一种中小跨径桥梁车流荷载实时反算方法技术

本发明专利技术公开了一种中小跨径桥梁车流荷载实时反算方法，基于YOLO v5和DeepSort的深度学习框架进行机器视觉算法的二次开发，从交通监控视频中实时而准确地获取桥上车辆运行的车道、车速、车型、车轴数等信息；设置信息存储栈，存储两个稳定状态之间的车辆时空运行信息以及对应桥梁动态响应信息；通过引入梯度下降反向传播算法在Moses算法基础上对其系统控制方程进行改进，解决传统的Moses算法控制方程病态问题，从而实现车辆荷载流的实时提取。本发明专利技术方法实现对车流量时空信息的实时提取，同时能够结合当地的实际车流信息中车辆车重的统计分布规律，抵抗数据噪声的干扰，避免求解逆矩阵，以更高的精度识别车流量荷载的信息。以更高的精度识别车流量荷载的信息。以更高的精度识别车流量荷载的信息。

【技术实现步骤摘要】
一种中小跨径桥梁车流荷载实时反算方法


[0001]本专利技术涉及公路桥梁安全监测领域，具体涉及一种中小跨径桥梁车流荷载实时反算方法。

技术介绍

[0002]如何保障现役桥梁的安全耐久性对于交通基础设施行业是一个亟待解决的事情，而车辆载荷作为作用在桥梁上的基本动荷载之一，对桥梁的耐久性有很大的影响。精准获得桥梁结构经历的车辆载荷信息和车辆的时间、空间分布信息，对重构和预测交通流，进行结构响应分析与预测，评估桥梁结构安全性具有关键作用。
[0003]在实际的桥梁交通场景中，车辆具有车流量大、随机性强、车辆类型多等特点。为了获得交通场景中的车重信息，美国学者于上世纪80年代引入桥梁动态称重(Bridge Weigh
‑
In
‑
Motion，简称BWIM)。路面式动态称重系统即当车轮通过道路表面的传感器时，通过测量其动压力从而获得车辆的轴重等信息。但是由于车辆动态称重系统造价高、易损坏、测量车重时效率低下、易阻塞交通等原因并没有广泛普及应用。桥梁动态称重系统则是当车辆经过桥梁时，通过桥梁的动力响应对车重进行反演分析。该方法无需车辆减速，称重效率高；安装便宜、不易损坏、成本低廉等优点，在交通荷载信息计算方面具有较大的优势。目前桥梁动态称重系统是基于Moses算法进行车重反算，该算法的抵抗噪声性能较差，一旦车轴轴距相近时系统控制方程容易出现病态矩阵，导致单个车轴轴重的反算精度较差。同时传统的桥梁动态称重系统大多局限于应用于对于单个车辆的车重反算，无法应用于桥梁场景中车流荷载的提取。因此需要在传统桥梁动态称重系统进行改进。

技术实现思路

[0004]本专利技术目的：在于提供一种中小跨径桥梁车流荷载实时反算方法，该方法能够依据深度学习的框架实现车流量时空信息的提取，引入BP
‑
Moses算法能够有效抵抗噪声的干扰，通过梯度下降算法将车辆在桥梁上引起的动态响应的实测值与预测值的误差进行反向传播，对车辆轴重进行不断修正，避免了对Moses算法的系统控制方程求解逆矩阵，提高了车辆轴重的识别精度。
[0005]为实现以上功能，本专利技术设计一种中小跨径桥梁车流荷载实时反算方法，针对无支路的目标桥梁上运行的各车辆，执行以下步骤S1
‑
步骤S4，实现车辆荷载流的实时提取：
[0006]步骤S1:以摄像机采集目标桥梁上运行的各车辆的视频，通过YOLOv5深度学习算法，对视频中的各车辆进行识别，并在视频中将各车辆的位置进行框选，并检测以当前时刻为起点，向历史时间方向跨越预设时长的时刻下各车辆在视频中的车辆位置信息；
[0007]步骤S2:采用目标跟踪算法框架DeepSort，构建城市桥梁车辆追踪模型，基于步骤S1所获得的预设时间点各车辆在视频中的车辆位置信息，预测当前时刻各车辆在视频中的位置；
[0008]步骤S3:采用直接线性转换法，基于步骤S1、步骤S2所获得的车辆位置信息，将各
车辆在视频中基于像素坐标系的位置转换到世界坐标系中，并求解各车辆的轴间距、车辆的运行速度、车辆在世界坐标系中实际运动的距离，获得目标桥梁上的各车辆的车辆运行信息，车辆运行信息包括车辆车道、车辆速度；
[0009]步骤S4:通过桥梁动态传感器，监测当前时刻桥梁动态响应信息，构建当前时刻所对应的桥梁动态响应信息、以及所经过的各车辆的车辆运行信息，基于步骤S1至步骤S4的实时执行，进行如下步骤A、步骤B：
[0010]步骤A：基于各时刻桥梁动态响应信息、以及所经过的各车辆的车辆运行信息的累积，以目标桥梁上没有车辆经过时作为一个稳定状态，并设置信息存储堆栈，将相邻两个稳定状态之间各时刻的桥梁动态响应信息、以及所经过的各车辆的车辆运行信息，存储于信息存储堆栈中；
[0011]步骤B:以步骤A所获得的信息存储堆栈中的桥梁动态响应信息、车辆运行信息为输入，以各车辆的车轴轴重为输出，基于Moses算法，通过引入梯度下降反向传播算法，构建车重反算模型，通过预设次数的迭代修正，获得修正好的车重反算模型，应用车重反算模型，实现车辆荷载流的实时提取。
[0012]作为本专利技术的一种优选技术方案：步骤S1的具体步骤如下：
[0013]步骤S11:采集目标桥梁上运行的各车辆的视频，将各车辆的视频转化为按时序排列的图像样本，在图像样本中将各车辆的位置进行框选，选取5000帧图像样本构建数据集，其中，将各车辆按照车辆类别和车轴个数分为8个车辆类型，依次为：Sedancar、bus、Minibus、2Atruck、3Atruck、4Atruck、5Atruck、6Atruck，其中2Atruck，2A代表车轴的个数为2，truck代表车辆类别为卡车，Sedancar代表车辆类别为厢式轿车，bus代表车辆类别为客车，Minibus代表车辆类别为小客车；
[0014]步骤S12:以各车辆的图像样本为输入，以车辆类型为训练标签，以为输出，其中表示第i个车辆的车辆类型，分别表示第i个车辆的检测框所在的x轴坐标的最小像素坐标值和最大像素坐标值，则分别表示第i个车辆的检测框所在的y轴坐标的最小像素坐标值和最大像素坐标值，对YOLOv5神经网络进行训练，调整YOLOv5神经网络的权重系数，直至各个车辆类型的平均精度达到0.9以上；
[0015]步骤S13:通过点和点确定车辆i的检测框在像素坐标系中的位置。
[0016]作为本专利技术的一种优选技术方案：步骤S2的具体步骤如下：
[0017]步骤S21:读取当前帧图像样本中车辆的检测框的位置以及各检测框图像块的深度特征；
[0018]步骤S22:计算各检测框的置信度，根据置信度对各检测框过滤，删除置信度低于预设值的检测框；
[0019]步骤S23:若针对同一车辆框选至少两个检测框，则对检测框进行非极大抑制，消除冗余的检测框；
[0020]步骤S24:基于卡尔曼滤波方法，预测车辆在当前帧图像样本中的位置。
[0021]作为本专利技术的一种优选技术方案：步骤S3的具体步骤如下：
[0022]步骤S31:将图像样本中基于像素坐标系的车辆位置转换到世界坐标系中，具体方法如下：
[0023]将像素坐标系xO1y中的坐标通过下式转化为相机坐标系O2X
c
Y
c
Z
c
中的坐标，其中O1表示图像坐标系的原点，O2表示相机坐标系的原点；
[0024][0025]其中，f为相机焦距，x、y分别为像素坐标系下的x轴坐标、y轴坐标，X
c
、 Y
c
、Z
c
分别为相机坐标系下的x轴坐标、y轴坐标、z轴坐标；
[0026]用矩阵形式表示为：
[0027][0028]将相机坐标系O2X
c
Y
c
Z
c
中的坐标通过下式转化为世界坐标系O3X
w
Y
w
Z
w
中的坐标，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种中小跨径桥梁车流荷载实时反算方法，其特征在于，针对无支路的目标桥梁上运行的各车辆，执行以下步骤S1
‑
步骤S4，实现车辆荷载流的实时提取：步骤S1:以摄像机采集目标桥梁上运行的各车辆的视频，通过YOLOv5深度学习算法，对视频中的各车辆进行识别，并在视频中将各车辆的位置进行框选，并检测以当前时刻为起点，向历史时间方向跨越预设时长的时刻下各车辆在视频中的车辆位置信息；步骤S2:采用目标跟踪算法框架DeepSort，构建城市桥梁车辆追踪模型，基于步骤S1所获得的预设时间点各车辆在视频中的车辆位置信息，预测当前时刻各车辆在视频中的位置；步骤S3:采用直接线性转换法，基于步骤S1、步骤S2所获得的车辆位置信息，将各车辆在视频中基于像素坐标系的位置转换到世界坐标系中，并求解各车辆的轴间距、车辆的运行速度、车辆在世界坐标系中实际运动的距离，获得目标桥梁上的各车辆的车辆运行信息，车辆运行信息包括车辆车道、车辆速度；步骤S4:通过桥梁动态传感器，监测当前时刻桥梁动态响应信息，构建当前时刻所对应的桥梁动态响应信息、以及所经过的各车辆的车辆运行信息，基于步骤S1至步骤S4的实时执行，进行如下步骤A、步骤B：步骤A：基于各时刻桥梁动态响应信息、以及所经过的各车辆的车辆运行信息的累积，以目标桥梁上没有车辆经过时作为一个稳定状态，并设置信息存储堆栈，将相邻两个稳定状态之间各时刻的桥梁动态响应信息、以及所经过的各车辆的车辆运行信息，存储于信息存储堆栈中；步骤B:以步骤A所获得的信息存储堆栈中的桥梁动态响应信息、车辆运行信息为输入，以各车辆的车轴轴重为输出，基于Moses算法，通过引入梯度下降反向传播算法，构建车重反算模型，通过预设次数的迭代修正，获得修正好的车重反算模型，应用车重反算模型，实现车辆荷载流的实时提取。2.根据权利要求1所述的一种中小跨径桥梁车流荷载实时反算方法，其特征在于，步骤S1的具体步骤如下：步骤S11:采集目标桥梁上运行的各车辆的视频，将各车辆的视频转化为按时序排列的图像样本，在图像样本中将各车辆的位置进行框选，选取5000帧图像样本构建数据集，其中，将各车辆按照车辆类别和车轴个数分为8个车辆类型，依次为：Sedan car、bus、Mini bus、2A truck、3A truck、4A truck、5A truck、6A truck，其中2A truck，2A代表车轴的个数为2，truck代表车辆类别为卡车，Sedan car代表车辆类别为厢式轿车，bus代表车辆类别为客车，Mini bus代表车辆类别为小客车；步骤S12:以各车辆的图像样本为输入，以车辆类型为训练标签，以为输出，其中表示第i个车辆的车辆类型，分别表示第i个车辆的检测框所在的x轴坐标的最小像素坐标值和最大像素坐标值，则分别表示第i个车辆的检测框所在的y轴坐标的最小像素坐标值和最大像素坐标值，对YOLOv5神经网络进行训练，调整YOLOv5神经网络的权重系数，直至各个车辆类型的平均精度达到0.9以上；
步骤S13:通过点和点确定车辆i的检测框在像素坐标系中的位置。3.根据权利要求2所述的一种中小跨径桥梁车流荷载实时反算方法，其特征在于，步骤S2的具体步骤如下：步骤S21:读取当前帧图像样本中车辆的检测框的位置以及各检测框图像块的深度特征；步骤S22:计算各检测框的置信度，根据置信度对各检测框过滤，删除置信度低于预设值的检测框；步骤S23:若针对同一车辆框选至少两个检测框，则对检测框进行非极大抑制，消除冗余的检测框；步骤S24:基于卡尔曼滤波方法，预测车辆在当前帧图像样本中的位置。4.根据权利要求3所述的一种中小跨径桥梁车流荷载实时反算方法，其特征在于，步骤S3的具体步骤如下：步骤S31:将图像样本中基于像素坐标系的车辆位置转换到世界坐标系中，具体方法如下：将像素坐标系xO1y中的坐标通过下式转化为相机坐标系O2X
c
Y
c
Z
c
中的坐标，其中O1表示图像坐标系的原点，O2表示相机坐标系的原点；其中，f为相机焦距，x、y分别为像素坐标系下的x轴坐标、y轴坐标，X
c
、Y
c
、Z
c
分别为相机坐标系下的x轴坐标、y轴坐标、z轴坐标；用矩阵形式表示为：将相机坐标系O2X
c
Y
c
Z
c
中的坐标通过下式转化为世界坐标系O3X
w
Y
w
Z
w
中的坐标，其中，O3表示世界坐标系的原点；式中：R为3
×
3旋转矩；t为3
×
1平移矢量；X
w
、Y
w
、Z
w
分别为世界坐标系下的x轴坐标、y轴坐标、z轴坐标；获得世界坐标系(X
w
，Y
w
，Z

【专利技术属性】
技术研发人员：熊文，高成林，周小燚，朱彦洁，
申请(专利权)人：东南大学，
类型：发明
国别省市：