文摘

收集信息的交通负荷,特别是重型卡车,是桥的关键统计分析,安全评价和维护策略。本文提出交通传感方法,结合了基于深度学习的计算机视觉技术和线理论的影响。从两方面介绍了理论背景和派生的结构分析和计算机视觉技术。此外,评估的有效性和准确性提出交通传感方法通过实地测试,执行系统分析在连续箱梁桥。结果表明,该方法可以自动识别车辆的负载和速度与前途的效率和准确性和最重要的是成本效益。所有这些特性使提出的方法论的一个理想的桥梁动态称重系统,尤其是对桥梁已经配备了结构健康监测系统。

1。介绍

现代桥梁主要是构建交通的目的。因此,收集交通信息包括车辆重量、速度、数量、类型、时空分布,对桥梁设计优化至关重要,安全评价和维护策略(1- - - - - -3]。为此,许多研究对交通信息进行识别。在这些方法中,bridge-weigh-in-motion(测点)技术突出显示(4,5]。

测点技术背后的概念最初提出的摩西(6),检测桥梁的磅秤估计车辆的重量。与其他动态地磅(WIM)技术相比,如pavement-based WIM系统(7,8),测点技术有成本效益的、持久的和公正的,因为他们并不影响重复轴负载和不需要中断交通减少了人行道上。所有这些优势使测点更好的工具来衡量车辆,尤其是重型卡车,吸引了很多后续研究和工程应用。到目前为止,这个研究课题进展显著等众多方面的识别结果,如针对不同移动载荷识别(9- - - - - -11),或类型的传感器,如便携式加速度计(12]。

最简单实用的测点的技术验证了实地测试车辆总重量(总)。这种识别方法是基于静态影响线/面理论,已应用在摩西他最早研究[13]。不过,关键问题出现在获得准确的结果同时当多个车辆过桥甲板或横移14]。在这个场景中,结合补充车辆位置信息和影响表面而不是影响线可能有助于缓解该问题。桥上的车辆位置,交通雷达等传感器,路管、和嵌入式轴探测器由施耐德等建议。15]。可悲的是,这些传感器太昂贵的大规模安装在实际结构。另外,肖et al。16和山口等。17)创新利用正交异性钢桥的纵向肋骨菌株检测车辆轴的横向位置。不幸的是,没有肋骨的混凝土桥梁是对单轴加载,使得这种结构。该方法无效Yu et al。18)提出了一个新颖的测点算法,能够识别一个车辆在桥上的横向位置通过使用只有7个应变仪安装横向梁的底部。纸,但是,承认识别多车的存在仍然是测点技术面临的主要挑战之一。

解决多车存在挑战,利用视觉信息是一个创新的和可行的解决方案的基础上大量的桥梁已经装有监控摄像头近年来的交通监控。事实上,丰富的视觉信息记录的监控摄像头可以获得准确的车辆在桥上甲板的位置只有一个共同的网络摄像头。陈等人。19]提出了一种识别方法的交通负荷的时空分布,从pavement-based WIM桥梁使用信息和背景减法技术。这种方法依赖于高质量的视频图像,这限制了其应用范围。该方法的另一个缺点是,它是nonsemantic,这意味着视频图像中包含的深层信息,如类型和轴的车辆数量,很难获得。也存在类似问题的研究旨在检测车辆轮轴使用传统的计算机视觉技术[1,20.]。

近年来,深学习方法可以显著提高艺术在视觉对象的状态检测和识别以惊人的效率和鲁棒性21]。受到计算机视觉技术的巨大进步启发,本文提出一种交通信息识别方法结合影响线理论和基于深度学习的计算机视觉技术。

本文组织如下。首先,这两个方面的理论背景结构分析和计算机视觉技术。接下来,在箱梁桥进行了实地测试评估拟议的方法在各方面。最后,优势和潜在的工程应用的方法进行了讨论。

2。结构分析

2.1。桥梁响应分析

最有关的交通信息是车重。来估计车辆重量、测点技术通常使用菌株的桥梁。因此,桥梁结构应变分析车辆的过程中重量识别至关重要。

大多数测点系统应用与中小跨度桥梁梁由于其结构简单。与大跨度桥梁相比,中小型跨度梁桥梁执行线性弹性在正常操作,使他们理想的重量表来估计车辆的重量。此外,对这些桥梁是相对简单的负载的影响,可以表示如下: 在哪里是直接测量桥应变;是应变的桥梁由环境因素引起的,如温度、风、轻微的地球的脉搏,和混凝土的蠕变;是应变引起的桥梁的车辆,包括动态吗和静态组件。

根据影响理论,静态组件将提取的通过过滤和交通荷载识别的目的。在这篇文章中,过滤过程分为两个步骤:(i)强劲时程曲线平滑和减从得到 ,和(2)时程曲线是平滑的 。整个过程如图1为直观的插图。

实现时域滤波过程中,当地的回归算法命名为局部加权使用散点图平滑(洛斯)。该算法的主要景点是准确性和方便。它不需要指定任何形式的全局函数以适应模型数据,只适合部分的数据,以便达到满意的局部精度。根据克利夫兰和德夫林(22),洛斯表示的基本原理如下。

首先,洛斯属于回归分析,旨在适应数学两个序列之间的关系和 。在这篇文章中,被认为是时间序列 ,而是应变数据序列的桥梁 。

洛斯采用多项式回归模型,表达的是(23] 在哪里的系数多项式回归模型,多项式的顺序,是随机误差,是当地序列段的长度。在洛斯, 几乎总是应该提供足够的光滑和计算效率。

得到适当的系数多项式的洛斯选择加权最小二乘估计方法,这意味着的值最小化以下函数: 在哪里权值定义为所有 。tri-cube权重函数是用来提供足够的平滑效果。

因此可以获得的

最后,平滑的结果 在哪里是平滑变形序列。

在预选 ,多项式的顺序 ,权函数,只剩下参数定义,是本地序列段的长度, 。该参数可以选择的基础上的数据属性。在这篇文章中,选为50当平滑时程曲线。因为梁的振动周期最长的桥梁小于1 s轨道,和应变传感器的采样频率在这个研究是固定在50 Hz,这意味着每分钟50个数据点记录。选择数据序列段的长度为50局部平滑足以过滤从因此。同样的, 可以平滑的假设吗时程曲线当车辆穿过小或中等跨度的桥梁。在这些情况下,频率通常是在10年代。

洛斯算法能够平滑时程曲线来获得想要的 。然而,使用洛斯平滑可能不够令人满意。相比之下, ,车重引起的应变变化更显著。因此,明显的峰值会扭曲平滑结果如图2。

为了防止严重不正常的数据扭曲平滑的结果,健壮的局部加权回归(RLOWESS)算法的基础上提出了洛斯(24]。基于剩余的大小 ,一组不同的权重, ,被定义为每一个 作为 在哪里是健壮的权重系数, 是平滑残余,的中位数是 。通过引入 ,大残差导致小重量和小残差导致大重量。通过这种方式,产生的失真严重异常数据点可以有效地减轻如图2。

2.2。影响线校准

桥的影响线可以用来衡量车辆和测点分析的重要工具。事实上,获得足够的精度影响线的关键测点系统获得令人信服的结果。根据测点先前的研究,有两种方法来获得一座桥的影响线。一个是理论模拟方法(6,25,26),另一个是标定方法进行实地测试(8,27]。

显然,数值模拟无法完全再现实际桥梁的力学行为。为了填补这一空缺,一个方法拟合应变与应变测量数据磁场影响线校准测试提出了。该方法包括以下两个步骤。

步骤1(从理论上推导出影响线的形状)。在第一步中,的理论应变影响线的形状分析梁桥。根据结构力学,最常见的一种方法来获得选择梁的影响线部分是运动的28]。
正应变的选择桥梁截面是用来衡量车辆在这工作。众所周知,Euler-Bernoulli梁的正应变理论指出,选择垂直荷载作用下梁的截面弯矩成正比。根据得票率最高和基尔(29日),可以表示成比例关系 在哪里是一个点的法向应变梁截面选择,是横截面的弯矩,点之间的距离和横截面的中性轴,梁材料的弹性模量,横截面的惯性矩。
方程(8)表明,选择梁横截面上的一个固定的点,正常的压力这一点与弯矩成正比在横截面。因此不动点的应变影响线的形状类似于所选截面弯矩影响线的不动点的位置。换句话说,可以说,这两个影响线条比例。
为了说明运动学方法four-span连续梁呈现在图3节点从A到E。该方法假定的一个元素在选择截面梁,部分在图3,取而代之的是一个理想的铰链。它允许两个部分之间的相对旋转梁和一个系统以这种方式获得一个自由度。如果一个负载应用在任何时候的活动系统,平衡,一对两个大小相等、方向相反的反弯矩吗在铰链是必要的。可移动的同时,虚拟位移系统将产生的负载。左边的可动部分 ,位移曲线是线性的,正确的结构部分- e位移曲线是一个立方(29日),如图3。
根据虚功原理,对应的虚功之和的负载和这对夫妇相当于零 在哪里是总角位移两部分之间的梁和是点的垂直位移载荷P。因此指弯矩影响系数的选择部分 ,图的结构位移影响线的形状。

步骤2(校准派生影响线的实地测试数据)。在第二步中,应变影响线的数值从现场试验数据校准。图3说明了影响线可以数值拟合后引入真正的测量(我)在点现场试验获得的 , , ,和(也就是说 , , ,和 )。
标定方法首先安排一个校准卡车与已知重量为几次过的桥,如图4(一)所示。
由于桥梁通常是相对于汽车轴的间距,车辆总重量比个人更重要轴负载(30.]。除此之外,对于线弹性结构,力学的叠加原理工作的。考虑到这一点,车辆载荷可以简化为集中载荷 ,这是写成 在哪里是车重,重力加速度。
根据影响线理论,将会有一个极端的应变时间历史曲线记录由一个固定的应变传感器当移动载荷通过桥跨。对于一个four-span连续梁桥校准通过的卡车,定点的时程曲线桥有四个极端,如图4 (b)。的变形量 , , ,和发生在校准卡车通过横截面 , , ,和 。那么它是可行的数值符合所需的点的应变影响线9分的选择部分,~ E和 在图3,其中确定的坐标。
最后,应变影响线规范化获得测点的车重之间的直接关系和桥梁应用方便。归一化方程如下: 在哪里是单位车辆的静态应变引起的体重,然后呢获得的价值影响线的压力。校准应变影响线的一个例子是图所示4 (c)。在这个图中,四个单位车重静态应变值( , , ,和 )被认为是。正如前面所讨论的,多项式拟合目的取决于订单的顺序位移曲线。
这个校准过程的影响线有许多优点,如计算低,操作简单,不需要关闭交通,使方便调整如果插装的桥的力学性能变化(31日]。然而,值得注意的是影响线的使用,而不是影响表面(32),是一个简化为真正的桥梁,因为车辆可能对桥梁横向移动。但是这种简化仍然是可接受的假设下重型卡车这研究侧重于很少改变过桥时的行车道。

3所示。计算机视觉技术

3.1。深度学习的方法

卷积神经网络(CNN)是一种最明显的深度学习方法用于目标检测、分类和分割任务(33]。在这里,学习意味着CNN自动学习有用的特性从训练数据和区分目标对象和其他基于这些特性。实际上,这就是人类认识对象。CNN因此分为人工智能(AI)的方法。学习能力是一个质的飞跃在传统的人工特征提取方法,因此可以大大减少操作的工作量。此外,智能字符也提高了鲁棒性和泛化能力因为不变性的复杂背景下,几何失真和照明。

由于这种优势,新的基于CNN的计算机视觉算法有更好的性能不断提出,和大部分都是开源的。本研究应用最先进的算法命名YOLO V3意思实现车辆识别任务的多尺度和更深层次的特征提取能力和识别速度最快最新的(34]。应用程序有以下三个步骤。

步骤1(准备训练数据集)。如前所述,基于CNN的计算机视觉算法不会工作没有有效的培训。因此训练数据集需要准备YOLO V3意思算法。准备工作包括挑出部分的视频车辆存在和手动标签汽车,卡车,和车轮在每个视频帧,如图5(一个)。本文共有1000个视频图像具有相同相机视角选择作为训练集和不同类型的对象,包括汽车、卡车和车轮在每张图片的标签。

步骤2(培训CNN YOLO V3意思)。CNN本质上是一组体重系数能够识别对象使用一个图像的像素数据。错误是不可避免的在识别的过程中,训练CNN打算获得最优权重系数,最大限度地减少错误。为此,梯度下降法(33本优化问题中使用。这种技术状态 在哪里承认错误,CNN的重量,是收敛阈值。
数值迭代需要实现(12),迭代过程如图5 (b)。在这个研究中,迭代时间六小时训练过程中设置为10000 1080 ti NVIDIA GPU加速。

步骤3(应用YOLO V3意思)。训练有素的CNN获得后,YOLO V3意思是用来识别车辆实时。识别在这个研究结果很满意的在不同的场景如图6。值得注意的是,密集车轮成功识别,如图6 (c)的灿烂的识别能力,证明YOLO V3意思算法。公认的像素坐标的检测框是为进一步收集车辆定位的任务。
车辆重叠和照明不足可能产生不可避免的识别错误。神经网络训练集和多元化利用红外摄像机在黑夜将有助于提高识别精度。

3.2。坐标变换

成功识别YOLO V3意思算法后,车辆的准确位置待定。为解决这一问题,建立了坐标系如图7(35),提出了一种坐标变换方法的工作。有两种坐标系统的坐标变换的过程,也就是说,摄像头像素坐标的视频图像,如图7(一)和空间坐标在现实世界中,如图7 (b)。它们之间的关系如图7 (c)和7 (d)分别在相同的参数标志是相等的。关系的基础上,一个点的空间坐标 可以转移到飞机上像素P(x,y,z)如下: 在哪里是相机的焦距和是两个相似三角形之间的相似系数。

在空间坐标,桥面可以被视为一个空间平面由以下方程: 在哪里x,y,z是观察到的对象的空间坐标如卡车,然后呢一个,B,C,D是未知参数确定桥面平面方程。如果桥坡可以忽略不计,这是通常的情况下,x和直接确定车辆在桥上甲板的位置。然后车辆坐标获取后甲板上是可以实现的一个,B,C和D。

本能地,摄像头的位置和方向都需要获得参数一个,B,C和 。然而,现场条件,如沉重的交通流,使其很难获得这些信息。为了解决这个问题,本文提出一种方法来获得一个,B,C,D直接从视频图像不知道相机的位置和/或它的方向。该方法只需要两条线的长度相等的空间形象。例如,行和在图8有平等的长度为3.75米。他们的端点的坐标可以直接测量的图像。

根据图8,可以写两行之间的关系如下: (在哪里 ),( ),( ),和( )端点的坐标吗 , , ,和 , 和线的相似系数,L是线的长度。(15),参数两条线可以分别计算,然后四个端点获得空间坐标(13)。用坐标的四个端点的两条等长的线(14),四个未知数一个,B,C和可以直接获得。

这种方法的主要优势是它的简单性,而代价是假设参数精度的损失等于为端点和以及和 ,这是事实,当选择行从相机和足够远线长度短。另一个明显的误差源来自相机成像畸变,这是复杂的,本文不讨论。图9由上述方法描述车辆轨迹跟踪。

4所示。实地测试

4.1。测试设置

为了验证提出的交通信息识别方法的适用性在现实结构中,进行了实地测试在一个32 m + 37 m + 32 m + 32 m Baoding-Duping公路混凝土连续箱梁桥,中国。总共有三个车道在桥上,和他们每个人都是3.75米宽。在这些交通线路,lane3是紧急车道禁止车辆在正常情况下开车。这座桥是稍微弯曲,弯曲半径2600米,中央2.93°角;因此,分析曲率的影响可以忽略不计。结构健康监测系统由pavement-based WIM系统,6个电阻型应变传感器,摄像头是安装在这座桥上。所有的讨论信息如图10。

实地测试,正常应变数据收集的6个电阻型应变传感器安装在第一的中跨部分跨度并存储在一个在线服务器。摄像头录制的视频也可以,长期在线应用提供了依据。车重和速度被pavement-based WIM系统作为对比来评估这个提议的方法的准确性。

4.2。校准测试

首先,现场校准测试图中给出的车道10 (b)实施后一节中提到的方法吗2.2前面。这样做,一个普通车重14.86吨,如图11被安排在测试桥的四倍。详细的测试条件如表所示1。Lane3被忽视的校准,因为它是紧急车道禁止车辆在正常情况下开车。

图12显示了影响线“S6”应变传感器的校准结果图10 (b)。test1和test2之间的差异,以及已经将test3和test4轻微,验证提出的影响线校准方法的可行性和可靠性。也观察到交通的影响价值lane1大于lane2,作为应变传感器位于接近lane1 S6。

4.3。应变数据处理

接下来,应变数据收集的6个电阻型应变传感器,如图10,与洛斯处理算法中提到的部分2.1这篇论文。把一段加工应变随时间的变化如图(13日)作为一个例子,一个明显的高峰值的数据之间的线性关系的应变传感器安装在同一个web观察到在图框13 (b)。线性关系确认飞机部分Euler-Bernoulli梁理论的假设中提到(8),从而验证了应变数据处理方法的有效性。

4.4。以上计算

车辆总重量(以上)可以通过结合校准应变影响线计算,处理桥菌株和车辆的位置。基本上,只有三个基本车辆分布场景呈现在图14。他们是单独的车辆在图(14日),一个接一个车辆在同一车道在图14 (b)并排,车辆在不同的航线图14 (c)。

第一单车辆的情况下,它是简单的计算车辆的重量通过以下方程: 在哪里是车辆诱导静态应变信号的峰值,是校准的峰值应变影响线,然后呢是以上的车辆。

第二一个车辆的情况下,以上第一阵线的车辆仍然可以通过计算(16)。之后可以计算后方车辆的总减去前面的影响车辆的总已经知道。这个过程是写成 在哪里的峰值后车辆诱导静态应变信号,应变的影响值与前面车辆的位置,可以获得上述计算机视觉技术的帮助下,是前面车辆的总计算(16),是校准的峰值应变影响线的交通车道后方车辆驱动,然后呢的总车后方车辆。

重要的是要强调使用(16)计算前面车辆的重量在一个接一个的车辆队列不适用情况下后方车辆进入桥前前面车辆通过的桥梁截面,因为在(16)包括后方车辆在这种情况下的影响。幸运的是,这个问题并不存在在这个研究;相当大的安全裕度,不少于30米,前方和后方车辆之间,是中国要求在高速公路上开车时。之间的距离检测截面和桥的起点,然而,只有16 m。

挑战就出现在两辆车并排行驶,然而。在这个场景中,一个应变信号峰值对应于两个无法区分车辆,使上述以上计算方法无效。

最后,一段15分钟的应变信号和视频没有卡车并排的时候进行了分析。汽车被忽略,共有61辆卡车的权重计算。统计数据的相对误差与pavement-based WIM系统识别的结果列在表中2。块的总结果六个传感器S1 ~ S6也显示在图15,每个点对应一辆车。在这个图中,远点的基线,误差越大。

根据以上计算结果,虽然错误的几个汽车非常重要,其余的精度仍然是可以接受的,除了结果基于应变传感器名为S1和S4。近距离的截面中性轴S1和S4解释了他们的重大错误。因为,在平面部分的假设下,越接近中性轴应变传感器,其应变值越小,相对误差较大的相反。为了避免这个问题,测点传感器应该安装在远离截面中性轴精度高。

4.5。车辆速度计算

从理论上讲,可以通过计算瞬时速度的车辆(18),在每个视频帧识别车辆位置和固定帧之间的时间间隔。 v是车辆速度和在哪里一段时间内车辆位移 。

然而,计算瞬时速度的车辆出现大幅波动。在三秒内车辆的平均速度,这意味着 ,计算而不是瞬间,计算结果相当准确,如图16。错误的平均值为-0.8%,误差为9.2%,标准偏差和错误的最大值是23.1%。

4.6。车辆类型和轴的认可

识别密集轴,包括串联轴,是一个关键因素,以确保准确分类的过往的车辆。实时交通特征有利于资产管理公司的一座桥上和桥梁的业主,因为它提供了对过往的车辆配置的统计数据。nothing-on-road(也)技术通常是利用获得的信息的轴传感器位于桥主梁(下面36,37]。

作为补充,本文获得车辆的信息类型和数量的轴与视觉信息所提供的只是一个摄像头。数据6(一)和6 (c)表明,训练有素的YOLO V3意思算法能够直接识别车辆类型和数量的轴类似于人类。车辆类型识别精度100%和61辆卡车的轴识别结果(包括6卡车2轴)和50辆汽车在现场测试如图所示17,这与pavement-based WIM相比仍然是相当满意的。错误是不可避免的,因为车辆重叠,摄像头的视角有限,照明条件。例如,如果汽车是被卡车与大尺寸或照明很昏暗,轮子的汽车将不被认可。例如,如果汽车是被卡车与大或照明很昏暗,汽车车轮将不被认可。这就是为什么计算机视觉做了错误的决定。这个问题没有出现在pavement-based WIM如图17。

为了防止这些错误,可以调整摄像头的视角观察车辆车轮更清楚。提高视觉质量的另一种方法是使用一个红外摄像机来防止昏暗照明。

4.7。误差分析

尽管识别精度是可以接受的,误差分析必须进行进一步的改进。作者的知识,以下两个原因可能导致计算错误如图18:(1)交通车辆偏离车道和(2)车辆定位错误的计算机视觉技术。

指出,车辆在行车道上的一座桥不驱动器严格在某些情况下,但是,在这个研究中,只利用影响的车道线。这种假设会导致重大错误严重交通车辆偏离车道时呈现在图(18日)。减少这种误差,影响线可以取代表面的影响。

另一个误差源是不准确的车辆检测,如图18 (b),在多个车辆图像中重叠,导致定位错误。特定的标签针对这一现象和深层神经网络的训练集多元化有助于缓解该问题。

5。结论

交通传感方法本文提出了结合影响线理论和计算机视觉技术。进行了实地测试评估拟议的方法在各方面。这项工作可能上市的主要结论如下:(1)识别车辆的位置,特别是在横向方向经过一座桥时,相当测点系统解决多车问题的关键。介绍,第一次深度学习基于计算机视觉技术获取车辆在桥上的确切位置,成功解决了一个汽车场景为测点多车问题研究的平均重量误差在5%以内。(2)时间序列平滑算法,洛斯,是一种有效的工具来提取静态组件从直接测量桥梁的响应。然后,影响线或影响真正的桥可以很容易地校准表面测点的目的。(3)现场测试,验证了基于深度学习的计算机视觉技术是高度稳定和有效识别车辆在桥上以实时的方式。因此,被证明是一个有前途的交通传感技术。(4)提出交通传感方法能够识别车辆重量、速度、类型、轴数,和time-spatial分布在中小跨度梁桥梁以具有成本效益的方式,尤其是对于那些已经配备的桥梁结构健康监测系统和监控摄像头。

数据可用性

视频和测试数据用于支持本研究的结果中包括这篇文章。

的利益冲突

作者宣称没有利益冲突。

确认

本文由中国国家重点研发项目支持(2017 yfc1500605),上海市科学技术委员会(dz1204300 17日和18 dz1201203),中央大学和基础研究基金。