基于机器视觉的城市高架桥梁超重超载动态预警方法与流程

1.本发明涉及一种基于机器视觉的城市高架桥梁超重超载动态预警方法。


背景技术：

2.城市高架桥梁，作为城市内大容量汽车专用干线，面临着巨大的超重超载风险，一旦高架桥梁发生事故，会导致不可挽回的生命财产损失。
3.城市高架桥梁与高速桥梁不同，高速桥梁的收费站点处设置的称重设备可以完全限制超载车辆的进入。但是，目前大部分城市内部的高架桥梁处于开放状态，均未配备动态监测系统，超载及超重问题只能依赖交通管理部门人工设卡检测，非检测时段仍然超载及超重问题严重，存在巨大风险。
4.如采用传统测量方法于城市高架桥梁之中，即需要将称重传感器布置于处于运营状态下的高架桥梁上，需要中断交通，安装及实现成本较高，且容易对城市高架桥梁产生一定损伤。


技术实现要素：

5.本发明要解决的技术问题是提供一种基于机器视觉的城市高架桥梁超重超载动态预警方法。
6.为了解决上述技术问题，本发明采用的技术方案是：一种基于机器视觉的城市高架桥梁超重超载动态预警方法,包括以下步骤：s1，通过至少一台第一摄像机利用机器视觉方法计算城市高架桥梁侧面标记点处的标记点位移数据，另外的，通过至少一台第二摄像机提取通过城市高架桥梁上的通行车辆的包括车辆核载限值的车辆信息；s2，基于计算出的城市高架桥梁实时变化的标记点位移数据，通过力
‑
位移计算模型计算城市高架桥梁上车辆的实际载重，所述力
‑
位移计算模型公式为：，，其中，为标记点处位移，f为标记点处车道上部所受的车辆的实际载重，为bp神经网络求解的模型参数矩阵，i为标记点编号，j为车道编号，i≥j；s3，将得出的城市高架桥梁车道上的车辆的实际载重分别与城市高架桥梁设定的超限阈值和车辆核载限值相比较，判断通行车辆的实际载重是否超重与/或超载，并将判断结果发送至市政管理部门与/或交通管理部门，完成对城市高架桥梁动态超重超载的预警。
7.在某些实施方式中，所述力
‑
位移计算模型的建立，利用多个已知载重的车辆通过城市高架桥梁的相应车道，计算各标记点处的标记点位移，基于bp神经网络，将车道上车辆已知载重输入bp神经网络的输入层，将标记点位移输入bp神经网络的输出层，通过训练学习得到力
‑
位移计算模型的参数。
8.在某些实施方式中，步骤s1中，利用特征点检测的方法计算城市高架桥梁侧面标记点处的标记点位移数据，包括：采用sift方法对标记点处多个特征点进行特征点检测，求出特征点的坐标变化，利用flann方法进行特征点匹配，通过特征点的坐标变化获取城市高架桥梁的图像位移，基于prosac方法对误匹配点进行剔除，利用比例因子方法对城市高架桥梁位移进行标定，得到所述标记点位移数据。
9.在某些实施方式中，对于利用特征点检测计算得到标定后的标记点位移数据，利用拉依达准则剔除标定后的标记点位移数据中仍然存在的随机误差，其中，拉依达准则表达式为：，，，其中，为绝对误差，为标准差，为获得的多个实验数据，n为数据个数，为数据平均值，当位移数据满足时，则判定为异常数据，将其剔除。
10.在某些实施方式中，所述标记点具有包括位于城市高架桥梁跨中位置在内的至少一个，所述标记点设置于城市高架桥梁的侧面。
11.在某些实施方式中，用于提取所述标记点位移数据的第一摄像机布设于城市高架桥梁的匝道或者侧面，用于提取所述车辆信息的第二摄像机布设于城市高架桥梁的匝道或者关键桥跨上。
12.在某些实施方式中，步骤s1中，利用车牌识别方法提取通行车辆的车牌号码，获取通行车辆的车辆核载限值。
13.在某些实施方式中，步骤s3中，将车辆的超重与/或超载的判断结果发送至市政管理部门与/或交通管理部门，包括：车辆超重，将涉及的城市高架桥梁变化信息和超重车辆信息推送至市政管理部门；车辆超载，将超载数值及超载车辆信息推送至交通管理部门。
14.在某些实施方式中，所述标记点为圆形十字对角黑白涂标。
15.在某些实施方式中，步骤s3中所述城市高架桥梁设定的超限阈值包括城市高架桥梁的结构允许最高荷载，或者还包括至少一个设定的常见超载车辆阈值。
16.本发明的范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案等。
17.由于上述技术方案运用，本发明与现有技术相比具有下列优点：本发明基于机器视觉的城市高架桥梁超重超载动态预警方法，采用机器视觉方法检测车辆通过高架桥梁时城市高架桥梁的位移变化，从而计算出车辆的实际载重，同样采用机器视觉方法提取该通行车辆的车辆核载限值等车辆信息，进而判断该通行车辆是否超重、超载，无需安装传统的称重传感器，对城市高架桥梁不造成损伤，并与传统传感器称重方式相比，测量成本低，安装方便，操作简单，可以快速应用于城市高架桥梁测量的各个场景，弥补了城市高架桥梁监管薄弱问题，能够遏制城市高架桥梁超重超载行为，保障城市高架桥梁安全。
附图说明
18.附图1为本发明基于机器视觉的城市高架桥梁超重超载动态预警方法的流程图；附图2为摄像机安装及标记捕捉示意图；附图3为超重车辆处理流程图；附图4为标记点安装示意图；附图5为摄像机安装示意图；附图6为摄像机捕捉的沿桥身方向分别具有多个标记点的城市高架桥梁；附图7为基于机器视觉方法计算的时间
‑
位移结果。
具体实施方式
19.如各附图所示的一种基于机器视觉的城市高架桥梁超重超载动态预警方法，通过采用机器视觉方法，对通行车辆及高架桥梁实时监测，从而计算出车辆的实际载重，找出超载车辆和超重车辆。
20.如图4、6，所示在监测之前，完成标记点的布设，在城市高架桥梁侧面设置多个标记点，标记点尽量设置于城市高架桥梁桥跨的跨中位置，只要是能够便于机器视觉识别的标记点都可以，标记点可以为专门设计涂设于桥梁上的图案，也可以为城市高架桥梁侧面本就存在并与城市高架桥梁有明显差异的标记，如汉字或者具有一定特征形状的物体皆可，本实施例中，标记点为专门设计的圆形十字对角黑白涂标。
21.如图2所示，在监测之前，完成摄像机布设，在城市高架桥梁的匝道或者侧面设置有一台用于拍摄标记点的第一摄像机；在城市高架桥梁的匝道或者关键桥跨上设置有一台用于拍摄通行车辆的第二摄像机，该第二摄像机连接城市高架桥梁上已有的用于车辆车牌识别的交通监控系统。
22.一种基于机器视觉的城市高架桥梁超重超载动态预警方法，包括以下步骤：步骤s1，通过第一摄像机利用机器视觉的特征点检测方法计算城市高架桥梁侧面标记点处的标记点位移数据，即通过城市高架桥梁在该标记点处的位移获取城市高架桥梁的结构变形数据，利用城市高架桥梁上已有的用于车辆车牌识别的交通监控系统，通过第二摄像机，提取通过该城市高架桥梁上的每一辆通行车辆的车辆信息，车辆信息包括车牌号码、车辆核载限值等。
23.其中，对标记点位移数据采用特征点检测方法，具体包括：首先采用sift方法对标记点处多个特征点进行特征点检测，求出特征点的坐标变化，然后利用flann方法进行特征点匹配，通过特征点的坐标变化获取城市高架桥梁的图像位移，再基于prosac方法对误匹配点进行剔除，然后利用比例因子方法对城市高架桥梁位移进行标定，得到标记点位移数据。
24.其中，基于特征点检测方法识别位移得到标记点位移数据后，位移数据中可能存在极大的异常值、随机误差，利用拉依达准则剔除标定后的标记点位移数据中存在的随机误差。其中，拉依达准则表达式为：，
，，其中，为绝对误差，为标准差，为获得的多个实验数据，n为数据个数，为数据平均值，当位移数据满足时，则判定为异常数据，将其剔除，最终得到优化的标记点位移数据。
25.步骤s2，基于计算出的城市高架桥梁实时变化的标记点位移数据，通过力
‑
位移计算模型计算城市高架桥梁上通行车辆的实际载重，力
‑
位移计算模型公式为：，，其中，为标记点处位移，f为标记点处车道上部所受的车辆的实际载重，为bp神经网络求解的模型参数矩阵，i为标记点编号，j为车道编号，i≥j。
26.步骤s3，将得出的城市高架桥梁车道上的车辆的实际载重分别与城市高架桥梁设定的超限阈值和车辆核载限值相比较，判断通行车辆的实际载重是否超重与/或超载，并将判断结果发送至市政管理部门与/或交通管理部门，完成对城市高架桥梁动态超重超载的预警。
27.其中，城市高架桥梁设定的超限阈值包括城市高架桥梁的结构允许最高荷载，或者还包括至少一个设定的常见超载车辆阈值。监测实施中，优先考虑超重车辆的识别，即超出城市高架桥梁承载能力车辆，因为保障城市高架城市高架桥梁的安全是对超重超载车辆识别的重要目的。但也会存在车辆未超出城市高架桥梁的结构允许最高荷载但超出车辆核载限值的情况发生，即超载未超重，针对此类情况，可以在设置城市高架桥梁荷载限值基础上增加常见超载车辆阈值。该常见超载车辆阈值是根据交通管理部门提供的数据中提取出的可能存在超载情况的常见超载车辆阈值。
28.如车辆实际载重超过城市高架桥梁的结构允许最高荷载，即车辆超重，则将涉及的城市高架桥梁变化信息和车辆信息推送至市政管理部门，便于市政管理部门根据情况对城市高架桥梁进行及时检测、损伤评估并修理；再判断车辆实际载重是否超过车辆核载限值，若超出，则车辆不仅超重还超载，对于超载车辆的处理，则将涉及的城市高架桥梁变化信息和车辆信息推送至交通管理部门，建议交通管理部门根据交通法规予以处罚。
29.车辆实际载重未超过城市高架桥梁的结构允许最高荷载，即未超重，但超过了设
定的常见超载车辆阈值，再判断车辆实际载重是否超过车辆核载限值，若超出，则车辆超载，则将超载车辆信息推送至交通管理部门，建议交通管理部门根据交通法规予以处罚。
30.比如，某城市高架桥梁设计的结构允许最高荷载为60吨，则车辆实际载重超限捕捉阈值为60吨。并且根据交通管理部门数据发现，市内许多大于40吨车辆存在较多超载现象，因此再设定40吨的常见超载车辆阈值。当120吨车辆通过高架桥梁时，需要对其进行超重捕捉，并通过车辆核载限值判定其是否还超载；当45吨车辆通过高架桥梁时，通过车辆核载限值只需判定其是否超载。
31.其中，对于力
‑
位移计算模型的建立，是根据材料力学理论，运营状态下的城市高架桥梁在无严重变形损伤的情况下，当车辆通过时，城市高架桥梁的变形通常处于材料变形的弹性阶段，根据简支梁跨中受集中荷载位移计算公式，其中，为梁跨中弹性位移值，f’为集中荷载，l为梁跨长度，ei为材料抗弯刚度。材料变形较小，处于弹性阶段时,ei为固定值。根据该简支梁跨中受集中荷载位移计算公式可知，梁跨中弹性位移值与集中荷载f’呈现正比关系,即桥梁位移值和桥梁所受荷载呈现正比关系，从而建立力
‑
位移计算模型，，为标记点处位移，为力
‑
位移计算模型的参数，f为标记点处车道上部所受的车辆的实际载重，考虑到车道可能有多条，分别安排多个已知载重的车辆分别通过城市高架桥梁的相应车道，分别计算各车道标记点处的位移，基于bp神经网络，将车道上车辆已知载重输入bp神经网络的输入层，将标记点位移输入bp神经网络的输出层，通过训练学习得到力
‑
位移计算模型的参数，得到：，其中，i为标记点编号，j为车道编号，i≥j ，为bp神经网络求解出的力
‑
位移计算模型的参数矩阵，为标记点处位移矩阵，为标记点处车道上部所受的车辆的实际载重矩阵。
32.如附图6，以下以城市内双向六车道的桥梁为例，首先在桥梁主梁侧面安装具有可识别特征的标记点，由于石湖大桥为双向六车道，单向三车道，故一侧标记点数量设置为11个，并安装用于城市高架桥梁识别的摄像机，并利用石湖大桥上已有的交通监控用于车辆车牌识别。
33.系统施工安装完成后，需要通过荷载试验确定模型参数k，可以将5吨，10吨，20吨，30吨等不同已知载重（试验车辆载重需在城市高架桥梁允许范围内）的车辆分别从不同车道通过标记点所在位置，利用交通监控识别车辆并记录车道号和载重数值，利用城市高架桥梁变形监测第一摄像机获取不同标记点处位移数据，并将获取的信息输入bp神经网络模
型进行学习，其中，bp神经网络模型计算时，所选择标记点数与车道数保持一致即可。桥梁车道从内侧向外侧依次编号（车道1，车道2，车道3），选择桥跨中间位置的三个标记点作为实验标记点。荷载试验确定模型系数矩阵：[0. 82,0.86,0.91; 0. 86,0.89,0.98; 0. 84, 0.89,0.93]。
[0034]
基于机器视觉对城市高架桥梁超重超载动态监测，根据标记点2的位移识别结果（如图7）可以看出，城市高架桥梁位移发生较大变化，通过交通监控发现，该时间段内有且仅有第3车道有车辆通过，提取该标记点的位移峰值，分别为14.98mm和6.13mm根据模型计算系数矩阵，标记点2在第3车道的计算系数为0.98t/mm，计算得出分别通过的两辆车辆载重为15.29吨和6.26吨，石湖大桥设计车辆荷载为城市a级，55吨，由此看出通过的两辆货车并未超重。
[0035]
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。