《Structures》：Vision-based non-contact vehicle weighing for overload screening upstream of bridges via fused tire deformation and specification features
编辑推荐：
摘要车辆超载会威胁桥梁的耐久性和运营安全，因此迫切需要在车辆进入桥梁之前检测出超载车辆。传统的称重方法依赖于固定站点和侵入式的路面传感器，这些方法灵活性有限且成本较高。本研究提出了一种基于视觉的非接触式车辆称重框架，用于在桥梁上游筛查超载车辆并进行快速现场检查。该框架的核心创新在
摘要
车辆超载会威胁桥梁的耐久性和运营安全，因此迫切需要在车辆进入桥梁之前检测出超载车辆。传统的称重方法依赖于固定站点和侵入式的路面传感器，这些方法灵活性有限且成本较高。本研究提出了一种基于视觉的非接触式车辆称重框架，用于在桥梁上游筛查超载车辆并进行快速现场检查。该框架的核心创新在于集成了以下技术：（i）定制的高频注意力YOLO（HFA-YOLO）模型，用于高精度的气胎和轮毂分割；（ii）一种能够适应倾斜地面的鲁棒气胎变形提取方法；（iii）基于YOLO26的一阶段网络，用于高效的气胎规格识别。利用真实收费站的数据，训练了XGBoost回归模型，根据视觉特征预测每个车轴上轮胎的平均载荷。该框架支持与物联网（IoT）设备的集成以实现固定监控，同时也支持通过移动应用程序进行快速现场检查。在评估的现场测试中，发现车辆总质量（GVM）估计的最大相对误差低于5%，每辆卡车的平均处理时间不到850毫秒。这些结果证实了该框架在固定站点交通载荷监控和快速路边检查方面的潜力，特别是在桥梁上游的超载筛查中。
引言
过重的车辆和车轴载荷对交通运输基础设施构成安全风险[1][2]。对于桥梁而言，车辆超载会严重威胁其耐久性、运营安全及交通管理。它会加速结构劣化，在极端情况下可能导致桥梁不稳定、甲板倾覆或坍塌[3][4]。图1中展示的典型事故表明，这些风险并非理论上的假设，实际上可能会造成人员伤亡、经济损失和长时间的交通中断。这些事件凸显了监测车轴质量和车辆总质量（GVM）、在车辆进入桥梁之前识别超载车辆以及降低类似事故发生风险的迫切性。
然而，现有的车辆称重技术存在固有局限，使其不太适合灵活的上游超载筛查。传统的接触式系统（如静态称重桥和动态称重系统WIM）虽然能够提供准确的测量结果，但运营成本较高。静态称重桥固定在特定位置，需要将可疑的超载车辆引导并停车进行称重[5]，这种空间限制妨碍了快速、移动和按需的检查。接触式WIM系统（如路面WIM和桥梁WIM）[6]需要侵入式安装，且传感器会随时间退化。此外，桥梁WIM要求车辆先进入桥梁才能进行称重。这些问题凸显了需要一种便携式、非接触式的快速现场质量估计算法。
计算机视觉和深度学习的最新进展为非接触式车辆称重技术开辟了新的途径。早期研究探索了使用摄像头的基于桥梁的WIM系统[7]，后续研究进一步发展了这种方法[8][9][10]，但这些方法仍依赖于特定场所，不适用于灵活的超载检测。Feng等人[11][12]提出了以车辆为中心的信息处理范式，证明可以直接从气胎视觉数据估计车辆载荷，从而实现更加灵活和经济的解决方案。
一般来说，这些技术可以分为两类：早期技术[11][12][13][14]和基于深度学习的技术[5][16][17][18][19][20][21][22]。尽管方法不同，这两类技术通常都包括三个组件：气胎变形估计、气胎特征识别和车辆载荷预测。早期技术主要依赖于手动参数调整和经验回归，虽然可解释性强，但在复杂条件下的稳定性较低。相比之下，基于深度学习的技术通过直接从原始数据学习，显著提高了图像特征提取和预测的准确性，具有更高的实际应用潜力。最近，专门开发的物联网（IoT）设备[15][22]进一步证明了基于深度学习技术的可行性。
尽管各组件都取得了显著进展，但仍存在关键障碍阻碍了实际应用。在气胎变形估计方面，可快速部署的分割模型常常忽略了对精确变形测量至关重要的细节。此外，现有的变形提取方法对手动阈值调整和地面倾斜非常敏感，从而降低了其稳定性。在气胎特征识别方面，该过程依赖于多阶段流程[15][17][22]，包括感兴趣区域（ROI）定位、几何校正和特征推断，导致处理冗余和延迟增加，使得现场应用更加困难。
更根本的是，现有系统往往未能在实际称重工作流程中整合气胎压力和车轴配置等关键车辆参数。因此，它们仍然局限于气胎-地面力估计，而非具有实际意义的车辆总质量（GVM）的确定。这一限制导致了对传统接触式系统的依赖，称重站的车辆排队和可疑车辆的人工引导成本居高不下。
为了解决这些问题，本研究提出了一种基于视觉的非接触式车辆称重框架，用于在车辆到达桥梁之前筛查超载情况。该框架可以估计车轴载荷和GVM，以在车辆进入桥梁前进行超载检测。该框架集成了HFA-YOLO进行气胎和轮毂分割、一种适应倾斜的氣胎变形测量方法、基于YOLO26的一阶段气胎规格识别算法以及XGBoost进行平均气胎载荷预测。该框架有两种部署方式：可以与便携式物联网（IoT）设备集成用于桥头监控，或与移动应用程序结合用于快速路边检查。
本研究的主要贡献如下：
1）HFA-YOLO在保持实时推理的同时改进了气胎边缘分割性能。一种无阈值、适应倾斜的几何方法用于提取气胎变形，而基于YOLO26的一阶段模块取代了多阶段的气胎规格识别过程。
2）这些模块被集成到一个端到端流程中，其中XGBoost利用真实收费站数据将融合的气胎特征映射到每个车轴上轮胎的平均载荷。
3）通过移动应用程序辅助检查和固定摄像机采集的现场数据评估了整个称重过程，证明了该框架在移动检查和固定监控平台上的可行性。
章节片段
总体框架
如图2所示，所提出的基于视觉的框架利用气胎侧壁图像、气胎压力和车轴配置来估计车轴载荷和GVM。其核心包括三个阶段：气胎变形估计、气胎规格识别和平均气胎载荷预测。所需输入包括气胎侧壁图像、气胎压力和外部提供的气轴配置信息。气轴配置指定了车轴的数量和每个车轴上的轮胎数量。
受控气胎变形测试
一项受控实验研究了在不同充气压力和载荷下单个车辆气胎的变形情况，为结合变形和压力特征进行载荷估计提供了实验支持。图9展示了实验设置。测试中观察了汽车的右后轮胎（规格为235/50R19），在空载和载有四人（总质量296公斤）两种状态下进行了测试。所有乘员均坐在后座。
现场测试
本节使用两种实际采集模式（移动应用程序辅助检查和固定摄像机视频监控）评估了所提出的方法。通过测试案例评估了该方法的估计准确性和计算效率，以判断其在实际应用中的可行性。
结论
本文提出了一种基于视觉的非接触式车辆称重框架，用于在桥梁上游筛查超载车辆并进行快速现场检查。该框架改进了气胎特征提取和平均气胎载荷预测的整个过程，并支持与基于物联网的固定监控平台和轻量级移动应用程序的集成。得出以下结论：
1)在方法上，建立了优化的工作流程，包括：定制的HFA-YOLO以实现精确的气胎/轮毂分割
CRediT作者贡献声明
Jiachang Gu：撰写——原始草稿、方法论制定、调查、正式分析。Zida Chen：软件开发、数据整理。Yi You：可视化处理、资源协调。Fei Ren：撰写——审阅与编辑。Zhiyuan Han：撰写——审阅与编辑。Kang Gao：撰写——审阅与编辑、项目监督、资金获取、概念框架设计。
利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
致谢
本研究得到了国家自然科学基金（拨款编号：52578174）和（编号：2242023K5006、2242022K30030）的支持。作者对提供的财政支持表示感谢。
Jiachang Gu|Zida Chen|Yi You|Fei Ren|Zhiyuan Han|Kang Gao
