3D超高速云点感应系统集成机制及无砟轨道表面特征评价方法

At present, there are a lot of structure damage problems on the surface of high speed rail non-ballasted track in our country, however, the existing detection theories and evaluation methods can't meet the requirement, which should be high precision, high speed, high accuracy and completely automatic. Based on the current research results of our team, which were about highway digitization and information automatic collection system, this project will focus on the non-ballasted track, try to study the integration and working mechanism of the Point-cloud Sensor System, 3D image sensor array, highly accurate Global Positioning System and high-performance data processing system. Secondly, according to the features of non-ballasted track, the high speed and accurate image processing methods will be constructed for surface damage problems of non-ballasted track, by studying the recognition algorithm, description method, classification algorithm and measurement index. Finally, the automatic evaluation method for the surface damage problems of non-ballasted track will be introduced by combining with the existing railway maintain standard, analyzing the observation data and the propagation rules of the surface damage. The research results should be useful to promote automatic testing theories and methods development for the high speed rail non-ballasted track, and also, to afford as the theoretical direction and data supporting for repairing and maintenance of high speed rail non-ballasted track.

当前我国高速铁路无砟轨道普遍出现不同程度的表面损伤问题，而现有的检测理论与方法无法达到高精度、高速度、高准确度及全自动化的要求。本项目拟开展基于3D激光超高速云点感应系统的无砟轨道表面特征评价方法研究。在本团队已有的道路信息数字化采集及自动分析系统的研究基础上，根据高速铁路检测需求，研究超高速云点感应、3D成像传感器阵列、高精度卫星定位及高性能海量数据传输与处理系统的集成机理与工作机制；结合无砟轨道结构特征，研究表面损伤的识别算法、描述方法、分类算法和测量指标体系，建立适用于无砟轨道表面损伤模式的高速高精度图像处理方法；基于现有无砟轨道维修标准，统计分析现场时间序列观测数据，研究表面损伤扩展规律，构建无砟轨道表面特征的智能评价方法。项目研究成果将有利于促进我国无砟轨道表面特征自动检测理论与方法的发展，为无砟轨道的维修养护决策提供理论指导及数据支撑。

摘要.本项目开展了基于3D激光超高速云点感应系统的无砟轨道表面特征评价方法研究。根据高速铁路检测需求，开发了基于超高速云点感应、3D成像传感器阵列、高精度卫星定位及高性能海量数据传输与处理系统的高速铁路检测系统，搭建了车载铁路扣件信息采集系统，研究了基于扣件区域定位、弹条图像分割、高稳定性图像特征提取以及扣件图像分类识别等轨道表面扣件识别算法、描述方法、分类算法和测量指标体系，建立适用于无砟轨道表面损伤模式的高速高精度图像处理方法。主要研究成果简述如下：.1).研发了基于三维激光成像原理的铁路扣件图像采集系统，实现了采集高质量的三维扣件图像。提出了基于JPEG方法进行改进的数据压缩算法，实现了可处理任意深度的轨道三维图像数据。.2).以高精度表面三维数据为基础，将卷积神经网络、张量投票、图像预处理、多尺度多方向图像特征提取等理论知识应用于表面裂缝图像识别与分类中，进一步提高了表面裂缝提取精度。.3).基于三维图像提出了利用先验知识验证的扣件区域定位分割方法及弹条分割算法。结合弹条三维图像的特性提出了一种基于HOHG和 SVM检测弹条缺失、弹条正常、弹条上侧断裂、弹条下侧断裂以及弹条双侧断裂五种扣件缺陷的识别算法。结果表明，结合HOHG特征和SVM的检测算法准确率可以达到98.5%。.4).将深度学习的概念引入到扣件缺陷检测识别研究中，提出了基于卷积神经网络的扣件缺陷检测算法。建立了用于识别弹条正常、弹条上侧断裂、弹条下侧断裂、弹条两侧断裂四种状态的卷积神经网络模型。实验结果不仅表明基于卷积神经网络的扣件缺陷检测算法能完全准确地分类识别铁路扣件的缺陷，还证明了该算法对其他种类的弹条型铁路扣件具有一定的普适性。.本项目研究成果将有利于促进我国无砟轨道表面特征自动检测理论与方法的发展，为无砟轨道的维修养护决策提供理论指导及数据支撑。