CN117058600A - 区域桥梁群车流荷载识别方法及系统 - Google Patents
区域桥梁群车流荷载识别方法及系统 Download PDFInfo
- Publication number
- CN117058600A CN117058600A CN202311325596.8A CN202311325596A CN117058600A CN 117058600 A CN117058600 A CN 117058600A CN 202311325596 A CN202311325596 A CN 202311325596A CN 117058600 A CN117058600 A CN 117058600A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- bridge
- subsystem
- running
- video monitoring
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 71
- 238000005303 weighing Methods 0.000 claims abstract description 55
- 238000012937 correction Methods 0.000 claims abstract description 26
- 230000004044 response Effects 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 15
- 230000006870 function Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了区域桥梁群车流荷载识别方法及系统。识别方法包括步骤:设置在各桥梁的汇合点处的桥梁动态称重子系统识别出所有车辆的车牌号及荷载参数;桥面车辆匹配子系统采集进入各个桥梁的车辆的图像信息,识别出车牌号,并为车辆匹配上一步中测得的荷载信息,车辆时空分布识别子系统识别出桥面上的各车辆的车牌号、车型及对应的时空分布位置,并通过车型判断出预估车重范围,与前面测出的荷载参数中的车重校对匹配。本申请的车流荷载识别方法及系统能匹配车辆时空分布与车辆荷载参数,并通过预估车重范围进行车重修正提高测量准确性,而且仅需在汇合点设置桥梁动态称重子系统,节约了车辆荷载监测成本。
Description
技术领域
本申请涉及桥梁健康监测领域,具体涉及区域桥梁群车流荷载识别方法及系统。
背景技术
目前,桥梁结构在运营服役期间,最主要的荷载之一是移动车辆荷载,其中超重车辆是造成桥梁结构损伤的主要影响因素。因此,桥梁车辆荷载识别对桥梁结构的运维管理至关重要,尤其是数量较多、使用寿命较长的中小跨径桥梁。
目前桥面车流荷载监测的主要技术手段有桥梁动态称重(BWIM)系统与基于计算机视觉的追踪与识别方法。其中,BWIM系统虽能在车辆正常行驶状态下保证测量的误差,但使用成本较高,降低了推广与应用范围,并且无法准确追踪车辆的行驶位置。而另一种基于计算机视觉的车辆荷载监测方法通过桥面高清视频监测单元、目标检测算法与相应几何坐标转换的算法对相机视场范围内行驶车辆的车型、空间位置与对应时间进行识别与跟踪。这种方法的局限性在于对货车车重的判别存在较大偏差,对于重型货车来说,误差范围在10吨至20吨之间。
为此,需要设计一种新的桥梁车流荷载识别方法及识别系统。
发明内容
本申请的一个目的在于提供一种区域桥梁群车流荷载识别方法,实现识别行驶车辆荷载的同时追踪车辆时空分布位置,并且减少了所需的BWIM设备,利于减少整个识别系统的使用成本。
本申请的另一个目的在于提供一种区域桥梁群车流荷载识别系统,用于对桥梁群内各个桥梁上的行驶车辆进行位置追踪及车辆荷载标记。
为达到以上目的,本申请采用的技术方案为:一种区域桥梁群车流荷载识别方法,其包括步骤:
S1、通过设置在目标区域内各桥梁的汇合点处的桥梁动态称重子系统,识别出经过所述汇合点的每辆行驶车辆的荷载参数及对应的车牌号,并将所有行驶车辆的荷载参数及车牌号上传至服务器数据库;
S2、通过桥面车辆匹配子系统设置在各桥梁上的第一视频监测模块采集行驶进入各个桥梁的车辆的图像信息,桥面车辆匹配子系统根据该图像信息识别出各行驶车辆的车牌号,将车牌号与所述桥梁动态称重子系统上传到数据库服务器的车牌号进行匹配,并根据该车牌号匹配到由所述桥梁动态称重子系统上传到数据库服务器的该车辆的车辆荷载参数;
S3、通过车辆时空分布识别子系统设置在各桥梁上的第二视频监测模块按照一定频率采集桥面上的行驶车辆的图像信息,车辆时空分布识别子系统根据该图像信息识别出各行驶车辆的车牌号及车型,进而依据车型得到车辆的预估车重范围,将各行驶车辆的预估车重范围与在步骤S2中匹配到车辆荷载参数进行匹配,以对车辆荷载参数中的车重参数进行修正,同时,根据采集到的不同时刻的图像信息计算、统计得到每辆行驶车辆每一时刻所处的桥面的位置,再将经过各桥梁桥面上的各行驶车辆的车牌号、车型、预估车重范围及对应的时空分布位置上传至服务器数据库。
作为一种优选,所述区域桥梁群车流荷载识别方法还包括步骤:
S4、通过设置在桥梁底部的结构动挠度测量仪器测量桥梁目标截面处的车致振动挠度响应数据,截取一定时间范围内的所述车致振动挠度响应数据,与经过目标截面的对应行驶车辆在所述桥梁动态称重子系统中测得的车辆荷载参数一起作为训练数据样本集,通过算法训练得到车致振动挠度响应数据与车重的映射关系,依据该映射关系构建出车重预测模型;在建立车重预测模型后,当行驶车辆通过目标截面时,依据车致振动挠度响应数据及车重预测模型计算出预测车重,将该预测车重上传至服务器数据库,对步骤S1中识别出的车辆荷载参数中的车重参数、步骤S3中得到的预估车重范围,及预测车重进行匹配,以对车辆荷载参数中的车重参数进行二次修正。
作为一种优选,所述桥梁动态称重子系统、所述车辆时空分布识别子系统、所述桥面车辆匹配子系统及所述车重修正子系统均采用边缘计算技术。
作为一种优选,步骤S4中利用BiLSTM深度学习模型训练得到车致振动挠度响应数据与车重的映射关系并构建出车重预测模型。
作为一种优选,所述区域桥梁群车流荷载识别方法还包括步骤:
根据每座桥梁的长度与所述第二视频监测模块中每个视频监测单元的视场范围确定视频监测单元及其支架的布设数量,使所述第二视频监测模块的识别范围覆盖整座桥梁的桥面。
作为一种优选,步骤S3具体包括:
a、对于每座桥梁,根据所述第二视频监测模块中每个视频监测单元采集到的视频流数据,提取出帧图片数据,即行驶车辆的图像信息;
b、根据行驶车辆的图像信息识别出各行驶车辆的车牌号及车型,依据车型得到车辆的预估车重范围,将各行驶车辆的预估车重范围与在步骤S2中匹配到车辆荷载参数进行匹配,以对车辆荷载参数中的车重参数进行修正;
c、根据行驶车辆的图像信息识别出车牌号,并利用目标检测算法计算出桥面上每一行驶车辆在不同时刻的图像信息中的车辆边界框的中心点;
d、以单个视频监测单元视场范围内的桥面作为参考坐标系,选取该视频监测单元获取的一定数量的图像信息作为参考,计算出每一时刻车辆边界框的中心点在当前视频监测单元视场范围内的坐标;
e、对多个视频监测单元得出的同一行驶车辆的坐标进行拼接,结合图像信息被采集到的时间,能够得到每辆行驶车辆每一时刻所处的桥面的位置,即每一行驶车辆的时空分布位置;
f、将经过各桥梁桥面上的各行驶车辆的车牌号、车型、预估车重范围及对应的时空分布位置上传至服务器数据库。
作为一种优选,步骤c中的目标检测算法为YOLO目标检测算法。
为了实现本申请的另一目的,本申请提供一种区域桥梁群车流荷载识别系统,用于实施上述的区域桥梁群车流荷载识别方法,其包括桥梁动态称重子系统、车辆时空分布识别子系统、桥面车辆匹配子系统、车重修正子系统及服务器数据库,所述桥梁动态称重子系统设置在目标区域内各桥梁的汇合点处,并包括称重传感器及第三视频监测模块,所述桥面车辆匹配子系统包括设置在桥梁入口处的第一视频监测模块,所述车辆时空分布识别子系统包括设置在桥梁上的第二视频监测模块,所述第二视频监测模块包括多个沿桥梁长度方向间隔设置的视频监测单元,以使所述第二视频监测模块的视场范围覆盖桥面,所述车重修正子系统包括设置在桥梁底部的结构动挠度测量仪器,所述桥梁动态称重子系统、所述车辆时空分布识别子系统、所述桥面车辆匹配子系统、所述车重修正子系统分别具有用于与所述服务器数据库通讯的数据传输模块。
作为一种优选,所述桥梁动态称重子系统、所述车辆时空分布识别子系统、所述桥面车辆匹配子系统、所述车重修正子系统分别具有各自的本地智能终端,以便进行边缘计算。
作为一种优选,所述桥梁动态称重子系统、所述车辆时空分布识别子系统、所述桥面车辆匹配子系统、所述车重修正子系统用于与所述服务器数据库通讯的数据传输模块均为无线传输模块。
与现有技术相比,本申请的有益效果在于:(1)通过设置一台BWIM系统的设备测量辐射区域范围内的所有桥梁结构的车辆荷载,大幅度降低了车辆荷载监测的成本;(2)可追踪车辆的行驶轨迹,实时精准定位车辆在桥梁结构上某一时刻的空间位置,并且各子系统相互联动,在识别桥面车辆时空分布的同时将荷载参数进行匹配;(3)实际情况下,车辆行驶的不确定性较大,难以保障BWIM系统对每一车辆荷载的准确测量,桥梁动态称重子系统可能对部分车型的车重测量结果与实际存在较大偏差,本申请中车辆时空分布识别子系统通过车型识别对行驶车辆的车重范围进行预估,以对桥梁动态称重子系统识别出的车辆荷载参数中的车重参数进行校对、修正,利于提高车重测量的准确性;(4)实际的交通情况复杂,存在桥梁动态称重子系统漏识别部分车辆的车牌号的可能性,此种情况下桥面车辆匹配子系统及车辆时空分布识别子系统能够识别出该部分车辆的车牌号,并且通过判断车型为其添加预估车重范围。
附图说明
图1为本申请一实施例中,区域桥梁群车流荷载识别系统的框架图。
图2为本申请一实施例中,桥梁动态称重子系统与桥面车辆匹配子系统配合的流程示意图。
图3为本申请一实施例中,车辆时空分布识别子系统的流程图。
图4为本申请一实施例中,测得的某一时刻桥面车辆荷载分布示例。
图5为本申请一实施例中,车重修正子系统的流程图。
具体实施方式
下面,结合具体实施方式,对本申请做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
在本申请的描述中,需要说明的是,对于方位词,如有术语“中心”、 “横向”、“纵向”、“长度”、“宽度”、“厚度”、“上”、“下”、 “前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示方位和位置关系为基于附图所示的方位或位置关系,仅是为了便于叙述本申请和简化描述,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、以特定方位构造和操作,不能理解为限制本申请的具体保护范围。
需要说明的是,本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请的说明书和权利要求书中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
通过识别桥面车流荷载可为准确评估桥梁安全状态奠定基础,现有的桥面车流荷载监测的主要技术手段有桥梁动态称重(BWIM)系统与基于计算机视觉的追踪与识别方法。其中,桥梁动态称重系统是一种测量精度相对较高,不影响车辆正常行驶状态,并且安装维护方便的测量方法,但是成本较高,并且城市桥梁以及高速公路桥梁所设置的BWIM系统功能太过单一,无法准确追踪车辆的行驶位置以及将测量的车辆荷载参数对应到每一过桥车辆。而且由于实际情况下车辆行驶的不确定性较大,难以保障BWIM系统对每一车辆荷载的准确测量,并且,桥梁动态称重子系统可能对部分车型的车重测量结果与实际存在较大偏差。而基于计算机视觉的车辆荷载监测方法对于货车的测量并不准确,特别是对于重型货车,可能存在10吨至20吨的误差。
为了对车辆进行准确的荷载识别的同时匹配车辆的时空分布位置,并且把控监测成本,本申请提供一种区域桥梁群车流荷载识别方法,其包括步骤:
S1、通过设置在目标区域内各桥梁的汇合点处的桥梁动态称重子系统,识别出经过汇合点的每辆行驶车辆的荷载参数及对应的车牌号,并将所有行驶车辆的荷载参数及车牌号上传至服务器数据库;
S2、通过桥面车辆匹配子系统设置在各桥梁上的第一视频监测模块采集行驶进入各个桥梁的车辆的图像信息,桥面车辆匹配子系统根据该图像信息识别出各行驶车辆的车牌号,将车牌号与桥梁动态称重子系统上传到数据库服务器的车牌号进行匹配,并根据该车牌号匹配到由桥梁动态称重子系统上传到数据库服务器的该车辆的车辆荷载参数;
S3、通过车辆时空分布识别子系统设置在各桥梁上的第二视频监测模块按照一定频率采集桥面上的行驶车辆的图像信息,车辆时空分布识别子系统根据该图像信息识别出各行驶车辆的车牌号及车型,进而依据车型得到车辆的预估车重范围,将各行驶车辆的预估车重范围与在步骤S2中匹配到车辆荷载参数进行匹配,以对车辆荷载参数中的车重参数进行修正,同时,根据采集到的不同时刻的图像信息计算、统计得到每辆行驶车辆每一时刻所处的桥面的位置,再将经过各桥梁桥面上的各行驶车辆的车牌号、车型、预估车重范围及对应的时空分布位置上传至服务器数据库。
能够理解的是,本申请中各桥梁的汇合点指的是:区域范围内的所有车辆不管将要驶往桥梁群中的哪座桥梁,都将经过的一个地点。桥梁群中的各个桥梁自该汇合点向外辐射,该汇合点可以根据目标区域内所有桥梁结构的线路规划确定。
与现有技术相比,1)本申请通过设置一台BWIM系统的设备测量汇合点辐射区域范围内的所有桥梁结构的车辆荷载参数,即车辆荷载信息,相比在各个桥梁处均设置BWIM系统大幅度降低了车辆荷载监测的成本,特别适用于对数量较多、使用寿命较长的中小跨径桥梁形成的桥梁群的车流荷载监测;2)通过车辆时空分布子系统可追踪车辆的行驶轨迹,实时精准定位车辆在桥梁结构上某一时刻的空间位置,并且桥面车辆匹配子系统分别联动桥梁动态称重子系统与车辆时空分布子系统,在识别桥面车辆时空分布的同时将车辆荷载参数与车辆进行匹配,可在本地终端或服务器数据库或其他关联的终端形成如图4所示的可视化的桥面车辆荷载分布示意图;3)实际的交通情况复杂,存在桥梁动态称重子系统漏识别部分车辆的车牌号的可能性,此种情况下桥面车辆匹配子系统及车辆时空分布识别子系统能够识别出该部分车辆的车牌号,并且通过判断车型为其添加预估车重范围;4)本申请中车辆时空分布识别子系统通过车型识别对行驶车辆的车重范围进行预估,以对桥梁动态称重子系统识别出的车辆荷载参数中的车重参数进行校对、修正,利于提高车重测量的准确性。
作为补充的,以车辆时空分布识别子系统的预估车重范围对桥梁动态称重子系统识别出的车辆荷载参数中的车重参数进行校对、修正时,对于某一车辆,其在桥梁动态称重子系统处测得的车重,落在时空分布识别子系统的预估车重范围内时,说明该车的车辆荷载参数中的车重参数是较为准确的。而对于另一车辆,其在桥梁动态称重子系统处测得的车重,与在时空分布识别子系统处测得的预估车重范围相差甚远。则可能是桥梁动态称重子系统对该车辆的荷载测量存在较大的测量误差,或者实际的交通情况复杂造成一定的测量干扰。能够理解的是,也不排除是预估车重范围与实际车重存在较大误差的可能性,例如在该车辆为货车的情况下,存在货物重量不易判断、货车可能超载之类的情况。当预估车重范围与桥梁动态称重子系统测得的车重存在偏差不匹配时,本申请通过增加车重修正子系统,利用车重修正子系统中的车重预测模型学习到的桥梁的车致振动挠度响应数据与车重之间的映射关系对车重进行修正。
为了进一步的提高车重测量的准确性,本申请通过处理多源异构数据,融合互联车辆图像识别与挠度响应数据对车重进行修正,可更加准确地识别车辆荷载。
在一些实施例中,区域桥梁群车流荷载识别方法还包括步骤:
S4、通过设置在桥梁底部的结构动挠度测量仪器测量桥梁目标截面处的车致振动挠度响应数据,截取一定时间范围内的车致振动挠度响应数据,例如时间长度为L的车致振动挠度响应数据,与经过目标截面的对应行驶车辆在桥梁动态称重子系统中测得的车辆荷载参数一起作为训练数据样本集,通过算法训练得到车致振动挠度响应数据与车重的映射关系,依据该映射关系构建出车重预测模型;在建立车重预测模型后,当行驶车辆通过目标截面时,依据车致振动挠度响应数据及车重预测模型计算出预测车重,将该预测车重上传至服务器数据库,对步骤S1中识别出的车辆荷载参数中的车重参数、步骤S3中得到的预估车重范围,及预测车重进行匹配,以对车辆荷载参数中的车重参数进行二次修正。
图5中示意了车重修正子系统的流程,并将车致振动挠度响应数据简记为挠度数据。
不同信息的感知形成了我们对某一事物的初步认识,而后经过不断地推理、关联、归纳与总结,对同一事物的认知会不断加深,从而提升我们的识别性能。本申请的区域桥梁群车流荷载监测方法包含的四个子系统融合了机器视觉感知、结构物理特性的量测与信息互联技术,能够弥补单一信息量不足与打通信息关联分析壁垒,提高车辆时空分布与对应荷载参数的识别与匹配。并且通过设计各个子系统之间的配合流程,解决了在桥梁的车辆荷载监测中,所分析的数据类型较多,统筹与互联多源异构数据的困难性较大的问题,先是利用桥梁动态称重子系统测得包括车重在内的车辆荷载参数,再是车辆时空分布识别子系统依据车型给出预估车重范围,最后利用车致振动挠度响应数据与车重之间的映射关系,对车重参数进行二次精细化的车重预测,三个子系统的三次车重识别的结果相互比较、检验与修正,大大提高了识别准确性。能够理解的是,对于桥梁动态称重子系统中漏识别车牌号的车辆,在车辆时空分布识别子系统依据其车型给出预估车重范围的基础上,车重修正子系统能通过车重预测模型预估出的更具体的车重,实现无车辆漏识别,整个车流荷载监测方法更完整周密。
作为补充的,在截取一定时间范围内的车致振动挠度响应数据和桥梁动态称重子系统中计算出的车辆荷载参数一起作为训练数据样本集时,可以通过样本数据预处理或者人工筛选的方式提高训练数据样本集的质量,以得到预测结果更准确的车重预测模型。
在一些实施例中,行驶车辆的荷载参数包括车重、车速、轴数及轴重等参数。
在一些实施例中,桥梁动态称重子系统、车辆时空分布识别子系统、桥面车辆匹配子系统及车重修正子系统均采用边缘计算技术。各个子系统可以先将各自采集到的数据及识别计算出的车牌号、车辆时空分布位置、车型、预估车重范围、预测车重等数据存储于本地智能终端,再通过信息传输模块传输到服务器数据库进行统筹分析。采用边缘计算技术可实时快速的进行数据处理与分析,加快结果反馈信息传递到前端的速度。
在一些实施例中,如图5所示,步骤S4中利用BiLSTM深度学习模型训练得到车致振动挠度响应数据与车重的映射关系并构建出车重预测模型。
在一些实施例中,为了全程跟踪车辆的行驶轨迹,还包括步骤:根据每座桥梁的长度与第二视频监测模块中每个视频监测单元的视场范围确定视频监测单元及其支架的布设数量,使第二视频监测模块的识别范围覆盖整座桥梁的桥面。
在一些实施例中,如图3所示,步骤S3具体包括:
a、对于每座桥梁,根据第二视频监测模块中每个视频监测单元采集到的视频流数据,提取出帧图片数据,即行驶车辆的图像信息;
b、根据行驶车辆的图像信息识别出各行驶车辆的车牌号及车型,依据车型得到车辆的预估车重范围,将各行驶车辆的预估车重范围与在步骤S2中匹配到车辆荷载参数进行匹配,以对车辆荷载参数中的车重参数进行修正;
c、根据行驶车辆的图像信息识别出车牌号,并利用目标检测算法计算出桥面上每一行驶车辆在不同时刻的图像信息中的车辆边界框的中心点;
d、以单个视频监测单元视场范围内的桥面作为参考坐标系,选取该视频监测单元获取的一定数量的图像信息作为参考,计算出每一时刻车辆边界框的中心点在当前视频监测单元视场范围内的坐标;
e、对多个视频监测单元得出的同一行驶车辆的坐标进行拼接,结合图像信息被采集到的时间,能够得到每辆行驶车辆每一时刻所处的桥面的位置,即每一行驶车辆的时空分布位置;
f、将经过各桥梁桥面上的各行驶车辆的车牌号、车型、预估车重范围及对应的时空分布位置上传至服务器数据库。
能够理解的是,其中步骤a、步骤c、步骤d、步骤e、步骤f是按先后次序执行的,步骤b则只要在步骤a之后,在步骤f之前执行即可,步骤b与步骤c、步骤d、步骤e之间无执行顺序的限制。
在一些实施例中,步骤c中的目标检测算法为YOLO目标检测算法,YOLO全称“YouOnly Look Once”是一种使用卷积神经网络进行目标检测的算法,速度较快,适于进行实时检测。
本申请还能提供一种区域桥梁群车流荷载识别系统,用于实施上述的区域桥梁群车流荷载识别方法,其包括桥梁动态称重子系统、车辆时空分布识别子系统、桥面车辆匹配子系统、车重修正子系统及服务器数据库,桥梁动态称重子系统设置在目标区域内各桥梁的汇合点处,并包括称重传感器及第三视频监测模块,桥面车辆匹配子系统包括设置在桥梁入口处的第一视频监测模块,车辆时空分布识别子系统包括设置在桥梁上的第二视频监测模块,第二视频监测模块包括多个沿桥梁长度方向间隔设置的视频监测单元,以使第二视频监测模块的视场范围覆盖桥面,车重修正子系统包括设置在桥梁底部的结构动挠度测量仪器,桥梁动态称重子系统、车辆时空分布识别子系统、桥面车辆匹配子系统、车重修正子系统分别具有用于与服务器数据库通讯的数据传输模块,以便在服务器数据库对多源异构数据进行统筹分析。
如图1、图2所示,桥梁动态称重子系统的功能是采集区域内经过汇合点处的所有车辆的荷载参数及车牌号,荷载参数包括车重、车速、轴数轴重等;桥面车辆匹配子系统的功能是检测BWIM子系统识别的车辆是否行驶到相应桥梁结构上,并通过识别车牌进行车辆荷载的匹配;车辆时空分布识别子系统的功能是识别车辆在桥面行驶过程中每一时刻的空间分布以及识别车型给出预估车重范围对车重进行初次校验或修正;车重修正子系统的功能是将桥面上的车辆的车重通过车致振动挠度响应数据进行二次修正,并将修正后的车重与车辆时空分布识别子系统中的车辆时空分布位置融合,从而可形成如图4所示的桥面车辆荷载分布示意图。本申请的监测系统能匹配车辆时空分布与车辆荷载参数,并通过预估车重范围及车重预测模型进行车重修正提高测量准确性,而且仅需在汇合点设置桥梁动态称重子系统,节约了车辆荷载监测成本。
在一些实施例中,结构动挠度测量仪器设置在桥梁跨中,桥梁跨中的振动幅度相对其他点更加明显。
在一些实施例中,视频监测单元为高清摄像头,则各视频监测模块分别由一个或多个高清摄像头组成。
在一些实施例中,桥梁动态称重子系统、车辆时空分布识别子系统、桥面车辆匹配子系统、车重修正子系统分别具有各自的本地智能终端,以便进行边缘计算。
具体的,上述的BiLSTM车重预测模型程序内嵌于本地智能终端进行实时数据分析与过桥车辆的车重修正。YOLO算法模型也内嵌于车辆时空分布识别子系统对应的本地终端。
在一些实施例中,桥梁动态称重子系统、车辆时空分布识别子系统、桥面车辆匹配子系统、车重修正子系统用于与服务器数据库通讯的数据传输模块均为无线传输模块。无线传输相比有线技术,不受限与电缆,设备安装灵活,并且通讯覆盖范围广,发生故障时易于检查维修。
以上描述了本申请的基本原理、主要特征和本申请的优点。本行业的技术人员应该了解,本申请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本申请的原理,在不脱离本申请精神和范围的前提下本申请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申请的范围内。本申请要求的保护范围由所附的权利要求书及其等同物界定。
Claims (10)
1.一种区域桥梁群车流荷载识别方法,其特征在于,包括步骤:
S1、通过设置在目标区域内各桥梁的汇合点处的桥梁动态称重子系统,识别出经过所述汇合点的每辆行驶车辆的荷载参数及对应的车牌号,并将所有行驶车辆的荷载参数及车牌号上传至服务器数据库;
S2、通过桥面车辆匹配子系统设置在各桥梁上的第一视频监测模块采集行驶进入各个桥梁的车辆的图像信息,桥面车辆匹配子系统根据该图像信息识别出各行驶车辆的车牌号,将车牌号与所述桥梁动态称重子系统上传到数据库服务器的车牌号进行匹配,并根据该车牌号匹配到由所述桥梁动态称重子系统上传到数据库服务器的该车辆的车辆荷载参数;
S3、通过车辆时空分布识别子系统设置在各桥梁上的第二视频监测模块按照一定频率采集桥面上的行驶车辆的图像信息,车辆时空分布识别子系统根据该图像信息识别出各行驶车辆的车牌号及车型,进而依据车型得到车辆的预估车重范围,将各行驶车辆的预估车重范围与在步骤S2中匹配到车辆荷载参数进行匹配,以对车辆荷载参数中的车重参数进行修正,同时,根据采集到的不同时刻的图像信息计算、统计得到每辆行驶车辆每一时刻所处的桥面的位置,再将经过各桥梁桥面上的各行驶车辆的车牌号、车型、预估车重范围及对应的时空分布位置上传至服务器数据库。
2.如权利要求1所述的区域桥梁群车流荷载识别方法,其特征在于,还包括步骤:
S4、通过设置在桥梁底部的结构动挠度测量仪器测量桥梁目标截面处的车致振动挠度响应数据,截取一定时间范围内的所述车致振动挠度响应数据,与经过目标截面的对应行驶车辆在所述桥梁动态称重子系统中测得的车辆荷载参数一起作为训练数据样本集,通过算法训练得到车致振动挠度响应数据与车重的映射关系,依据该映射关系构建出车重预测模型;在建立车重预测模型后,当行驶车辆通过目标截面时,依据车致振动挠度响应数据及车重预测模型计算出预测车重,将该预测车重上传至服务器数据库,对步骤S1中识别出的车辆荷载参数中的车重参数、步骤S3中得到的预估车重范围,及预测车重进行匹配,以对车辆荷载参数中的车重参数进行二次修正。
3.如权利要求2所述的区域桥梁群车流荷载识别方法,其特征在于:所述桥梁动态称重子系统、所述车辆时空分布识别子系统、所述桥面车辆匹配子系统及所述车重修正子系统均采用边缘计算技术。
4.如权利要求2或3所述的区域桥梁群车流荷载识别方法,其特征在于,步骤S4中利用BiLSTM深度学习模型训练得到车致振动挠度响应数据与车重的映射关系并构建出车重预测模型。
5.如权利要求1所述的区域桥梁群车流荷载识别方法,其特征在于,还包括步骤:
根据每座桥梁的长度与所述第二视频监测模块中每个视频监测单元的视场范围确定视频监测单元及其支架的布设数量,使所述第二视频监测模块的识别范围覆盖整座桥梁的桥面。
6.如权利要求1或5所述的区域桥梁群车流荷载识别方法,其特征在于,步骤S3具体包括:
a、对于每座桥梁,根据所述第二视频监测模块中每个视频监测单元采集到的视频流数据,提取出帧图片数据,即行驶车辆的图像信息;
b、根据行驶车辆的图像信息识别出各行驶车辆的车牌号及车型,依据车型得到车辆的预估车重范围,将各行驶车辆的预估车重范围与在步骤S2中匹配到车辆荷载参数进行匹配,以对车辆荷载参数中的车重参数进行修正;
c、根据行驶车辆的图像信息识别出车牌号,并利用目标检测算法计算出桥面上每一行驶车辆在不同时刻的图像信息中的车辆边界框的中心点;
d、以单个视频监测单元视场范围内的桥面作为参考坐标系,选取该视频监测单元获取的一定数量的图像信息作为参考,计算出每一时刻车辆边界框的中心点在当前视频监测单元视场范围内的坐标;
e、对多个视频监测单元得出的同一行驶车辆的坐标进行拼接,结合图像信息被采集到的时间,能够得到每辆行驶车辆每一时刻所处的桥面的位置,即每一行驶车辆的时空分布位置;
f、将经过各桥梁桥面上的各行驶车辆的车牌号、车型、预估车重范围及对应的时空分布位置上传至服务器数据库。
7.如权利要求6所述的区域桥梁群车流荷载识别方法,其特征在于:步骤c中的目标检测算法为YOLO目标检测算法。
8.一种区域桥梁群车流荷载识别系统,用于实施如权利要求1-7任一所述的区域桥梁群车流荷载识别方法,其特征在于:包括桥梁动态称重子系统、车辆时空分布识别子系统、桥面车辆匹配子系统、车重修正子系统及服务器数据库,所述桥梁动态称重子系统设置在目标区域内各桥梁的汇合点处,并包括称重传感器及第三视频监测模块,所述桥面车辆匹配子系统包括设置在桥梁入口处的第一视频监测模块,所述车辆时空分布识别子系统包括设置在桥梁上的第二视频监测模块,所述第二视频监测模块包括多个沿桥梁长度方向间隔设置的视频监测单元,以使所述第二视频监测模块的视场范围覆盖桥面,所述车重修正子系统包括设置在桥梁底部的结构动挠度测量仪器,所述桥梁动态称重子系统、所述车辆时空分布识别子系统、所述桥面车辆匹配子系统、所述车重修正子系统分别具有用于与所述服务器数据库通讯的数据传输模块。
9.如权利要求8所述的一种区域桥梁群车流荷载识别系统,其特征在于:所述桥梁动态称重子系统、所述车辆时空分布识别子系统、所述桥面车辆匹配子系统、所述车重修正子系统分别具有各自的本地智能终端,以便进行边缘计算。
10.如权利要求8所述的一种区域桥梁群车流荷载识别系统,其特征在于:所述桥梁动态称重子系统、所述车辆时空分布识别子系统、所述桥面车辆匹配子系统、所述车重修正子系统用于与所述服务器数据库通讯的数据传输模块均为无线传输模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311325596.8A CN117058600B (zh) | 2023-10-13 | 2023-10-13 | 区域桥梁群车流荷载识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311325596.8A CN117058600B (zh) | 2023-10-13 | 2023-10-13 | 区域桥梁群车流荷载识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117058600A true CN117058600A (zh) | 2023-11-14 |
CN117058600B CN117058600B (zh) | 2024-01-26 |
Family
ID=88661274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311325596.8A Active CN117058600B (zh) | 2023-10-13 | 2023-10-13 | 区域桥梁群车流荷载识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117058600B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117291350A (zh) * | 2023-11-24 | 2023-12-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种城市桥梁群安全状态评估系统及评估方法 |
CN117475639A (zh) * | 2023-12-26 | 2024-01-30 | 深圳市城市交通规划设计研究中心股份有限公司 | 融合不同频率车辆定位数据的桥梁车辆时空分布识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118776A (zh) * | 2018-10-10 | 2019-01-01 | 中交基础设施养护集团有限公司 | 一种基于桥梁监测数据识别车辆荷载空间分布的方法 |
US20190212223A1 (en) * | 2017-02-28 | 2019-07-11 | Panasonic Intellectual Property Management Co., Ltd. | Monitoring system |
CN113221682A (zh) * | 2021-04-27 | 2021-08-06 | 天津大学 | 基于计算机视觉的桥梁车辆荷载时空分布细粒度识别方法 |
CN114822029A (zh) * | 2022-04-26 | 2022-07-29 | 广州大学 | 桥面车流荷载时空分布重构方法、系统及装置 |
CN114812984A (zh) * | 2022-04-11 | 2022-07-29 | 北京云庐科技有限公司 | 一种铁路桥梁移动式快速监测系统 |
CN115439514A (zh) * | 2022-09-23 | 2022-12-06 | 中国公路工程咨询集团有限公司 | 一种宽桥车辆荷载识别方法、识别系统、设备及存储介质 |
CN115482474A (zh) * | 2022-08-24 | 2022-12-16 | 湖南科技大学 | 一种基于高空航拍图像的桥面车辆荷载识别方法和系统 |
WO2023147375A2 (en) * | 2022-01-25 | 2023-08-03 | Stl Scientific Llc | New non-invasive fully automated system identifying and classifying vehicles and measuring each vehicle's weight, dimension, visual characteristics, acoustic pattern and noise in real-time without interfering with the traffic |
-
2023
- 2023-10-13 CN CN202311325596.8A patent/CN117058600B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190212223A1 (en) * | 2017-02-28 | 2019-07-11 | Panasonic Intellectual Property Management Co., Ltd. | Monitoring system |
CN109118776A (zh) * | 2018-10-10 | 2019-01-01 | 中交基础设施养护集团有限公司 | 一种基于桥梁监测数据识别车辆荷载空间分布的方法 |
CN113221682A (zh) * | 2021-04-27 | 2021-08-06 | 天津大学 | 基于计算机视觉的桥梁车辆荷载时空分布细粒度识别方法 |
WO2023147375A2 (en) * | 2022-01-25 | 2023-08-03 | Stl Scientific Llc | New non-invasive fully automated system identifying and classifying vehicles and measuring each vehicle's weight, dimension, visual characteristics, acoustic pattern and noise in real-time without interfering with the traffic |
CN114812984A (zh) * | 2022-04-11 | 2022-07-29 | 北京云庐科技有限公司 | 一种铁路桥梁移动式快速监测系统 |
CN114822029A (zh) * | 2022-04-26 | 2022-07-29 | 广州大学 | 桥面车流荷载时空分布重构方法、系统及装置 |
CN115482474A (zh) * | 2022-08-24 | 2022-12-16 | 湖南科技大学 | 一种基于高空航拍图像的桥面车辆荷载识别方法和系统 |
CN115439514A (zh) * | 2022-09-23 | 2022-12-06 | 中国公路工程咨询集团有限公司 | 一种宽桥车辆荷载识别方法、识别系统、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
欧阳歆泓;徐剑;徐一超;: "小桥梁的车辆荷载监测方法研究与应用", 建筑技术开发, no. 18 * |
韩万水;李彦伟;乔磊;赵永祯;杜群乐;: "基于车-桥耦合振动理论的移动荷载识别", 中国公路学报, no. 01 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117291350A (zh) * | 2023-11-24 | 2023-12-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种城市桥梁群安全状态评估系统及评估方法 |
CN117291350B (zh) * | 2023-11-24 | 2024-03-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种城市桥梁群安全状态评估系统及评估方法 |
CN117475639A (zh) * | 2023-12-26 | 2024-01-30 | 深圳市城市交通规划设计研究中心股份有限公司 | 融合不同频率车辆定位数据的桥梁车辆时空分布识别方法 |
CN117475639B (zh) * | 2023-12-26 | 2024-04-30 | 深圳市城市交通规划设计研究中心股份有限公司 | 融合不同频率车辆定位数据的桥梁车辆时空分布识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117058600B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117058600B (zh) | 区域桥梁群车流荷载识别方法及系统 | |
US11199469B2 (en) | Monitoring system | |
CN104599249B (zh) | 缆索承重桥梁桥面车辆载荷分布实时检测方法 | |
CN111710165B (zh) | 基于多源监测数据融合共享的桥梁监管、预警方法及系统 | |
CN108914815B (zh) | 桥面车辆荷载识别装置、桥梁及桥梁荷载分布识别方法 | |
CN104183133B (zh) | 一种采集和传输道路交通流动态信息的方法 | |
CN115808324B (zh) | 一种中小跨径桥梁轻量化安全管理监测方法及系统 | |
CN105528891A (zh) | 基于无人机监控的交通流密度检测方法及系统 | |
US20200164884A1 (en) | Road damage calculation system, road damage calculation method, and non-transitory recording medium storing road damage control program | |
CN112800911A (zh) | 一种路面损伤快速检测及自然数据集构建方法 | |
CN109598947B (zh) | 一种车辆识别方法及系统 | |
CN113034903A (zh) | 基于多源信息融合的交通状态估计方法和装置 | |
CN115063017A (zh) | 一种中小跨径桥梁结构监测和评估系统及方法 | |
CN111859676A (zh) | 一种针对浮置板轨道钢弹簧损伤的智能检测方法 | |
CN111524394A (zh) | 提升机坪综合航迹监视数据精度的方法、装置及系统 | |
CN114494998B (zh) | 一种车辆数据智能分析方法及系统 | |
CN113255469A (zh) | 交通监控场景道路占有率的测定方法及装置 | |
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 | |
KR100794591B1 (ko) | 차량정보 자동계측시스템 | |
CN114333331B (zh) | 一种多车道桥梁车辆通行信息与车重识别方法及系统 | |
US20200166428A1 (en) | Road damage calculation system, road damage calculation method, and non-transitory recording medium storing road damage calculation program | |
US20230169681A1 (en) | Quantitative evaluation method and system for prediction result of remote sensing inversion | |
CN116631187A (zh) | 一种案件现场勘查信息智能采集分析系统 | |
CN116109986A (zh) | 一种基于激光雷达和视频技术互补的车辆轨迹提取方法 | |
CN115439514A (zh) | 一种宽桥车辆荷载识别方法、识别系统、设备及存储介质 |
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 | ||
CP03 | Change of name, title or address |
Address after: 21-1, Building 028, Building 5, No. 15, Lane 587, Juxian Road, High tech Zone, Yinzhou District, Ningbo City, Zhejiang Province, 315000 Patentee after: Ningbo Langda Technology Co.,Ltd. Country or region after: China Address before: 21-1, Building 028, Building 5, No. 15, Lane 587, Juxian Road, High tech Zone, Yinzhou District, Ningbo City, Zhejiang Province, 315000 Patentee before: Ningbo Landa Engineering Technology Co.,Ltd. Country or region before: China |