，采用特征匹配方法测量序列图像的立体视差，进而基于图像坐标系与桥梁坐标系的映射关系确定标记点群的三维坐标；
S24，基于格林-拉格朗日应变监测桥梁跨中的应变时程。
进一步地，所述标记点群的布置方法为：在桥梁梁底的跨中中心线两侧各布置至少5个标记点，标记点关于跨中中心线对称分布且距中心线距离不超过5厘米，标记点沿桥梁横桥方向均匀分布。
进一步地，S24中，基于格林-拉格朗日应变确定桥梁跨中各位置的纵向应变εxi，具体为：
式中，f为监测频率；t为时间；xri(t)和xli(t)分别为应变监测位置两侧的标记点在桥梁坐标系下的顺桥向坐标。
进一步地，所述动态称重的步骤包括：
S31，根据车辆轴重与桥梁跨中应变的线性关系建立线性回归模型，具体为：
R＝IA+ε
式中，R为S24得到的实测桥梁跨中应变构成的向量；A为待识别的轴重向量；I为影响系数矩阵；ε为误差项向量，其满足均值为0、方差为σ2λVi的高斯分布；λ为误差参数；
S32，根据贝叶斯推理确定轴重向量和误差参数的后验分布，通过最大化后验分布得到各参数的最优值方程，为：
A(σ2,λ)＝(σ-2λ-VITI+E)-1(σ-2λ-VITR+10E)
式中：E为单位矩阵；N为应变采集次数；α0和β0分别为误差项方差分布的形状和尺度参数；
S33，迭代求解最优值方程得到各参数的条件最优值及后验分布，进而确定车辆的轴重参数及其在α置信度下的置信范围为Σ为轴重参数后验分布的协方差；
S34，结合桥上车辆与车轴的对应关系，求和得到车辆的总车重及其置信范围。
基于视觉应变监测的桥梁动态称重系统，包括：
参数识别模块：识别桥上车辆参数，车辆参数包括：车轴数量、轴距、车速和车辆数量；
应变监测模块：监测桥梁跨中应变；
以及，动态称重模块：根据车辆轴重与桥梁跨中应变的线性关系，以及车辆参数，建立考虑不确定度的线性回归模型，并基于贝叶斯推理识别车辆的轴重参数及其置信范围，最后得到车辆的总车重及其置信范围。
基于视觉应变监测的桥梁分级报警方法，包括上述称重方法，并且还包括：基于车轴数量来确定限重标准，再结合动态称重结果，来进行超重分级报警。
进一步地，超重分级报警的步骤包括：
S41，依据桥上车辆车轴数确定其对应的限重标准；
S42，若车辆总重超出限重标准100％，则触发一级报警；
S43，若车辆总重超出限重标准20％且未达到100％，则触发二级报警；
S44，若车辆总重超出限重标准但未达到20％，则触发三级报警；
S45，若车辆总重未超过限重标准，则不触发报警，车辆可正常通行过桥。
本发明的有益效果：
1、本发明通过桥上车辆参数识别和桥梁跨中应变监测来实现桥上车辆的动态称重，并进行分级报警，能够实时有效报警超载车辆，有助于相关管理部门对超载车辆的及时判断和评估，有效避免超载车辆对重大桥梁造成损伤甚至破坏。
2、本发明借助于视觉技术监测桥梁跨中应变响应，属于非接触式应变监测手段，解决了接触式监测传感器易损坏和监测数据不稳定等问题，提高了监测系统的精度和寿命，并降低了桥梁动态称重系统的维护成本。
3、本发明考虑了桥梁动力响应、道路不平顺、环境干扰等因素导致轴重动态识别的不确定度，基于贝叶斯推理识别车辆的轴重参数及其置信范围，可确定不同置信水平下的识别车重结果，提高了桥上车辆荷载识别的精度，有效避免了车辆超重的误判。
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，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为本发明桥梁动态称重与分级报警方法的流程图；
图2为激光测距传感器和双目相机等设备的布置示意图；
图3为激光测距传感器监测得到的距离时程数据图；
图4为桥梁跨中梁底标记点群的布置图；
图5为视觉立体匹配得到的标记点群视差图；
图6为车辆超重分级报警的实现流程图。
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作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。
如图1所示，基于视觉应变监测的桥梁动态称重与分级报警方法，包括以下步骤：
S1，识别桥上车辆参数，车辆参数包括：车轴数量、轴距、车速和车辆数量；
如图2所示，在桥梁支座端的车道两侧布置两组激光测距传感器和挡板，两组激光测距传感器和挡板分别布置于桥梁的入口端和出口端，两者分别位于行驶车道的两侧车道线外侧，连线水平且垂直于车道线，布置高度低于公路车辆底盘离地最小间隙；采用激光测距传感器监测记录传感器到挡板或经过车辆的车轮的距离，进而根据激光测距传感器监测得到的距离时程参数特征识别车辆的车轴数量、轴距、车速和车辆数量；
其中，参数识别的具体步骤包括：
S11，基于桥梁入口端和出口端的激光测距传感器监测得到的距离时程数据D1(t)和D2(t)，如图3所示，以车道宽度D0为基准，计算函数(D1(t)-0.5D0)和函数(D2(t)-0.5D0)的负区间数N1和N2，每个负区间对应一个车轴，桥上车轴数量Na为：
Na＝N1-N2；
S12，第i个车轴的速度Vi为：
Vi＝L/(T2 i-T1 i)
其中，L为桥梁跨径，T1 i和T2 i分别为桥梁入口端和出口端对应距离时程减去0.5D0后的第i个负区间出现的时刻；
S13，第i个车轴与第i+1个车轴的轴距Da为：
Da＝(T1 i+1-T1 i)×Vi＝(T2 i+1-T2 i)×Vi；
S14，对桥上所有车轴的速度进行聚类分析，相同速度的车轴属于同一辆车，车辆的速度即为归属于它的车轴的速，由此确定桥上车辆的数量及各车辆对应的车轴。
S2，监测桥梁跨中应变；
用黑色哑光漆在桥梁跨中的梁底喷涂并布置均匀分布的标记点群，通过直角钢立杆在标记点群正下方架设双目相机并进行参数标定；当S1中布置于桥梁入口端的激光测距传感器识别到车辆进桥时，触发双目相机以固定的频率拍摄标记点群以获取序列图像；采用特征匹配方法测量序列图像的立体视差，进而基于图像坐标系与桥梁坐标系的映射关系确定标记点群的三维坐标；基于格林-拉格朗日应变监测桥梁跨中的应变时程。
如图4所示，在本实施例中，标记点群的布置方法为：在桥梁梁底的跨中中心线两侧各布置至少5个上标记点，标记点关于跨中中心线对称分布且距中心线距离不超过5厘米，标记点沿桥梁横桥方向均匀分布；
双目相机通过直角钢立杆固定布置于桥梁梁底标记点群的正下方，直角钢立杆的另一端固定于桥墩附近的地面；双目相机镜头竖直向上，拍摄区域略大于标记点群范围。
其中，桥梁跨中应变监测的具体步骤为：
S21，对布置好的双目相机进行参数标定，确定相机内参矩阵以及图像坐标系与桥梁坐标系的映射关系矩阵；
S22，双目相机以固定的频率拍摄标记点群并获取序列图像，对左右视图图像进行极线矫正，采用归一化互相关方法得到与原始图像尺寸相同的视差图，如图5所示，进而根据相机内参矩阵得到序列图像的深度信息；
S23，通过交叉匹配识别序列图像中的标记点群，进而基于S21中确定的图像坐标系与桥梁坐标系的映射关系以及S22中得到的图像深度参数，确定标记点群的三维坐标；
S24，基于格林-拉格朗日应变确定桥梁跨中各位置的纵向应变εxi，具体为：
式中，f为监测频率；t为时间；xri(t)和xli(t)分别为应变监测位置两侧的标记点在桥梁坐标系下的顺桥向坐标。
S3，桥梁动态称重；
根据车辆轴重与桥梁跨中应变的线性关系，以及车辆参数，建立考虑不确定度的线性回归模型，并基于贝叶斯推理识别车辆的轴重参数及其置信范围，最后得到车辆的总车重及其置信范围；
动态称重的步骤包括：
S31，考虑桥梁动力响应、道路不平顺、环境干扰等因素导致轴重识别的不确定度，根据车辆轴重与桥梁跨中应变的线性关系建立线性回归模型，具体为：
R＝IA+ε
式中，R为S24得到的实测桥梁跨中应变构成的向量；A为待识别的轴重向量；I为影响系数矩阵，依据车轴位置确定，车轴位置由S1中识别的车辆参数确定；ε为误差项向量，其满足均值为0、方差为σ2λVi的高斯分布；λ为误差参数。
S32，根据贝叶斯推理确定轴重向量和误差参数的后验分布，通过最大化后验分布得到各参数的最优值方程，为：
A(σ2,λ)＝(σ-2λ-VITI+E)-1(σ-2λ-VITR+10E)
式中：E为单位矩阵；N为应变采集次数；α0和β0分别为误差项方差分布的形状和尺度参数。
S33，迭代求解最优值方程得到各参数的条件最优值及后验分布，进而确定车辆的轴重参数及其在α置信度下的置信范围为Σ为轴重参数后验分布的协方差。
S34，结合S14中确定的桥上车辆与车轴的对应关系，求和得到车辆的总车重及其置信范围。
S4，超重分级报警；
基于S1的车辆轴数量来确定限重标准，再结合S3的动态称重结果，来进行超重分级报警；
如图6所示，超重分级报警的步骤包括：
S41，依据S14中确定的桥上车辆车轴数确定其对应的限重标准；
S42，若车辆总重超出限重标准100％，则触发一级报警，警告司机下桥并通知交通管理部门及公安部门予以严重处罚；
S43，若车辆总重超出限重标准20％且未达到100％，则触发二级报警，警告司机下桥并通知相关管理部门予以中度处罚；
S44，若车辆总重超出限重标准但未达到20％，则触发三级报警，警告司机下桥并予以扣分罚款等轻度处罚；
S45，若车辆总重未超过限重标准，则不触发报警，车辆可正常通行过桥。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (10)

1.基于视觉应变监测的桥梁动态称重方法，其特征在于，包括以下步骤：
识别桥上车辆参数，车辆参数包括：车轴数量、轴距、车速和车辆数量；
监测桥梁跨中应变；
依据车辆轴重与桥梁跨中应变的线性关系，以及车辆参数，建立考虑不确定度的线性回归模型，并基于贝叶斯推理识别车辆的轴重参数及其置信范围，最后得到车辆的总车重及其置信范围。
2.根据权利要求1所述的基于视觉应变监测的桥梁动态称重方法，其特征在于，桥梁支座端的车道两侧布置两组激光测距传感器和挡板，两组激光测距传感器和挡板分别布置于桥梁的入口端和出口端，两者分别位于行驶车道的两侧车道线外侧，连线水平且垂直于车道线，布置高度低于公路车辆底盘离地最小间隙；采用激光测距传感器监测记录传感器到挡板或经过车辆的车轮的距离，进而根据激光测距传感器监测得到的距离时程参数特征识别车辆参数。
3.根据权利要求2所述的基于视觉应变监测的桥梁动态称重方法，其特征在于，所述车辆参数的识别步骤包括：
S11，基于桥梁入口端和出口端的激光测距传感器监测得到的距离时程数据D1(t)和D2(t)，以车道宽度D0为基准，计算函数(D1(t)-0.5D0)和函数(D2(t)-0.5D0)的负区间数N1和N2，每个负区间对应一个车轴，桥上车轴数量Na为：
Na＝N1-N2；
S12，第i个车轴的速度Vi为：
Vi＝L/(T2 i-T1 i)
其中，L为桥梁跨径，T1 i和T2 i分别为桥梁入口端和出口端对应距离时程减去0.5D0后的第i个负区间出现的时刻；
S13，第i个车轴与第i+1个车轴的轴距Da为：
Da＝(T1 i+1-T1 i)×Vi＝(T2 i+1-T2 i)×Vi；
S14，对桥上所有车轴的速度进行聚类分析，相同速度的车轴属于同一辆车，由此确定桥上车辆的数量及各车辆对应的车轴。
4.根据权利要求2所述的基于视觉应变监测的桥梁动态称重方法，其特征在于，监测桥梁跨中应变的步骤包括：
S21，在桥梁跨中的梁底布置均匀分布的标记点群，在标记点群正下方架设双目相机并进行参数标定；
S22，桥梁入口端的激光测距传感器识别到车辆进桥时，触发双目相机以固定的频率拍摄标记点群以获取序列图像；
S23，采用特征匹配方法测量序列图像的立体视差，进而基于图像坐标系与桥梁坐标系的映射关系确定标记点群的三维坐标；
S24，基于格林-拉格朗日应变监测桥梁跨中的应变时程。
5.根据权利要求4所述的基于视觉应变监测的桥梁动态称重方法，其特征在于，所述标记点群的布置方法为：在桥梁梁底的跨中中心线两侧各布置至少5个标记点，标记点关于跨中中心线对称分布且距中心线距离不超过5厘米，标记点沿桥梁横桥方向均匀分布。
6.根据权利要求4所述的基于视觉应变监测的桥梁动态称重方法，其特征在于，S24中，基于格林-拉格朗日应变确定桥梁跨中各位置的纵向应变εxi，具体为：
式中，f为监测频率；t为时间；xri(t)和xli(t)分别为应变监测位置两侧的标记点在桥梁坐标系下的顺桥向坐标。
7.根据权利要求4所述的基于视觉应变监测的桥梁动态称重方法，其特征在于，所述动态称重的步骤包括：
S31，根据车辆轴重与桥梁跨中应变的线性关系建立线性回归模型，具体为：
R＝IA+ε
式中，R为S24得到的实测桥梁跨中应变构成的向量；A为待识别的轴重向量；I为影响系数矩阵；ε为误差项向量，其满足均值为0、方差为σ2λVi的高斯分布；λ为误差参数；
S32，根据贝叶斯推理确定轴重向量和误差参数的后验分布，通过最大化后验分布得到各参数的最优值方程，为：
A(σ2,λ)＝(σ-2λ-VITI+E)-1(σ-2λ-VITR+10E)
式中：E为单位矩阵；N为应变采集次数；α0和β0分别为误差项方差分布的形状和尺度参数；
S33，迭代求解最优值方程得到各参数的条件最优值及后验分布，进而确定车辆的轴重参数及其在α置信度下的置信范围为Σ为轴重参数后验分布的协方差；
S34，结合桥上车辆与车轴的对应关系，求和得到车辆的总车重及其置信范围。
8.基于视觉应变监测的桥梁动态称重系统，其特征在于，包括：
参数识别模块：识别桥上车辆参数，车辆参数包括：车轴数量、轴距、车速和车辆数量；
应变监测模块：监测桥梁跨中应变；
以及，动态称重模块：根据车辆轴重与桥梁跨中应变的线性关系，以及车辆参数，建立考虑不确定度的线性回归模型，并基于贝叶斯推理识别车辆的轴重参数及其置信范围，最后得到车辆的总车重及其置信范围。
9.基于视觉应变监测的桥梁分级报警方法，其特征在于，包括权利要求1-7任一项所述的称重方法，并且还包括：基于车轴数量来确定限重标准，再结合动态称重结果，来进行超重分级报警。
10.根据权利要求9所述的基于视觉应变监测的桥梁分级报警方法，其特在于，超重分级报警的步骤包括：
S41，依据桥上车辆车轴数确定其对应的限重标准；
S42，若车辆总重超出限重标准100％，则触发一级报警；
S43，若车辆总重超出限重标准20％且未达到100％，则触发二级报警；
S44，若车辆总重超出限重标准但未达到20％，则触发三级报警；
S45，若车辆总重未超过限重标准，则不触发报警，车辆可正常通行过桥。
CN202310372170.1A 2023-04-06 2023-04-06 基于视觉应变监测的桥梁动态称重与分级报警方法 Pending CN116448224A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310372170.1A CN116448224A (zh) 2023-04-06 2023-04-06 基于视觉应变监测的桥梁动态称重与分级报警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310372170.1A CN116448224A (zh) 2023-04-06 2023-04-06 基于视觉应变监测的桥梁动态称重与分级报警方法

Publications (1)

Publication Number Publication Date
CN116448224A true CN116448224A (zh) 2023-07-18

Family

ID=87121384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310372170.1A Pending CN116448224A (zh) 2023-04-06 2023-04-06 基于视觉应变监测的桥梁动态称重与分级报警方法

Country Status (1)

Country Link
CN (1) CN116448224A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078698A (zh) * 2023-08-22 2023-11-17 山东第一医科大学第二附属医院 一种基于深度学习的外周血管影像辅助分割方法及系统
CN117664484A (zh) * 2024-01-31 2024-03-08 北京智城联合科技发展有限公司 一种智慧城市桥梁安全监测预警方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078698A (zh) * 2023-08-22 2023-11-17 山东第一医科大学第二附属医院 一种基于深度学习的外周血管影像辅助分割方法及系统
CN117078698B (zh) * 2023-08-22 2024-03-05 山东第一医科大学第二附属医院 一种基于深度学习的外周血管影像辅助分割方法及系统
CN117664484A (zh) * 2024-01-31 2024-03-08 北京智城联合科技发展有限公司 一种智慧城市桥梁安全监测预警方法及系统
CN117664484B (zh) * 2024-01-31 2024-04-05 北京智城联合科技发展有限公司 一种智慧城市桥梁安全监测预警方法及系统

Similar Documents

Publication Publication Date Title
CN116448224A (zh) 基于视觉应变监测的桥梁动态称重与分级报警方法
CN112179467B (zh) 一种基于视频测量动挠度的桥梁动态称重方法和系统
CN106571046B (zh) 基于路面网格体系的车路协同辅助驾驶方法
CN110702195B (zh) 载重车辆运行状态监测方法及装置
CN115326181B (zh) 一种桥面载荷时空分布监测装置、系统和方法
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
CN110851948B (zh) 非结构化道路条件下的行车环境态势评估方法及评估装置
CN107957259A (zh) 轮迹横向分布测量系统及测量方法
CN114076631A (zh) 超载车辆识别方法、系统及设备
CN112528208B (zh) 一种无称重ai智能识别货车超载估算方法、装置及系统
CN112435463A (zh) 一种基于道路物联网监测的车型与车重分类方法
CN117058600B (zh) 区域桥梁群车流荷载识别方法及系统
CN116818009A (zh) 一种货车超限检测系统及方法
CN116912551A (zh) 基于车联网的高速公路设备监测系统
CN114926984A (zh) 一种实时交通冲突收集与道路安全评价方法
CN117292540B (zh) 一种桥梁侧风环境车辆侧滑及侧翻预警系统及方法
CN112161685B (zh) 一种基于表面特征的车辆荷载测量方法
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
CN116631187A (zh) 一种案件现场勘查信息智能采集分析系统
CN114936398B (zh) 一种基于车桥耦合及随机车辆荷载模型的荷载效应计算方法
CN108106534B (zh) 一种驱动轴识别的装置及方法
Zhou et al. A hybrid virtual–real traffic simulation approach to reproducing the spatiotemporal distribution of bridge loads
Xu et al. Reproduction of spatial–temporal distribution of traffic loads on freeway bridges via fusion of camera video and ETC data
CN115171379B (zh) 基于智慧交通的突发事件响应控制系统
CN117238139B (zh) 一种基于气象数据的路况实时预警系统

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