CN109870459A - 无砟轨道的轨道板裂缝检测方法 - Google Patents

Abstract

本发明实施例提供一种无砟轨道的轨道板裂缝检测方法，包括：获取待测轨道的三维点云数据和二维灰度数据，提取三维点云数据中轨道板区域的目标三维点云数据；基于目标三维点云数据在三维点云数据中的定位结果，结合三维点云数据与二维灰度数据之间的区域对应关系，提取二维灰度数据中轨道板区域的目标二维灰度数据；通过统计分析目标二维灰度数据与对应的第一参考数据之间的差异，或者，通过统计分析目标三维点云数据与对应的第二参考数据之间的差异，提取轨道板区域中的裂缝特征点；根据裂缝特征点的聚集性和连续性，获取轨道板区域的裂缝检测结果。本发明实施例能够实现轨道板裂缝的快速、连续、自动的检测，降低了人工成本、提高了检测速度。

Description

无砟轨道的轨道板裂缝检测方法

技术领域

本发明实施例涉及检测技术领域，更具体地，涉及一种无砟轨道的轨道板裂缝检测方法。

背景技术

在高铁线路应用中，无砟轨道已经大量投入使用。在无砟轨道板的运营过程中，轨道板混凝土存在不同程度的微细裂缝。轨道板裂缝的形成会降低无砟轨道的耐久性，降低轨道的绝缘性能，削弱轨道的承载力，同时还可能会对无砟轨道的使用安全造成影响，甚至会造成安全隐患。为了对轨道板裂缝进行检测，现有技术中，通常采用人工静态检测的方式。该方式中，一般由各工区分段负责某一线路，利用线路无运营任务的夜间时间进行检查。这种人工为主并且分专业的检测方式人工成本高，由于检测速度慢导致占用线路时间长和工作效率低，且裂缝相对肉眼来说比较微小，夜间检查容易漏检，准确率较低，无法满足实际需求。

发明内容

为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的无砟轨道的轨道板裂缝检测方法。

根据本发明实施例的第一方面，提供一种无砟轨道的轨道板裂缝检测方法，该方法包括：获取待测轨道的三维点云数据和二维灰度数据，提取三维点云数据中轨道板区域的目标三维点云数据；基于目标三维点云数据在三维点云数据中的定位结果，结合三维点云数据与二维灰度数据之间的区域对应关系，提取二维灰度数据中轨道板区域的目标二维灰度数据；通过统计分析目标二维灰度数据与对应的第一参考数据之间的差异，或者，通过统计分析目标三维点云数据与对应的第二参考数据之间的差异，提取轨道板区域中的裂缝特征点；根据裂缝特征点的聚集性和连续性，获取轨道板区域的裂缝检测结果；其中，三维点云数据通过线扫描三维测量传感器测量获取。

根据本发明实施例的第二方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的无砟轨道的轨道板裂缝检测方法。

本发明实施例提供的无砟轨道的轨道板裂缝检测方法，通过三维点云数据和二维灰度数据提取轨道板区域中的裂缝特征点，并根据裂缝特征点获得轨道板区域的裂缝检测结果，能够实现轨道板裂缝的快速、连续、自动的检测，相对于人工检测的方式降低了人工成本、提高了检测速度、降低了占用线路的时长、提高了工作效率，并相比于肉眼检测避免了漏检、提高了准确率，能够满足实际检测需求。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些图获得其他的附图。

图1为本发明实施例的无砟轨道的轨道板裂缝检测方法的流程示意图；

图2为本发明实施例提供的轨道中各区域的示意图；

图3为本发明实施例提供的裂缝特征点二值化图像示意图；

图4为本发明实施例提供的裂缝检测示意图；其中，(a)为疑似裂缝区域骨架示意图，(b)为裂缝区域子块集示意图，(c)为裂缝检测结果示意图；

图5为本发明实施例提供的电子设备的实体结构示意图。

具体实施方式

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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

针对现有技术中存在的人工成本高、检测速度慢、占用路线时间长、工作效率低以及准确率较低的缺陷，本发明实施例提供一种无砟轨道的轨道板裂缝检测方法，参见图1，该方法包括但不限于如下步骤：

步骤10、获取待测轨道的三维点云数据和二维灰度数据，提取三维点云数据中轨道板区域的目标三维点云数据。其中，三维点云数据通过线扫描三维测量传感器测量获取。

线扫描三维测量传感器可由三维相机、激光器和控制器组成，该线扫描三维传感器利用三角测量原理获得激光线所对应轨道表面的高程。可将线扫描三维测量传感器设置于测量载体(例如小车)，该测量载体可沿轨道移动。由于本发明实施例的目的是对轨道中的轨道板中的裂缝进行检测，因此，线扫描三维测量传感器在X方向(即横断面方向)的测量范围应至少包括轨道板区域。线扫描三维测量传感器的断面测量方向与钢轨的横断面方向平行，也即垂直于测量载体的行车方向。在测量过程中，可驱动移动载体沿钢轨运动，线扫描三维测量传感器可在测量载体的运动过程中进行连续测量，从而获得轨道的三维点云数据。线扫描三维测量传感器的数量可以为一套或者多套。

其中，二维灰度数据可通过二维测量传感器获取。二维测量传感器的一种实现方式是由一字线激光器和线阵相机组成，其中，一字线激光器用于为线阵相机提供照明。二维测量传感器的另一种实现方式是由LED灯和面阵相机相组成，其中，LED等用于为面阵相机提供照明。二维测量传感器也可设置于上述测量载体，二维测量传感器的数量可以为一套或者多套。

应当说明的是，采用线扫描三维测量技术获取的三维点云数据抗环境干扰能力强，受环境光、物体表面污渍影响较小，可准确获取轨道三维点云数据，进而可准确定位轨道板区域；利用二维相机(线阵相机或面阵相机)，可获取高分辨率的轨道板二维灰度信息；基于高分辨率的轨道板二维灰度信息，可实现细小裂缝的准确、自动检测。

通过上述线扫描三维测量传感器对待测轨道进行连续测量，可获得待测轨道的三维点云数据。通过上述二维测量传感器，可获得待测轨道的二维灰度数据。在获取了三维点云数据后，还可对三维点云数据进行预处理，该预处理包括：坐标转换处理和去除异常值处理。其中，坐标转换处理包括：将测量的三维点云数据通过标定文件进行像方坐标到物方坐标的转换(即通过标定获取测量数据在物方的(X,Z)坐标)；其中标定文件是在线扫描三维测量传感器安装在测量载体后，在步骤10之前，通过标定的方法获得，标定文件记录的是像方坐标到物方坐标的转换关系。然后进行去除异常值处理，即去除三维点云数据中的零点异常值。

进一步地，由于整个轨道可包括钢轨、扣件、轨道板和轨道灯等部件，换言之，轨道的三维点云数据包括组成轨道的不同部件的三维点云数据。为了对轨道板区域的裂缝情况进行检测，需要从轨道的三维点云数据中提取出轨道板区域的目标三维点云数据，提取的方式可采用如下方法，该方法包括但不限于如下步骤：

步骤101、根据钢轨的高程变化特征在三维点云数据中定位获得钢轨踏面的位置信息，其中，高程变化特征包括钢轨踏面高程相对较高的特征、钢轨踏面的形状特征以及线扫描三维测量传感器的安装位置与钢轨踏面的相对距离关系的特征。

步骤102、基于钢轨踏面的位置信息，根据钢轨的整体形态特征在三维点云数据中定位获得钢轨的位置信息。

步骤103、根据钢轨的位置信息对三维点云数据进行区域分割，获得轨道内包含的轨道板区域对应的目标三维点云数据。本步骤103可具体包括如下步骤：

步骤1031、对于轨道的每一横断面，根据钢轨的位置信息在三维点云数据中分割获得钢轨区域的高程数据。其中，参见图2，钢轨区域包括左钢轨A_L和右钢轨A_R。

步骤1032、根据三维点云数据，获取钢轨区域的两侧区域的轮廓与钢轨踏面的轮廓之间的高程差，并根据高程差判断两侧区域内是否含有扣件区域。

本步骤的目的是判断该横断面下的轨道中是否含有扣件及其附件。具体是根据钢轨左、右两侧边缘区域附近的轮廓与钢轨踏面的高程差，判断并记录当前轮廓钢轨左、右两侧边缘区域是否含有扣件及其附件。其中，钢轨区域的两侧区域可以是钢轨左侧一定范围的区域以及钢轨右侧一定范围的区域。上述钢轨可以为左钢轨和右钢轨。若两侧区域的轮廓与钢轨踏面的轮廓的高程差较小，则表明存在扣件；若两侧区域的轮廓与钢轨踏面的轮廓的高程差较大，则表明不存在扣件。

步骤1033、若两侧区域内含有扣件区域，则分割获得扣件区域的三维点云数据后，根据轨道板与扣件之间的相邻位置关系，分割获得轨道板区域的三维点云数据；否则，根据钢轨与轨道板之间的相邻位置关系，分割获得轨道板区域的三维点云数据。

具体地，两侧区域含有扣件区域的情况与两侧区域不含有扣件区域的情况下，进行区域分割的顺序是不同的。其中，在两侧区域内含有扣件区域的情况下，首先需要分割获得扣件区域的三维点云数据；再在余下的三维点云数据中分割获得轨道板区域的三维点云数据。而在两侧区域内不含有扣件区域的情况下，可直接分割获得轨道板区域的三维点云数据。

其中，若两侧区域内含有扣件区域，则在轨道的一个横断面中，扣件区域包括第一扣件区域和第二扣件区域，轨道板区域包括第一轨道板区域和第二轨道板区域；其中，第一扣件区域位于钢轨区域的远离轨道中心一侧的设定区域范围内，第二扣件区域位于钢轨区域的靠近轨道中心一侧的设定区域范围内；其中，第一轨道板区域位于第一扣件区域的远离轨道中心一侧的设定区域范围内，第二轨道板区域为第二扣件区域与轨道中心之间的区域；其中，钢轨区域为左钢轨区域或右钢轨区域。

其中，若两侧区域不含有扣件区域，则在轨道的一个横断面中，轨道板区域包括第三轨道板区域和第四轨道板区域；其中，第三轨道板区域位于钢轨区域的远离轨道中心一侧的设定区域范围内，第四轨道板区域为钢轨区域与轨道中心之间的区域；其中，钢轨区域为左钢轨区域或右钢轨区域。

其中，结合图2对各区域进行说明。由于钢轨包括左钢轨和右钢轨，首先针对左钢轨：第一扣件区域为B_L区域，第二扣件区域为D_L区域；第一轨道板区域为C_L区域，第二轨道板区域为M区域的中点(即轨道中心)与D_L区域右边界之间的区域。然后针对右钢轨：第一扣件区域为B_R区域，第二扣件区域为D_R区域；第一轨道板区域为C_R区域，第二轨道板区域为M区域的中点与D_R区域左边界之间的区域。

因此，在上述区域划分的情况下，以下对分割过程进行说明：若当前轮廓含有扣件及其附件，则先分割出扣件及相关区域(B_L、D_L、B_R和D_R)，再结合测量轮廓的位置相邻关系，分割轨道板区域(C_L、M和C_R)。

因此，基于上述步骤101至步骤103能够提取出轨道板区域的目标三维点云数据。

步骤20、基于目标三维点云数据在三维点云数据中的定位结果，结合三维点云数据与二维灰度数据之间的区域对应关系，提取二维灰度数据中轨道板区域的目标二维灰度数据。

具体地，由于获取二维灰度数据(即二维灰度图像)的过程中容易受到检测环境等方面的干扰，因此，轨道中的钢轨、扣件及其附件容易在二维灰度数据中导致虚检的裂缝。而获取三维点云数据的过程中不容易受到干扰，因此，可基于目标三维点云数据来提取二维灰度数据中的目标二维灰度数据。提取具体可通过如下方式：利用基于三维点云的轨道板区域提取结果(即目标三维点云数据)，结合二维灰度数据与三维点云数据中数据区域的对应关系(可通过标定获取)，对二维灰度数据中的轨道板区域中的目标二维灰度数据进行提取。

步骤30、通过统计分析目标二维灰度数据与对应的第一参考数据之间的差异，或者，通过统计分析目标三维点云数据与对应的第二参考数据之间的差异，提取轨道板区域中的裂缝特征点。

具体地，目标三维点云数据反映轨道板区域的表面的高程数据，由于裂缝区域的高程小于轨道板正常区域的高程，因此可以利用目标三维点云数据提取轨道板区域中的裂缝特征点。目标二维灰度数据反映轨道板区域的表面的灰度数据，由于裂缝区域的灰度与轨道板正常区域的灰度是不一样的，因此可以利用目标二维灰度数据提取轨道板区域中的裂缝特征点。

因此，本步骤提取轨道板区域中的裂缝特征点的方式包括二种：第一种是基于二维灰度数据提取轨道板区域中的裂缝特征点，第二种是基于目标三维点云数据提取轨道板区域中的裂缝特征点。

步骤40、根据裂缝特征点的聚集性和连续性，获取轨道板区域的裂缝检测结果。具体地，在步骤30中获得了裂缝特征点后，可对裂缝特征点进行进一步处理，例如判断裂缝特征点是否为噪点，或者将多个裂缝特征点连通，从而获得轨道板区域中的裂缝区域，即获得了裂缝检测结果。

本发明实施例提供的无砟轨道的轨道板裂缝检测方法，通过三维点云数据和二维灰度数据提取轨道板区域中的裂缝特征点，并根据裂缝特征点获得轨道板区域的裂缝检测结果，能够实现轨道板裂缝的快速、连续、自动的检测，相对于人工检测的方式降低了人工成本、提高了检测速度、降低了占用线路的时长、提高了工作效率，并相比于肉眼检测避免了漏检、提高了准确率，能够满足实际检测需求。

基于上述实施例的内容，作为一种可选实施例，提供一种通过统计分析目标二维灰度数据与对应的第一参考数据之间的差异，提取轨道板区域中的裂缝特征点的方法，本方法对应于上述实施例中提取轨道板区域中的裂缝特征点的方式中的第一种方式，该方法包括但不限于如下步骤：

步骤301、对目标二维灰度数据进行滤波处理，获得轨道板区域中每个测点对应的参考灰度值，参考灰度值为与目标二维灰度数据对应的第一参考数据。

具体地，可首先对轨道板区域的目标二维灰度数据逐行进行滤波处理，再对逐行滤波后的数据逐列进行滤波处理，得到轨道板区域各像素点对应的参考灰度值。

步骤302、将每个测点在目标二维灰度数据中的原始灰度值与参考灰度值作差，获得每个测点对应的灰度差值。

步骤303、根据灰度差值判断轨道板区域内是否含有裂缝区域，并根据判断结果在轨道板区域的测点中选取目标测点作为裂缝特征点。

具体地，本步骤中首先需要判断轨道板区域内是否含有裂缝区域。因此，基于上述实施例的内容，作为一种可选实施例，提供一种根据灰度差值判断轨道板区域内是否含有裂缝区域的方法，包括但不限于：

将轨道板区域划分为不同的子块区域，对于每个子块区域进行如下处理：对子块区域中每个测点的灰度差值进行排序后，按照步长统计每个步长对应的灰度差值，并将每个步长对应的灰度差值作为灰度差值分布值；若判断获知灰度差值分布值具有跳跃性，则确认子块区域内含有裂缝区域。

具体地，可将轨道板区域划分为互不重叠的多个子块区域，对于每个子块区域，首先将该子块区域中每个测点的灰度差值进行排序(例如升序排序)，按步长S(统计每个步长对应的灰度差值。例如，步长S为百分比，S＝1％时，测点的总数量为100时，1％的步长即为排序中第1个灰度差值，50％即为排序中第50个灰度差值。从而能够获得每个步长对应的一个灰度差值，并将该灰度差值作为该步长对应的灰度差值分布值D。之后可分析每个D是否具有跳跃性，若存在任意一个D具有跳跃性(例如在统计范围(0～30％)内)，则确认该子块区域内含有裂缝区域。

基于上述实施例的内容，作为一种可选实施例，提供一种判断获知灰度差值分布值具有跳跃性的方法，包括但不限于如下步骤：

步骤1、将每个步长的灰度差值分布值与相邻步长的灰度差值分布值作差后，获得每个步长对应的灰度差值分布值差值。

具体地，可将每个步长的D与相邻的前一步长或后一步长的D作差，获得该步长对应的灰度差值分布值差值。全部步长的灰度差值分布值差值可组成一个集合，可记为DA。

步骤2、获得多个灰度差值分布值差值的平均值，根据灰度差值分布值差值的平均值获取灰度差值阈值；若存在大于灰度差值阈值的灰度差值分布值差值，则确认灰度差值分布值具有跳跃性，且灰度差值分布值差值对应的测点为跳跃点。

具体地，可计算DA内全部灰度差值分布值差值的平均值Avg。然后将每个灰度差值分布值差值与Avg的第一设定倍数的值(例如2*Avg)(即灰度差值阈值)进行比较，若存在大于第一设定倍数的灰度差值分布值差值(例如2*Avg)，则确认该子块区域内含有潜在的裂缝区域。

基于上述实施例的内容，作为一种可选实施例，提供一种根据判断结果在轨道板区域的测点中选取目标测点作为裂缝特征点的方法，该方法为含有裂缝区域的子块区域与不含有裂缝区域的子块区域设定有不同的目标分割阈值，该方法包括但不限于：

对于每一子块区域，若判断结果为子块区域内含有裂缝区域，则将跳跃点对应的灰度值作为第一局部分割阈值；将第一局部分割阈值和第一全局分割阈值中的较大值作为第一目标分割阈值；将子块区域中灰度差值小于第一目标分割阈值的测点作为裂缝特征点。

具体地，针对含有裂缝区域的子块区域，第一局部分割阈值T2为有效的跳跃点对应的灰度值。第一目标分割阈值为T3，T3＝max(T1,T2)，其中，T1为第一全局分割阈值。然后将该子块区域中灰度差值小于第一目标分割阈值T3的测点选取为裂缝特征点。裂缝特征点可为图3所示。

或者，若判断结果为子块区域内不含有裂缝区域，则将子块区域中测点的灰度差值的排序中设定位置处的灰度差值作为第二局部分割阈值；根据第二局部分割阈值和第一全局分割阈值中的较小值确定第二目标分割阈值；将子块区域中灰度差值小于第二目标分割阈值的测点作为裂缝特征点。

具体地，针对不含有裂缝区域的子块区域，第二局部分割阈值T4为灰度差值排序中设定位置处(例如前4％)的灰度差值。第二目标分割阈值T5＝min(T1,T4)*n，n为第二设定倍数，例如n＝0.9。即将较小值第二设定倍数的值作为第二目标分割阈值。然后将该子块区域中灰度差值小于第二目标分割阈值T5的测点选取为裂缝特征点。裂缝特征点可为图3所示。

其中，第一全局分割阈值通过如下方式获取，对轨道板区域中每个测点的灰度差值进行升序排列，将排列中的设定顺序处的灰度差值作为第一全局分割阈值。例如，上述的设定位置可以为前4％的位置。

基于上述实施例的内容，作为一种可选实施例，提供一种通过统计分析目标三维点云数据与对应的第二参考数据之间的差异，提取轨道板区域中的裂缝特征点的方法，该方法对应于上述实施例中提取轨道板区域中的裂缝特征点的方式中的第二种方式，该方法但不限于如下步骤：

步骤301’、对目标三维点云数据进行滤波处理，获得轨道板区域中每个测点对应的参考高程值，参考高程值为与目标三维点云数据对应的第二参考数据。

具体地，可首先对轨道板区域的目标三维高程数据逐行进行滤波处理，再对逐行滤波后的数据逐列进行滤波处理，得到轨道板区域各像素点对应的参考高程值。

步骤302’、将每个测点在目标三维点云数据中的原始高程值与参考高程值作差，获得每个测点对应的高程差值。

步骤303’、根据高程差值判断轨道板区域内是否含有裂缝区域，并根据判断结果在轨道板区域的测点中选取目标测点作为裂缝特征点。

具体地，本步骤中首先需要判断轨道板区域内是否含有裂缝区域。因此，基于上述实施例的内容，作为一种可选实施例，提供一种根据高程差值判断轨道板区域内是否含有裂缝区域的方法，包括但不限于：

将轨道板区域划分为不同的子块区域，对于每个子块区域进行如下处理：对子块区域中每个测点的高程差值进行排序后，按照步长统计每个步长对应的高程差值，并将每个步长对应的高程差值作为高程差值分布值；若判断获知高程差值分布值具有跳跃性，则确认子块区域内含有裂缝区域。

具体地，可将轨道板区域划分为互不重叠的多个子块区域，对于每个子块区域，首先将该子块区域中每个测点的高程差值进行排序(例如升序排序)，按步长SR(统计每个步长对应的高程差值。例如，步长SR为百分比，SR＝1％时，测点的总数量为100时，1％的步长即为排序中第1个高程差值，50％即为排序中第50个高程差值。从而能够获得每个步长对应的一个高程差值，并将该高程差值作为该步长对应的高程差值分布值DR。之后可分析每个DR是否具有跳跃性，若存在任意一个DR具有跳跃性(例如在统计范围(0～30％)内)，则确认该子块区域内含有裂缝区域。

基于上述实施例的内容，作为一种可选实施例，提供一种判断获知高程差值分布值具有跳跃性的方法，包括但不限于如下步骤：

步骤1’、将每个步长的高程差值分布值与相邻步长的高程差值分布值作差后，获得每个步长对应的高程差值分布值差值。

具体地，可将每个步长的DR与相邻的前一步长或后一步长的DR作差，获得该步长对应的高程差值分布值差值。全部步长的高程差值分布值差值可组成一个集合，可记为DRA。

步骤2’、获得多个高程差值分布值差值的平均值，根据高程差值分布值差值的平均值获取高程差值阈值；若存在大于高程差值阈值的高程差值分布值差值，则确认高程差值分布值具有跳跃性，且高程差值分布值差值对应的测点为跳跃点。

具体地，可计算DRA内全部高程差值分布值差值的平均值Avg’。然后将每个高程差值分布值差值与Avg’的第三设定倍数(例如2*Avg’)(即高程差值阈值)进行比较，若存在大于第三设定倍数的高程差值分布值差值(例如2*Avg’)，则确认该子块区域内含有潜在的裂缝区域。

基于上述实施例的内容，作为一种可选实施例，提供一种根据判断结果在轨道板区域的测点中选取目标测点作为裂缝特征点的方法，该方法为含有裂缝区域的子块区域与不含有裂缝区域的子块区域设定有不同的目标分割阈值，包括但不限于：

对于每一子块区域，若判断结果为子块区域内含有裂缝区域，则将跳跃点对应的高程值作为第三局部分割阈值；将第三局部分割阈值和第二全局分割阈值中的较大值作为第三目标分割阈值；将子块区域中高程差值小于第三目标分割阈值的测点作为裂缝特征点。

具体地，针对含有裂缝区域的子块区域，第三局部分割阈值T2’为有效的跳跃点对应的高程值。第二目标分割阈值为T3’，T3’＝max(T1’,T2’)，其中，T1’为第二全局分割阈值。然后将该子块区域中高程差值小于第三目标分割阈值T3’的测点选取为裂缝特征点。裂缝特征点可为图3所示。

或者，若判断结果为子块区域内不含有裂缝区域，则将子块区域中测点的高程差值的排序中设定位置处的高程差值作为第四局部分割阈值；根据第四局部分割阈值和第二全局分割阈值中的较小值确定第四目标分割阈值；将子块区域中高程差值小于第四目标分割阈值的测点作为裂缝特征点。

具体地，针对不含有裂缝区域的子块区域，第四局部分割阈值T4’为高程差值排序中设定位置处(例如前4％)的高程差值。第四目标分割阈值T5’可以为min(T1’,T4’)*n’，n’为第四设定倍数，例如n’＝0.9。即将较小值第四设定倍数的值作为第四目标分割阈值。然后将该子块区域中高程差值小于第二目标分割阈值T5的测点选取为裂缝特征点。裂缝特征点可为图3所示。

其中，第二全局分割阈值通过如下方式获取，对轨道板区域中每个测点的高程差值进行升序排列，将排列中的设定顺序处的高程差值作为第二全局分割阈值。例如，上述的设定位置可以为前4％的位置。

基于上述实施例的内容，作为一种可选实施例，提供一种根据裂缝特征点的聚集性和连续性，获取轨道板区域的裂缝检测结果的方法，包括但不限于如下步骤：

步骤301、根据裂缝特征点获得轨道板区域的二值化图像。

步骤302、将二值化图像划分为多个图像子块后，对于每个图像子块，根据图像子块中裂缝特征点的聚集性和连续性定位获得裂缝区域骨架。其中，裂缝区域骨架可参见图4(a)所示。

步骤303、对裂缝区域骨架进行延伸去噪，获得裂缝区域子块集；并根据裂缝区域子块集的信息和裂缝区域子块集内部的裂缝特征点的信息获得裂缝检测结果。其中，裂缝检测结果可参见图4(c)。裂缝区域子块集的信息可以是描述裂缝区域子块集的尺寸参数，例如走向、长度和宽度等。而裂缝特征点的信息可以是描述裂缝特征点的参数，例如位置坐标等。基于上述两方面的信息可以得到裂缝的具体位置信息、尺寸信息等，上述信息能够描述检测到的裂缝，构成了裂缝检测结果。

基于上述实施例的内容，作为一种可选实施例，在根据裂缝特征点获取轨道板区域的裂缝检测结果之后，还提供一种判定裂缝的严重程度的方法，包括但不限于如下步骤：

根据裂缝检测结果中裂缝的尺寸信息获得裂缝的影响信息，影响信息包括影响宽度信息、影响长度信息和影响面积信息中的一个或多个；根据裂缝的尺寸信息和影响信息判定裂缝的严重程度。

具体地，裂缝的影响信息能够反映裂缝的尺寸，尺寸包括长度、宽度和面积等。影响信息也反映了裂缝对轨道板正常使用的影响情况，因此可以基于影响信息判断检测到的裂缝是否严重以及严重的程度。

以下以一个具体实例对上述本发明实施例提供的轨道板裂缝检测方法进行说明：

采用1套线扫描三维测量传感器，获取轨道板的三维点云数据，其中，三维测量传感器安装在轨道X方向的中间区域，在Z方向距离钢轨踏面约2500mm；采用2套二维测量传感器(采用一字线激光器与线阵相机结合的方式)，获取轨道板二维灰度信息，其中二维测量传感器安装在钢轨的正上方，在Z方向距离钢轨踏面约1500mm。

其中轨道板裂缝检测数据处理流程如下：

步骤一、数据预处理。将测量的三维点云数据通过标定文件进行像方坐标到物方坐标的转换(即通过标定获取测量数据在物方的(X,Z)坐标)；其中标定文件，在线扫描三维测量传感器安装在测量载体后，在轨道异物检测前，通过标定的方法，记录像方坐标到物方坐标的转换关系；再去除测量数据中的零点异常值。

步骤二、基于三维点云数据的轨道板区域提取。首先，基于线扫描三维测量传感器获取的断面(垂直于测量载体的行车方向)数据，利用钢轨踏面高程相对较高、钢轨踏面形状、线扫描三维测量传感器安装位置与钢轨踏面的相对距离关系定位钢轨踏面，进而依据钢轨的整体形状特征，定位钢轨位置；接着依据钢轨位置信息，分割左钢轨A_L、右钢轨A_R区域；再依据钢轨左、右两侧边缘区域附近的轮廓与钢轨踏面的高程差，若高程差小于Tr(Tr＝145mm)，则判断当前轮廓钢轨左、右两侧边缘区域含有扣件及其附件，否则，判断当前轮廓钢轨左、右两侧边缘区域未含有扣件及其附件；接着依据轮廓的曲率与踏面高程的高度差，分割轨道板、扣件及其附件区域，若当前轮廓含有扣件及其附件，则先分割出扣件及相关区域(B_L、D_L、B_R、D_R)，再结合测量轮廓的位置相邻关系，分割轨道板区域(C_L、M、C_R)，若当前轮廓未含有扣件及其附件，则结合测量轮廓的位置相邻关系，分割轨道板区域(C_L∪B_L、D_L∪M∪D_R、B_R∪C_R)；最后，修正轨道数据区域初分割结果。具体方法：先利用沿检测方向(测量载体运动)测量的钢轨、轨道板、扣件及其附件的连续性，对轨道数据区域初分割结果进行膨胀、腐蚀操作，初步实现各目标区域的延伸去噪，再结合各区域的几何尺寸信息，最终确认轨道板区域。

步骤三、二维灰度图像的轨道板区域提取。在轨道板裂缝检测之前，通过标定获取二维图像数据与三维点云数据中数据区域的对应关系。在二维灰度图像的轨道板区域提取中，利用基于三维点云的轨道板区域提取结果，结合二维图像数据与三维点云数据中数据区域的对应关系，对二维灰度图像数据中的轨道板区域进行提取；

步骤四、裂缝特征点提取，具体步骤如下：基于轨道板区域的二维灰度数据，1)对轨道板区域数据逐行进行中值滤波处理，再对逐行滤波后的数据逐列进行中值滤波处理，得到轨道板区域各点对应的参考灰度值；2)将原始灰度数据与对应参考灰度值作差，得到灰度差数据；3)将灰度差数据进行升序排列后，统计灰度差数据的分布，以前4％位置对应的灰度差值作为轨道板区域的全局分割阈值T1；4)将轨道板区域数据划分为互不重叠的子块，对每个子块，按步长S(其中步长S为百分比，S＝1％)，统计各子块区域的灰度差数据分布值D(D为灰度差数据)，再分析分布值D的跳跃性(假设在统计范围(0～30％)内，分布D值的相邻数据之差为集合DA,记DA的平均值为Avg,若在集合DA中，存在大于2*Avg的元素，则判读分布值D存在有效跳跃点)，若存在有效跳跃点，则标记当前子块区域含潜在裂缝区域，并得到各子块区域的局部分割阈值T2(为当前子块有效跳跃点对应的灰度值)；若不存在有效跳跃点，则标记当前子块区域无潜在裂缝区域，并得到当前子块区域的局部分割阈值T2(为当前子块区域数据4％位置对应的灰度差值)；5)若当前子块区域含潜在裂缝区域，则T3＝max(T1,T2)，若当前子块区域无潜在裂缝区域，则T3＝min(T1,T2)*0.9；6)对各子块区域，将灰度差小于分割阈值T3的点选取为裂缝特征点。得到疑似裂缝特征点的二值化图像如图3所示。

步骤五、裂缝检测。将二值化图像划分为互不重叠的子块，通过分析各子块中疑似裂缝特征点的聚集性和连续性，定位疑似裂缝区域骨架，如图4(a)所示，再对疑似裂缝区域骨架进行延伸去噪，得到裂缝区域子块集，如图4(b)所示；最后，结合裂缝区域子块集信息和裂缝子块集内裂缝特征点信息，得到裂缝检测结果，如图4(c)所示；

步骤六、裂缝属性信息获取。依据裂缝子块集内裂缝特征点信息，获取裂缝宽度信息；通过分析裂缝检测结果的几何尺寸，得到裂缝的影响宽度、影响长度、影响面积信息；结合裂缝宽度、裂缝的影响宽度、影响长度、影响面积信息，判别裂缝严重程度。

本发明实施例提供了一种电子设备，如图5所示，该设备包括：处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503上并可在处理器501上运行的计算机程序，以执行上述各实施例提供的无砟轨道的轨道板裂缝检测方法，例如包括：获取待测轨道的三维点云数据和二维灰度数据，提取三维点云数据中轨道板区域的目标三维点云数据；基于目标三维点云数据在三维点云数据中的定位结果，结合三维点云数据与二维灰度数据之间的区域对应关系，提取二维灰度数据中轨道板区域的目标二维灰度数据；通过统计分析目标二维灰度数据与对应的第一参考数据之间的差异，或者，通过统计分析目标三维点云数据与对应的第二参考数据之间的差异，提取轨道板区域中的裂缝特征点；根据裂缝特征点的聚集性和连续性，获取轨道板区域的裂缝检测结果；其中，三维点云数据通过线扫描三维测量传感器测量获取。

此外，上述的存储器503中的逻辑指令可以通过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。

本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的无砟轨道的轨道板裂缝检测方法，例如包括：获取待测轨道的三维点云数据和二维灰度数据，提取三维点云数据中轨道板区域的目标三维点云数据；基于目标三维点云数据在三维点云数据中的定位结果，结合三维点云数据与二维灰度数据之间的区域对应关系，提取二维灰度数据中轨道板区域的目标二维灰度数据；通过统计分析目标二维灰度数据与对应的第一参考数据之间的差异，或者，通过统计分析目标三维点云数据与对应的第二参考数据之间的差异，提取轨道板区域中的裂缝特征点；根据裂缝特征点的聚集性和连续性，获取轨道板区域的裂缝检测结果；其中，三维点云数据通过线扫描三维测量传感器测量获取。

以上所描述的电子设备等实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分方法。

最后应说明的是：以上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精神和范围。

Claims (10)

1.一种无砟轨道的轨道板裂缝检测方法，其特征在于，包括：

获取待测轨道的三维点云数据和二维灰度数据，提取所述三维点云数据中轨道板区域的目标三维点云数据；

基于所述目标三维点云数据在所述三维点云数据中的定位结果，结合所述三维点云数据与所述二维灰度数据之间的区域对应关系，提取所述二维灰度数据中轨道板区域的目标二维灰度数据；

通过统计分析所述目标二维灰度数据与对应的第一参考数据之间的差异，或者，通过统计分析所述目标三维点云数据与对应的第二参考数据之间的差异，提取所述轨道板区域中的裂缝特征点；

根据所述裂缝特征点的聚集性和连续性，获取所述轨道板区域的裂缝检测结果；

其中，所述三维点云数据通过线扫描三维测量传感器测量获取。

2.根据权利要求1所述的方法，其特征在于，通过统计分析所述目标二维灰度数据与对应的第一参考数据之间的差异，提取所述轨道板区域中的裂缝特征点，包括：

对所述目标二维灰度数据进行滤波处理，获得所述轨道板区域中每个测点对应的参考灰度值，所述参考灰度值为与所述目标二维灰度数据对应的第一参考数据；

将每个测点在所述目标二维灰度数据中的原始灰度值与所述参考灰度值作差，获得每个所述测点对应的灰度差值；

根据所述灰度差值判断所述轨道板区域内是否含有裂缝区域，并根据判断结果在所述轨道板区域的测点中选取目标测点作为所述裂缝特征点。

3.根据权利要求2所述的方法，其特征在于，所述根据所述灰度差值判断所述轨道板区域内是否含有裂缝区域，包括，

将所述轨道板区域划分为不同的子块区域，对于每个所述子块区域进行如下处理：对所述子块区域中每个所述测点的灰度差值进行排序后，按照步长统计每个所述步长对应的灰度差值，并将每个所述步长对应的所述灰度差值作为灰度差值分布值；若判断获知所述灰度差值分布值具有跳跃性，则确认所述子块区域内含有裂缝区域；

其中，所述判断获知所述灰度差值分布值具有跳跃性，包括：

将每个所述步长的所述灰度差值分布值与相邻步长的灰度差值分布值作差后，获得每个所述步长对应的灰度差值分布值差值；

获得多个所述灰度差值分布值差值的平均值，根据所述灰度差值分布值差值的平均值获取灰度差值阈值；若存在大于灰度差值阈值的所述灰度差值分布值差值，则确认所述灰度差值分布值具有跳跃性，且所述灰度差值分布值差值对应的测点为跳跃点。

4.根据权利要求3所述的方法，其特征在于，所述根据判断结果在所述轨道板区域的测点中选取目标测点作为所述裂缝特征点，包括：

对于每一所述子块区域，若所述判断结果为所述子块区域内含有裂缝区域，则将所述跳跃点对应的灰度值作为第一局部分割阈值；将所述第一局部分割阈值和第一全局分割阈值中的较大值作为第一目标分割阈值；将所述子块区域中灰度差值小于所述第一目标分割阈值的测点作为所述裂缝特征点；或者，若所述判断结果为所述子块区域内不含有裂缝区域，则将所述子块区域中所述测点的灰度差值的排序中设定位置处的灰度差值作为第二局部分割阈值；根据所述第二局部分割阈值和所述第一全局分割阈值中的较小值确定第二目标分割阈值；将所述子块区域中灰度差值小于所述第二目标分割阈值的测点作为所述裂缝特征点；

其中，所述第一全局分割阈值通过如下方式获取，对所述轨道板区域中每个测点的灰度差值进行升序排列，将所述排列中的设定顺序处的灰度差值作为所述第一全局分割阈值。

5.根据权利要求1所述的方法，其特征在于，通过统计分析所述目标三维点云数据与对应的第二参考数据之间的差异，提取所述轨道板区域中的裂缝特征点，包括：

对所述目标三维点云数据进行滤波处理，获得所述轨道板区域中每个测点对应的参考高程值，所述参考高程值为与所述目标三维点云数据对应的第二参考数据；

将每个测点在所述目标三维点云数据中的原始高程值与所述参考高程值作差，获得每个所述测点对应的高程差值；

根据所述高程差值判断所述轨道板区域内是否含有裂缝区域，并根据判断结果在所述轨道板区域的测点中选取目标测点作为所述裂缝特征点。

6.根据权利要求5所述的方法，其特征在于，所述根据所述高程差值判断所述轨道板区域内是否含有裂缝区域，包括，

将所述轨道板区域划分为不同的子块区域，对于每个所述子块区域进行如下处理：对所述子块区域中每个所述测点的高程差值进行排序后，按照步长统计每个所述步长对应的高程差值，并将每个所述步长对应的所述高程差值作为高程差值分布值；若判断获知所述高程差值分布值具有跳跃性，则确认所述子块区域内含有裂缝区域；

其中，所述判断获知所述高程差值分布值具有跳跃性，包括：

将每个所述步长的所述高程差值分布值与相邻步长的高程差值分布值作差后，获得每个所述步长对应的高程差值分布值差值；

获得多个所述高程差值分布值差值的平均值，根据所述高程差值分布值差值的平均值获取高程差值阈值；若存在大于高程差值阈值的所述高程差值分布值差值，则确认所述高程差值分布值具有跳跃性，且所述高程差值分布值差值对应的测点为跳跃点。

7.根据权利要求6所述的方法，其特征在于，所述根据判断结果在所述轨道板区域的测点中选取目标测点作为所述裂缝特征点，包括：

对于每一所述子块区域，若所述判断结果为所述子块区域内含有裂缝区域，则将所述跳跃点对应的高程值作为第三局部分割阈值；将所述第三局部分割阈值和第二全局分割阈值中的较大值作为第三目标分割阈值；将所述子块区域中高程差值小于所述第三目标分割阈值的测点作为所述裂缝特征点；或者，若所述判断结果为所述子块区域内不含有裂缝区域，则将所述子块区域中所述测点的高程差值的排序中设定位置处的高程差值作为第四局部分割阈值；根据所述第四局部分割阈值和所述第二全局分割阈值中的较小值确定第四目标分割阈值；将所述子块区域中高程差值小于所述第四目标分割阈值的测点作为所述裂缝特征点；

其中，所述第二全局分割阈值通过如下方式获取，对所述轨道板区域中每个测点的高程差值进行升序排列，将所述排列中的设定顺序处的高程差值作为所述第二全局分割阈值。

8.根据权利要求1所述的方法，其特征在于，根据所述裂缝特征点的聚集性和连续性，获取所述轨道板区域的裂缝检测结果，包括：

根据所述裂缝特征点获得所述轨道板区域的二值化图像；

将所述二值化图像划分为多个图像子块后，对于每个所述图像子块，根据所述图像子块中所述裂缝特征点的聚集性和连续性定位获得裂缝区域骨架；

对所述裂缝区域骨架进行延伸去噪，获得裂缝区域子块集；并根据所述裂缝区域子块集的信息和所述裂缝区域子块集内部的所述裂缝特征点的信息获得所述裂缝检测结果。

9.根据权利要求8所述的方法，其特征在于，所述根据所述裂缝特征点获取所述轨道板区域的裂缝检测结果之后，还包括：

根据所述裂缝检测结果中裂缝的尺寸信息获得所述裂缝的影响信息，所述影响信息包括影响宽度信息、影响长度信息和影响面积信息中的一个或多个；

根据所述裂缝的尺寸信息和所述影响信息判定所述裂缝的严重程度。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至9任一项所述无砟轨道的轨道板裂缝检测方法的步骤。