一种桥梁动态称重系统的制作方法

本发明涉及公路桥梁安全监测领域，具体涉及一种桥梁动态称重系统。

背景技术：

现代桥梁是为交通目的而设计建造的，因此获取桥上行驶车辆的重量、速度、数量、类型以及时空分布等交通信息，对于桥梁结构的设计规范改进、安全性评价与养护决策具有重要意义。有鉴于此，国内外针对桥梁交通信息的识别进行了大量研究，其中的研究重点是桥梁动态称重技术。

通俗地说，桥梁动态称重技术的原理是将装有结构健康监测系统的桥梁视为一杆“秤”，然后用这杆“秤”去称量桥上车辆的重量。传统的桥梁动态称重系统使用安装于桥面铺装上的感应线圈或者交通雷达探测实现对车辆位置信息的获取，但这些系统成本高昂，耐久性欠佳，安装或维修需中断交通，不适用于老桥及交通量大的已建桥梁。

技术实现要素：

为解决上述问题，提供一种简单易行、稳定可靠、成本低廉的桥梁动态称重系统，本发明采用了如下技术方案：

本发明提供了一种视觉技术辅助的桥梁动态称重系统，其特征在于，包括：至少一个动应变计，设置在桥梁的预定截面底部，用于对车辆通过桥梁时产生的桥梁结构动应变数据进行采集；至少一个桥梁交通监控装置，设置在桥梁的桥面上方，用于记录桥梁上通过的车辆并生成车辆监控视频；以及计算处理装置，分别与动应变计以及计算处理装置相通信连接，用于对桥梁结构动应变数据以及车辆监控视频进行计算处理从而获取车辆的车重，其中，计算处理装置具有：动应变处理部，用于对桥梁结构动应变数据进行处理从而获取该桥梁结构动应变数据的静态成分的峰值；视频车辆识别部，用于通过预先训练的深度神经网络模型对车辆监控视频进行识别从而获取车辆监控视频中车辆的位置信息与该位置信息对应的时间信息；车辆坐标转换部，用于根据预定的车辆位置坐标转换方法对位置信息进行转换从而获取车辆的实际位置坐标；车速计算部，根据时间信息以及车辆坐标转换部将对应的位置信息转换的实际位置坐标计算车辆的车速；以及车重计算部，用于对根据静态成分的峰值、实际位置坐标以及预先标定的桥梁影响面计算获取车辆的轴重以及车重。

本发明提供的桥梁动态称重系统，还可以具有这样的技术特征，其中，动应变处理部具有：应变截取单元，用于在桥梁结构动应变数据中截取由车辆激起的动应变信号段；静态成分计算单元，用于通过局部回归算法对动应变信号段进行处理从而获取静态成分；以及峰值提取单元，用于从静态成分中提取静态成分的峰值。

本发明提供的桥梁动态称重系统，还可以具有这样的技术特征，其中，计算处理装置还具有车流信息统计部，车流信息统计部能够根据车重计算部计算出的车重的数量以及视频车辆识别部识别出的车辆位置信息和车辆数量统计桥梁的车流统计信息。

本发明提供的桥梁动态称重系统，还可以具有这样的技术特征，其中，视频车辆识别部对车辆监控视频进行识别从而获取车辆监控视频中车辆的位置信息时，还能够获取车辆的车轴数以及车型信息。

本发明提供的桥梁动态称重系统，还可以具有这样的技术特征，其中，车流信息计算部对单辆车辆通过桥梁时进行计算的车重计算方法为：

式中，w是计算出的车辆的车重，s^peak是车辆激起的静态成分的峰值，i(x,y^peak)是车辆的实际位置坐标在桥梁影响面的影响量，x是由视频车辆识别部识别得到的车辆通过桥梁影响面的纵桥向峰值的横桥向剖面时的横桥向位置坐标，y^peak是由标定桥梁影响面时进行的影响面理论分析得到的桥梁影响面的纵桥向峰值剖面在桥面坐标系上的纵桥向坐标。

本发明提供的桥梁动态称重系统，还可以具有这样的技术特征，其中，车流信息计算部对前后多辆车辆通过桥梁时进行计算的车重计算方法为：对于首辆车辆采用公式(1)进行计算，对于后续的车辆采用公式(2)进行计算：

式中，wrear是当前车辆的车重，是当前车辆激起的静态成分的峰值，i(xfront,yfront)是前一车辆的实际位置坐标在桥梁影响面上对应的影响量，wfront是已经计算出的前一车辆的车重，i(xrear,y^peak)是当前车辆的实际位置坐标在桥梁影响面上对应的影响量，xrear是由视频车辆识别部识别得到的当前车辆通过桥梁影响面的纵桥向峰值的横桥向剖面时的横桥向位置坐标，y^peak是由标定桥梁影响面时进行的影响面理论分析得到的桥梁影响面的纵桥向峰值剖面在桥面坐标系上的纵桥向坐标。

本发明提供的桥梁动态称重系统，还可以具有这样的技术特征，其中，桥梁影响面的设定方法包括如下步骤：标准动应变采集步骤，安排已知车重的车辆作为标定车辆，对标定车辆沿标准车道多次通过桥梁时产生的桥梁结构动应变数据作为标准动应变进行采集；标准动应变提取步骤，对标准动应变进行处理获取标准静态成分，并提取标准静态成分的波峰值与波谷值；影响面分析步骤，对桥梁进行影响面理论分析从而获取影响面形状；影响面标定步骤，根据影响面形状以及标准静态成分的波峰值与波谷值通过标定车标定桥梁影响面。

本发明提供的桥梁动态称重系统，还可以具有这样的技术特征，其中，深度神经网络模型的训练方法包括如下步骤：视频处理步骤，获取既有的车辆监控视频作为历史监控视频，将历史监控视频分解为单帧图片并将该单帧图片中的车辆进行标注，模型训练步骤，建立初始神经网络模型并根据单帧图片以及标注对该初始神经网络模型进行训练从而得到深度神经网络模型。

发明作用与效果

根据本发明的桥梁动态称重系统，由于具有动应变处理部，能够对在桥梁上设置的动应变计获取的桥梁结构动应变数据进行静态成分提取；还由于具有视频车辆识别部，因此能够有效地利用目前已经大范围普及的车辆监控视频，对车辆监控视频中的车辆进行识别，利用计算机视觉技术从车辆监控视频中获取车辆的类型、轨迹以及位置信息，从而进一步地通过车辆坐标转换部将位置信息转换为车辆的实际位置坐标，完成低成本、高效率的车辆位置识别；最终，车重计算部利用基于影响面原理的车辆荷载计算方式，根据静态成分以及车辆的实际位置坐标实现了对车辆车重的计算，有效地提高了识别精度以及性能稳定性，并降低了车流计算系统的软硬件成本。同时，本发明尤其适用于已经安装有交通监控摄像头以及桥梁结构健康监测系统的桥梁，可以在无增量费用的情况下，增强桥上既有硬件的功能，具有一定的经济效益。

附图说明

图1是本发明实施例中桥梁动态称重系统的结构框图；

图2是本发明实施例中的计算处理装置的结构图；

图3是本发明实施例中视频车辆识别部识别车辆车轮的示意图；

图4是本发明实施例中车辆坐标转换的示意图；

图5是本发明实施例中标定完成的桥梁影响面的示意图；以及

图6是本发明实施例中车重计算过程的流程图。

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，以下结合实施例及附图对本发明的桥梁动态称重系统作具体阐述。

<实施例>

图1是本发明实施例中桥梁动态称重系统的结构框图。

如图1所示，桥梁动态称重系统100包括一个动应变计1、至少一个桥梁交通监控装置2、计算处理装置3以及通信网络4。

其中，计算处理装置3分别通过通信网络4与动应变计1以及桥梁交通监控装置2相通信连接。

动应变计1设置在桥梁的预定截面，用于对车辆通过桥梁时产生的桥梁结构动应变数据进行采集。

本实施例中，预定截面为桥梁车道正下方的桥梁截面的任意位置(优选地，本实施例的预定截面为桥梁截面的底部)，并且均匀地沿纵桥向(即桥梁中轴线方向)分布。动应变计1为安装在预定截面底部的长标距支架辅助的动应变计，能够对桥梁的纵向应变进行采集并作为桥梁结构动应变数据，在采集到桥梁结构动应变数据时就通过通信网络4发送给计算处理装置3。

桥梁交通监控装置2设置在桥梁的桥面上方，用于记录桥梁上通过的车辆并生成车辆监控视频。

本实施例中，桥梁交通监控装置2为交通监控记录仪，能够通过相机(即摄像头)拍摄路过的车辆并将生成的车辆监控视频通过通信网络4发送给计算处理装置3。

图2是本发明实施例中计算处理装置的结构图。

如图2所示，计算处理装置3包括动应变处理部31、视频车辆识别部32、车辆坐标转换部33、车重计算部34、车速计算部35、车流信息统计部36、处理侧通信部37以及处理侧控制部38。本实施例中，计算处理装置3为一个能够进行数据运算的计算机。

其中，处理侧通信部37用于进行计算处理装置3的各个构成部分之间以及计算处理装置3与其他装置之间的数据交换，处理侧控制部38用于对计算处理装置3中的各个构成部分的工作进行控制。

动应变处理部31用于对桥梁结构动应变数据进行处理从而获取该桥梁结构动应变数据的静态成分的峰值，具有应变截取单元311、静态成分计算单元312以及峰值提取单元313。

应变截取单元311用于在桥梁结构动应变数据中截取由车辆激起的动应变信号段。

本实施例中，应变截取单元311能够对桥梁结构动应变数据进行分析监测，从而判断桥梁结构动应变数据中有车辆通过时的片段从而截取作为动应变信号段。

静态成分计算单元312用于通过局部回归算法(例如lowess算法)对应变截取单元311截取的动应变信号段进行处理从而获取的静态成分。

本实施例中，静态成分为动应变信号段中由移动车辆荷载所引起静态应变信号。

峰值提取单元313用于从静态成分中提取静态成分的峰值。

本实施例中，峰值提取单元313还能够对静态成分中的波峰值以及波谷值进行提取并作为二元数组进行输出。

视频车辆识别部32用于通过预先训练的深度神经网络模型对车辆监控视频进行识别从而获取车辆监控视频中车辆的位置信息以及与该位置信息对应的时间信息。

本实施例中，视频车辆识别部32能够根据应变截取单元311所截取的动应变信号段对应的时间从车辆监控视频中获取该段时间内的视频帧，从而进一步对该视频帧进行识别。

本实施例中，用于车辆监控视频的视频帧进行识别的深度神经网络模型需要通过预设的训练步骤进行训练后才能完成识别，该训练步骤包括以下步骤：

视频处理步骤，通过桥梁交通监控装置2获取既有的车辆监控视频作为历史监控视频，进一步将历史监控视频分解为单帧图片并将该单帧图片中的车辆进行标注(例如，通过训练人员手动对车辆进行标注，或是通过已有的目标识别算法完成标注)，然后进入模型训练步骤；

模型训练步骤，建立初始神经网络模型并将单帧图片以及标注作为训练数据对该初始神经网络模型进行训练，从而得到深度神经网络模型，然后步骤结束。

本实施例中，位置信息为车辆在车辆监控视频中的车轮坐标，视频车辆识别部32能够通过车辆的各个车轮确定车辆的坐标，进一步地提高了车辆坐标的准确度。如图3所示，视频车辆识别部32识别出目标卡车一侧的六个车轮，然后进一步提取车轮的坐标。

本实施例中，视频车辆识别部32还能够通过深度神经网络模型识别获取车辆的语义信息，即车辆轴距、车轴数以及车辆类型。

车辆坐标转换部33用于根据预定的车辆位置坐标转换方法对车轮坐标进行转换从而获取车辆的实际位置坐标。

本实施例中，车辆位置坐标转换方法为基于计算机视觉技术的坐标转换方法，图4为该车辆位置坐标转换方法的车辆坐标转换示意图。

车辆坐标转换部33将车辆的车轮坐标转换为空间坐标的转换过程中，对于车辆位置坐标转换方法的坐标系的描述内容包括：

式中，a、b、c、d为空间坐标系中桥面空间平面方程(该桥面空间平面方程用于标定固定视频画面与桥面的空间对应关系)的待定参数。x’、y’为车辆在摄像机的成像平面上的像素位置坐标，如图4(a)所示，x’的方向对应相机成像的平面(即车辆监控视频的视频帧中车辆的车轮坐标)中的水平方向，y’的方向对应相机成像的平面中的竖直方向。x、y、z为车辆在相机空间坐标系中的位置坐标，如图4(b)所示，z的方向对应相机光轴所指的方向，x方向对应相机空间坐标系中，与相机成像平面的水平方向相平行的方向，y方向对应相机空间坐标系中，与相机成像平面的竖直方向相平行的方向，x、y、z三轴两两垂直。f是摄像机的焦距，t是成像放大系数，图4(c)是摄像机对车辆进行成像时的空间模型，图4(d)是图4(c)在相机空间坐标系xoz平面上的水平投影。

公式(1)中的待定参数a、b、c、d能够通过下式(2)计算确定：

式中，(x1’,y1’)、(x2’,y2’)、(x3’,y3’)和(x4’,y4’)是车辆监控视频中两条实际长度相等的线段端点的车轮坐标，l是线段的实际长度，t1，t2分别为两等长线段在相机成像空间模型(图4c)中的放大系数。δx1,δy1,δx2,δy2分别为两等长线段在相机成像平面车轮坐标(图4a)中的x，y坐标差。将根据公式(2)求出的t1和t2，以及视频中两等长线段的四个端点的已知车轮坐标(x1’,y1’)、(x2’,y2’)、(x3’,y3’)和(x4’,y4’)代入公式(1)，通过四个方程即可求解出四个未知数a,b,c,d。

为了得到车辆在桥面平面上的位置坐标(x,y)，还需将公式(1)中车辆在相机空间坐标系下的坐标转换到桥面平面上。在桥面平面上，以相机透镜的光心o(0,0,0)在桥面上的竖向投影为原点，相机空间坐标系的z轴在桥面上的竖向投影为桥面坐标系y轴，相机空间坐标系的x轴在桥面上的竖向投影为桥面坐标系x轴。然后计算车辆空间坐标v(x,y,z)到x轴与y轴的距离，即可得到车辆在桥面平面上的坐标。其计算过程如下：

首先计算相机空间坐标系原点o(0,0,0)在桥面平面上的投影点坐标o0(x0,y0,z0)。

然后求车辆空间坐标点v(x,y,z)到向量oo0与相机空间坐标系(图4c)中向量z(0,0,1)构成的平面oo0z之间的距离，即车辆在桥面坐标系中的横坐标x：

式中，ax,bx,cx,是空间平面oo0z的法向量(ax,bx,cx,)的系数。

同理，求车辆空间坐标点v(x,y,z)到向量oo0与相机空间坐标系(图4c)中向量x(1,0,0)构成的平面oo0x之间的距离，即车辆在桥面坐标系中的纵坐标y：

式中，ay,by,cy,是空间平面oo0x的法向量(ay,by,cy,)的系数。

最后，通过公式(1)(2)(3)(4)(5)，即可将车辆在成像平面上的车轮坐标(x’,y’)转换为车辆在桥面坐标系上的坐标(x,y)。

车重计算部34用于根据动应变处理部31提取的静态成分的峰值、车辆坐标转换部33转换的实际位置坐标以及预先标定的桥梁影响面计算获取车辆的车重。

本实施例中，车重计算部34能够分别对单辆以及连续多辆的车辆通过桥梁时的车重进行计算，从而实现对通过桥梁的车辆车重进行测定的功能，其计算方法如下：

车重计算部34对单辆车辆通过桥梁时进行计算的车重计算方法为：

式中，w是计算出的车辆的车重，s^peak是车辆激起的静态成分的峰值，i(x,y^peak)是车辆的实际位置坐标在桥梁影响面的影响量，x是由视频车辆识别部识别得到的车辆通过桥梁影响面的纵桥向峰值的横桥向剖面时的横桥向位置坐标，y^peak是由标定桥梁影响面时进行的影响面理论分析得到的桥梁影响面的纵桥向峰值剖面在桥面坐标系上的纵桥向坐标。

本实施例中，纵桥向是指桥梁的中轴线方向，横桥向指的是垂直于桥梁中轴线的方向，桥梁影响面的纵桥向峰值为车辆所在的横桥向位置处，对影响面进行纵桥向剖切所得到的影响线的最大值，横桥向位置坐标为车辆在桥梁上的横桥向位置坐标，即上述公式(4)中计算得到的x坐标，纵桥向峰值剖面为影响面所对应的应变传感器安装位置处的桥梁横剖面。

车重计算部34对前后多辆车辆通过桥梁时进行计算的车重计算方法为：

对于首辆车辆采用公式(6)进行计算，

对于后续的车辆采用公式(7)进行计算：

式中，wrear是当前车辆的车重，是当前车辆激起的静态成分的峰值，i(xfront,yfront)是前一车辆的实际位置坐标在桥梁影响面上对应的影响量，wfront是已经计算出的前一车辆的车重，i(xrear,y^peak)是当前车辆的实际位置坐标在桥梁影响面上对应的影响量，xrear是由计算机视觉技术识别得到的当前车辆通过桥梁影响面的纵桥向峰值的横桥向剖面时的横桥向位置坐标，y^peak是由标定桥梁影响面时进行的影响面理论分析得到的桥梁影响面的纵桥向峰值剖面在桥面坐标系上的纵桥向坐标。

在其他实施例中，车重计算部34还能够通过公式(6)(7)对车辆的轴重进行计算，进一步结合视频车辆识别部32识别出的车辆的车轴数对该车辆的车重进行计算，从而使车重的计算结果更加精确。

车速计算部35根据时间信息以及车辆的实际位置坐标计算所述车辆的车速。

本实施例中，时间信息为视频车辆识别部识别车辆的位置信息时所记录的时间，同时，车辆坐标转换部对该位置信息进行转换从而获取实际位置坐标，就得到了一组包含相互对应的时间信息以及实际位置坐标的车速计算信息，进一步，将同一车辆的两组车速计算信息进行计算就能获得该车辆的车速。

车流信息统计部36用于对车重计算部34计算出的车重、视频车辆识别部32识别出的车辆(包括车辆的车辆信息、车轴数、车型信息以及所有车辆的数量)以及车速计算部35计算的车速进行统计从而得到桥梁的车流统计信息。

图5是本发明实施例中标定完成的桥梁影响面的示意图。

如图5所示，图中的lateraldirection以及longitudinaldirection分别对应桥梁的横桥向以及纵桥向(即与该桥梁的桥面位置坐标相对应)，strain为桥面的各个位置对应的影响量。

车重计算部34计算车重前预先标定的桥梁影响面的设定方法包括如下步骤：

步骤t1，安排已知车重的车辆作为标定车辆，并对该标定车辆沿标准车道(即严格按照车道行驶)多次通过桥梁时产生的桥梁结构动应变数据作为标准动应变数据进行采集；

步骤t2，动应变处理部31对步骤t1中采集的标准动应变数据进行处理获取标准静态成分，并提取标准静态成分的波峰值与波谷值作为二元数组；

步骤t3，对桥梁进行影响面理论分析从而获取影响面形状；

步骤t4，根据步骤t3获取的影响面形状以及步骤t2提取的二元数组对桥梁影响面通过标定车进行标定。

图6是本发明实施例中车重计算过程的流程图。

如图6所示，当车辆通过桥梁后，动应变计1获取桥梁结构动应变数据并发送给计算处理装置3后，开始以下步骤：

步骤s1，动应变处理部31对从动应变计1接收的桥梁结构动应变数据进行处理从而获取该桥梁结构动应变数据的静态成分的峰值，然后进入步骤s2；

步骤s2，视频车辆识别部32对从桥梁交通监控装置2接收的车辆监控视频进行识别从而获取该车辆监控视频中车辆的位置信息以及与该位置信息对应的时间信息，然后进入步骤s3；

步骤s3，车辆坐标转换部33根据预定的车辆位置坐标转换方法对步骤s2中获取的位置信息进行转换从而获取车辆的实际位置坐标，然后进入步骤s4；

步骤s4，车重计算部34根据步骤s1中获取的静态成分的峰值、步骤s3中获取的实际位置坐标以及预先标定的桥梁影响面计算获取该车辆的车重，车速计算部35根据步骤s2中获取的时间信息以及步骤s3中获取的实际位置坐标计算所述车辆的车速，然后步骤结束。

实施例作用与效果

根据本实施例提供的桥梁动态称重系统，由于具有动应变处理部，能够对在桥梁上设置的动应变计获取的桥梁结构动应变数据进行静态成分提取；还由于具有视频车辆识别部，因此能够有效地利用目前已经大范围普及的车辆监控视频，对车辆监控视频中的车辆进行识别，利用计算机视觉技术从车辆监控视频中获取车辆的类型、轨迹以及位置信息，从而进一步地通过车辆坐标转换部将位置信息转换为车辆的实际位置坐标，完成低成本、高效率的车辆位置识别；最终，车重计算部利用基于影响面原理的车辆荷载计算方式，根据静态成分以及车辆的实际位置坐标实现了对车辆车重的计算，有效地提高了识别精度以及性能稳定性，并降低了车重计算系统的软硬件成本。同时，本发明尤其适用于已经安装有交通监控摄像头以及桥梁结构健康监测系统的桥梁，可以在无增量费用的情况下，增强桥上既有硬件的功能，具有一定的经济效益。

本实施例中，由于动应变处理部具有应变截取单元、静态成分计算单元以及峰值提取单元，能够通过提取桥梁结构动应变数据中的动应变信号段并通过局部回归算法过滤获取静态成分，提高了提取桥梁结构动应变数据的处理效率。

本实施例中，视频车辆识别部还能够对车辆监控视频中车辆的车轴数、轴距以及车型信息进行识别，从而进一步完善了桥梁交通的车辆监控信息，更好地在无增量费用的情况下加强桥梁硬件的监控能力。

本实施例中，由于车速计算部能够根据车辆的实际位置坐标对车速进行计算，从而进一步完善了桥梁交通的车辆监控信息，更好地在无增量费用的情况下加强桥梁硬件的监控能力。

本实施例中，车流信息统计部能够对车重计算部计算出的车重、视频车辆识别部识别出的车辆的车辆信息、车轴数、车型信息以及车速计算部计算的车速进行统计，从而实现了对桥梁进行车流信息统计的功能，更好地完善了桥梁交通的监控统计工作。

本实施例中，车重计算部能够分别对单辆以及前后多辆的车辆的车重进行计算，因此即使有多辆汽车通过桥梁车重计算部也能够有效地并准确地对各个车辆的车重进行计算，实现了桥梁的动态以及实时称重。

本实施例中，由于利用桥梁影响面对车重进行计算，从而在车重计算部计算车重时提高了计算效率以及准确度。

本实施例中，由于采用深度神经网络模型对车辆监控视频进行识别，实现了桥上车辆的结构化语义信息提取以及精确定位，在提高车辆信息的提取效率的同时降低了车辆定位的成本。

上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。