本帖最后由 近ij 于 2023-10-8 08:59 编辑
进入21世纪，中国国民经济发展迅速，使得交通量不断增加。而新工艺、新材料、新技术的产生使桥梁结构形式日益复杂，其结构越来越轻型美观，安全性也得以提高。与此同时，行驶于桥上的车辆荷载、车速以及车流密度也逐渐加大，桥梁在车辆荷载作用下结构构件响应愈加显著，使构件产生形变、疲劳、破损等劣化现象。
称重系统是最早进行车辆荷载测量和记录的方式，通过收费站静态称重系统进行车辆称重(图1)，记录上桥车辆荷载信息,该系统需停车测重，影响通行效率。上世纪后期动态称重系统(Weigh-in-Motion,WIM)的问世,通过在路面增加压重传感器，实现不停车测重，同时记录通行车辆信息，在一些重要桥梁上得到较为广泛的应用。然而WIM系统仅能获得车辆通过传感断面的车道和轴重信息，难以捕捉车辆横向位置、换道情况，缺乏车辆在桥上行驶的更多信息。
随着计算机技术和人工智能的进步，车辆视觉识别系统弥补了WIM系统的不足，可以获得车辆在桥面的位置分布、车辆轨迹、车速分布等信息数据，两系统信息融合后可实现桥梁性能的精准评估和运维管理，具有相当广阔的应用前景。
车辆“一维”信息——车辆动态称重（WIM）
动态称重系统（Weight-in-Motion, WIM）是一种用于实时测量车辆运行时重量的技术。它通常安装在路面上，利用压电、电磁等传感系统，对驶过车辆引起的动态响应进行电信号捕捉，进而通过预设的信号处理算法，实现车辆重量、轴重等信息感知和数据记录。
由于WIM系统通过单点式车辆称重传感器，感知分车道车辆在通过WIM断面时的车重信息和粗糙位置（车道），因此获得的车辆信息可认为是“一维”信息。
基于压电传感的WIM系统传感工作原理
当车辆通过压电式传感器时，系统记录下传感器产生的电荷并实时计算动态荷载，通过一定的算法对车辆的静态轴重进行估计。为记录车型、车速和轴距等交通参数，一般需辅以车辆检测器，如图3所示；有时亦可用两个压电传感器来代替，通过测量车轴数量、车轴间隔和轴重来使系统对车辆进行分类。
WIM系统数据格式
在对原始传感信号进行处理后，WIM系统获得的车辆荷载数据格式大同小异。为使数据结构化，可以使用标准的文本格式（如CSV或JSON），也可采用专有需解码的二进制格式，具体取决于系统设计和应用需求。以每行表示一辆车，其信息字段包括车辆通过WIM系统的关键信息：车辆识别信息、时间戳、车速、车辆总重量、轴重和轴数、车型和车种、数据质量信息。
基于WIM数据的桥梁应用
近年来广泛安装的WIM系统获得了全天候的车辆通行荷载数据,对于在役桥梁交通管理、性能评估等方面发挥了作用。
在交通管理上，使用WIM数据可以统计车辆的通行数量与时间分布，这些基础性信息对于了解桥梁的使用频率、通畅程度和分时流量是必要的。此外，通过WIM系统的实时监测，可以按照既定阈值筛选出超载车辆，并及时采取相应措施。
在性能评估上，通过WIM数据可以获得车辆的重量信息和上桥时间，通过对比桥面车辆荷载值与桥梁设计承载能力，能够评估桥梁安全性能。若超过设计承载能力，则需要限制通行重量或考虑桥梁加固等措施。此外，根据车辆的轴数、轴重和轴间距，建立车辆疲劳荷载模型或随机车流荷载模型，从而计算结构疲劳细节处的损伤情况，实现桥梁疲劳寿命评估。
WIM系统存在的问题及解决方法
特大桥梁的车辆荷载动态监测是桥梁运营期间的重要监测项目之一。传统的动态称重系统（WIM）虽可收集车辆荷载信息，但存在数据丢失、间断和异常等问题（图4），其维护成本高且数据质量差。
现阶段，一种新型的监测方法开始崭露头角，即利用ETC收费站的车辆数据，配合摄像头机器视觉技术和深度学习算法，对运营期间桥上车辆荷载的动态监测(图5)。通过打通ETC门架收费站数据与结构监测数据的信息壁垒，可获取桥上车辆关键信息，并模拟时空分布位置。结合深度学习算法应用车重-轴距-轴重千万级数据训练的学习模型，可以准确监测特大桥梁的各类车型的轴重时空位置。 ETC收费站数据、摄像头机器视觉技术和深度学习算法三者融合，更有效地进行车辆荷载动态监测，大大提升精度和效率，不仅提高桥梁安全性，降低维护成本，也为桥梁荷载监测领域提供了一种全新的研究与应用方向。
车辆视觉识别系统
桥梁车辆视觉识别系统是通过在桥上安装摄像头或其他视觉传感器捕获桥上通行车辆图像，并利用计算机视觉算法对车辆进行自动识别和分析。该系统旨在实时监测桥梁的车流量、车辆类型、车速等信息，以实现桥梁智慧化管理和监控。
桥梁车辆视觉识别系统有一些明显的优势，主要包括三个方面：一是非接触式，通过摄像头等视觉传感器实现车辆的无接触式捕捉，无须车辆直接驶过称重设备；二是多功能性，桥梁车辆视觉识别系统在车辆识别和监测的同时，还可以安全监控和违法车辆识别；三是安装灵活和维护成本低，摄像头的安装不需要建造复杂特殊的设施，相对于其他车辆监测系统更加便易和经济。
1.原理和方法。车辆视觉识别系统通过获取车辆图像，并经过预处理、车辆检测、特征提取、车辆跟踪和可视化等步骤，实现对车辆的实时监测、追踪和分析。其核心技术包括高分辨率摄像头、深度学习算法、目标检测与跟踪算法、实时图像处理和显示等技术，整体上可分为两大部分。第一部分为视觉传感。首先进行图像获取，即用摄像头或其他视觉传感器获取车辆图像，获得连续单帧图像或视频流，需要基于光学成像原理进行可靠的摄像头安装布局。由于原始图像或视频帧经常受到环境干扰，因此必须对图像进行预处理，如去噪、增强和校正等，以提高图像质量及减少干扰。同时，由于图像是一种降维投影，因此需使用已知尺寸的物体作为参考，通过几何计算和图像处理技术，建立像素坐标和实际物理坐标之间的映射关系，从而实现图像中车辆的测量和定位。第二部分是视觉识别。首先是车辆位置检测，基于深度学习技术理论，使用目标检测算法在图像中定位和识别车辆的位置，常用算法模型包括YOLO（You Only Look Once）和Faster R-CNN（Region-based Convolutional Neural Networks）等。通过车辆检测仅得到单个图像中的车辆位置信息，因此还需要使用目标跟踪算法追踪车辆，形成车辆唯一的标志。常用算法为基于滤波器的跟踪算法，如卡尔曼滤波器和粒子滤波器，近年来出现了基于深度学习的目标跟踪算法，如DeepSORT（Deep Simple Online and Realtime Tracking）。最后将识别和跟踪的结果以可视化的方式呈现，如实时绘制连续视频流中的车辆边界框和标签。
2.数据格式。在合理地部署车辆视觉识别系统之后，不仅捕获桥面车辆视频数据，而且可获得车辆空间位置信息，因此能够得到图像文件数据、时间戳、车辆特征、车辆轨迹、车辆速度等信息，具体取决于系统设计和应用需求。其中，车辆特征数据是检测到的车辆纹理等特征，包括车辆类型（如小型轿车、卡车、公交车、摩托车等）、车辆颜色（红色、蓝色、白色等）、车牌号码（增设车牌识别算法获得的车牌号码）；车辆轨迹数据则通常以桥面坐标或其他地理位置表示方式存储，由于车辆在桥上的轨迹包含多个位置，该信息以数组格式表示。
WIM-视觉信息融合
通过传感器监测车辆的重量和轴数，WIM系统可以实时获取车辆通过桥梁的重要数据。而车辆视觉识别系统则利用摄影测量和图像处理算法，能够识别车辆的位置、类型、特征和行为。将WIM系统和车辆视觉识别系统进行融合，可获得车辆“二维”数据，即车辆轨迹构成的时空荷载位置信息。与“一维”的车辆载重信息相比，WIM-视觉信息融合技术提升了观测维度和信息广度。
从融合优势来看，首先两者信息互补，WIM数据获得了车辆总重、轴重等精确信息，而视觉系统提取了车辆速度、换道、精确位置等信息，二者融合产生的“二维”数据形成了桥面通行车辆完整数据。其次对于同类信息，两者之间能够互相校验以提升车辆检测结果准确性，如两系统均能获得车辆类型和特征，通过两源数据的对比验证能够降低各自错误率，获得更可靠的检测结果。
从融合方法上看，首先进行数据整合，需要将来自WIM系统的车辆重量数据和来自车辆视觉识别系统的车辆时空数据进行整合，确保数据之间的时序和一致性，使得两种系统所获得的信息能够对应同一辆车。其次进行信息关联，将车辆视觉识别系统中识别到的车辆特征与WIM系统中所记录的车辆重量加以关联，通过车辆的标志符或时间戳等方式，将两种系统的信息进行匹配，形成一一对应的数据关系，形成车辆时空荷载信息（图8）。最后实现在融合过程中对数据进行处理和分析，以期获得更有价值的信息，例如将车辆重量数据与视觉类型进行关联，得到不同类型车辆的重量分布情况。
WIM-视觉信息融合的桥梁应用
通过WIM-视觉信息融合，形成了“二维”车辆的荷载监测模式，不同于仅使用WIM数据的桥梁管理应用和结构性能评价，该模式基于车辆时空荷载信息，可以实现更有效的管养、更精准的评估，补充或完成WIM系统无法实现的任务。例如：
1.车辆二维荷载谱：融合WIM和车辆视觉识别系统的数据，可以生成车辆的二维荷载谱。该荷载谱不仅考虑荷载重量，还包括车辆的位置和形态等信息。相比传统的基于WIM的一维荷载谱，二维荷载谱提供了更详细更准确的荷载信息，有助于桥梁结构的强度评估、疲劳寿命预测和动力响应分析。
2.主梁疲劳损伤评估与管理：将WIM和车辆视觉识别系统的数据加以融合，可以得到大量的荷载数据和车辆行驶轨迹，准确分析桥梁的荷载时空分布情况，并通过有限元分析精准地计算出主梁每个疲劳细节的损伤度。与采用疲劳荷载谱或随机车辆荷载模型相比，该数据能更准确地评定特定桥梁在特定时间段内的疲劳损伤程度。基于这些评估结果，可以制定相应的维修养护策略，延长桥梁的使用寿命。
3.约束装置服役性能评估与预警：基于实测的车辆时空荷载和分布信息，建立随机车流模型来模拟实际车辆运营情况，将该模型导入悬索桥有限元模型中，得到在车辆荷载作用下的梁端纵向位移特性，对评估约束装置服役性能、提升约束装置服役寿命具有重要的意义。
4.重载车辆换道模型：结合WIM和车辆视觉识别系统的数据，可以建立重载车辆换道模型。该模型结合车辆的重量、位置、形态和轨迹等信息，用于分析重载车辆在不同车道上的行驶特性。通过模拟和预测车辆换道行为，可以评估桥梁在不同交通情况下的荷载响应，从而优化车道设计、交通流管理和桥梁结构的安全性。
5.荷载影响因素分析：基于车辆时空荷载信息的桥梁运维应用,可分析和评估各种荷载影响因素对桥梁结构的影响。通过对车辆重量、位置、形态、速度、加速度等数据的分析,可识别不同荷载影响因素的贡献程度,有助于了解不同因素对桥梁疲劳、动力和振动等方面的影响,进而优化桥梁设计和维护策略,提高桥梁的安全性和可靠性。
由WIM和车辆视觉识别组成的桥梁“二维”车辆荷载监测方法，可实现由称重系统“一维”数据不能完成的重载车辆精准监测、二维荷载谱、疲劳损伤监测评估等应用,大幅提升桥梁运维管理的精细化、智能化程度,提高桥梁构件性能评估的精准程度。“二维”车辆荷载监测方法，已成为桥梁车辆监测的趋势，在未来将大有可为。
——文章转载于“桥梁视界”公众号，仅用于本站学习交流，侵权必删
| 
京公网安备 11010802022300号
