道砟检测方法、装置、电子设备和计算机可读存储介质与流程

1.本发明涉及道路检测设备技术领域，尤其是涉及一种道砟检测方法、装置、电子设备和计算机可读存储介质。


背景技术：

2.近年来，每年越来越多的智能化设备应用铁路检测，主要检测轨道几何参数、扣件状态、轨道板状态、轨面光带、接触网等设施，但还没有更有效的设备来自动化检测有砟轨道的道砟病害，目前对于道砟病害，还是主要靠人工来检测，该工作每年投入大量的人员，在日益追求运输安全的今天，大量人员线上作业存在严重的人身安全隐患，安全生产压力巨大，而且人工巡检的方式效率低、质量差、成本高，受检测人员的经验和方法影响大，经常有漏检、发现问题不到位的情况，而且无法形成规范化、标准化的检修成果，难以对数据进行有效的电子化管理，管理部门无法对铁路道砟的状态进行综合判断，无法通过数据的积累和数据挖掘对铁路道砟加铺做出判断，且道砟病害会严重影响列车行驶安全，且道砟病害长时间检测不出会导致轨道板、钢轨等发生病害。因此，亟需一套高效的有砟轨道病害检测技术方案，用于降低检测成本，提高检测效率，提升检测准确率。


技术实现要素：

3.有鉴于此，本发明实施例提供了一种道砟检测方法、装置、电子设备和计算机可读存储介质，通过户外作业采集数据将数据进行分析转化，精确地确定道砟断面，将获得的道砟断面与标准断面比较判断道砟状态，降低了检测成本，提高了检测效率，提升了检测准确率。
4.第一方面，本发明实施例提供了一种道砟检测方法，道砟检测方法包括：获取道砟检测机构的惯性导航数据、定位数据和原始点云数据；基于惯性导航数据和定位数据融合解算，得到pos数据；将pos数据和原始点云数据拟合，得到标准点云数据；基于标准点云数据生成点云灰度图；将点云灰度图输入预先训练完成的轨道识别模型中，输出道砟的轨枕数据和轨道数据；获取道砟检测机构的轨迹数据；将轨迹数据进行抽稀平滑处理，获得平面轨迹线；基于平面轨迹线确定参考轨迹线，并基于参考轨迹线构建轨面坐标系；在轨面坐标系下获取道砟的断面点云数据，剔除轨枕数据和轨道数据；基于剔除了轨枕数据和轨道数据后的断面点云数据与标准断面，确定道砟状态；其中，道砟状态包括：道砟正常、道砟拱起和道砟塌陷。
5.在本发明较佳的实施例中，惯性导航数据包括：imr惯性导航数据和dmr编码器里程数据；定位数据包括：移动定位数据和静态定位数据；基于惯性导航数据和定位数据融合解算，获得pos数据的步骤包括：基于imr惯性导航数据和dmr编码器里程数据获取标准格式的惯性导航数据；基于标准格式的惯性导航数据、移动定位数据和静态定位数据融合解算，获得pos数据。
6.在本发明较佳的实施例中，基于标准点云数据生成点云灰度图的步骤包括：基于
标准点云数据提取道砟两侧预设区域内的点云数据；将预设区域内的点云数据进行滤波处理，获得滤波后的点云数据；以道砟检测机构的前进方向为x轴正方向构建第一水平面坐标系，基于预设的切割阈值切割点云数据，将切割后的点云数据投影到第一水平面坐标系，生成多个灰度图。
7.在本发明较佳的实施例中，在将点云灰度图输入预先训练完成的轨道识别模型中，输出轨枕数据和轨道数据的步骤之前，道砟检测方法还包括：将灰度图进行亮度调整，获得亮度调整后的灰度图。
8.在本发明较佳的实施例中，轨道识别模型包括：全局模块；全局模块设置于轨道识别模型的提取部分和上采样部分之间；将点云灰度图输入预先训练完成的轨道识别模型中，输出道砟的轨枕数据和轨道数据的步骤，包括：通过全局模块降低轨道识别模型的卷积维度。
9.在本发明较佳的实施例中，将轨迹数据进行抽稀平滑处理，获得平面轨迹线的步骤包括：将轨迹数据基于预设的抽稀阈值进行抽稀处理，获得抽稀后的轨迹数据；将抽稀后的轨迹数据基于预设的点数阈值和平滑阈值进行平滑处理，获得平面轨迹线。
10.在本发明较佳的实施例中，平面轨迹由多个基础点组成；基于平面轨迹线确定参考轨迹线，并基于参考轨迹线构建轨面坐标系的步骤包括：将第一基础点投影在轨迹上，获取第一中间点；获取距离第一中间点最近的第一pos点，提取第一pos点的z轴值以及第一翻滚角度；基于第一中间点和第一pos点的z值确定第一空间点；基于预设的距离和第一基础点获取第二基础点和第三基础点；获取距离第二基础点最近的第二pos点，提取第二pos点的z值以及第二翻滚角度；基于第二基础点和第二pos点的z值确定第二空间点；获取距离第三基础点最近的第三pos点，提取第三pos点的z值；基于第三基础点和第三pos点的z值确定第三空间点；基于第一空间点到第二空间点的方向向量和第一翻滚角度确定第一轨面点集和第二轨面点集；基于第二空间点到第三空间点的方向向量和第二翻滚角度确定第三轨面点集和第四轨面点集；基于第一轨面点集、第二轨面点集、第三轨面点集和第四轨面点集构建轨面坐标系。
11.第二方面，本发明实施例提供了一种道砟检测装置，道砟检测装置包括：数据获取模块，用于获取惯性导航数据、道砟检测机构的定位数据和原始点云数据；pos数据确定模块，用于基于惯性导航数据和定位数据融合解算，获得pos数据；标准点云数据确定模块，用于将pos数据和原始点云数据拟合，获得标准点云数据；灰度图生成模块，用于基于标准点云数据生成点云灰度图；轨道数据确定模块，用于将点云灰度图输入预先训练完成的轨道识别模型中，输出轨枕数据和轨道数据；数据获取模块，还用于获取道砟检测机构的轨迹数据；平面轨迹线确定模块，用于将轨迹数据进行抽稀平滑处理，获得平面轨迹线；轨面坐标系确定模块，用于基于平面轨迹线确定参考轨迹线，并基于参考轨迹线构建轨面坐标系；道砟状态确定模块，用于在轨面坐标系下获取断面点云数据，并剔除轨枕数据和轨道数据，将剔除了轨枕数据和轨道数据后的断面点云数据与标准断面比较，确定道砟状态；其中，道砟状态包括：道砟正常、道砟拱起和道砟塌陷。
12.第三方面，本发明实施例提供了一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述任一项的道砟检测方法。
13.第四方面，本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述任一项的道砟检测方法。
14.本发明实施例带来了一下有益效果：
15.本发明实施例提供了一种道砟检测方法、装置、电子设备和计算机可读存储介质，其中，道砟检测方法包括：获取道砟检测机构的惯性导航数据、定位数据和原始点云数据；基于惯性导航数据和定位数据融合解算，得到pos数据；将pos数据和原始点云数据拟合，得到标准点云数据；基于标准点云数据生成点云灰度图；将点云灰度图输入预先训练完成的轨道识别模型中，输出道砟的轨枕数据和轨道数据；获取道砟检测机构的轨迹数据；将轨迹数据进行抽稀平滑处理，获得平面轨迹线；基于平面轨迹线确定参考轨迹线，并基于参考轨迹线构建轨面坐标系；在轨面坐标系下获取道砟的断面点云数据，剔除轨枕数据和轨道数据；基于剔除了轨枕数据和轨道数据后的断面点云数据与标准断面，确定道砟状态；其中，道砟状态包括：道砟正常、道砟拱起和道砟塌陷；通过户外作业采集数据将数据进行分析转化，精确地确定道砟断面，将获得的道砟断面与标准断面比较判断道砟状态，降低了检测成本，提高了检测效率，提升了检测准确率。
附图说明
16.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术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方式，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。
17.图1为本发明实施例提供的一种道砟检测方法的流程图；
18.图2为本发明实施例提供的一种点云路基表面道砟分布侧视图；
19.图3为本发明实施例提供的一种路基表面道砟灰度图；
20.图4为本发明实施例提供的一种标准点云数据融合方法的流程图；
21.图5为本发明实施例提供的一种u-net模型的示意图；
22.图6为本发明实施例提供的一种全局模块的示意图；
23.图7为本发明实施例提供的一种道砟检测装置的示意图；
24.图8为本发明实施例提供的一种电子设备的结构示意图。
25.图标：310-数据获取模块；320-pos数据确定模块；330-标准点云数据确定模块；340-灰度图生成模块；350-轨道数据确定模块；360-平面轨迹线确定模块；370-轨面坐标系确定模块；380-道砟状态确定模块；100-存储器；101-处理器；102-总线；103-通信接口。
具体实施方式
26.为使本发明实施例的目的、技术方案和优点更加清楚，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
27.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护
orientation system，定位定姿系统)数据。
43.步骤s106，将pos数据和原始点云数据拟合，得到标准点云数据；
44.具体的，将pos数据与原始点云数据拟合，获得带有绝对坐标的点云数据，即标准点云数据，参见图2所示的本发明实施例提供的一种点云路基表面道砟分布侧视图。
45.步骤s108，基于标准点云数据生成点云灰度图；
46.具体的，提取标准点云数据，沿道砟检测机构的行驶的轨迹通过预先设定的固定参数(该参数根据实际情况设置，优选为0.5m)，将有砟轨道轨枕附近一定阈值(该阈值根据实际情况设置，优选为5m)的点云提取出来；每50米设置一个画布，沿道砟检测机构前进方向构建坐标系，每间隔一定阈值(该阈值根据实际情况设置，优选为50m)切割点云并按照构建坐标转换点云坐标并将点投影到画布上，其像素rgb值为该点的反射强度，参见图3所示的本发明实施例提供的一种路基表面道砟灰度图，图3为图2处理输出的灰度图。
47.步骤s110，将点云灰度图输入预先训练完成的轨道识别模型中，输出道砟的轨枕数据和轨道数据；
48.具体的，利用深度学习的方法实现对轨枕轨道准确的识别，定位其准确的位置。首先对采集的图像进行亮度调整，在优化细节的同时调整图像的亮度，然后对图像进行深度学习训练，采用改进的u-net(基于cnn的图像分割网络)模型，在轻量化参数量的同时能够很好的提取轨枕轨道特征，实现轨枕轨道准确的识别。
49.步骤s112，获取道砟检测机构的轨迹数据；
50.具体的，获取道砟检测机构运行过程中的轨迹数据，在道砟检测机构前进过程中每隔一定时间(改时间由检测机构决定，为固定值)获取当前道砟检测机构的位置数据，将上述一段时间内的位置数据组合就是道砟检测机构的轨迹数据。
51.步骤s114，将轨迹数据进行抽稀平滑处理，获得平面轨迹线；
52.具体的，根据预设的抽稀阈值(该阈值一般为0.1m-0.05m，优选为0.05m)，对轨迹数据进行抽稀，将抽稀后的轨迹数据基于预设的点数阈值(该阈值一般设置为20-50，优选为20)和预设的距离阈值(该阈值一般为0.2m-0.8m，优选为0.5m)进行平滑处理，获得平面轨迹线。
53.步骤s116，基于平面轨迹线确定参考轨迹线，并基于参考轨迹线构建轨面坐标系；
54.具体的，将道砟检测机构的数据基于平面轨迹线转化为参考轨迹线，其中，参考轨迹线上的各个点的横纵坐标与平面轨迹线上的各个点的横纵坐标相同，参考轨迹线上个点的z轴坐标与平面轨迹线上的各个点的z轴坐标不同；基于参考轨迹线建立轨面坐标系。
55.步骤s118，在轨面坐标系下获取道砟的断面点云数据，剔除轨枕数据和轨道数据；
56.具体的，设置包围盒裁切断面点云，并按照自动识别的轨枕和轨道坐标，剔除断面点云中的轨枕数据和轨道数据，并将剔除了轨枕数据和轨道数据后的断面点云数据转化为轨面坐标系下的断面点云数据。
57.步骤s120，基于剔除了轨枕数据和轨道数据后的断面点云数据与标准断面，确定道砟状态；其中，道砟状态包括：道砟正常、道砟拱起和道砟塌陷；
58.具体的，将轨面坐标系下的断面点云数据投影到yoz平面，完成与标准设计断面坐标统一(标准设计断面坐标原点与点云断面原点都为轨道中心)，并将断面点云连接成断面线。分别计算轨道左侧、轨道中间(非轨枕区域)、轨道右侧实测断面线与标准设计断面线构
成的每个区域的面积s，若实测线在上方，则为道砟拱起病害，若实测线在下方则为道砟塌陷病害。
59.本发明实施例带来以下有益效果：
60.本发明实施例提供了一种道砟检测方法，道砟检测方法包括：获取道砟检测机构的惯性导航数据、定位数据和原始点云数据；基于惯性导航数据和定位数据融合解算，得到pos数据；将pos数据和原始点云数据拟合，得到标准点云数据；基于标准点云数据生成点云灰度图；将点云灰度图输入预先训练完成的轨道识别模型中，输出道砟的轨枕数据和轨道数据；获取道砟检测机构的轨迹数据；将轨迹数据进行抽稀平滑处理，获得平面轨迹线；基于平面轨迹线确定参考轨迹线，并基于参考轨迹线构建轨面坐标系；在轨面坐标系下获取道砟的断面点云数据，剔除轨枕数据和轨道数据；基于剔除了轨枕数据和轨道数据后的断面点云数据与标准断面，确定道砟状态；其中，道砟状态包括：道砟正常、道砟拱起和道砟塌陷；通过户外作业采集数据将数据进行分析转化，精确地确定道砟断面，将获得的道砟断面与标准断面比较判断道砟状态，降低了检测成本，提高了检测效率，提升了检测准确率。
61.实施例二
62.在上述实施例的基础上，本发明实施例提供另一种道砟检测方法，其中，惯性导航数据包括：imr惯性导航数据和dmr编码器里程数据；定位数据包括：移动定位数据和静态定位数据；基于惯性导航数据和定位数据融合解算，获得pos数据的步骤包括：基于imr惯性导航数据和dmr编码器里程数据获取标准格式的惯性导航数据；基于标准格式的惯性导航数据、移动定位数据和静态定位数据融合解算，获得pos数据。
63.具体的，参见图4所示的本发明实施例提供的一种标准点云数据融合方法的流程图，基于下述步骤获得标准点云数据：
64.步骤s202，将惯性导航数据做预处理，获得imr惯性导航数据和dmr编码器里程数据；
65.步骤s204，将imr惯性导航数据、dmr编码器里程数据、移动定位数据和静态定位数据做pos解算预处理，获取标准格式的imr惯性导航数据、dmr编码器里程数据、移动定位数据和静态定位数据；
66.步骤s206，基于标准格式的imr惯性导航数据、dmr编码器里程数据、移动定位数据和静态定位数据进行pos数据解算，获取高精度pos数据；
67.步骤s208，将原始点云数据和高精度pos数据进行融合，获得标准点云数据。
68.进一步的，基于标准点云数据生成点云灰度图的步骤包括：基于标准点云数据提取道砟两侧预设区域内的点云数据；将预设区域内的点云数据进行滤波处理，获得滤波后的点云数据；以道砟检测机构的前进方向为x轴正方向构建第一水平面坐标系，基于预设的切割阈值(该切割阈值在实际使用中设定，优选为50m)切割点云数据，将切割后的点云数据投影到第一水平面坐标系，生成多个灰度图。
69.进一步的，在将点云灰度图输入预先训练完成的轨道识别模型中，输出轨枕数据和轨道数据的步骤之前，道砟检测方法还包括：将灰度图进行亮度调整，获得亮度调整后的灰度图；
70.具体的，首先对采集的图像进行亮度调整，在优化细节的同时调整图像的亮度，将灰度图采用同态滤波算法对图像亮度范围进行压缩，并增强图像对比度，解决了图像上光
照不均匀的问题，达到了既可以增强暗区的图像细节又不会损失亮区的图像细节的效果。
71.具体的，同态滤波算法是基于照射反射模型的，即一幅图像f(x,y)可以用它的照明分量i(x,y)和反射分量r(x,y)的乘积来表示，即：
72.f(x,y)＝i(x,y)r(x,y)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
73.在图像中，入射分量表现为背景信息，而反射分量体现为物体信息。决定入射分量的主要因素是光源，其分量主要是以低频分量为主，因为入射分量包含的有用信息较少，应该适当降低入射分量；相反，反射量主要由物体自身的物理属性决定，包含了大量的细节特征信息，变化较快，为了增强图像质量，应该增加反射分量。在处理过程中，两种入射分量需要分离，以便分别进行处理。由于这两个函数的傅里叶变化是不可分的，即：
74.f{f(x,y)}≠f{i(x,y)}f{r(x,y)}
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
75.其中，符号f{}表示对{}中的函数进行傅里叶变换。
76.因此，需要对公式f(x,y)＝i(x,y)r(x,y)两边取自然对数，则有：
77.lnf(x，y)＝lni(x，y)+lnr(x，y)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
78.因为需要对不同频率的分量分别进行处理，对公式进行fft(快速傅里叶变换)将图片转化为频域图像，得到公式再对上式取傅里叶变换，得到：
79.f(μ,v)＝i(μ,v)+r(μ,v)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
80.用一个滤波函数h(μ,v)处理f(μ,v)，可得：
81.h(μ,v)f(μ,v)＝h(μ,v)i(μ,v)+f(μ,v)r(μ,v)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
82.将式(5)逆变换到空域可得：
83.hf(x,y)＝hi(x,y)+hr(x,y)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
84.可见，增强后的图像是由对应的照明分量与反射分量叠加而成。对式(6)两边取指数则有：
85.g(x,y)＝exp|hf(x,y)|＝exp|hi(x,y)|exp|hr(x,y)|
ꢀꢀꢀꢀꢀꢀꢀ
(7)
86.图像中的照明分量变化缓慢，但反射分量在物体与物体的交界处上剧烈变化。基于这种特征，图像自然对数的傅里叶变化的低频分量与照明分量相互联系，而其高频分量与反射分量相互关联。虽然是一种近似，但是能给图像增强带来方便。同态滤波算法可以在强化图像细节信息的同时，对于光照不均也具有较好平衡效果，可以很好地优化采集到的图像。
87.进一步的，根据铁路采集图像的特性，并综合模型检测的准确度，本方案基于pytorch(一个开源的机器学习库)深度学习框架，采用改进的u-net模型实现病害的自动识别。pytorch深度学习框架将完整的数据训练流程整合于一个文件中，在其中可依次完成数据格式转换、均值计算、参数设置等，操作方便直观。同时，基于windows系统的pytorch框架可直接利用python接口进行数据训练测试，操作简易。
88.具体的，轨道识别模型包括：全局模块；全局模块设置于轨道识别模型的提取部分和上采样部分之间；将点云灰度图输入预先训练完成的轨道识别模型中，输出道砟的轨枕数据和轨道数据的步骤，包括：通过全局模块降低轨道识别模型的卷积维度。
89.进一步的，模型采用改进的u-net模型。传统的u-net模型是基于fcns(全卷积神经网络)做改进，其分为编码器和解码器两个部分且为对称结构。编码器进行的是图像下采样的过程，通过典型的卷积神经网络结构来提取图像的特征信息，其是由3
×
3卷积层、修正线
性单元(relu)和2
×
2最大池化层构成，每次进行操作后，通道数翻倍且特征图尺寸下降。解码器进行是上采样过程，使用反卷积结合下采样各层的信息以还原细节信，和编码器都进行了四次采样，和编码器不同的是，每次上采样通道数减半且特征图尺寸扩大，逐步恢复图片精度，最终输出只包含背景和裂缝信息的图像。本文采用改进的u-net模型，如图5所示的本发明实施例提供的一种u-net模型的示意图，在整个网络中的特征提取部分和上采样部分之间加入了全局模块，该模块的加入使得整个网络的计算量大大降低，在实现网络轻量化的基础上提升了网络性能，同时保持有效的对全局上下文建模。
90.进一步的，全局模块不仅可以有效建模，也一样具有轻量级的计算量。在简化的non-local(snl)块中，转换模块的参数量最大，包括一个c
×
c参数大小的1
×
1卷积。当将此snl块添加到最高层时，高层的通道数很大，会对模块单数起到主导作用。为了达到像se块的轻量级，将1
×
1卷积替换为了一个bottle neck(全局模块)，将参数量从c
×
c降至2
×c×
c/r。r表示瓶颈比例，表示全局模块的隐藏表示维度。r默认设为16，参数量可以降为原本的1/8左右。
91.进一步的，由于双层的bottle neck模块变换增加了优化难度，在bottle neck内部添加了一层归一化，以缓解优化问题。详细结构参见图6所示的本发明实施例提供的一种全局模块的示意图，并定义为：
[0092][0093]
其中，i是输出位置，如空间、时间或时空的索引，np用来遍历所有可能的位置，x表示输入信号，wk和wv表示线性变换矩阵，relu神经网络中的激活函数，ln是神经网络中的层归一化，是全局注意力池化的权重，δ(
·
)＝w
v2 relu(ln(w
v1
(
·
)))是bottle neck转换。
[0094]
进一步的，将轨迹数据进行抽稀平滑处理，获得平面轨迹线的步骤包括：将轨迹数据基于预设的抽稀阈值进行抽稀处理，获得抽稀后的轨迹数据；将抽稀后的轨迹数据基于预设的点数阈值和平滑阈值进行平滑处理，获得平面轨迹线；
[0095]
具体的，将读取的轨迹数据进行抽稀平滑处理，该过程中需要使用的参数有：抽稀阈值：对轨迹数据进行抽稀的阈值threshold范围设置为0.1-0.05；平滑处理时每个顶点附近点数阈值t范围设置为20-50；平滑处理距离阈值d范围设置为0.2-0.8。
[0096]
抽稀算法详细描述如下：
[0097]
步骤a1，该轨迹首尾两点a、b之间连接一条直线ab，该直线为轨迹的弦；
[0098]
步骤a2，得到轨迹上离该直线段距离最大的点c，计算其与ab的距离d；
[0099]
步骤a3，比较该距离与预先给定的阈值threshold的大小，如果小于threshold则该直线段作为轨迹的近似，该段轨迹取处理完毕；
[0100]
步骤a4，如果距离大于阈值，则用c将轨迹分为ac和bc两段，并分别对两段轨迹进行a1-a3处理；
[0101]
当所有轨迹都处理完毕后，依次连接各个分割点形成的轨迹，即为抽稀处理后可以作为原轨迹的近似线，抽稀后的点云轨迹数据可以是p{p1，p2，p3...pn}。
[0102]
在平滑处理时，只使用轨迹点的平面坐标，即pn(xn，yn)，基于下述步骤对抽稀后的轨迹进行平滑处理：
[0103]
步骤b1，以轨迹起始点开始计算；
[0104]
步骤b2，查找该顶点pc(xc，yc)索引前后t/2的点数据p
t
，判断每一个点与前一个点的距离d
t
与阈值d的关系，若d
t
小于阈值d，则剔除该点，否则保留。若保留点数k小于3个，则查找下一个顶点继续b2步骤；
[0105]
步骤b3，以最远的点和最近的点构建旋转参数，并将所有的点坐标按照旋转参数进行旋转平移得到pk(xk，yk)其公式如下所示：
[0106][0107][0108]
xk＝dcos*(x
k-x0)+dsin*(y
k-y0)
ꢀꢀꢀꢀꢀ
(11)
[0109]
yk＝-dsin*(x
k-x0)+dcos*(y
k-y0)
ꢀꢀꢀꢀꢀ
(12)
[0110]
步骤b4，对所有的点进行抛物线拟合，公式为y＝a*x2+b*x+c，其公式如下：
[0111][0112]
步骤b5，根据步骤b4拟合参数对选择的顶点坐标进行修正：
[0113]
yc＝a*(xc)2+b*xc+c
ꢀꢀꢀꢀꢀꢀ
(14)步骤b6，根据公式(9)、(10)、(14)对该顶点其进行反向旋转，得到点pd(xd，yd)，其中：
[0114]
xd＝dcos*x
c-dsin*yc+x0ꢀꢀꢀꢀ
(15)
[0115]
步骤b7，最后循环对所有顶点按照b2-b6步骤处理完成，得到的就是平滑后的轨迹。
[0116]
进一步的，平面轨迹由多个基础点组成；基于平面轨迹线确定参考轨迹线，并基于参考轨迹线构建轨面坐标系的步骤包括：将第一基础点投影在轨迹上，获取第一中间点；获取距离第一中间点最近的第一pos点，提取第一pos点的z轴值以及第一翻滚角度；基于第一中间点和第一pos点的z值确定第一空间点；基于预设的距离和第一基础点获取第二基础点和第三基础点；获取距离第二基础点最近的第二pos点，提取第二pos点的z值以及第二翻滚角度；基于第二基础点和第二pos点的z值确定第二空间点；获取距离第三基础点最近的第三pos点，提取第三pos点的z值；基于第三基础点和第三pos点的z值确定第三空间点；基于
第一空间点到第二空间点的方向向量和第一翻滚角度确定第一轨面点集和第二轨面点集；基于第二空间点到第三空间点的方向向量和第二翻滚角度确定第三轨面点集和第四轨面点集；基于第一轨面点集、第二轨面点集、第三轨面点集和第四轨面点集构建轨面坐标系。
[0117]
具体的，根据参考轨迹线提取钢轨轨头数据，然后用标准钢轨轨头进行匹配得到左轨中心和右轨中心，继而计算出轨道轨道中心，然后以轨道中心为原点，以当前轨道中心和下一个轨道中心连成的方向向量，加入当前轨道中心的roll翻滚角度构建轨面坐标系，这样才可以和标准断面的坐标系保持一致。
[0118]
具体的，通过下述步骤提取左右轨面点：
[0119]
步骤c1，计算点p0(x，y，z)在轨迹上的投影坐标点p
t
，搜索轨迹中离投影坐标点最近的pos位置，并获取该pos位置的z值以及翻滚角度roll，将该pos位置的z值赋值给点p0；
[0120]
步骤c2，沿平面轨迹线方向计算距离点p0平面距离0.5米位置处的参考多段线上的点p1(x，y，z)，参考步骤计算点p1的z坐标；
[0121]
步骤c3，计算点p0到p1的方向向量normal，根据点p0、方向向量normal、翻滚角roll按照标准模型匹配计算出轨面点p
l1
和p
r1
；
[0122]
步骤c4，沿参考多段线方向计算距离点p
1 0.5米位置处的参考多段线上的点p3(x，y，z)，按照c1-c3步骤计算出轨面坐标p
l2
和p
r2
；
[0123]
其中，轨面坐标点p
l1
、p
r1
、p
l2
和p
r2
为四个点集。
[0124]
进一步的，根据上述左右轨面点的步骤中的点p0到p1的方向向量normal根据点、方向向量normal、翻滚角roll构建坐标系以及设置包围盒裁切断面点云，并按照自动识别的轨枕和轨道坐标，剔除断面点云中的轨枕和轨道。
[0125]
进一步的，构建轨面坐标系的步骤如下：
[0126]
步骤d1，计算轨面点p
l1
和p
r1
的中心点p
c1
(x
c1
，y
c1
，z
c1
)以及轨面点p
l2
和p
r2
的中心点p
c2
(x
c2
，y
c2
，z
c2
)；
[0127]
步骤d2，计算点p
c1
到p
c2
的方向向量n(xn，yn，zn)；
[0128]
步骤d3，基于步骤d1、d2和roll角度值构建轨面坐标系，轨面坐标系包括3
×
3的旋转矩阵m1和3
×
1的偏移矩阵m2，其具体的公式如下所示；
[0129]
偏移矩阵m1公式为：
[0130][0131]
进一步的，旋转矩阵m2计算步骤为：分别计算绕x，y，z轴旋转的角度r
x
，ry，rz：
[0132][0133][0134]rz
＝tan-1
(yn/xn)
ꢀꢀꢀꢀꢀ
(19)
[0135]
t＝sin r
x
*sin ryꢀꢀꢀꢀꢀ
(20)
[0136]
r＝cos r
x
*sin ryꢀꢀꢀꢀꢀ
(21)
[0137][0138]
进一步的，将剔除了轨枕数据和轨道数据后的断面点云数据转化为轨面坐标系下的断面点云数据，将轨面坐标系下的断面点云数据投影到yoz平面，完成与标准设计断面坐标统一(标准设计断面坐标原点与点云断面原点都为轨道中心)，并将断面点云连接成断面线。分别计算轨道左侧、轨道中间(非轨枕区域)、轨道右侧实测断面线与标准设计断面线构成的每个区域的面积s，若实测线在上方，则为道砟拱起病害，若实测线在下方则为道砟塌陷病害。
[0139]
本方案提出一种基于高精度移动三维激光扫描系统的有砟铁路道砟病害检测方法。高精度移动三维激光扫描系统以车载平台为基础，集成gnss/imu(激光惯导)/dmi组合定位定姿系统、2d激光扫描仪、轨旁相机、多传感器同步控制单元、嵌入式计算机以及电源供电系统等设备，组建轨道检测与测量平台，在同步控制单元的协调下使各个传感器之间实现时空同步，快速采集有砟铁路沿线的全断面时空点云数据；然后利用高精度高密度的三维点云数据生成点云灰度图，基于灰度图自动识别轨枕数据和钢轨数据，后进行路基轨枕与非轨枕断面参数提取，得到每两根轨枕中间的路基断面点云轮廓图，利用轨头自动匹配算法将路基点云断面数据坐标系统一到轨面坐标系，利用灰度图自动识别的轨枕和钢轨坐标数据在实测路基断面轮廓中剔除轨枕和钢轨特征物，然后通过得到的路基点云断面适配对应的路基断面模型进行道砟轮廓断面参数提取，最后利用轨道沿线加密提取的道砟轮廓断面参数进行道砟建模，并计算出道砟有拱起和塌陷病害的位置和面积。
[0140]
进一步的，采用全自动的方式提取，根据步长、点云轨迹线数据分割计算每个断面的中心点、前进方向的方向向量、翻滚角以及里程信息，并根据计算出的参数自动提取出左右轨面左右中心点，以提取的轨面左右中心点构建轨面坐标系，随后分割出该断面当前钢轨的点云数据，将点云数据投影到轨面坐标系中，并按照自动识别的轨枕和轨道坐标数据将轨枕和轨道等特征物剔除断面，根据最终提取的断面点绘制路基断面线，与标准轨道标准设计断面线叠加比较判断道砟拱起病害和道砟塌陷病害，并计算其面积。
[0141]
本发明实施例带来下述有益效果：
[0142]
(1)三维场景还原度高。非接触测量，对沿线全断面数据进行采集，为道砟病害检测提供了良好的空间参考；
[0143]
(2)提取过程自动化。利用高效的路基断面点云分类算法，高效获取道砟断面参数，再联合路基断面模型实现道砟轮廓自动化提取，实现道砟病害检测；
[0144]
(3)成果精度高。利用高精度高分辨率的点云进行道砟断面参数提取和计算，相比人工打点极大提高了轮廓断面参数的精度，为道砟病害检测打下了良好的数据基础。
[0145]
实施例三
[0146]
在上述实施例的基础上，本发明实施例提供了一种道砟检测装置，参见图7所示的本发明实施例提供的一种道砟检测装置的示意图，该装置包括：
[0147]
数据获取模块310，用于获取惯性导航数据、道砟检测机构的定位数据和原始点云
数据；
[0148]
pos数据确定模块320，用于基于惯性导航数据和定位数据融合解算，获得pos数据；
[0149]
标准点云数据确定模块330，用于将pos数据和原始点云数据拟合，获得标准点云数据；
[0150]
灰度图生成模块340，用于基于标准点云数据生成点云灰度图；
[0151]
轨道数据确定模块350，用于将点云灰度图输入预先训练完成的轨道识别模型中，输出轨枕数据和轨道数据；
[0152]
数据获取模块310，还用于获取道砟检测机构的轨迹数据；
[0153]
平面轨迹线确定模块360，用于将轨迹数据进行抽稀平滑处理，获得平面轨迹线；
[0154]
轨面坐标系确定模块370，用于基于平面轨迹线确定参考轨迹线，并基于参考轨迹线构建轨面坐标系；
[0155]
道砟状态确定模块380，用于在轨面坐标系下获取断面点云数据，并剔除轨枕数据和轨道数据，将剔除了轨枕数据和轨道数据后的断面点云数据与标准断面比较，确定道砟状态；其中，道砟状态包括：道砟正常、道砟拱起和道砟塌陷。
[0156]
在一些实施例中，上述装置还包括图像调整模块，用于将所述灰度图进行亮度调整，获得亮度调整后的灰度图。
[0157]
本发明实施例提供了一种道砟检测装置，道砟检测装置通过户外作业采集数据将数据进行分析转化，精确地确定道砟断面，将获得的道砟断面与标准断面比较判断道砟状态，降低了检测成本，提高了检测效率，提升了检测准确率。
[0158]
外业数据主要分为实地踏勘、现场数据采集、数据拷贝三步进行，以保证外业的顺利进行。采集的外业数据包括编码器数据、gps数据、惯性导航数据、激光点云数据；检测效率高。利用电动轨道车作业，无需人工上道，外业作业扫描效率高(30km以上/天窗)。
[0159]
本发明采用三维激光移动检测系统，可搭载在小推车、轨道车等载体设备上对有砟轨道的道砟实现自动化检测，可以检测轨道内测和轨道外测的道砟拱起和道砟塌陷病害，极大提高作业效率；同时基于多次扫描作业的数据，分析道砟病害发展趋势，为铁路运营人员提供决策支撑，有助于实现铁路道砟灾害快速监测及预警等，可有效减少人员投入和管理投入，保障运行安全，有效提高业务生产和管理效率。
[0160]
实施例四
[0161]
本发明实施例还提供了一种电子设备，用于运行上述道砟检测方法；参见图8所示的本发明实施例提供的一种电子设备的结构示意图，该电子设备包括存储器100和处理器101，其中，存储器100用于存储一条或多条计算机指令，一条或多条计算机指令被处理器101执行，以实现上述业务信息处理方法。
[0162]
进一步地，图8所示的电子设备还包括总线102和通信接口103，处理器101、通信接口103和存储器100通过总线102连接。
[0163]
其中，存储器100可能包含高速随机存取存储器(ram，random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线102可以是isa总线、pci总线或
eisa总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
[0164]
处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field-programmable gate array，简称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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器100，处理器101读取存储器100中的信息，结合其硬件完成前述实施例的方法的步骤。
[0165]
本发明实施例所提供的进行道砟检测的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
[0166]
在本发明所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0167]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0168]
另外，在本发明提供的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，也可以两个或两个以上单元集成在一个单元中。
[0169]
所述功能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，可以存储在一个计算机可读取存储介质中。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，服务器，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。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0170]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依
然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。