小跨径桥梁载重监测方法、装置、计算机设备及存储介质

摘要

本发明涉及小跨径桥梁载重监测方法、装置、计算机设备及存储介质，该方法包括获取拍摄桥梁主跨部分的视频数据以及拍摄桥梁引桥部分的视频数据，以得到初始视频数据；根据初始视频数据输入车型识别模型内进行车型识别，以得到识别结果；根据初始视频数据以及识别结果计算车辆移动方向；根据识别结果以及车辆移动方向统计车辆数量；根据识别结果、车辆数量计算桥梁载重。本发明利用现有的摄像头拍摄桥体的车辆，实现无需安装任何传感器，维护成本低。

说明书

技术领域

本发明涉及桥梁载重监测方法，更具体地说是指小跨径桥梁载重监测方法、装置、计算机设备及存储介质。

背景技术

在经济快速发展的当下社会，建筑鳞次栉比，建筑工地的运输车辆也越发频繁的出现在公共道路中，由于其重量大，对于交通路面的健康影响远远大于一般交通工具，对于桥梁，尤其是小跨径桥梁的影响更是巨大。一些市政级别的小跨径桥梁由于设计技术和施工质量等缺陷，桥梁结构可能存在诸多先天不足和安全隐患；另外随着使用年限的增加，由于材料老化、频繁超载、环境侵蚀及自然灾害，部分桥梁开始出现各种类型的损伤和缺陷，这些损失会导致结构安全性、实用性和耐久性下降，甚至引发事故，造成人员伤亡。因此对于小跨径桥梁的载重监测，是桥梁质量安全管理的一个重要环节。

目前桥梁载重监测的方法大致可以分为传统式测量和非传统法测量。传统式测量方法即指在桥梁的指定位置安装传感器，通过传感器采集到的数据来对整桥的载重进行统计分析，传感器可能为重量传感器或是桥梁应变、加速度等其他传感器，无论何种传感器，这类传统方法都存在其自身的缺点，即需要在桥体上或是在桥尾处安装传感器，不仅安装繁琐，而且对桥体本身就是一种损伤。相较于传统的传感器测量方法，非传统的测量方法对于桥体本身的损害较小甚至可以进行非接触式的测量。目前投入使用的测量方法是利用外部的视觉传感模块先对车辆的数目、类型、车牌等信息进行采集，再通过称重线圈或是大数据统计的方式，计算或估算出桥上某一时刻的载重，这样的方法需要外接多个采集模块和传输模块，施工起来较为繁琐，维护成本过高。

因此，有必要设计一种新的方法，实现无需安装任何传感器，维护成本低。

发明内容

本发明的目的在于克服现有技术的缺陷，提供小跨径桥梁载重监测方法、装置、计算机设备及存储介质。

为实现上述目的，本发明采用以下技术方案：小跨径桥梁载重监测方法，包括：

获取拍摄桥梁主跨部分的视频数据以及拍摄桥梁引桥部分的视频数据，以得到初始视频数据；

根据所述初始视频数据输入车型识别模型内进行车型识别，以得到识别结果；

根据初始视频数据以及识别结果计算车辆移动方向；

根据所述识别结果以及车辆移动方向统计车辆数量；

根据所述识别结果、所述车辆数量计算桥梁载重。

其进一步技术方案为：所述车型识别模型是通过若干个带有车型类别标签以及位置标签的待检测桥梁上车辆图像数据作为样本集训练神经网络所得的。

其进一步技术方案为：所述识别结果包括车型类别以及车辆所在位置信息。

其进一步技术方案为：所述根据初始视频数据以及识别结果计算车辆移动方向，包括：

对所述识别结果内的车辆所在位置信息所包围的区域提取特征角点，以得到第一特征角点；

截取识别结果对应图像的前一帧图像，并提取在前一帧图像中所述识别结果内车辆所在位置信息所包围的区域提取特征角点，以得到第二特征角点；

对第一特征角点以及第二特征角点进行角点匹配，以得到角点对；

计算角点对中第一特征角点以及第二特征角点的坐标差值；

根据所述坐标差值计算车辆移动方向。

其进一步技术方案为：所述根据所述坐标差值计算车辆移动方向，包括：

判断所述坐标差值是否为正值；

若所述坐标差值为正值，则所述车辆移动方向为出桥方向；

若所述坐标差值不为正值，则所述车辆移动方向为入桥方向。

其进一步技术方案为：所述根据所述识别结果以及车辆移动方向统计车辆数量，包括：

根据所述初始视频数据中车辆所在的位置分别设置一条垂直方向的车流量统计线；

在所述识别结果中的车辆位置信息对应的矩形框的中心处生成正方形；

当车流量统计线与正方形存在交点时，依据车辆移动方向对车辆数量进行增减处理，以得到车辆数量。

其进一步技术方案为：所述根据所述识别结果、所述车辆数量计算桥梁载重，包括：

根据所述识别结果中的车辆车型类别确定车辆重量，并根据所述车辆数量结合车辆重量，计算桥梁载重。

本发明还提供了小跨径桥梁载重监测装置，包括：

数据获取单元，用于获取拍摄桥梁主跨部分的视频数据以及拍摄桥梁引桥部分的视频数据，以得到初始视频数据；

识别单元，用于根据所述初始视频数据输入车型识别模型内进行车型识别，以得到识别结果；

方向计算单元，用于根据初始视频数据以及识别结果计算车辆移动方向；

数量计算单元，用于根据所述识别结果以及车辆移动方向统计车辆数量；

载重计算单元，用于根据所述识别结果、所述车辆数量计算桥梁载重。

本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。

本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述的方法。

本发明与现有技术相比的有益效果是：本发明通过在桥梁的主跨部分和引桥部分设置摄像机，并获取这两个摄像机的视频数据，采用深度学习训练所得的车型识别模型进行识别，并根据识别结果进行车辆移动方向的确定，统计桥梁上的车辆数量，并结合车型计算桥梁载重，利用现有的摄像机拍摄桥体的车辆，实现无需安装任何传感器，维护成本低。

下面结合附图和具体实施例对本发明作进一步描述。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的小跨径桥梁载重监测方法的应用场景示意图；

图2为本发明实施例提供的小跨径桥梁载重监测方法的流程示意图；

图3为本发明实施例提供的小跨径桥梁载重监测方法的子流程示意图；

图4为本发明实施例提供的小跨径桥梁载重监测方法的子流程示意图；

图5为本发明实施例提供的小跨径桥梁载重监测方法的子流程示意图；

图6为本发明实施例提供的车辆移动方向的示意图；

图7为本发明实施例提供的小跨径桥梁载重监测装置的示意性框图；

图8为本发明实施例提供的小跨径桥梁载重监测装置的方向计算单元的示意性框图；

图9为本发明实施例提供的小跨径桥梁载重监测装置的数量计算单元的示意性框图；

图10为本发明实施例提供的计算机设备的示意性框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1和图2，图1为本发明实施例提供的小跨径桥梁载重监测方法的应用场景示意图。图2为本发明实施例提供的小跨径桥梁载重监测方法的示意性流程图。该小跨径桥梁载重监测方法应用于服务器中。该服务器与两台安防摄像机以及终端进行数据交互，其中，两台安防摄像机分别架设在主跨与左右两个引桥的交接处，且控制安防摄像机的拍摄方向保持一致，即其中一个安防摄像机拍摄主跨部分，另一个安防摄像机拍摄引桥部分，通过两台安防摄像机获取视频数据后，经过服务器进行车型识别，并计算桥梁载重，将结果反馈至终端。

图2是本发明实施例提供的小跨径桥梁载重监测方法的流程示意图。如图2所示，该方法包括以下步骤S110至S150。

S110、获取拍摄桥梁主跨部分的视频数据以及拍摄桥梁引桥部分的视频数据，以得到初始视频数据。

在本实施例中，初始视频数据是指拍摄桥梁主跨部分的视频数据以及拍摄桥梁引桥部分的视频数据。

S120、根据所述初始视频数据输入车型识别模型内进行车型识别，以得到识别结果。

在本实施例中，上述的识别结果包括车型类别以及车辆所在位置信息。

另外，车型识别模型是通过若干个带有车型类别标签以及位置标签的待检测桥梁上车辆图像数据作为样本集训练神经网络所得的。具体地，所采用的神经网络为但不局限于YOLOv4。

YOLOv4目标检测网络以CSPDarknet53为主干，包含5个CSP(加密服务提供程序，Cryptographic Service Provider)模块，各模块前的卷积核大小为3×3，步幅为2，能够进一步增强网络学习能力；路径聚合网络作为颈部，增添空间金字塔池附加模块，采用1×1，5×5，9×9，13×13最大池化方式，能够增加感受区并分离出更重要的上下文特征；沿用YOLOv3检测头作为头部。YOLOv4采用多图融合的数据增强MixUp及CutMix，数据增强策略增加输入图像可变性，丰富图像特征信息，所设计的目标检测模型可以获得更高的鲁棒性，同时采用标签平滑、学习率余弦退火衰减等技巧优化网络训练过程。在使用YOLOv4进行车型识别前，首先要建立样本集，包括待检测桥梁上车辆的图片和车型以及位置的标签。利用桥上已经架设的安防监控摄像机，读取摄像机拍摄的视频流，并将视频抽帧进行保存，抽帧间隔的设定既要满足涵盖要检测的区域的车辆图像，又要尽可能减少车辆微小位移造成的图像重复性过高。对保存好的图像通过LabelImg软件进行标注，需要标注图像中车辆的类别和实际位置。将训练集的图像和标注好的标注文件一同放入模型中进行训练，在训练过程中需要不断的调整训练的参数，并用训练好的权重文件进行测试和验证，直到获取到效果最好的权重文件，用此来对桥上的车辆进行车型的识别。通过深度学习进行车型类型识别以及位置的识别，可提高识别的准确性。

S130、根据初始视频数据以及识别结果计算车辆移动方向。

在本实施例中，车辆移动方向是指入桥的移动方向或出桥的移动方向。

在一实施例中，请参阅图2，上述的步骤S130可包括步骤S131～S135。

S131、对所述识别结果内的车辆所在位置信息所包围的区域提取特征角点，以得到第一特征角点。

在本实施例中，第一特征角点是指车辆所在位置信息所对应的矩形框对应的四个角点。

如果摄像机能够拍摄到整个主跨的情况，则根据拍摄桥梁主跨部分的视频数据即可识别出车型以及其对应的数量，但是如果摄像机的安装位置无法将主跨完全覆盖，此时就需要借助车辆运动方向和拍摄桥梁引桥部分的视频数据来共同进行车辆的数量统计。车辆方向主要采用角点检测和匹配的方法来进行。

具体地，首先对图像中的车辆进行识别，识别结果为车辆的类别以及代表车辆位置信息的矩形框，该矩形框可以将检测到的车辆完全包围住，假设当前检测的图像为A帧图像，检测到的矩形框为a，对a所包围住的区域提取特征角点，记为P(A)。

S132、截取识别结果对应图像的前一帧图像，并提取在前一帧图像中所述识别结果内车辆所在位置信息所包围的区域提取特征角点，以得到第二特征角点。

在本实施例中，第二特征角点是指识别结果中车辆所在位置信息在前一帧图像中所覆盖的区域所提取的四个角点。

具体地，取前一帧图像记为B帧，对a在B帧所包围住的区域同样进行特征角点的提取，即为P(B)。

S133、对第一特征角点以及第二特征角点进行角点匹配，以得到角点对。

在本实施例中，角点对是指同一位置的第一特征角点和第二特征角点所组成的一对角点对。

得到两幅图像的角点后，利用ORB方法对其进行角点匹配，得到成对的角点。ORB是Oriented Fast and Rotated Brief的简称，可以用来对图像中的关键点快速创建特征向量，这些特征向量可以用来识别图像中的对象。其中，Fast和Brief分别是特征检测算法和向量创建算法。ORB首先会从图像中查找特殊区域，称为关键点。关键点即图像中突出的小区域，比如角点，比如它们具有像素值急剧的从浅色变为深色的特征。然后ORB会为每个关键点计算相应的特征向量。ORB算法创建的特征向量只包含1和0，称为二元特征向量。1和0的顺序会根据特定关键点和其周围的像素区域而变化。该向量表示关键点周围的强度模式，因此多个特征向量可以用来识别更大的区域，甚至图像中的特定对象。ORB的特点是速度超快，而且在一定程度上不受噪点和图像变换的影响，例如旋转和缩放变换等。

S134、计算角点对中第一特征角点以及第二特征角点的坐标差值。

在本实施例中，坐标差值是指两帧图像的车辆移动坐标之差。

利用角点对内两个角点的坐标差值，进行车辆移动方向的计算。

S135、根据所述坐标差值计算车辆移动方向。

通过计算A、B两帧上成对角点的坐标差值的正负来判断车辆的行进方向。

在一实施例中，请参阅图4，上述的步骤S135可包括步骤S1351～S1353。

S1351、判断所述坐标差值是否为正值；

S1352、若所述坐标差值为正值，则所述车辆移动方向为出桥方向；

S1353、若所述坐标差值不为正值，则所述车辆移动方向为入桥方向。

举个例子：如果车辆从左引桥上桥，经过主跨并从右侧引桥驶离驶离，以拍摄桥梁主跨部分的视频数据为例，根据拍摄桥梁主跨部分的视频数据的角点匹配结果，A、B两帧的成对角点坐标差值为正，则判定车辆的行进方向为出桥方向，即out；如果从右侧引桥上桥，从左侧引桥驶离，以相同的方法进行计算坐标差值为负，判定为入桥，即in。此处不对在桥梁上会出现停滞不前的车辆的判断，具体的车辆移动方向判别可参考图6。

S140、根据所述识别结果以及车辆移动方向统计车辆数量。

在本实施例中，车辆数量是指桥梁整体车流量。

在一实施例中，请参阅图5，上述的步骤S140可包括步骤S141～S143。

S141、根据所述初始视频数据中车辆所在的位置分别设置一条垂直方向的车流量统计线。

在本实施例中，车流量统计线是指用于统计桥梁整体车流量的标准线。

S142、在所述识别结果中的车辆位置信息对应的矩形框的中心处生成正方形。

在本实施例中，正方形是指车辆所在位置所构成矩形框的四边形，具体地，依据车型识别结果中的位置信息，在矩形框的中心处生成一个边长为d的正方形R，其中，d的长度根据车型来设置，即如果车型为重型，则车辆行驶速度较慢，d应设置较小，如果车型为轻型，则车辆形式速度较快，d应设置较大。

S143、当车流量统计线与正方形存在交点时，依据车辆移动方向对车辆数量进行增减处理，以得到车辆数量。

在本实施例中，在车辆行驶的过程中，如果一旦正方形R和车流量统计线L存在交点，依据方向对车辆数量进行增减1，具体规则如表1所示。

表1.车辆数量统计规则表

S150、根据所述识别结果、所述车辆数量以及桥梁整体车流量计算桥梁载重。

在本实施例中，根据所述识别结果中的车辆车型类别确定车辆重量，并根据所述车辆数量结合车辆重量，计算桥梁载重。

具体地，依据桥上的实际车辆情况，将桥上的车辆共划分成12类，所以车型识别结果中的类别也有12类，可以获取这12种车型的重量分布，依据车型识别的结果和统计出的车辆数量，来计算出整个主跨的载重分布情况。

本实施例基于已经安装的监控摄像机来进行监测桥梁载重，无需安装任何传感器，利用现有的摄像机拍摄桥体的车辆，通过深度学习的识别算法来识别出来车型，根据车型的重量分布来计算出某一时刻桥的载重。

上述的小跨径桥梁载重监测方法，通过在桥梁的主跨部分和引桥部分设置摄像机，并获取这两个摄像机的视频数据，采用深度学习训练所得的车型识别模型进行识别，并根据识别结果进行车辆移动方向的确定，统计桥梁上的车辆数量，并结合车型计算桥梁载重，利用现有的摄像机拍摄桥体的车辆，实现无需安装任何传感器，维护成本低。

图7是本发明实施例提供的一种小跨径桥梁载重监测装置300的示意性框图。如图7所示，对应于以上小跨径桥梁载重监测方法，本发明还提供一种小跨径桥梁载重监测装置300。该小跨径桥梁载重监测装置300包括用于执行上述小跨径桥梁载重监测方法的单元，该装置可以配置在服务器中。具体地，请参阅图7，该小跨径桥梁载重监测装置300包括数据获取单元301、识别单元302、方向计算单元303、数量计算单元304以及载重计算单元305。

数据获取单元301，用于获取拍摄桥梁主跨部分的视频数据以及拍摄桥梁引桥部分的视频数据，以得到初始视频数据；识别单元302，用于根据所述初始视频数据输入车型识别模型内进行车型识别，以得到识别结果；方向计算单元303，用于根据初始视频数据以及识别结果计算车辆移动方向；数量计算单元304，用于根据所述识别结果以及车辆移动方向统计车辆数量；载重计算单元305，用于根据所述识别结果、所述车辆数量计算桥梁载重。

其中，所述车型识别模型是通过若干个带有车型类别标签以及位置标签的待检测桥梁上车辆图像数据作为样本集训练神经网络所得的。

所述识别结果包括车型类别以及车辆所在位置信息。

在一实施例中，如图8所示，所述方向计算单元303包括第一提取子单元3031、第二提取子单元3032、角点匹配子单元3033、差值计算子单元3034以及方向确定子单元3035。

第一提取子单元3031，用于对所述识别结果内的车辆所在位置信息所包围的区域提取特征角点，以得到第一特征角点；第二提取子单元3032，用于截取识别结果对应图像的前一帧图像，并提取在前一帧图像中所述识别结果内车辆所在位置信息所包围的区域提取特征角点，以得到第二特征角点；角点匹配子单元3033，用于对第一特征角点以及第二特征角点进行角点匹配，以得到角点对；差值计算子单元3034，用于计算角点对中第一特征角点以及第二特征角点的坐标差值；方向确定子单元3035，用于根据所述坐标差值计算车辆移动方向。

在一实施例中，所述方向确定子单元3035用于判断所述坐标差值是否为正值；若所述坐标差值为正值，则所述车辆移动方向为出桥方向；若所述坐标差值不为正值，则所述车辆移动方向为入桥方向。

在一实施例中，请参阅图9，上述的数量计算单元304包括统计线设置子单元3041、正方形生成子单元3042以及数量确定子单元3043。

统计线设置子单元3041，用于根据所述初始视频数据中车辆所在的位置分别设置一条垂直方向的车流量统计线；正方形生成子单元3042，用于在所述识别结果中的车辆位置信息对应的矩形框的中心处生成正方形；数量确定子单元3043，用于当车流量统计线与正方形存在交点时，依据车辆移动方向对车辆数量进行增减处理，以得到车辆数量。

在一实施例中，所述载重计算单元305，用于根据所述识别结果中的车辆车型类别确定车辆重量，并根据所述车辆数量结合车辆重量，计算桥梁载重。

需要说明的是，所属领域的技术人员可以清楚地了解到，上述小跨径桥梁载重监测装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。

上述小跨径桥梁载重监测装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图10所示的计算机设备上运行。

请参阅图10，图10是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

参阅图10，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种小跨径桥梁载重监测方法。

该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种小跨径桥梁载重监测方法。

该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：

获取拍摄桥梁主跨部分的视频数据以及拍摄桥梁引桥部分的视频数据，以得到初始视频数据；根据所述初始视频数据输入车型识别模型内进行车型识别，以得到识别结果；根据初始视频数据以及识别结果计算车辆移动方向；根据所述识别结果以及车辆移动方向统计车辆数量；根据所述识别结果、所述车辆数量计算桥梁载重。

其中，所述车型识别模型是通过若干个带有车型类别标签以及位置标签的待检测桥梁上车辆图像数据作为样本集训练神经网络所得的。

所述识别结果包括车型类别以及车辆所在位置信息。

在一实施例中，处理器502在实现所述根据初始视频数据以及识别结果计算车辆移动方向步骤时，具体实现如下步骤：

对所述识别结果内的车辆所在位置信息所包围的区域提取特征角点，以得到第一特征角点；截取识别结果对应图像的前一帧图像，并提取在前一帧图像中所述识别结果内车辆所在位置信息所包围的区域提取特征角点，以得到第二特征角点；对第一特征角点以及第二特征角点进行角点匹配，以得到角点对；计算角点对中第一特征角点以及第二特征角点的坐标差值；根据所述坐标差值计算车辆移动方向。

在一实施例中，处理器502在实现所述根据所述坐标差值计算车辆移动方向步骤时，具体实现如下步骤：

判断所述坐标差值是否为正值；若所述坐标差值为正值，则所述车辆移动方向为出桥方向；若所述坐标差值不为正值，则所述车辆移动方向为入桥方向。

在一实施例中，处理器502在实现所述根据所述识别结果以及车辆移动方向统计车辆数量步骤时，具体实现如下步骤：

根据所述初始视频数据中车辆所在的位置分别设置一条垂直方向的车流量统计线；在所述识别结果中的车辆位置信息对应的矩形框的中心处生成正方形；当车流量统计线与正方形存在交点时，依据车辆移动方向对车辆数量进行增减处理，以得到车辆数量。

在一实施例中，处理器502在实现所述根据所述识别结果、所述车辆数量计算桥梁载重步骤时，具体实现如下步骤：

根据所述识别结果中的车辆车型类别确定车辆重量，并根据所述车辆数量结合车辆重量，计算桥梁载重。

应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。

因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：

获取拍摄桥梁主跨部分的视频数据以及拍摄桥梁引桥部分的视频数据，以得到初始视频数据；根据所述初始视频数据输入车型识别模型内进行车型识别，以得到识别结果；根据初始视频数据以及识别结果计算车辆移动方向；根据所述识别结果以及车辆移动方向统计车辆数量；根据所述识别结果、所述车辆数量计算桥梁载重。

其中，所述车型识别模型是通过若干个带有车型类别标签以及位置标签的待检测桥梁上车辆图像数据作为样本集训练神经网络所得的。

所述识别结果包括车型类别以及车辆所在位置信息。

在一实施例中，所述处理器在执行所述计算机程序而实现所述根据初始视频数据以及识别结果计算车辆移动方向步骤时，具体实现如下步骤：

对所述识别结果内的车辆所在位置信息所包围的区域提取特征角点，以得到第一特征角点；截取识别结果对应图像的前一帧图像，并提取在前一帧图像中所述识别结果内车辆所在位置信息所包围的区域提取特征角点，以得到第二特征角点；对第一特征角点以及第二特征角点进行角点匹配，以得到角点对；计算角点对中第一特征角点以及第二特征角点的坐标差值；根据所述坐标差值计算车辆移动方向。

在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述坐标差值计算车辆移动方向步骤时，具体实现如下步骤：

判断所述坐标差值是否为正值；若所述坐标差值为正值，则所述车辆移动方向为出桥方向；若所述坐标差值不为正值，则所述车辆移动方向为入桥方向。

在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述识别结果以及车辆移动方向统计车辆数量步骤时，具体实现如下步骤：

根据所述初始视频数据中车辆所在的位置分别设置一条垂直方向的车流量统计线；在所述识别结果中的车辆位置信息对应的矩形框的中心处生成正方形；当车流量统计线与正方形存在交点时，依据车辆移动方向对车辆数量进行增减处理，以得到车辆数量。

在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述识别结果、所述车辆数量计算桥梁载重步骤时，具体实现如下步骤：

根据所述识别结果中的车辆车型类别确定车辆重量，并根据所述车辆数量结合车辆重量，计算桥梁载重。

所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。

该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。