基于3D移动测量系统点云数据的钢轨信息自动提取方法

为实现铁路基础设施智能化管理运维,利用3D移动测量系统高效获取高精度点云数据,并对点云数据进行智能化处理。钢轨作为铁路基础设施中最基本的单元,是几何参数计算的基础,对其信息进行自动提取具有重要意义。因此,提出了一种基于3D移动测量系统点云数据的钢轨信息自动提取方法。首先利用点云数据中的角度信息快速实现道床区域的分割,有效减小计算量;然后利用精细栅格划分和动态阈值实现地面点与非地面点的分离;最后利用DBSCAN聚类算法与RANSAC算法完成钢轨点云数据的最终提取。为验证该算法的有效性,以国铁场景钢轨点云数据和隧道场景钢轨点云数据为试验对象,验证结果显示国铁场景和隧道场景的钢轨点云提取准确度分别为96.32%和97.54%,完整度分别为92.14%和94.87%,准确度和完整度均高于90%。试验结果表明:该方法具有操作简单,提取结果准确的优点。

结合YOLOv3模型的轨旁公里标识别方法

针对目前轨旁标志识别方法抗干扰能力差、泛化性不强、无法适应铁路沿线复杂的背景波动的问题,文章提出一种基于YOLOv3目标检测网络模型的公里标图像识别方法,其面对不同光照、复杂背景、形态各异的公里标图像仍然能保证具有很好的识别准确率。该方法首先采用卷积神经网络学习图像特征获取各层网络参数;接着在训练好的网络参数基础上应用迁移学习策略获取可能的公里标矩形区域,保存相应的权重和偏置参数;然后采用模式识别方法进行公里标字符区域提取、单字符分割与识别;最后输出公里标数字信息到控制系统。实验结果表明,采用该方法后,公里标识别时间约为0.04 s,定位精度在0.5 m以内,完全满足探伤车位置校正的精度和实时性要求。

基于YOLOv4的隧道表面病害检测算法

隧道病害的及时发现与维护对行车安全非常重要,但隧道环境复杂多变、表面图像对比度低,传统模式识别方法无法有效检测病害。对此,文章提出一种基于YOLOv4的隧道表面病害检测方法,其首先采用CSPDarknet-53作为主干网络来有效提取特征,并通过空间金字塔池化(SPP)融合不同尺度特征,然后经过YOLO层分类与回归病害区域,最后应用CIoU损失函数计算回归损失,有效提高了检测精度。试验结果表明,采用该算法及NVIDIA GeForce 2080Ti显卡,检测速度可达到55帧/s;在所建立的高速铁路隧道表面图像数据集中,平均精度均值(mAP)达到65.1%,缺陷检出率达到90.1%,验证了该算法的高效性。