车辆是桥梁的主要活载之一，准确识别车辆荷载信息对结构的健康监测、安全评估与桥梁优化设计具有重要的理论意义和工程应用价值[1-2]．目前，针对桥梁车辆荷载的识别，主要方法包括基于动力响应的荷载识别和桥梁动态称重系统(BWIM)．基于动力响应的荷载识别通过车-桥耦合系统振动方程求解任意时刻车辆和桥梁接触处相互作用力来识别车辆荷载，这类方法受路面不平整度、车速等因素影响大[3-4]．BWIM技术是在桥梁底部布设传感器来监测识别车辆荷载，如基于动应变的BWIM系统，这种方法传感器安装维修方便、造价低、不破坏路面、不影响交通[5]．正交异性桥面板局部受力明显、影响线短，非常适合采用BWIM技术识别车辆荷载[6]，这种方法关键的技术问题是车辆在桥面上的横向位置定位、车轴检测及荷载的标定．目前常用的车辆横向定位技术是通过分析横向多个传感器动应变间的相对关系来确定，而车轴信息通常采用动力响应局部极大值法，该方法要求信号具有清晰峰值点，对去噪处理要求高．由于实桥现场标定时车辆横向位置确定比较麻烦，标定的间距和次数对识别结果影响较大，因此须优化确定．机器视觉技术是一种非接触式监测技术，部分学者[7-9]利用桥上的摄像头监控车流信息，采用该技术低成本、高精度地识别出了车辆的时空信息．李树征[10]和王宁波[11]的研究表明，BWIM的精度主要受路面质量、车轴信息等因素的影响，很难确定识别精度与不同因素之间的关系．BP神经网络具有强非线性映射、自适应学习、容错性能和鲁棒性等特点．Kim等[12]使用神经网络方法分析主梁的响应信号，以估计车辆总重和轴重，结果表明轴重识别的精度高于影响线方法．赵煜等[13]基于BP神经网络，研究理论多参数组合输入对荷载识别精度的影响．Jia等[14]使用BP神经网络模型识别最接近轮胎-路面接触区域的应变传感器，然后使用该传感器的信号预测车辆重量．本研究提出了一种基于机器视觉和BP神经网络的桥梁单车荷载识别方法．采用机器视觉技术实现车辆时空参数的识别，然后结合应变监测数据建立BP神经网络来识别车辆荷载轴重和总重．最后通过数值模拟和模型试验验证提出算法的精确性和抗噪性能．1 荷载识别方法1.1　车辆时空参数识别为了获得车辆通过断面时的实时视频，在监测断面前方(这里定义车行方向为前方)和两侧面分别架设高帧率数字视频监控摄像头，根据正面视频识别车辆在桥上的横向位置，而轴数、轴距及车速通过侧面视频识别，如图1所示．10.13245/j.hust.230038.F001图1车辆时空参数识别框架1.1.1　车辆检测采集摄像头监测的视频流数据，基于背景差分技术检测车辆[15]．首先将彩色图像灰度化，基于灰度图采用多帧平均法建立背景模型Bk=B(x,y)=1N∑i=1NIk(x,y),式中：Bk为第k帧图像中的背景模型；B(x,y)为图像中的各个像素点的灰度值；N为图像的帧数；Ik(x,y)为在第k帧图像序列中的所有(x,y)像素点所构成的整幅背景图像．从当前帧的灰度图像Pk(x,y)中减去该背景图像Bk(x,y)，然后进行二值化处理，得到前景图像Z(x,y)=1      (Pk(x,y)-Bk(x,y)≥T);0      (Pk(x,y)-Bk(x,y)T),这里通过最大类间方差法(Otsu)确定最佳全局阈值T[16]．对于图像Ik(x,y)，属于前景的像素点数占整幅图像的比例记为ω0，平均灰度为μ0；背景像素点数占整幅图像的比例记为ω1，平均灰度为μ1，类间方差记为δ，则有δ=ω0ω1(μ0-μ1)2．然后采用遍历的方法，得到使δ最大的阈值T，即为所求．1.1.2　横向位置识别检测到车辆后，通过识别车牌和车道线对车辆进行精准定位．首先，采用均值漂移聚类算法[17]实现灰度图像的区域化分割确定车牌图像的大致范围；然后，采用数学形态学方法，根据矩形图形匹配方法进一步找到车牌准确位置．为了提高车道线识别的准确性，首先，采用最大稳定极值区域算法[18]分割目标图像，消除不可预测的噪声区域(如道路上的坑洼和障碍)；然后，采用Canny边缘算子[19]提取车道线边缘图像；最后，结合渐进概率霍夫变换直线检测算法[20]提取车道线．对于检测到的车道线边缘上的像素点，采用最小二乘法确定车道线直线方程，从而计算出车牌中心与车道线边缘之间的距离，实现车辆在桥上的横向定位．根据像素比例关系有WZ=WPZP,式中：Z和ZP分别为车道线之间的实际距离和像素距离；W和WP分别为车牌与车道线之间的实际距离和像素距离(见图1)．1.1.3　轴距识别首先，须通过对侧面拍摄视频中的车轮进行检测来识别车轴的个数和位置，采用标准圆Hough变换[21]识别车轮；然后，基于车轴与辅助检测线的相对关系和辅助检测线实际间距来识别车辆的轴距．辅助检测线间距可以取2~4倍车道宽度，以摄像机能完全拍下为宜，辅助检测线的识别与车道线的识别方法相同．根据像素比例关系，轴距计算公式为LD=LPDP,式中：L为车辆实际轴距；LP为轴距的像素间距；D和DP分别为两条检测辅助线之间的实际距离和像素间距．1.1.4　车速识别基于上述识别轴距的算法，通过不同帧图像中同一车轮的位置差计算车辆速度v=Δs/Δt，式中：Δs为同一车轮的位置差(走过的距离)；Δt为不同帧的时间差．1.2　轴重和总重识别BP神经网络是一种基于反向传播算法的多层前向神经网络，由输入层、隐含层和输出层等基本结构组成，模型结构如图2所示，X=[x1,x2，⋯,xn]为输入，本研究将车辆的横向位置、轴距、速度、应变峰值和应变响应面积作为输入；W1=w111w121⋯w1n1w211w221⋯w2n1⋮wm11wm21⋯wmn1为输入层和隐含层之间的权值；B1=[b11,b12,⋯,b1n]为隐含层阈值；W2=[w112,w212,⋯,wn12]为隐含层和输出层之间的权值；B2=[b21,b22,⋯,b2n]为输出层阈值；P=[p1,p2,⋯,pn]为输出，即车辆荷载的轴重．10.13245/j.hust.230038.F002图2BP神经网络模型针对正交异性钢箱梁桥，其结构局部受力明显．车辆荷载与车辆在桥面的横向位置、轴距、速度、应变响应信号有关，本研究通过三层BP神经网络建立它们之间的关系来识别车辆荷载．根据经验公式和节点渐增的试算方法来确定隐含层神经元个数．隐含层神经元的传递函数为f1(x)=11+e-x，此时，隐含层神经元的输出为H=f1(W1TX+B1)，输出层的传递函数为f2(x)=x，则输出的表达式为P=f2(HW2+B2)．由于应变响应的局部效应明显，离车轮越近的应变传感器响应越大，为了增强算法的抗噪性能，结合机器视觉技术识别车辆横向位置，将距离车轮较近应变传感器的响应作为输入样本．2 数值模拟为了验证提出算法的有效性和抗噪性能，建立有限元模型进行数值模拟分析．模型尺寸参考某实际正交异性钢箱梁主梁，横桥向取双向行车道宽度共计7.5 m，顺桥向取六块横隔板共计15 m，面板、面板U肋和横隔板的厚度分别为14，12和8 mm，模型两端简支支撑．模型平面图及应变测点N1~N6布置如图3所示，有限元模型如图4所示．10.13245/j.hust.230038.F003图3模型平面图及应变测点布置(mm)10.13245/j.hust.230038.F004图4有限元模型以一辆三轴车为例，通过改变车辆的轴重、类型、车速、横向位置(以单车道中心线处定义为x=0 cm)，采用瞬态动力分析方法计算测点位置的应力响应．车辆荷载在横向x=-1.2 m处通过桥梁的N1~N6应力响应如图5所示．10.13245/j.hust.230038.F005图5N1~N6的应力响应不同工况下车辆横向位置从-1.5 m~1.5 m每6 cm计算一次得到测点应力响应，并结合不同速度、轴距等工况，共得到306个样本，其中：训练样本数为290；测试样本数为16．BP神经网络初始参数设定为：目标精度值为0.000 1%；最大迭代次数为1 000；学习率为0.1．对归一化后的训练样本数据进行不断迭代运算，训练结果如图6所示．10.13245/j.hust.230038.F006图6BP神经网络训练结果随机选取4组测试样本数据．利用训练好的神经网络识别车辆载荷值．为了考虑算法的抗噪性，分别对识别数据添加5%和10%的高斯白噪声，识别结果如表1所示，表中：G1，G2和G3分别为车辆第一轴、第二轴和第三轴的轴质量；G为总质量，由预测得到的轴质量之和求得；L1为第二轴到第一轴的轴距；L2为第三轴到第二轴的轴距．10.13245/j.hust.230038.T001表1不同工况下车辆荷载识别结果参数工况1工况2工况3工况4噪声水平/%0510051005100510横向位置/m-0.800.551.45速度/(km∙h-1)30405060轴距/mL12.42.42.42.6L26.06.46.47.0质量真实值/kNG126343443G228383845G350707085G104142142173质量识别值/kNG126.126.427.134.234.634.934.434.935.442.842.442.0G227.827.526.838.538.739.138.438.939.345.345.646.1G350.150.451.270.570.871.570.270.571.185.485.685.9G104.0104.3105.1143.2144.1145.5143.0144.3145.8173.5173.6174.0质量相对误差/%G10.381.544.230.591.762.651.182.654.12-0.47-1.40-2.33G2-0.71-1.79-4.291.321.842.891.052.373.420.671.332.44G30.200.802.400.711.142.140.290.711.570.470.711.06G0.000.291.060.851.482.460.701.622.680.290.350.58从表1可知：将车辆横向位置、轴距、速度、应变信号作为BP神经网络的输入是可行的；无噪声下总质量识别误差不超过1%，轴质量误差不超过3%，添加10%噪声后荷载总质量识别的最大误差为2.68%，轴质量最大误差为4.29%，方法具有较好的抗噪性能；总质量的识别精度高于轴重的．3 模型试验3.1　试验装置设计了一个缩尺钢箱梁桥模型进行实验测试．模型长2.7 m，宽0.83 m，高0.2 cm，顶板下布设6根U肋，6块横隔板，横隔板间距为0.54 m．通过马达牵引试验小车通过主梁，通过改变马达的皮带盘直径来改变小车速度．为了让小车匀速通过检测段主梁(主梁长为2.7 m)，在主梁前后分别设置了一段加速段及减速段钢梁．设计了一辆两轴车和一辆三轴车模型，其轴质量可通过车上配重加以改变．在主梁上设置了车道线和辅助线，车道线间距为0.625 m，辅助线间距为1.2 m．为了更好地验证车辆横向位置，在主梁横向设置了横向定位的检测尺．在试验模型前方和侧面分别架设一部摄像机，拍摄单车通过时的实时视频．模型顺桥向中跨的跨中6条U肋底部各布设1个应变计，采样频率为50 Hz．整个试验装置如图7所示．10.13245/j.hust.230038.F007图7车桥模型试验3.2　试验结果试验中，通过改变小车的横向位置(车辆横向位置在x=-21.5~16.5 cm范围内每2 cm改变一次，定义小车处于钢梁横向中心处的位置为x=0 cm)、类型、质量、车速和轴距，进行多次跑车试验，共计试验210组，其中，训练样本数为190，测试样本数为20．首先使用机器视觉技术识别车辆的横向位置、车速和车轴信息，不同类型车辆的时空参数识别结果如表2所示．10.13245/j.hust.230038.T002表2不同类型车辆的时空参数识别结果时空参数两轴车三轴车横向位置真实值/cm-15.5-5.0-12.5-18.58.015.5识别值/cm-15.4-5.0-12.6-18.38.115.7相对误差/%-0.650.000.80-1.081.251.29速度真实值/(cm∙s-1)13.021.027.013.021.027.0识别值/(cm∙s-1)12.820.826.712.721.326.9相对误差/%-1.54-0.95-1.11-2.311.43-0.37L1真实值/cm282828212121识别值/cm27.828.228.521.221.021.1相对误差/%-0.710.711.790.950.001.43L2真实值/cm———534541识别值/cm———53.644.840.9相对误差/%———1.130.440.24由表2可知：采用机器视觉技术识别的车辆横向位置、车速和轴距识别的最大误差分别为1.29%，-2.31%和1.79%，表明提出的方法可以准确有效的识别车辆荷载的时空参数信息．以三轴车某工况为例，识别的车道线和辅助线用红线标出，车牌用绿线标出，车轮轮廓用蓝线标出，识别结果如图8(a)和(b)所示．根据车辆横向位置，找到距车轮最近的传感器N1和N2的应变信号，如图8(c)所示．10.13245/j.hust.230038.F008图8模型试验识别结果分别将两轴车和三轴车的应变峰值和面积信号结合车辆的横向位置、车速和轴距信息作为BP神经网络的输入，将对应的轴质量作为输出分别进行训练．可以基于机器视觉技术提前识别车辆轴数，从而判断车辆类型，进行相对应的数据训练和预测．利用训练好的模型识别未知车辆荷载，随机选取6组测试数据，识别结果如表3所示．10.13245/j.hust.230038.T003表3不同车辆的质量识别结果车辆类型G1G2G3G误差/%真实值/kg识别值/kg误差/%真实值/kg识别值/kg误差/%真实值/kg识别值/kg误差/%两轴车24.624.0-2.5026.227.23.76———0.7927.328.12.9335.736.21.40———2.0632.631.24.7045.247.24.42———0.77三轴车14.415.04.1714.414.82.7832.731.6-3.360.1610.09.6-4.0010.010.33.0029.130.54.812.6515.114.7-2.6515.115.84.6434.936.23.722.46由表3可以看出：基于BP神经网络的车辆模型总质量识别最大误差为2.65%，轴质量识别最大误差为4.81%，表明提出的方法可以有效准确地识别单车荷载．4 结论本研究提出了一种基于机器视觉和BP神经网络的桥梁单车荷载识别方法．采用机器视觉技术实现车辆时空参数的识别，基于建立的BP神经网络来预测车辆荷载．通过理论分析、数值模拟和模型试验验证提出算法的精确性和抗噪性能．研究结果表明：a．采用机器视觉技术能够方便准确地识别出桥上车辆的横向位置、车速和车轴等时空信息；b．结合车辆时空信息和动应变数据，运用BP神经网络技术可以有效识别单车轴质量和总质量，方法具有较好的精度和抗噪性能；c．提出的方法可以综合利用桥梁健康监测系统应力测点和交通视频监控实现车辆荷载的识别，造价便宜，安装方便、不破坏桥面、不影响交通，可实现自动、快速单车荷载识别．