论文发表:一种改进的面向大跨度桥梁全桥面交通荷载分布的长期监测系统

1、 摘 要

因此，本研究着眼于大跨度桥梁的 FBTL 长期监测，以宁波甬江大桥为背景分别就小目标检测、遮挡目标跟踪、车辆位置快速修正三个问题提出改进方案，并基于实桥试验展开讨论。主要贡献如下：

(3)  提出了一种车辆横向位置的快速修正方法，相比于现有多目标检测的修正方法，计算耗时降低 40% 。  

2、研究准备

本研究数据来源于浙江省宁波市甬江大桥，该桥安装了由动态称重系统、高清摄像机、 GPS 、加速度计、位移计与应变计等传感设备组成的桥梁健康监测系统。本文数据由桥面 4 台高清相机与 2 套动态称重系统采集，它们的布置如图 1 所示。

   

图 1. 甬江大桥全桥面交通荷载监测系统硬件布置

为了获取准确的图像 - 物理坐标转换关系，我们进行了多次现场标定试验以获取各台相机的精确内外参数，如图 2,3 所示。

   

图 2. 相机内参标定

   

图 3. 相机外参标定

为了训练适用于桥梁监测场景的车辆检测与跟踪模型，我们自制了一套专用于交通荷载监测的图像数据集，如图 4 所示。该数据集包含了不同光照条件下共 24348 张高清图片及对应的标注文件，涉及了轿车、公交、货车及它们头部尾部等共 9 个类别。

   

3、研究方法与试验结果

针对小目标检测问题，我们使用 YOLO-v4 网络架构与 Ve-YJ 数据集训练车辆检测模型，并与我们以往工作进行了比较，结果证明本文方法能够成功检测到距 120 米处的远端车辆，见图 5 。

图 5. 小目标检测能力比较（左侧： YOLOv3 方法 ; 右：本文方法）  

围绕遮挡目标的连续跟踪问题，我们提出了结合 IOU 距离和表观相似度的双准则跟踪策略（如图 6 ）。与仅依赖车辆运动信息的跟踪方法比较，所提方法能够恢复被短暂遮挡的车辆轨迹，实现连续跟踪，如下图案例中 6 号白色轿车。  

图 6. 双准则跟踪策略  

图 7. 遮挡目标跟踪对比（左：仅依赖运动信息 ; 右：建议方法）  

针对车辆横向位置快速修正问题，我们提出基于车辆二维检测边框的快速修正公式，如下图所示，其中参数 R 与车辆位置相关，可通过回归方法确定。

图 8. 横向位置快速修正  

此外，我们在甬江大桥测试了所提监测系统的长期性能，结果表明该监测框架可实现正常交通状况下全桥面交通荷载的长时间连续观测，全桥面车辆目标检测结果稳定，跟踪轨迹无丢失，车辆信息无错误传递。原文中我们给出了 4 分钟的测试视频，下图给出了两帧 FBTL 结果。  

图 9. 甬江大桥全桥面交通荷载分布

3、结 论

1. 1.      动态称重系统性能（包括检测率和准确率）与传感器安装质量，安装位置和交通场景都密切相关。对桥梁健康监测而言，应尽量减少环境振动的影响并有必要进行 WIM 传感器的定期标定。      

2. 2.      本文所提监测系统在正常交通场景下可实现交通荷载的长时间稳定监测。对桥梁健康监测而言，正常交通荷载的监测数据是能够满足大多数需求的。然而，对于拥堵交通场景，本文方法并不使用，其不仅需要算法设计，更需要系统的硬件改进，如增加视野数量或融合深度信息等。      

3. 3.      通过现场试验，本文建议对于安装高度 4.5-5.5 米的相机，相机间距宜控制在 100-120 米以有效控制纵桥向识别误差。