中国是世界上桥梁数量最多的国家,但许多桥梁存在服役年限久,安全状态差的问题,急需养护管理。目前在桥梁养护领域,桥梁健康监测系统相比于人工超载检测站是一种更高效的方式,通过实时监测过桥重车导致的桥梁结构响应信息可以及时发现超载车辆过桥的情况。但现有的桥梁健康监测系统无法判断桥梁结构振动监测数据由哪辆重车引起,更无法获取车辆的车速、轴距等精细车型信息。针对这些问题,本研究采用基于深度学习的目标检测算法识别过桥重车的荷载相关几何特征信息,辅助现有桥梁健康监测系统获得更精确的结构响应信息。本文主要工作和创新点如下:(1)制作重车数据集。本文通过采集杭州市真实路段监控图像为素材,制作了包含不同天气以及不同时间段的重车数据集,共计15000张图像。(2)提出基于Faster R-CNN的RC-ZF改进算法。本文通过分析真实路况监控图像目标检测的难点,对Faster R-CNN算法进行改进,提升对车轮小目标的检测能力。在重车数据集上对RC-ZF改进算法进行验证,结果表明:在日间与阴雨天气下平均精确度均值可以达到90.84%,较原ZF基础网络识别精度提升约3.4%,并且模型识别速度达到了 0.051s/帧,基本满足实时检测的要求;在分辨率较低的夜晚与凌晨平均精确度均值可以达到85.54%,检测速度保持不变。(3)提出基于平面测距的精细车型识别算法。在RC-ZF算法识别重车的特征信息后,利用一种简化的相机标定方式完成平面测距,对精细车型进行识别。通过实验对比车辆真实信息和算法输出信息,结果表明:该方法对于重车的轴数以及车道信息,识别准确率分别能达到96%和97%;对于轴距信息,误差率可以控制在7%以内;对于车速信息,误差率则在5%以内。算法具有较高的识别精度。(4)设计并实现车型识别展示系统。用户通过Web界面登录系统上传待检测图片,系统将最终的识别结果通过Web界面进行展示。