CN116818397B - 基于机器视觉的中小跨径桥梁快速荷载试验方法及系统 - Google Patents
基于机器视觉的中小跨径桥梁快速荷载试验方法及系统 Download PDFInfo
- Publication number
- CN116818397B CN116818397B CN202311115092.3A CN202311115092A CN116818397B CN 116818397 B CN116818397 B CN 116818397B CN 202311115092 A CN202311115092 A CN 202311115092A CN 116818397 B CN116818397 B CN 116818397B
- Authority
- CN
- China
- Prior art keywords
- bridge
- vehicle
- test
- industrial camera
- displacement
- 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
Links
- 238000010998 test method Methods 0.000 title claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 228
- 230000004044 response Effects 0.000 claims abstract description 164
- 238000006073 displacement reaction Methods 0.000 claims abstract description 142
- 230000003068 static effect Effects 0.000 claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 108
- 230000008569 process Effects 0.000 claims abstract description 45
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 238000000926 separation method Methods 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 claims description 23
- 238000003062 neural network model Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 11
- 238000010168 coupling process Methods 0.000 claims description 11
- 238000005859 coupling reaction Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000033001 locomotion Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/007—Subject matter not provided for in other groups of this subclass by applying a load, e.g. for resistance or wear testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/0499—Feedforward 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
本发明公开了基于机器视觉的中小跨径桥梁快速荷载试验方法及系统，包括步骤：获取测试过程中的测试过桥车况，测试过桥车况包括测试过程中的测试目标车辆的测试车辆车况以及其它通行车辆的其它车辆车况；获取测试过程中的测试目标车辆经过待测桥梁时各个时刻下的桥梁实时三向位移；获取待测桥梁的桥梁拟合静态响应位移；获取桥梁测试静态响应位移；获取待测桥梁的当前环境参数信息；将桥梁测试静态响应位移、当前环境参数信息输入预先训练的神经网络评估监测模型，获取待测桥梁的当前桥梁状态。本发明的基于机器视觉的中小跨径桥梁快速荷载试验方法，实现了无需在桥面布置监测传感器即可实现对桥梁状态的获取和评价。
Description
技术领域
本发明涉及中小跨径桥梁监测技术领域，尤其涉及一种基于机器视觉的中小跨径桥梁快速荷载试验方法及系统。
背景技术
快速城市化进程中建设的大量桥梁设施逐步进入健康维护期，桥梁设施规模巨大、构成复杂，保障其安全、稳定运行面临重大挑战，桥梁事故时有发生。中小跨度桥是桥梁事故发生的主体，如何对中小跨径桥梁进行准确检测评定是防范桥梁事故的关键。
目前国内规范规程推荐的桥梁检测评定方法主要为外观检测评定法、规范检算评定法和荷载试验评定法，外观检测评定法和规范检算评定法依赖于工程师的专业水平且不能真实可靠地反映桥梁的实际劣化状况，不能准确评估桥梁的实际承载能力，往往用于定性评定桥梁技术状况；荷载试验评定法是对中小跨径桥梁进行准确检测评定的主要方法。
荷载试验评定法是通过多辆重车直接在桥梁结构上进行加载，测试加载过程中的桥梁响应，了解桥梁的受力性能，评估桥梁承载能力的一种方法。现有的桥梁快速荷载试验方法，存在如下情况：其一，要求测试目标车辆在桥面上缓慢行驶，对桥梁交通的影响虽然比常规荷载试验小，但还是会有较大影响，试验期间一般会要求交通临时中断，中断交通除造成大额通行费损失外，还会造成因为拥堵、绕行产生的巨大间接经济损失和社会成本损失；其二，现有的桥梁快速荷载试验方法要求测试目标车辆在桥面上以设定的速度和设定的轨迹行驶，在实际使用中存在使用不方便、控制精度低等问题；其三，现有的桥梁快速荷载试验方法由于采用传统传感技术进行桥梁响应测试，而中小跨径桥梁由于车辆通过时间短，需要采样频率更高的传感技术，同时中小跨径桥梁响应绝对值远低于大跨径桥梁，需要精度更高的传感技术，因此采用传统传感技术的桥梁快速荷载试验方法直接应用于中小跨径桥梁时精度差、试验效果差，不具备工程可靠性的技术问题。
鉴于此，有必要提出一种基于机器视觉的中小跨径桥梁快速荷载试验方法及系统以解决或至少缓解上述缺陷。
发明内容
本发明的主要目的在于提供一种基于机器视觉的中小跨径桥梁快速荷载试验方法及系统，旨在解决现有的中小跨径桥梁监测过程中，需要在桥面上布置传感器且需要中断交通的技术问题。
为实现上述目的，本发明提供了一种基于机器视觉的中小跨径桥梁快速荷载试验方法，包括步骤：获取测试过程中的测试过桥车况，测试过桥车况包括测试过程中的测试目标车辆的测试车辆车况以及其它通行车辆的其它车辆车况；获取测试过程中的测试目标车辆经过待测桥梁时各个时刻下的桥梁实时三向位移；其中，待测桥梁具有测试桥梁类型，桥梁实时三向位移包括过桥车辆重量引起的桥梁拟合静态响应位移和过桥车辆通行引起的桥梁振动动态响应位移，桥梁拟合静态响应位移包括测试目标车辆的重量引起的桥梁测试静态响应位移和其它通行车辆引起的桥梁干涉静态响应位移；利用位移动静分离模块采用动静分离神经网络模型基于当前测试工况将桥梁实时三向位移分离获取待测桥梁的桥梁拟合静态响应位移，当前测试工况包括测试过桥车况和测试桥梁类型；利用随机车流-桥梁耦合振动分析模块基于当前测试工况从桥梁拟合静态响应位移中分离桥梁干涉静态响应位移，获取桥梁测试静态响应位移；获取待测桥梁的当前环境参数信息，当前环境参数信息包括待测桥梁的当前桥梁温度、当前桥梁湿度以及所受的当前风向风速；将桥梁测试静态响应位移、当前桥梁温度、当前桥梁湿度以及所受的当前风向风速输入预先训练的神经网络评估监测模型，通过与理论计算的理论桥梁响应进行比较，获取待测桥梁的当前桥梁状态；其中，采用时间戳的方法确定各个时刻。
进一步地，采用桥梁响应表达式进行计算；其中，/>表示为桥梁静态响应成分；/>表示为车致动态响应成分；y(t)为桥梁随时间变化的位移；t为车辆荷载运行时间；G为车辆荷载重量；/>为车辆荷载频率；/>为桥梁结构自振频率；A、B、/>为傅里叶变化系数；根据桥梁响应表达式确定中小跨径桥梁的影响因素，采用车桥耦合振动分析模型计算多种车辆荷载频率、多种桥梁结构自振频率、多种行车速度工况下的包含桥梁的静态响应和动态响应的总响应学习样本集；采用有限元方法计算上述各工况下的桥梁静态响应学习样本集；采用前馈神经网络构建动静分离神经网络模型，利用总响应学习样本集和桥梁静态响应学习样本集训练模型，建立桥梁总响应与桥梁静态响应的映射推理关系，训练获取动静分离神经网络模型；利用训练的动静分离神经网络模型，从桥梁实时三向位移中推理获取待测桥梁的桥梁拟合静态响应位移。
进一步地，获取每一类桥梁的桥梁交通量调查统计数据；基于桥梁交通量调查统计数据，采用蒙特卡洛法运用程序语言编写随机车流仿真分析程序，随机车流仿真分析程序综合考虑车重、车速、车型和车距，基于随机车流仿真分析程序和测试桥梁类型生成具有待测桥梁区域特征的典型随机车流样本；基于随机车流仿真分析程序生成的典型随机车流样本获取各种车辆组合工况作用下桥梁的响应位移，建立随机车流与桥梁响应映射关系；采用随机车流与桥梁响应映射关系基于测试过桥车况分离其他通行车辆产生的桥梁响应，获取桥梁测试静态响应位移。
进一步地， 基于桥面工业相机视觉传感器获取测试过程中的测试过桥车况，基于桥下工业相机视觉传感器获取测试过程中的测试目标车辆经过待测桥梁时各个时刻下的桥梁实时三向位移；桥面工业相机视觉传感器和桥下工业相机视觉传感器均为高帧率工业相机传感器；测试桥梁类型为简支桥梁、连续桥梁或者拱桥中的一种；采用公式确定简支桥梁监测时的高帧率工业相机传感器的拍照频率；采用公式/>确定连续桥梁监测时的高帧率工业相机传感器的拍照频率；采用公式/>确定拱桥监测时的高帧率工业相机传感器的拍照频率；其中，/>，k表示为拱桥矢跨比；/>表示为桥梁的计算跨径；E表示结构材料的弹性模量；Ic表示桥梁截面的截面惯矩；/>表示桥梁的单位长度质量；G表示桥梁延米结构重力。
进一步地，基于桥面工业相机视觉传感器获取测试过程中的其它车辆车况；基于桥面工业相机视觉传感器获取测试过程中的测试目标车辆的多帧车辆目标图像，通过时间戳方法为每一帧桥梁目标图像赋予时间刻度；利用车辆位置分析模块分析每一帧车辆目标图像获取测试目标车辆在各个时刻下的车辆行驶特性信息，车辆行驶特性信息包括测试目标车辆的当前车辆行驶截面位置信息和当前车辆行驶速度信息。
进一步地，采用多尺度特征融合技术建立车辆获取神经网络模型，基于车辆获取神经网络模型对通行过桥车辆中的测试目标车辆进行车辆检测；使用卡尔曼滤波器预测测试目标车辆的运动轨迹，结合匈牙利算法确定下一帧的车辆目标图像中的测试目标车辆。
进一步地，基于桥下工业相机视觉传感器获取测试目标车辆经过待测桥梁过程中的多帧桥梁目标图像，通过时间戳方法为每一帧桥梁目标图像赋予时间刻度；利用桥梁位移分析模块分析每一帧桥梁目标图像获取待测桥梁在各个时刻下的桥梁实时三向位移；其中，待测桥梁具有测试桥梁类型，桥梁实时三向位移包括过桥车辆重量引起的桥梁拟合静态响应位移和过桥车辆通行引起的桥梁振动动态响应位移，桥梁拟合静态响应位移包括测试目标车辆的重量引起的桥梁测试静态响应位移和其它通行车辆引起的桥梁干涉静态响应位移。
进一步地，建立桥梁的预设坐标系；待测桥向的桥纵向布置有多个坐标标识，坐标标识处于待测桥梁的桥侧栏杆上，坐标标识、桥面工业相机视觉传感器以及桥下工业相机视觉传感器均与预设坐标系具有已知的预设标定关系，车辆目标图像中具有坐标标识；基于车辆目标图像和桥梁预设坐标系确定各个时刻下的车辆行驶特性信息；待测桥梁的外侧的不动参考点位置处具有不动参考标识，不动参考标识与预设坐标系具有已知的预设标定关系，车辆目标图像中具有不动参考标识，根据不动参考标识对桥面工业相机视觉传感器拍摄时刻的拍摄位置进行修正。
进一步地，桥面工业相机视觉传感器包括架设于待测桥梁侧面的第一桥面工业相机以及架设于待测桥梁正面的第二桥面工业相机，坐标标识包括用于与第一桥面工业相机对应的第一刻度条以及用于与第二桥面工业相机对应的第二刻度条，第一刻度条布设于待测桥梁的侧面且与第一桥面工业相机相对设置，第二刻度条布设于待测桥梁的底面，多个第一刻度条沿桥纵向间隔布设，多个第二刻度条沿桥纵向间隔布设，每一个第一刻度条与预设坐标系具有已知的预设标定关系，每一个第二刻度条与预设坐标系具有已知的预设标定关系；待测桥梁侧向的不动点位置处布设有不动参考标识；桥下工业相机视觉传感器包括设置于待测桥梁侧向的不动点位置处的第三桥面工业相机；第一桥面工业相机、第二桥面工业相机以及第三桥面工业相机分别与预设坐标系具有已知的预设标定关系；通过第三桥面工业相机获取测试目标车辆经过待测桥梁过程中各个时刻下的桥梁目标图像，通过时间戳方法为每一帧桥梁目标图像赋予时间刻度，采用图像处理技术基于预设坐标系标定获取桥梁实时三向位移；通过第一桥面工业相机获取测试目标车辆在各个时刻下的车辆目标图像，通过时间戳方法为每一帧第一桥面工业相机获取的车辆目标图像赋予时间刻度；通过第二桥面工业相机获取测试目标车辆在各个时刻下的车辆目标图像，通过时间戳方法为每一帧第二桥面工业相机获取的车辆目标图像赋予时间刻度；采用图像处理技术基于不动参考标识获取各个时刻下第一桥面工业相机的振动误差和第二工业相机的振动误差，确定同一时刻下误差小的工业相机拍摄的对应的图像为车辆目标图像。
本发明还提供一种基于机器视觉的中小跨径桥梁快速荷载监测系统，包括桥面环境获取单元，桥面环境获取单元包括桥面工业相机视觉传感器、桥下工业相机视觉传感器以及桥梁外部环境参数获取传感器，其中，桥梁外部环境参数获取传感器用于获取待测桥梁的当前环境参数信息，当前环境参数信息包括待测桥梁的当前桥梁温湿度以及当前风向风速；监测与预警评估服务器，监测与预警评估服务器分别与桥面工业相机视觉传感器、桥下工业相机视觉传感器以及桥梁外部环境参数获取传感器通信连接，监测与预警评估服务器用于实现上述的基于机器视觉的中小跨径桥梁快速荷载试验方法的步骤。
与现有技术相比，本发明所提供的一种基于机器视觉的中小跨径桥梁快速荷载试验方法具有如下的有益效果：
本发明所提供的一种基于机器视觉的中小跨径桥梁快速荷载试验方法，采用时间戳的方法进行时刻标定，确定测试过程中测试目标车辆在各个时刻下的车辆行驶特性信息和待测桥梁在各个时刻下的桥梁实时三向位移，在时间戳标定的方法下获取同一时刻下的车辆行驶特征信息和桥梁实时三向位移，采用时间戳在赋予时间刻度的情况下使桥下桥梁响应与桥面工况建立对应关联关系，测试过程中测试目标车辆可以按正常速度行驶，避免了因为测试目标车辆车速过低而引起的临时封闭交通，具有显著经济效益；基于测试过桥车况和所述测试桥梁类型利用位移动静分离模块从所述桥梁实时三向位移中分离所述桥梁振动动态响应位移，基于测试过桥车况和所述测试桥梁类型利用随机车流-桥梁耦合振动分析模块从所述桥梁拟合静态响应位移中分离所述桥梁干涉静态响应位移；最后将所述桥梁测试静态响应位移、所述当前桥梁温度、所述当前桥梁湿度以及所受的当前风向风速输入预先训练的神经网络评估监测模型，通过与理论计算的理论桥梁响应根据行业技术规范的要求进行比较，获取所述待测桥梁的当前桥梁状态，实现了无需在桥面布置监测传感器即可实现对桥梁状态的获取和评价。
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示出的结构获得其他的附图。
图1为本发明一个实施例中的基于机器视觉的中小跨径桥梁快速荷载试验方法的流程示意图；
图2为本发明一个实施例中的基于机器视觉的中小跨径桥梁快速荷载试验方法的场景示意图；
图3为本发明一个实施例中的基于机器视觉的中小跨径桥梁快速荷载试验方法的位移动静分离模块的工作原理示意图；其中，a为原始信号的示意图；b为静态成分信号的示意图；c为动态成分信号的示意图；d为原始信号和静态成分信号的比较图。
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
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的一部分实施例，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他实施例，都属于本发明保护的范围。
需要说明，本发明实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
请参照附图1和图2，本发明提供一种基于机器视觉的中小跨径桥梁快速荷载试验方法，包括步骤：S10，获取测试过程中的测试过桥车况，测试过桥车况包括测试过程中的测试目标车辆的测试车辆车况以及其它通行车辆的其它车辆车况；S20，获取测试过程中的测试目标车辆经过待测桥梁时各个时刻下的桥梁实时三向位移；其中，待测桥梁具有测试桥梁类型，桥梁实时三向位移包括过桥车辆重量引起的桥梁拟合静态响应位移和过桥车辆通行引起的桥梁振动动态响应位移，桥梁拟合静态响应位移包括测试目标车辆的重量引起的桥梁测试静态响应位移和其它通行车辆引起的桥梁干涉静态响应位移；S30，利用位移动静分离模块采用动静分离神经网络模型基于当前测试工况将桥梁实时三向位移分离获取待测桥梁的桥梁拟合静态响应位移，当前测试工况包括测试过桥车况和测试桥梁类型；S40，利用随机车流-桥梁耦合振动分析模块基于当前测试工况从桥梁拟合静态响应位移中分离桥梁干涉静态响应位移，获取桥梁测试静态响应位移；S50，获取待测桥梁的当前环境参数信息，当前环境参数信息包括待测桥梁的当前桥梁温度、当前桥梁湿度以及所受的当前风向风速；S60，将桥梁测试静态响应位移、当前桥梁温度、当前桥梁湿度以及所受的当前风向风速输入预先训练的神经网络评估监测模型，通过与理论计算的理论桥梁响应进行比较，获取待测桥梁的当前桥梁状态；其中，采用时间戳的方法确定各个时刻。
本发明所提供的一种基于机器视觉的中小跨径桥梁快速荷载试验方法，采用时间戳的方法进行时刻标定，确定测试过程中测试目标车辆在各个时刻下的车辆行驶特性信息和待测桥梁在各个时刻下的桥梁实时三向位移，在时间戳标定的方法下获取同一时刻下的车辆行驶特征信息和桥梁实时三向位移，采用时间戳在赋予时间刻度的情况下使桥下桥梁响应与桥面工况建立对应关联关系，测试过程中测试目标车辆可以按正常速度行驶，避免了因为测试目标车辆车速过低而引起的临时封闭交通，具有显著经济效益；基于测试过桥车况和测试桥梁类型利用位移动静分离模块从桥梁实时三向位移中分离桥梁振动动态响应位移，基于测试过桥车况和测试桥梁类型利用随机车流-桥梁耦合振动分析模块从桥梁拟合静态响应位移中分离桥梁干涉静态响应位移；最后将桥梁测试静态响应位移、当前桥梁温度、当前桥梁湿度以及所受的当前风向风速输入预先训练的神经网络评估监测模型，通过与理论计算的理论桥梁响应根据行业技术规范的要求进行比较，获取待测桥梁的当前桥梁状态，实现了无需在桥面布置监测传感器即可实现对桥梁状态的获取和评价。
可以理解地，本发明中可以基于桥面工业相机视觉传感器获取测试过桥车况，测试过桥车况包括测试过程中的测试目标车辆的测试车辆车况以及其它通行车辆的其它车辆车况，其中，车况包括车辆的重量、轴距、运行时间等信息。具体地，测试车辆车况包括测试目标车辆在各个时刻下的车辆行驶特性信息，车辆行驶特性信息包括测试目标车辆的当前车辆行驶截面位置信息和当前车辆行驶速度信息。可选地，本发明中的车辆行驶特性信息还包括测试目标车辆的当前车辆轨迹信息，各个时刻下的当前车辆行驶截面位置信息组合形成当前车辆轨迹信息。
可以理解地，本发明中可以基于桥下工业相机视觉传感器获取测试过程中的测试目标车辆经过待测桥梁时各个时刻下的桥梁实时三向位移。
可以理解地，目前快速常规荷载试验往往要求测试目标车辆在桥面上缓慢行驶，让动态响应降到可忽略的程度，采用这种准静态的方法来近似解决，但带来了低效、低精度等问题；本发明提供的基于机器视觉的中小跨径桥梁快速荷载试验方法不同于常规荷载试验，基于桥面工业相机视觉传感器采用时间戳标记的方法获取测试目标车辆在各个时刻下的车辆行驶特性信息，基于桥下工业相机视觉传感器采用时间戳标记的方法获取测试目标车辆经过待测桥梁过程中各个时刻下的桥梁实时三向位移，本发明方案通过时间戳的方法，时间戳信息应精确到毫秒，采用13位数字进行时间戳编码并存于车辆目标图像中，前十位时间戳保存格林威治时间自1970年1月1日（00:00:00 GMT）至当前时间的总秒数，后三位保存精确的毫秒数，在使用的时候以除余计算的方式将时间戳转换成时间；本发明方案中，测试目标车辆在试验过程中是运动的，采用时间戳标定的方式精确找出运动的桥面车辆位置信息和桥下桥梁响应信息的对应关系。
请参考图3，进一步地，为了便于将桥梁拟合静态响应位移和桥梁振动动态响应位移进行快速分离，步骤S30具体包括：采用桥梁响应表达式进行计算；其中，/>表示为桥梁静态响应成分；/>表示为车致动态响应成分；y(t)为桥梁随时间变化的位移；t为车辆荷载运行时间；G为车辆荷载重量；/>为车辆荷载频率；/>为桥梁结构自振频率；A、B、/>为傅里叶变化系数，e为自然常数；根据桥梁响应表达式确定中小跨径桥梁的影响因素，采用车桥耦合振动分析模型计算多种车辆荷载频率、多种桥梁结构自振频率、多种行车速度工况下的包含桥梁的静态响应和动态响应的总响应学习样本集；采用有限元方法计算上述各工况下的桥梁静态响应学习样本集；采用前馈神经网络构建动静分离神经网络模型，利用总响应学习样本集和桥梁静态响应学习样本集训练模型，建立桥梁总响应与桥梁静态响应的映射推理关系，训练获取动静分离神经网络模型；利用训练的动静分离神经网络模型，从桥梁实时三向位移中推理获取待测桥梁的桥梁拟合静态响应位移。
进一步地，获取每一类桥梁的桥梁交通量调查统计数据；基于桥梁交通量调查统计数据，采用蒙特卡洛法运用程序语言编写随机车流仿真分析程序，随机车流仿真分析程序综合考虑车重、车速、车型和车距，基于随机车流仿真分析程序和测试桥梁类型生成具有待测桥梁区域特征的典型随机车流样本；基于随机车流仿真分析程序生成的典型随机车流样本获取各种车辆组合工况作用下桥梁的响应位移，建立随机车流与桥梁响应映射关系；采用随机车流与桥梁响应映射关系基于测试过桥车况分离其他通行车辆产生的桥梁响应，获取桥梁测试静态响应位移。可以理解地，桥梁类型包括简支梁桥、连续梁桥和拱桥，本发明中首先确定待测桥梁的桥梁类型，获取同一类型下的桥梁的随机车流与桥梁响应映射关系，然后根据测试过桥车况分离其他通行车辆产生的桥梁响应。
进一步地，用于捕获车辆图像的桥面工业相机视觉传感器为高帧率相机，测试目标车辆通过中小跨径桥梁的时间非常短暂，在这短暂的时间内应获取足够的信息才能准确评价桥梁状况，根据实践经验，对于中小跨径桥梁常用的简支梁桥、连续梁桥和拱桥，基于桥面工业相机视觉传感器获取测试过程中的测试过桥车况，基于桥下工业相机视觉传感器获取测试过程中的测试目标车辆经过待测桥梁时各个时刻下的桥梁实时三向位移；桥面工业相机视觉传感器和桥下工业相机视觉传感器均为高帧率工业相机传感器；测试桥梁类型为简支桥梁、连续桥梁或者拱桥中的一种；采用公式确定简支桥梁监测时的高帧率工业相机传感器的拍照频率；采用公式/>确定连续桥梁监测时的高帧率工业相机传感器的拍照频率；采用公式/>确定拱桥监测时的高帧率工业相机传感器的拍照频率；其中，/>，k表示为拱桥矢跨比；/>表示为桥梁的计算跨径；E表示结构材料的弹性模量；Ic表示桥梁截面的截面惯矩；/>表示桥梁的单位长度质量；G表示桥梁延米结构重力。
进一步地，步骤S10具体包括：基于桥面工业相机视觉传感器获取测试过程中的其它车辆车况；基于桥面工业相机视觉传感器获取测试过程中的测试目标车辆的多帧车辆目标图像，通过时间戳方法为每一帧桥梁目标图像赋予时间刻度；利用车辆位置分析模块分析每一帧车辆目标图像获取测试目标车辆在各个时刻下的车辆行驶特性信息，车辆行驶特性信息包括测试目标车辆的当前车辆行驶截面位置信息和当前车辆行驶速度信息。可以理解地，测试过桥车况包括过桥车重、过桥车辆位置等信息，便于通过测试过桥车况滤除测试过程中过桥车辆的干涉。
进一步地，步骤S20具体包括：基于桥下工业相机视觉传感器获取测试目标车辆经过待测桥梁过程中的多帧桥梁目标图像，通过时间戳方法为每一帧桥梁目标图像赋予时间刻度；利用桥梁位移分析模块分析每一帧桥梁目标图像获取待测桥梁在各个时刻下的桥梁实时三向位移；其中，待测桥梁具有测试桥梁类型，桥梁实时三向位移包括过桥车辆重量引起的桥梁拟合静态响应位移和过桥车辆通行引起的桥梁振动动态响应位移，桥梁拟合静态响应位移包括测试目标车辆的重量引起的桥梁测试静态响应位移和其它通行车辆引起的桥梁干涉静态响应位移。
进一步地，为了便于获取车辆行驶特性信息，建立桥梁的预设坐标系；待测桥向的桥纵向布置有多个坐标标识，坐标标识处于待测桥梁的桥侧栏杆上，坐标标识、桥面工业相机视觉传感器以及桥下工业相机视觉传感器均与预设坐标系具有已知的预设标定关系，车辆目标图像中具有坐标标识；基于车辆目标图像和桥梁预设坐标系确定各个时刻下的车辆行驶特性信息。
进一步地，在待测桥梁桥的实际检测中，由于多车道的影响，车辆相互遮挡非常常见，为提高模型鲁棒性，准备跟踪并标识各个时刻下的测试目标车辆，在进行神经网络模型训练时采用了马赛克数据增强技术；具体地，采用多尺度特征融合技术建立车辆获取神经网络模型，基于车辆获取神经网络模型对通行过桥车辆中的测试目标车辆进行车辆检测；使用卡尔曼滤波器预测测试目标车辆的运动轨迹，结合匈牙利算法确定下一帧的车辆目标图像中的测试目标车辆。
进一步地，为了避免桥面工业相机视觉传感器随桥面振动产生误差，待测桥梁的外侧的不动参考点位置处具有不动参考标识，不动参考标识与预设坐标系具有已知的预设标定关系，车辆目标图像中具有不动参考标识，根据不动参考标识对桥面工业相机视觉传感器拍摄时刻的拍摄位置进行修正。
进一步地，为了准确获取测试目标车辆的车辆行驶特性信息以及待测桥梁的桥梁实时三向位移，桥面工业相机视觉传感器包括架设于待测桥梁侧面的第一桥面工业相机以及架设于待测桥梁正面的第二桥面工业相机，坐标标识包括用于与第一桥面工业相机对应的第一刻度条以及用于与第二桥面工业相机对应的第二刻度条，第一刻度条布设于待测桥梁的侧面且与第一桥面工业相机相对设置，第二刻度条布设于待测桥梁的底面，多个第一刻度条沿桥纵向间隔布设，多个第二刻度条沿桥纵向间隔布设，每一个第一刻度条与预设坐标系具有已知的预设标定关系，每一个第二刻度条与预设坐标系具有已知的预设标定关系；桥下工业相机视觉传感器包括设置于待测桥梁侧向的不动点位置处的第三桥面工业相机；第一桥面工业相机、第二桥面工业相机以及第三桥面工业相机分别与预设坐标系具有已知的预设标定关系；通过第三桥面工业相机获取测试目标车辆经过待测桥梁过程中各个时刻下的桥梁目标图像，通过时间戳方法为每一帧桥梁目标图像赋予时间刻度，采用图像处理技术基于预设坐标系标定获取桥梁实时三向位移；通过第一桥面工业相机获取测试目标车辆在各个时刻下的车辆目标图像，通过时间戳方法为每一帧第一桥面工业相机获取的车辆目标图像赋予时间刻度；通过第二桥面工业相机获取测试目标车辆在各个时刻下的车辆目标图像，通过时间戳方法为每一帧第二桥面工业相机获取的车辆目标图像赋予时间刻度；采用图像处理技术基于不动参考标识获取各个时刻下第一桥面工业相机的振动误差和第二工业相机的振动误差，确定同一时刻下误差小的工业相机拍摄的对应的图像为车辆目标图像。
在具体实施时，在待测桥梁的桥上或桥侧布置桥面工业相机视觉传感器，桥面工业相机视觉传感器用来获取测试目标车辆的高帧率图像（各个时刻下的车辆目标图像），采用人工智能的方法标定每帧车辆目标图像中测试目标车辆；利用车辆位置分析模块分析每一帧车辆目标图像获取测试目标车辆在目标时刻下的车辆行驶特性信息；其中，桥面工业相机视觉传感器捕获测试目标车辆的行驶图像，通过人工智能的方法标记出每帧车辆目标图像中测试目标车辆的位置，并转换成每帧车辆目标图像中测试目标车辆在桥上的车辆坐标，依据每帧车辆目标图像的时间特征可以计算出测试目标车辆的速度和行驶轨迹信息；桥面工业相机视觉传感器用于简支梁桥测试时的拍摄频率、用于连续梁桥测试时的拍摄频率和用于拱桥测试时的拍摄频率采用不同的公式进行计算；其中，采用时间戳标记的方法为桥面工业相机捕获的每一帧车辆图像赋予时间刻度，实现车辆行驶特性信息与待测桥梁的桥下桥梁响应响应信息建立对应关系，为便于换算每帧车辆目标图像中测试目标车辆在待测桥上的坐标，当桥面工业相机架设于桥梁侧面时，在桥梁防撞护栏或者栏杆上粘贴或者安装刻度条，当桥面工业相机架设于桥梁正面时，在桥面边缘粘贴或者安装刻度条。一般的，刻度条为背面带自粘胶、正面刻画黑白相间刻度的软条，便于现场安装和黑白工业相机捕获。
在具体实施时，采用人工智能的方法进行标记，人工智能标记方法分为两部分，测试目标车辆的目标检测和测试目标车辆的目标跟踪。具体地，测试目标车辆的目标检测采用深度学习的方法，考虑对模型推理速度具有较高要求，本系统基于单阶段目标检测方法建立神经网络模型，在桥上实际检测中，由于多车道的影响，车辆相互遮挡非常常见，为提高模型鲁棒性，在进行神经网络模型训练时采用了马赛克数据增强技术，具体来说，包括了裁剪（随机的将样本中的部分区域裁剪掉，并且填充0像素值）、切割混合（将一部分区域裁剪掉但不填充0像素而是随机填充训练集中的其他数据的区域像素值）；在桥上实际监测中，相机位于固定位置，车辆目标在视野中的尺度变化非常大，为此，本系统在进行神经网络模型设计时采用了多尺度特征融合技术，深度网络提取的不同层级特征堆叠而成，并在堆叠的基础上实现特征的融合，从而实现对不同尺度物体的检测。测试目标车辆的目标跟踪涉及识别模板的位置和类别，然后为车辆图像序列中的测试目标车辆目标分配唯一ID，测试目标车辆的目标跟踪器的输出与添加了模板ID的测试目标车辆目标检测相同，对于每一帧使用卡尔曼滤波器预测测试目标车辆的运动轨迹，同时使用匈牙利算法将它们与下一帧的测试目标车辆目标检测结果相匹配。
在具体实施时，桥梁振动位移是含复杂噪声的信号，相机图像采集帧率必须达到桥梁自振频率的10~15倍以上，才能有效分析桥梁自振特性。常规中小跨径桥梁自振频率常在2~5Hz，因此，本方案采用的工业相机采集频率一般为50Hz以上，满足中小跨径桥梁高频采集的需求；特别的，中小跨径桥梁振动频率较高，应严格控制相机曝光时间以限制运动模糊，本系统的运动模糊限制为0.1pixel，可保证桥梁运动图像满足计算要求，根据该限值采用如下公式计算相机最大曝光时间：T [s] = (0.1 [pixel]) /( V [mm s ]) · ( L [pixel mm ])；特别的，中小跨径桥梁振动位移较小，监测系统需要达到0.05mm的测量精度才能有效监测桥梁风险。本系统采用数字图像相关法进行位移监测，实现了不高于0.03mm的测量精度；本系统采用的数字图像相关法首先使用傅里叶相关系数法计算出位移初值，再将位移初值输入到 IC-GN 算法进行亚像素定位步骤的迭代计算满足中小跨径桥梁高精度检测的需求；特别的，本系统基于机器视觉测量桥梁位移，相机的位移和振动会给系统带来误差；本系统在桥梁结构附近设置不动参考点用来修正相机的位移和振动带来的误差，同时要求相机景深保证全部ROI均成像清晰。
在具体实施时，桥梁响应同样需要准确的时间刻度才能精确找出运动的桥面车辆位置信息和桥下桥梁响应信息对应关系。本发明方案对于桥梁响应同样采用13位数字进行时间戳编码，并存于桥梁图像中，前十位时间戳保存格林威治时间自1970年1月1日（00:00:00 GMT）至当前时间的总秒数，后三位保存精确的毫秒数。在使用的时候，以除余计算的方式将时间戳转换成时间。
在具体实施时，桥梁高频率、高精度的三个方向位移响应（桥梁实时三向位移）包含了车辆重量引起的桥梁响应（桥梁拟合静态响应位移）和车辆桥梁振动引起的响应（桥梁振动动态响应位移），现行行业标准评价体系均依据静态响应进行桥梁性能评价，因此，如何获取桥梁测试静态响应位移是实现快速荷载试验的关键，目前快速荷载试验往往要求测试目标车辆在桥面上缓慢行驶，让动态响应降到可忽略的程度，但这样带来了低效率、低精度等问题。本发明创新采用位移动静分离模块、随机车流-桥梁耦合振动分析模块等深度学习的方法进行桥梁响应静态成分与动态成分的分离，即可以要求车辆在桥面以正常速度行驶，然后通过响应分离模块获得桥梁静态响应。
在具体实施时，通过工程实践总结，为提高使用效率，本发明采用了迁移学习的策略来训练响应分离模块。具体来说，本发明首先针对国内常见的10m、13m、16m、20m、25m、30m、40m等中小跨径桥梁通过车桥耦合理论分析建立了通用样本集，利用该样本集训练了前述网络的通用模型，然后在每次进行快速荷载试验时，采用该试验对象计算少量样本，利用这些少量样本采用迁移学习的策略即可较快得到一个该试验对象的准确模型。在特定桥梁的迁移学习中，桥梁响应数据是非常集中的，在迁移学习过程中只冻住前面2/3网络层的参数，后面的只做初始化。
本发明提供一种具体的基于机器视觉的中小跨径桥梁快速荷载试验方法，具体包括：
在待测桥梁的梁侧面架设第一桥面工业相机，在待测桥梁的正面架设第二桥面工业相机，在待测桥梁的侧面布设第一刻度条，在待测桥梁的底面布设第二刻度条，多个第一刻度条沿桥纵向间隔布设，多个第二刻度条沿桥纵向间隔布设，第一桥面工业相机拍摄的图像具有第一刻度条，第二桥面工业相机拍摄的图像具有第二刻度条；
在待测桥梁侧向的不动点位置处分别布设第三桥面工业相机和不动参考标识；
建立桥梁的预设坐标系，第一桥面工业相机、第二桥面工业相机、第三桥面工业相机、第一刻度条、第二刻度条以及不动参考标识均与预设坐标系具有已知的预设标定关系；
通过第一桥面工业相机和/或第二桥面工业相机获取测试过程中的测试过桥车况；
通过第一桥面工业相机获取测试目标车辆在各个时刻下的车辆目标图像，通过时间戳方法为每一帧第一桥面工业相机获取的车辆目标图像赋予时间刻度；通过第二桥面工业相机获取测试目标车辆在各个时刻下的车辆目标图像，通过时间戳方法为每一帧第二桥面工业相机获取的车辆目标图像赋予时间刻度；采用图像处理技术获取各个时刻下第一桥面工业相机的拍摄图像的拍摄误差，采用图像处理技术获取各个时刻下第二桥面工业相机的拍摄图像的拍摄误差，确定同一时刻下拍摄误差小的工业相机拍摄的对应的图像为车辆目标图像；其中，采用多尺度特征融合技术、卡尔曼滤波器预测以及匈牙利算法确定各个时刻下的测试目标车辆；
根据不动参考标识对车辆目标图像的坐标进行修正并更新，获取测试目标车辆在各个时刻下的实际坐标位置，确定测试目标车辆的车辆行驶特性信息；
通过第三桥面工业相机获取测试目标车辆经过待测桥梁过程中各个时刻下的桥梁目标图像，通过时间戳方法为每一帧桥梁目标图像赋予时间刻度，采用图像进行处理技术基于预设坐标系标定获取桥梁实时三向位移，桥梁实时三向位移包括过桥车辆重量引起的桥梁拟合静态响应和过桥车辆通行引起的桥梁振动动态响应，桥梁拟合静态响应包括测试目标车辆的重量引起的桥梁静态响应和其它通行车辆引起的误差静态响应；
根据待测桥梁的桥梁类型利用位移动静分离模块采用动静分离神经网络模型将桥梁实时三向位移分离获取待测桥梁的桥梁拟合静态响应位移，每一种桥梁类型分别有对应的桥梁结构自振频率，
利用随机车流-桥梁耦合振动分析模块从桥梁拟合静态响应位移中分离桥梁干涉静态响应位移，获取桥梁测试静态响应位移；
获取待测桥梁的当前环境参数信息，当前环境参数信息包括待测桥梁的当前桥梁温度、当前桥梁湿度以及所受的当前风向风速；
将桥梁测试静态响应位移、当前桥梁温度、当前桥梁湿度以及所受的当前风向风速输入预先训练的神经网络评估监测模型，通过与理论计算的理论桥梁响应进行比较，获取待测桥梁的当前桥梁状态。
本发明提供的基于机器视觉的中小跨径桥梁快速荷载试验方法具有如下有益效果：
本技术通过深度学习的方法，分离桥梁的静态响应和动态响应，采用13位编码时间戳的方法映射车辆位置与桥梁响应，试验过程中测试目标车辆可以按正常速度行驶，避免了临时封闭交通，具有显著经济效益；通过桥面工业相机视觉传感器记录车辆的行驶轨迹和行驶速度，测试目标车辆在桥面上不需要以设定的速度和设定的轨迹行驶，降低了技术的使用难度，并提高了试验精度；通过数字图像相关技术来高精度、高频率的获取桥梁的响应（桥梁实时三向位移），可以很好的适应中小跨径桥梁对高精度、高频率的要求；最终实现了通过深度学习、机器视觉、数字图像相关技术等方法，显著提高了中小跨径桥梁快速荷载试验方法的便利性和准确性，为中小跨径桥梁快速荷载试验方法的推广提供有效保障。
本发明还提供一种基于机器视觉的中小跨径桥梁快速荷载监测系统，包括桥面环境获取单元，桥面环境获取单元包括桥面工业相机视觉传感器、桥下工业相机视觉传感器以及桥梁外部环境参数获取传感器，其中，桥梁外部环境参数获取传感器用于获取待测桥梁的当前环境参数信息，当前环境参数信息包括待测桥梁的当前桥梁温湿度以及当前风向风速；监测与预警评估服务器，监测与预警评估服务器分别与桥面工业相机视觉传感器、桥下工业相机视觉传感器以及桥梁外部环境参数获取传感器通信连接，监测与预警评估服务器用于实现上述的基于机器视觉的中小跨径桥梁快速荷载试验方法的步骤。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于机器视觉的中小跨径桥梁快速荷载试验方法，其特征在于，包括步骤：
获取测试过程中的测试过桥车况，所述测试过桥车况包括测试过程中的测试目标车辆的测试车辆车况以及其它通行车辆的其它车辆车况；
获取测试过程中的所述测试目标车辆经过待测桥梁时各个时刻下的桥梁实时三向位移；其中，所述待测桥梁具有测试桥梁类型，所述桥梁实时三向位移包括过桥车辆重量引起的桥梁拟合静态响应位移和过桥车辆通行引起的桥梁振动动态响应位移，所述桥梁拟合静态响应位移包括所述测试目标车辆的重量引起的桥梁测试静态响应位移和其它通行车辆引起的桥梁干涉静态响应位移；
利用位移动静分离模块采用动静分离神经网络模型基于当前测试工况将所述桥梁实时三向位移分离获取所述待测桥梁的所述桥梁拟合静态响应位移，所述当前测试工况包括所述测试过桥车况和所述测试桥梁类型；
利用随机车流-桥梁耦合振动分析模块基于所述当前测试工况从所述桥梁拟合静态响应位移中分离所述桥梁干涉静态响应位移，获取所述桥梁测试静态响应位移；
获取所述待测桥梁的当前环境参数信息，所述当前环境参数信息包括所述待测桥梁的当前桥梁温度、当前桥梁湿度以及所受的当前风向风速；
将所述桥梁测试静态响应位移、所述当前桥梁温度、所述当前桥梁湿度以及所受的当前风向风速输入预先训练的神经网络评估监测模型，通过与理论计算的理论桥梁响应进行比较，获取所述待测桥梁的当前桥梁状态；
其中，采用时间戳的方法确定所述各个时刻。
2.根据权利要求1所述的基于机器视觉的中小跨径桥梁快速荷载试验方法，其特征在于，
采用桥梁响应表达式进行计算；其中，/>表示为桥梁静态响应成分；/>表示为车致动态响应成分；y(t)为桥梁随时间变化的位移；t为车辆荷载运行时间；G为车辆荷载重量；/>为车辆荷载频率；/>为桥梁结构自振频率；A、B、/>为傅里叶变化系数；
根据所述桥梁响应表达式确定中小跨径桥梁的影响因素，采用车桥耦合振动分析模型计算多种车辆荷载频率、多种桥梁结构自振频率、多种行车速度工况下的包含桥梁的静态响应和动态响应的总响应学习样本集；
采用有限元方法计算上述各工况下的桥梁静态响应学习样本集；
采用前馈神经网络构建所述动静分离神经网络模型，利用所述总响应学习样本集和所述桥梁静态响应学习样本集训练模型，建立桥梁总响应与桥梁静态响应的映射推理关系，训练获取所述动静分离神经网络模型；
利用训练的所述动静分离神经网络模型，从所述桥梁实时三向位移中推理获取所述待测桥梁的所述桥梁拟合静态响应位移。
3.根据权利要求1所述的基于机器视觉的中小跨径桥梁快速荷载试验方法，其特征在于，
获取每一类桥梁的桥梁交通量调查统计数据；
基于所述桥梁交通量调查统计数据，采用蒙特卡洛法运用程序语言编写随机车流仿真分析程序，所述随机车流仿真分析程序综合考虑车重、车速、车型和车距，基于所述随机车流仿真分析程序和所述测试桥梁类型生成具有所述待测桥梁区域特征的典型随机车流样本；
基于所述随机车流仿真分析程序生成的所述典型随机车流样本获取各种车辆组合工况作用下桥梁的响应位移，建立随机车流与桥梁响应映射关系；
采用所述随机车流与桥梁响应映射关系基于所述测试过桥车况分离其他通行车辆产生的桥梁响应，获取所述桥梁测试静态响应位移。
4.根据权利要求1至3任一项所述的基于机器视觉的中小跨径桥梁快速荷载试验方法，其特征在于， 基于桥面工业相机视觉传感器获取测试过程中的所述测试过桥车况，基于桥下工业相机视觉传感器获取测试过程中的所述测试目标车辆经过待测桥梁时各个时刻下的桥梁实时三向位移；所述桥面工业相机视觉传感器和所述桥下工业相机视觉传感器均为高帧率工业相机传感器；
所述测试桥梁类型为简支桥梁、连续桥梁或者拱桥中的一种；
采用公式确定简支桥梁监测时的所述高帧率工业相机传感器的拍照频率；
采用公式确定连续桥梁监测时的所述高帧率工业相机传感器的拍照频率；
采用公式确定拱桥监测时的所述高帧率工业相机传感器的拍照频率；
其中，，k表示为拱桥矢跨比；/>表示为桥梁的计算跨径；E表示结构材料的弹性模量；Ic表示桥梁截面的截面惯矩；/>表示桥梁的单位长度质量；G表示桥梁延米结构重力。
5.根据权利要求4所述的基于机器视觉的中小跨径桥梁快速荷载试验方法，其特征在于，
基于桥面工业相机视觉传感器获取测试过程中的所述其它车辆车况；
基于所述桥面工业相机视觉传感器获取测试过程中的所述测试目标车辆的多帧车辆目标图像，通过时间戳方法为每一帧所述车辆目标图像赋予时间刻度；
利用车辆位置分析模块分析每一帧所述车辆目标图像获取所述测试目标车辆在各个时刻下的车辆行驶特性信息，所述车辆行驶特性信息包括所述测试目标车辆的当前车辆行驶截面位置信息和当前车辆行驶速度信息。
6.根据权利要求5所述的基于机器视觉的中小跨径桥梁快速荷载试验方法，其特征在于，
采用多尺度特征融合技术建立车辆获取神经网络模型，基于所述车辆获取神经网络模型对通行过桥车辆中的所述测试目标车辆进行车辆检测；
使用卡尔曼滤波器预测所述测试目标车辆的运动轨迹，结合匈牙利算法确定下一帧的所述车辆目标图像中的所述测试目标车辆。
7.根据权利要求6所述的基于机器视觉的中小跨径桥梁快速荷载试验方法，其特征在于，
基于桥下工业相机视觉传感器获取所述测试目标车辆经过所述待测桥梁过程中的多帧桥梁目标图像，通过时间戳方法为每一帧所述桥梁目标图像赋予时间刻度；
利用桥梁位移分析模块分析每一帧所述桥梁目标图像获取所述待测桥梁在各个时刻下的桥梁实时三向位移；其中，所述待测桥梁具有测试桥梁类型，所述桥梁实时三向位移包括过桥车辆重量引起的所述桥梁拟合静态响应位移和过桥车辆通行引起的所述桥梁振动动态响应位移，所述桥梁拟合静态响应位移包括所述测试目标车辆的重量引起的所述桥梁测试静态响应位移和其它通行车辆引起的所述桥梁干涉静态响应位移。
8.根据权利要求7所述的基于机器视觉的中小跨径桥梁快速荷载试验方法，其特征在于，
建立桥梁的预设坐标系；
所述待测桥梁的桥纵向布置有多个坐标标识，所述坐标标识处于所述待测桥梁的桥侧栏杆上，所述坐标标识、所述桥面工业相机视觉传感器以及所述桥下工业相机视觉传感器均与所述预设坐标系具有已知的预设标定关系，所述车辆目标图像中具有所述坐标标识；
基于所述车辆目标图像和所述预设坐标系确定各个时刻下的车辆行驶特性信息；
所述待测桥梁的外侧的不动参考点位置处具有不动参考标识，所述不动参考标识与所述预设坐标系具有已知的预设标定关系，所述车辆目标图像中具有所述不动参考标识，
根据所述不动参考标识对所述桥面工业相机视觉传感器拍摄时刻的拍摄位置进行修正。
9.根据权利要求8所述的基于机器视觉的中小跨径桥梁快速荷载试验方法，其特征在于，
所述桥面工业相机视觉传感器包括架设于待测桥梁侧面的第一桥面工业相机以及架设于待测桥梁正面的第二桥面工业相机，所述坐标标识包括用于与所述第一桥面工业相机对应的第一刻度条以及用于与所述第二桥面工业相机对应的第二刻度条，所述第一刻度条布设于所述待测桥梁的侧面且与所述第一桥面工业相机相对设置，所述第二刻度条布设于所述待测桥梁的底面，多个所述第一刻度条沿桥纵向间隔布设，多个所述第二刻度条沿桥纵向间隔布设，每一个所述第一刻度条与所述预设坐标系具有已知的预设标定关系，每一个所述第二刻度条与所述预设坐标系具有已知的预设标定关系；
所述待测桥梁侧向的不动点位置处布设有不动参考标识；
所述桥下工业相机视觉传感器包括设置于所述待测桥梁侧向的不动点位置处的第三桥面工业相机；所述第一桥面工业相机、所述第二桥面工业相机以及所述第三桥面工业相机分别与所述预设坐标系具有已知的预设标定关系；
通过第三桥面工业相机获取所述测试目标车辆经过待测桥梁过程中各个时刻下的桥梁目标图像，通过时间戳方法为每一帧桥梁目标图像赋予时间刻度，采用图像处理技术基于预设坐标系标定获取桥梁实时三向位移；
通过所述第一桥面工业相机获取所述测试目标车辆在各个时刻下的车辆目标图像，通过时间戳方法为每一帧所述第一桥面工业相机获取的车辆目标图像赋予时间刻度；
通过所述第二桥面工业相机获取所述测试目标车辆在各个时刻下的车辆目标图像，通过时间戳方法为每一帧所述第二桥面工业相机获取的车辆目标图像赋予时间刻度；
采用图像处理技术基于不动参考标识获取各个时刻下第一桥面工业相机的振动误差和第二工业相机的振动误差，确定同一时刻下误差小的工业相机拍摄的对应的图像为所述车辆目标图像。
10.一种基于机器视觉的中小跨径桥梁快速荷载监测系统，其特征在于，
包括桥面环境获取单元，所述桥面环境获取单元包括桥面工业相机视觉传感器、桥下工业相机视觉传感器以及桥梁外部环境参数获取传感器，其中，所述桥梁外部环境参数获取传感器用于获取待测桥梁的当前环境参数信息，所述当前环境参数信息包括所述待测桥梁的当前桥梁温湿度以及当前风向风速；
监测与预警评估服务器，所述监测与预警评估服务器分别与所述桥面工业相机视觉传感器、桥下工业相机视觉传感器以及桥梁外部环境参数获取传感器通信连接，所述监测与预警评估服务器用于实现如权利要求1至9任一项所述的基于机器视觉的中小跨径桥梁快速荷载试验方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311115092.3A CN116818397B (zh) | 2023-08-31 | 2023-08-31 | 基于机器视觉的中小跨径桥梁快速荷载试验方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311115092.3A CN116818397B (zh) | 2023-08-31 | 2023-08-31 | 基于机器视觉的中小跨径桥梁快速荷载试验方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116818397A CN116818397A (zh) | 2023-09-29 |
| CN116818397B true CN116818397B (zh) | 2023-11-14 |
Family
ID=88113109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311115092.3A Active CN116818397B (zh) | 2023-08-31 | 2023-08-31 | 基于机器视觉的中小跨径桥梁快速荷载试验方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116818397B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107132011A (zh) * | 2017-05-31 | 2017-09-05 | 中南大学 | 一种基于影响线的桥梁快速检测方法 |
| KR101966666B1 (ko) * | 2017-12-27 | 2019-04-09 | 부산대학교 산학협력단 | 교량의 내하력 평가 장치 및 방법 |
| JP2019168387A (ja) * | 2018-03-26 | 2019-10-03 | 株式会社Ｎｔｔドコモ | 建築物判定システム |
| CN111936830A (zh) * | 2018-04-10 | 2020-11-13 | 夏普株式会社 | 振动分析装置、振动分析装置的控制方法、振动分析程序以及记录介质 |
| JP2021098967A (ja) * | 2019-12-20 | 2021-07-01 | 公益財団法人鉄道総合技術研究所 | 橋梁のモード特性推定方法とそのモード特性推定装置 |
| CN115808324A (zh) * | 2023-01-30 | 2023-03-17 | 湖南东数交通科技有限公司 | 一种中小跨径桥梁轻量化安全管理监测方法及系统 |
| CN115876413A (zh) * | 2023-02-14 | 2023-03-31 | 济南城建集团有限公司 | 基于加速度的移动车辆作用下桥梁位移估计方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140336928A1 (en) * | 2013-05-10 | 2014-11-13 | Michael L. Scott | System and Method of Automated Civil Infrastructure Metrology for Inspection, Analysis, and Information Modeling |
| US20230083004A1 (en) * | 2020-02-05 | 2023-03-16 | Sensima Inspection Sàrl | Method of monitoring health status of bridges in normal traffic conditions |
-
2023
- 2023-08-31 CN CN202311115092.3A patent/CN116818397B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107132011A (zh) * | 2017-05-31 | 2017-09-05 | 中南大学 | 一种基于影响线的桥梁快速检测方法 |
| KR101966666B1 (ko) * | 2017-12-27 | 2019-04-09 | 부산대학교 산학협력단 | 교량의 내하력 평가 장치 및 방법 |
| JP2019168387A (ja) * | 2018-03-26 | 2019-10-03 | 株式会社Ｎｔｔドコモ | 建築物判定システム |
| CN111936830A (zh) * | 2018-04-10 | 2020-11-13 | 夏普株式会社 | 振动分析装置、振动分析装置的控制方法、振动分析程序以及记录介质 |
| JP2021098967A (ja) * | 2019-12-20 | 2021-07-01 | 公益財団法人鉄道総合技術研究所 | 橋梁のモード特性推定方法とそのモード特性推定装置 |
| CN115808324A (zh) * | 2023-01-30 | 2023-03-17 | 湖南东数交通科技有限公司 | 一种中小跨径桥梁轻量化安全管理监测方法及系统 |
| CN115876413A (zh) * | 2023-02-14 | 2023-03-31 | 济南城建集团有限公司 | 基于加速度的移动车辆作用下桥梁位移估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 风-车-桥耦合振动研究现状及发展趋势;韩万水;赵越;刘焕举;陈笑;袁阳光;;中国公路学报(07);P5-27 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116818397A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zaurin et al. | Integration of computer imaging and sensor data for structural health monitoring of bridges | |
| CN109341903B (zh) | 一种基于计算机视觉中边缘识别的拉索索力测量方法 | |
| CN109186902A (zh) | 一种基于视觉传感的桥梁结构健康检测系统 | |
| JP2019196680A (ja) | 舗装情報収集点検システム、舗装情報収集点検方法、及びプログラム | |
| CN112378507B (zh) | 一种基于运动补偿的计算机视觉结构振动监测方法 | |
| CN115808324B (zh) | 一种中小跨径桥梁轻量化安全管理监测方法及系统 | |
| CN107909601A (zh) | 一种适用于航标的船舶防撞预警视频检测系统及检测方法 | |
| US20230083004A1 (en) | Method of monitoring health status of bridges in normal traffic conditions | |
| US20220383478A1 (en) | Computer vision-based system and method for assessment of load distribution, load rating, and vibration serviceability of structures | |
| CN113884011A (zh) | 一种非接触式混凝土表观裂缝测量设备和方法 | |
| CN112556760A (zh) | 一种桥梁裂缝监测系统 | |
| CN117058600A (zh) | 区域桥梁群车流荷载识别方法及系统 | |
| CN116912551A (zh) | 基于车联网的高速公路设备监测系统 | |
| CN116818397B (zh) | 基于机器视觉的中小跨径桥梁快速荷载试验方法及系统 | |
| CN117198057A (zh) | 一种面向路侧感知轨迹数据质量检评的实验方法及系统 | |
| Widyantoro et al. | Fuzzy traffic congestion model based on speed and density of vehicle | |
| CN116665125A (zh) | 用于桥隧病害的智能识别系统 | |
| CN114937365B (zh) | 一种基于同步多视觉传感器的桥面车辆参数识别方法 | |
| CN111784785A (zh) | 一种桥梁动态位移识别方法 | |
| CN115761487A (zh) | 一种基于机器视觉的中小跨径桥梁振动特性快速识别方法 | |
| Kuo et al. | Implementation of inverse perspective mapping for camera-vision water-level measurements | |
| CN115372042A (zh) | 一种基于智能手机的桥梁伸缩缝工作性能检测方法及系统 | |
| CN112254701B (zh) | 车载式桥头跳车检测分析系统及其方法 | |
| CN117036611B (zh) | 一种非矿山安全监测平台的三维场景构建方法及系统 | |
| Dyer et al. | Implementation problems in inertial road-profiling: An overview |
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 |