[發(fā)明專利]基于計算機(jī)視覺的橋梁車輛荷載時空分布細(xì)粒度識別方法

有效

• 申請?zhí)枺?/td>: 202110458470.2
• 申請日: 2021-04-27
• 公開（公告）號: CN113221682B
• 公開（公告）日: 2022-12-27
• 發(fā)明（設(shè)計）人: 朱勁松;李興田
• 申請（專利權(quán)）人: 天津大學(xué)
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/25;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 天津盛理知識產(chǎn)權(quán)代理有限公司 12209
• 代理人: 劉玲

本發(fā)明涉及基于計算機(jī)視覺的橋梁車輛荷載時空分布細(xì)粒度識別方法，在橋梁上布設(shè)監(jiān)控攝像頭，根據(jù)邊緣計算設(shè)備和卷積神經(jīng)網(wǎng)絡(luò)對監(jiān)控攝像頭拍攝的視頻幀進(jìn)行計算，得到車輛和輪胎的2D包圍框，進(jìn)而通過計算機(jī)視覺算法得到車輛的3D包圍盒，利用卡爾曼濾波算法實施車輛追蹤，得到車輛荷載在單攝像頭下的局部時空信息；最后進(jìn)行車輛重識別，獲取車輛荷載的細(xì)粒度時空分布信息。本發(fā)明能夠通過單目圖像，實現(xiàn)車輛荷載的軸數(shù)、軸距等重要信息的準(zhǔn)確識別，適合橋梁結(jié)構(gòu)或構(gòu)件的有限元分析和計算。同時本發(fā)明實現(xiàn)了車輛3D包圍盒的重建，能夠跨攝像頭獲取車輛荷載在全橋范圍內(nèi)的準(zhǔn)確的空間信息，因此可以提供全面的車輛荷載時空信息。

技術(shù)領(lǐng)域

本發(fā)明屬于橋梁監(jiān)測領(lǐng)域，尤其是基于計算機(jī)視覺的橋梁車輛荷載時空分布細(xì)粒度識別方法。

背景技術(shù)

運(yùn)營中的橋梁結(jié)構(gòu)會不可避免地受到環(huán)境的侵蝕和荷載的作用，這些長期作用會導(dǎo)致橋梁結(jié)構(gòu)性能退化、安全性降低、壽命縮短，嚴(yán)重的情況下可能導(dǎo)致橋梁結(jié)構(gòu)的倒塌等破壞。因此，對橋梁結(jié)構(gòu)進(jìn)行實時監(jiān)測就顯得非常重要。在這些長期作用中，橋面通行的車輛荷載是最重要的荷載之一。車輛荷載是典型的隨機(jī)荷載，一般具有很大的不確定性。為了使橋梁的設(shè)計更加合理、或者對運(yùn)營中的橋梁結(jié)構(gòu)的健康狀況進(jìn)行評估，就需要對橋梁車輛荷載進(jìn)行識別和統(tǒng)計分析。

傳統(tǒng)的利用動態(tài)稱重系統(tǒng)進(jìn)行車輛荷載識別的方法存在一些問題。由于需要將稱重部件埋置于路面以下，因此會造成既有橋面的破壞性施工，同時也存在造價較高的問題。隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，越來越多的研究人員開始利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行車輛荷載的識別分析。目前相關(guān)的方法有：發(fā)明專利(申請?zhí)枺?02010498366.1，名稱：基于稠密卷積神經(jīng)網(wǎng)絡(luò)的橋梁車輛荷載時空分布識別方法)、發(fā)明專利(申請?zhí)枺?2011315926.1，名稱：一種橋梁車輛時空荷載監(jiān)控方法)、和發(fā)明專利(申請?zhí)枺?020111288588，名稱：一種基于道路物聯(lián)網(wǎng)監(jiān)測的車型與車重分類方法)。總之，這些發(fā)明利用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了車輛的荷載識別，但是無法識別車輛荷載的軸數(shù)、軸距等重要信息，也無法獲取車輛荷載準(zhǔn)確的空間信息，識別結(jié)果粒度較大，不能滿足精度較高的有限元計算。因此，進(jìn)行全橋車輛荷載的細(xì)粒度識別就顯得具有非常重要的實用價值和現(xiàn)實意義。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提出基于計算機(jī)視覺的橋梁車輛荷載時空分布細(xì)粒度識別方法，能夠利用卷積神經(jīng)網(wǎng)絡(luò)、計算機(jī)視覺和多目標(biāo)追蹤等技術(shù)，通過對攝像頭獲取到的橋面車輛行駛視頻進(jìn)行分析，得到車輛荷載的細(xì)粒度信息。

本發(fā)明解決其技術(shù)問題是采取以下技術(shù)方案實現(xiàn)的：

基于計算機(jī)視覺的橋梁車輛荷載時空分布細(xì)粒度識別方法，包括以下步驟：

步驟1、根據(jù)橋梁橋面的現(xiàn)場條件安裝監(jiān)控攝像頭，捕獲橋面車輛的行駛視頻；

步驟2、對步驟1中監(jiān)控攝像頭進(jìn)行詳細(xì)的標(biāo)定，得到監(jiān)控攝像頭內(nèi)部參數(shù)矩陣和外部參數(shù)矩陣以及監(jiān)控攝像頭相對于橋面的投影矩陣；

步驟3、創(chuàng)建模型訓(xùn)練和測試的數(shù)據(jù)集用于對深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)與檢測；

步驟4、利用步驟3得到的深度卷積神經(jīng)網(wǎng)絡(luò)對步驟1中行駛視頻的視頻幀進(jìn)行分析計算，得到車輛的類型、置信度、2D包圍盒以及車輛軸數(shù)；

步驟5、通過計算機(jī)視覺技術(shù)得到車輛的3D包圍盒；

步驟6、根據(jù)步驟5的車輛3D包圍盒，通過卡爾曼濾波算法進(jìn)行車輛追蹤，得到車輛時空分布信息；

步驟7、根據(jù)步驟6的車輛時空分布信息，通過跨監(jiān)控攝像頭多目標(biāo)追蹤的方法獲得車輛荷載的全橋時空分布。

而且，所述步驟1的具體實現(xiàn)方法為：調(diào)整監(jiān)控攝像頭的高度和傾斜角度，保證能夠拍攝到車道上行駛車輛的前、右和上三個表面。

而且，所述步驟2包括以下步驟：