CN112731440B - 高速铁路边坡形变检测方法及装置 - Google Patents

高速铁路边坡形变检测方法及装置 Download PDF

Info

Publication number
CN112731440B
CN112731440B CN202011562419.8A CN202011562419A CN112731440B CN 112731440 B CN112731440 B CN 112731440B CN 202011562419 A CN202011562419 A CN 202011562419A CN 112731440 B CN112731440 B CN 112731440B
Authority
CN
China
Prior art keywords
point cloud
cloud data
slope
speed railway
dimensional
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011562419.8A
Other languages
English (en)
Other versions
CN112731440A (zh
Inventor
刘俊博
王胜春
孙淑杰
赵鑫欣
戴鹏
王乐
方玥
王亮
危义民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Academy of Railway Sciences Corp Ltd CARS
Infrastructure Inspection Institute of CARS
Beijing IMAP Technology Co Ltd
Original Assignee
China Academy of Railway Sciences Corp Ltd CARS
Infrastructure Inspection Institute of CARS
Beijing IMAP Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Academy of Railway Sciences Corp Ltd CARS, Infrastructure Inspection Institute of CARS, Beijing IMAP Technology Co Ltd filed Critical China Academy of Railway Sciences Corp Ltd CARS
Priority to CN202011562419.8A priority Critical patent/CN112731440B/zh
Publication of CN112731440A publication Critical patent/CN112731440A/zh
Application granted granted Critical
Publication of CN112731440B publication Critical patent/CN112731440B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Abstract

本发明公开了一种高速铁路边坡形变检测方法及装置，其中方法包括：利用高速铁路边坡点云采集系统获取高速铁路沿线边坡的三维点云数据，所述高速铁路边坡点云采集系统包括：激光雷达设备，里程定位同步单元和点云数据采集服务器；根据高速铁路场景下的基准点云数据，利用迭代最近点算法对所述三维点云数据进行点云配准处理；从点云配准处理后的三维点云数据中提取当期边坡点云数据，从所述高速铁路场景下的基准点云数据中提取基准边坡点云数据；分别对所述当期边坡点云数据和基准边坡点云数据进行体素化处理；根据体素化处理的结果，进行高速铁路边坡形变检测。本发明实施例可以检测高速铁路边坡形变，节省检测成本，提高检测效率和准确率。

Description

高速铁路边坡形变检测方法及装置
技术领域
本发明涉及高速铁路安全技术领域，尤其涉及高速铁路边坡形变检测方法及装置。
背景技术
近年来，我国铁路高速化进程不断加快，如何保障高速铁路运行安全已成为铁路安全管理部门的重点工作。高速铁路在山区存在较多的隧道、边坡等大型建筑物，由于地质活动和天气变化的影响，特别是我国南方降水量较多的线路区段，边坡发生滑坡的风险较高，严重威胁高速铁路运行安全。因此，必须定期地检测高速铁路沿线边坡的形态变化情况，统计分析边坡形变趋势，及时发现潜在的滑坡风险，以采取相应的加固措施，防止高速铁路安全事故的发生。
以往，大型建筑物形变检测或监测只能以人工测量的方式进行，不仅耗费大量人力物力，而且检测数据存在较多误差，不能真实反映建筑物整体形态变化情况。近年来，国内外学者和研究机构提出许多高效的方法，已在地表形变监测、矿山形变监测、边坡形变监测、大坝形变监测、隧道形变检测、铁路建筑限界检测等任务中广泛应用。现有方法可按照观测方式分为动态检测方法和静态监测方法。动态检测方法多是采用遥感/航空摄影、干涉合成孔径雷达、机载/车载三维激光扫描仪等手段获取建筑物的三维形态数据。静态监测方法多是采用多个摄像机、全站仪等设备获取建筑物不同方位的三维形态数据。然后，采用图像处理、信号处理、点云处理技术对建筑物三维形态数据进行处理和分析，得到建筑物的形变量和形变趋势。
然而，高速铁路里程长、跨度大，边坡数量多，且位置分散，现有的动态检测方法无法在短时期内对多个分散的目标重复观测，数据采集成本高昂，数据处理步骤复杂，无法实现高效检测高速铁路边坡形变的目的。此外，高速铁路边坡普遍存在于山区，地形地貌复杂，无法架设和维护固定的监测设备，不能利用现有的静态监测方法。
因此，亟需一种可以克服上述问题的高速铁路边坡形变检测方案。
发明内容
本发明实施例提供一种高速铁路边坡形变检测方法，用以检测高速铁路边坡形变，节省检测成本，提高检测效率和准确率，该方法包括：
利用高速铁路边坡点云采集系统获取高速铁路沿线边坡的三维点云数据，所述高速铁路边坡点云采集系统包括：激光雷达设备，里程定位同步单元和点云数据采集服务器，所述激光雷达设备用于扫描高速铁路沿线的空间点数据；所述里程定位同步单元用于获取里程定位信息；所述点云数据采集服务器用于在接收到里程定位同步单元发送的里程定位信息时提取对应的空间点数据；
根据高速铁路场景下的基准点云数据，利用迭代最近点算法对所述三维点云数据中的钢轨区域的空间点进行点云配准处理，得到旋转矩阵和平移矩阵；将旋转矩阵和平移矩阵应用于所述三维点云数据中除钢轨区域的空间点之外的其他空间点进行点云配准；所述钢轨区域的空间点是通过设定坐标阈值分割提取的；
从点云配准处理后的三维点云数据中提取当期边坡点云数据，从所述高速铁路场景下的基准点云数据中提取基准边坡点云数据；
分别对所述当期边坡点云数据和基准边坡点云数据进行体素化处理；
根据体素化处理的结果，进行高速铁路边坡形变检测；
所述激光雷达设备挂载于检测列车车头的中心位置；所述激光雷达设备进一步用于：通过高速网络以流式传输向点云数据采集服务器发送高速铁路沿线的三维空间点数据；
所述里程定位同步单元进一步用于：以固定距离间隔向点云数据采集服务器发送里程定位信息；
所述点云数据采集服务器进一步用于：将接收到的里程定位信息和对应的三维空间点数据存储至硬盘；
按如下方式对所述当期边坡点云数据进行体素化处理：
计算当期边坡点云数据在三个方向的最大值和最小值；
根据所述当期边坡点云数据在三个方向的最大值和最小值和预设的立体像素尺寸，计算当期边坡点云数据在三个方向的立体像素数量；
根据所述当期边坡点云数据在三个方向的立体像素数量，确定每个方向上每个立体像素所包含的空间点坐标集合；
根据所述空间点坐标集合，确定每个立体像素在三维空间坐标，作为第一立体像素集；
根据体素化处理的结果，进行高速铁路边坡形变检测，包括：
将所述基准边坡点云数据进行体素化处理后的结果作为第二立体像素集；
利用区域生长算法，对第二立体像素集具有相同空间特征的立体像素进行拟合，得到多个基准边坡区域平面；
根据所述第一立体像素集和多个基准边坡区域平面，进行高速铁路边坡形变检测。
本发明实施例提供一种高速铁路边坡形变检测装置，用以检测高速铁路边坡形变，节省检测成本，提高检测效率和准确率，该装置包括：
数据获得模块，用于利用高速铁路边坡点云采集系统获取高速铁路沿线边坡的三维点云数据，所述高速铁路边坡点云采集系统包括：激光雷达设备，里程定位同步单元和点云数据采集服务器，所述激光雷达设备用于扫描高速铁路沿线的空间点数据；所述里程定位同步单元用于获取里程定位信息；所述点云数据采集服务器用于在接收到里程定位同步单元发送的里程定位信息时提取对应的空间点数据；
点云配准模块，用于根据高速铁路场景下的基准点云数据，利用迭代最近点算法对所述三维点云数据中的钢轨区域的空间点进行点云配准处理，得到旋转矩阵和平移矩阵；将旋转矩阵和平移矩阵应用于所述三维点云数据中除钢轨区域的空间点之外的其他空间点进行点云配准；所述钢轨区域的空间点是通过设定坐标阈值分割提取的；
点云提取模块，用于从点云配准处理后的三维点云数据中提取当期边坡点云数据，从所述高速铁路场景下的基准点云数据中提取基准边坡点云数据；
体素化处理模块，用于分别对所述当期边坡点云数据和基准边坡点云数据进行体素化处理；
形变检测模块，用于根据体素化处理的结果，进行高速铁路边坡形变检测；
所述激光雷达设备挂载于检测列车车头的中心位置；所述激光雷达设备进一步用于：通过高速网络以流式传输向点云数据采集服务器发送高速铁路沿线的三维空间点数据；
所述里程定位同步单元进一步用于：以固定距离间隔向点云数据采集服务器发送里程定位信息；
所述点云数据采集服务器进一步用于：将接收到的里程定位信息和对应的三维空间点数据存储至硬盘；
所述体素化处理模块进一步用于：
计算当期边坡点云数据在三个方向的最大值和最小值；
根据所述当期边坡点云数据在三个方向的最大值和最小值和预设的立体像素尺寸，计算当期边坡点云数据在三个方向的立体像素数量；
根据所述当期边坡点云数据在三个方向的立体像素数量，确定每个方向上每个立体像素所包含的空间点坐标集合；
根据所述空间点坐标集合，确定每个立体像素在三维空间坐标，作为第一立体像素集；
所述形变检测模块进一步用于：
将所述基准边坡点云数据进行体素化处理后的结果作为第二立体像素集；
利用区域生长算法，对第二立体像素集具有相同空间特征的立体像素进行拟合，得到多个基准边坡区域平面；
根据所述第一立体像素集和多个基准边坡区域平面，进行高速铁路边坡形变检测。
本发明实施例还提供一种计算机设备，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，所述处理器执行所述高速铁路边坡形变检测方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述高速铁路边坡形变检测方法的计算机程序。
本发明实施例通过利用高速铁路边坡点云采集系统获取高速铁路沿线边坡的三维点云数据，所述高速铁路边坡点云采集系统包括：激光雷达设备，里程定位同步单元和点云数据采集服务器，所述激光雷达设备用于扫描高速铁路沿线的空间点数据；所述里程定位同步单元用于获取里程定位信息；所述点云数据采集服务器用于在接收到里程定位同步单元发送的里程定位信息时提取对应的空间点数据；根据高速铁路场景下的基准点云数据，利用迭代最近点算法对所述三维点云数据进行点云配准处理；从点云配准处理后的三维点云数据中提取当期边坡点云数据，从所述高速铁路场景下的基准点云数据中提取基准边坡点云数据；分别对所述当期边坡点云数据和基准边坡点云数据进行体素化处理；根据体素化处理的结果，进行高速铁路边坡形变检测。本发明实施例通过高速铁路边坡点云采集系统的激光雷达设备实现了高速铁路沿线建筑物及设备的三维点云数据自动化采集，能够实现动态检测边坡形态变化情况，节省检测成本，并且根据高速铁路场景下的基准点云数据，利用迭代最近点算法对三维点云数据进行点云配准处理并分别对所述当期边坡点云数据和基准边坡点云数据进行体素化处理，进而根据体素化处理的结果进行高速铁路边坡形变检测，有效提高了高速铁路边坡检测工作的效率和准确率，能够为铁路安全管理部门提供检测数据支持，对保障高速铁路运营安全有重要意义。
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，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中高速铁路边坡形变检测方法示意图；
图2为本发明实施例中高速铁路边坡点云采集系统架构图；
图3为本发明实施例中点云配准结果图；
图4(a)和图4(b)为本发明实施例中区域生长结果图；
图5(a)和图5(b)为本发明具体实施例中边坡形变检测结果图；
图6为本发明实施例中高速铁路边坡形变检测装置结构图。
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明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
为了检测高速铁路边坡形变，节省检测成本，提高检测效率和准确率，本发明实施例提供一种高速铁路边坡形变检测方法，如图1所示，该方法可以包括：
步骤101、利用高速铁路边坡点云采集系统获取高速铁路沿线边坡的三维点云数据，所述高速铁路边坡点云采集系统包括：激光雷达设备，里程定位同步单元和点云数据采集服务器，所述激光雷达设备用于扫描高速铁路沿线的空间点数据；所述里程定位同步单元用于获取里程定位信息；所述点云数据采集服务器用于在接收到里程定位同步单元发送的里程定位信息时提取对应的空间点数据；
步骤102、根据高速铁路场景下的基准点云数据，利用迭代最近点算法对所述三维点云数据进行点云配准处理；
步骤103、从点云配准处理后的三维点云数据中提取当期边坡点云数据，从所述高速铁路场景下的基准点云数据中提取基准边坡点云数据；
步骤104、分别对所述当期边坡点云数据和基准边坡点云数据进行体素化处理；
步骤105、根据体素化处理的结果，进行高速铁路边坡形变检测。
由图1所示可以得知，本发明实施例通过利用高速铁路边坡点云采集系统获取高速铁路沿线边坡的三维点云数据，所述高速铁路边坡点云采集系统包括：激光雷达设备，里程定位同步单元和点云数据采集服务器，所述激光雷达设备用于扫描高速铁路沿线的空间点数据；所述里程定位同步单元用于获取里程定位信息；所述点云数据采集服务器用于在接收到里程定位同步单元发送的里程定位信息时提取对应的空间点数据；根据高速铁路场景下的基准点云数据，利用迭代最近点算法对所述三维点云数据进行点云配准处理；从点云配准处理后的三维点云数据中提取当期边坡点云数据，从所述高速铁路场景下的基准点云数据中提取基准边坡点云数据；分别对所述当期边坡点云数据和基准边坡点云数据进行体素化处理；根据体素化处理的结果，进行高速铁路边坡形变检测。本发明实施例通过高速铁路边坡点云采集系统的激光雷达设备实现了高速铁路沿线建筑物及设备的三维点云数据自动化采集，能够实现动态检测边坡形态变化情况，节省检测成本，并且根据高速铁路场景下的基准点云数据，利用迭代最近点算法对三维点云数据进行点云配准处理并分别对所述当期边坡点云数据和基准边坡点云数据进行体素化处理，进而根据体素化处理的结果进行高速铁路边坡形变检测，有效提高了高速铁路边坡检测工作的效率和准确率，能够为铁路安全管理部门提供检测数据支持，对保障高速铁路运营安全有重要意义。
实施例中，利用高速铁路边坡点云采集系统获取高速铁路沿线边坡的三维点云数据，所述高速铁路边坡点云采集系统包括：激光雷达设备，里程定位同步单元和点云数据采集服务器，所述激光雷达设备用于扫描高速铁路沿线的空间点数据；所述里程定位同步单元用于获取里程定位信息；所述点云数据采集服务器用于在接收到里程定位同步单元发送的里程定位信息时提取对应的空间点数据。
本实施例中，里程定位同步单元包括：全球卫星导航系统，射频标签阅读器，光电轴头编码器和控制电路。
本实施例中，激光雷达设备进一步用于：通过高速网络以流式传输向点云数据采集服务器发送高速铁路沿线的三维空间点数据；所述里程定位同步单元进一步用于：以固定距离间隔向点云数据采集服务器发送里程定位信息；所述点云数据采集服务器进一步用于：将接收到的里程定位信息和对应的三维空间点数据存储至硬盘。
具体实施时，激光雷达设备扫描线频率可以为200Hz，点频率为每秒600000点，测程范围为1.5m～500m，测量视场为360°，能够扫描高速铁路沿线建筑物及设备的三维空间点数据。激光雷达设备可以挂载在检测列车车头中心位置，扫描的空间点数据通过高速网络以流式传输发送到点云数据采集服务器，同时，里程定位同步单元以固定距离间隔向点云数据采集服务器发送里程定位信息，点云数据采集服务器每次收到里程定位信息，立即将当前空间点数据和对应里程定位信息存储至硬盘。
发明人发现，边坡点云数据采集是高速铁路边坡形变检测任务的重要内容，点云数据质量和精度的好坏，会对边坡形变检测结果的准确性产生直接影响。因此本发明实施例采用高速铁路边坡点云采集系统进行数据采集，高速铁路边坡点云采集系统架构如图2所示，该系统能够实现等距离的扫描高速铁路沿线建筑物及设备的三维空间点数据，空间点的x坐标表示沿轨道方向的里程值，y坐标和z坐标分别表示距离轨道中心线的纵向和横向距离。
实施例中，根据高速铁路场景下的基准点云数据，利用迭代最近点算法对所述三维点云数据进行点云配准处理。
本实施例中，根据高速铁路场景下的基准点云数据，利用迭代最近点算法对所述三维点云数据进行点云配准处理，包括：获得高速铁路场景下的基准点云数据；提取基准点云数据中钢轨区域的第一空间点和三维点云数据中钢轨区域的第二空间点；利用迭代最近点算法，对第一空间点和第二空间点进行配准，得到旋转矩阵和平移矩阵；根据所述旋转矩阵和平移矩阵，对三维点云数据进行点云配准处理。
具体实施时，高速铁路边坡点云中钢轨宽度和轨距相对固定，空间点特征较为明显，设定坐标阈值即可进行分割提取。因此，先提取出当期点云和基准点云中钢轨区域的空间点(基准点云数据中钢轨区域的第一空间点和三维点云数据中钢轨区域的第二空间点)，然后采用迭代最近点算法对该区域点云进行配准，迭代计算求解最优旋转矩阵和平移矩阵，最后，将计算得到的旋转矩阵和平移矩阵应用于其他区域空间点，即可实现两期点云配准。
本实施例中，迭代最近点算法的目标函数为：
其中，N为点云P中钢轨区域空间点总数，Di的计算公式如下：
Di＝||Qclosest-(RPi+t)||2
其中，Qclosest为与Pi距离最近的点云Q中钢轨区域空间点。
边坡点云数据是在检测列车高速运动的状态下进行采集，发明人发现，列车运行过程中不可避免的会产生振动、横/纵向位移、侧滚等车体姿态变化，挂载在车体的高精度激光雷达也会随之发生位置偏移，导致不同时期扫描的空间点很难对应，造成计算形变量困难。因此，需要利用点云处理方法将当期点云与基准点云配准。迭代最近点(IterativeClosest Point,ICP)算法是最常用的点云精确配准算法，在每轮迭代中，通过计算待配准点云P中每个空间点Pi在基准点云Q中距离最近的空间点，求解最优的旋转矩阵R和平移矩阵T，使目标函数J最小化；然后，将旋转矩阵R和平移矩阵T应用于待配准点云P，进行下一轮迭代。
然而，高速铁路边坡点云的空间点数量庞大，在80km/h速度条件下，每公里多达27,000,000空间点数据，如直接使用ICP算法进行迭代配准，不仅会耗费大量计算资源和时间，还容易使算法陷入局部最优解。因此，需要利用先验信息来减少不必要的计算。高速铁路边坡点云中，钢轨宽度和轨距相对固定，空间点特征较为明显，设定坐标阈值即可进行分割提取。因此，先提取出当期点云和基准点云中钢轨区域的空间点，然后采用ICP算法对该区域点云进行配准，迭代计算求解最优旋转矩阵和平移矩阵，最后，将计算得到的旋转矩阵和平移矩阵应用于其他区域空间点，即可实现两期点云配准，配准结果如图3所示，大片灰色区域中，浅灰色为基准点云空间点，深灰色为当期点云空间点，虚线框中黑色部分为提取的钢轨区域空间点。
实施例中，从点云配准处理后的三维点云数据中提取当期边坡点云数据，从所述高速铁路场景下的基准点云数据中提取基准边坡点云数据。
本实施例中，从所述高速铁路场景下的基准点云数据中提取基准边坡点云数据，包括：获得设定距离范围和激光反射强度阈值；根据所述设定距离范围和激光反射强度阈值，从高速铁路场景下的基准点云数据中提取基准边坡点云数据。
具体实施时，设定距离范围和激光反射强度阈值，从基准点云数据中分割提取边坡区域点云，以排除其他沿线建筑或设备干扰。
实施例中，分别对所述当期边坡点云数据和基准边坡点云数据进行体素化处理，根据体素化处理的结果，进行高速铁路边坡形变检测。
发明人发现，激光雷达扫描的离散空间点的位置存在一定的随机误差，如直接进行形变量的计算，会导致计算结果不准确，影响最终的分析结果。为降低随机误差带来的影响，需要预先对点云数据进行体素化。点云体素化(Point Cloud Voxelization)，即利用空间中均匀尺寸的立体像素块来表示点云几何形态的过程。首先，计算点云数据X、Y、Z三个方向的最大值和最小值；然后，设定立体像素的尺寸，并计算X、Y、Z三个方向的立体像素数量；最后，使用立体像素内包含空间点的坐标平均值作为该立体像素的坐标值。
本实施例中，按如下方式对所述当期边坡点云数据进行体素化处理：计算当期边坡点云数据在三个方向的最大值和最小值；根据所述当期边坡点云数据在三个方向的最大值和最小值和预设的立体像素尺寸，计算当期边坡点云数据在三个方向的立体像素数量；根据所述当期边坡点云数据在三个方向的立体像素数量，确定每个方向上每个立体像素所包含的空间点坐标集合；根据所述空间点坐标集合，确定每个立体像素在三维空间坐标，作为第一立体像素集。
具体实施时，首先计算当期边坡点云数据在X、Y、Z三个方向的最大值和最小值；然后预设立体像素尺寸，并计算X、Y、Z三个方向的立体像素数量；最后使用立体像素内包含空间点的坐标平均值作为该立体像素的坐标值。设立体像素的尺寸为m，则点云数据X、Y、Z三个方向的立体像素数量NX、NY、NZ为：
NX＝F(xmax-xmin/m)
NY＝F(ymax-ymin/m)
NZ＝F(zmax-zmin/m)
然后，每个立体像素Vi的三维空间坐标计算方式定义如下：
其中，Pi表示立体像素Vi包含的空间点集合，F(·)表示向下取整函数，μ(·)表示计算平均值。m的大小需要根据观测目标的实际尺寸确定，m值过大会造成分辨率不足，不利于计算形变区域边界线，m值过小则无法降低随机误差的影响。
发明人发现，边坡点云数据中的离散空间点不具有空间连续性，直接计算离散空间点之间的形变量，不仅需要较多的计算资源和计算时间，而且会引入干扰误差，导致最终的检测结果不准确。为降低干扰误差影响，首先设定距离范围和激光反射强度阈值，从基准点云数据中分割提取边坡区域点云，以排除其他沿线建筑或设备干扰；然后对基准边坡点云数据进行体素化处理，并采用区域生长算法将具有相同空间特性的立体像素拼接拟合，得到多个区域平面，区域生长结果如图4(a)和图4(b)所示，不同灰度颜色表示空间特性不同的区域。
本实施例中，根据体素化处理的结果，进行高速铁路边坡形变检测，包括：将所述基准边坡点云数据进行体素化处理后的结果作为第二立体像素集；利用区域生长算法，对第二立体像素集具有相同空间特征的立体像素进行拟合，得到多个基准边坡区域平面；根据所述第一立体像素集和多个基准边坡区域平面，进行高速铁路边坡形变检测。
具体实施时，对第二立体像素集，采用区域生长算法将具有相同空间特性的立体像素拼拟合，得到多个区域平面。所述区域生长算法为点云数据处理专业领域通用的空间点区域拟合技术方法。
本实施例中，根据所述第一立体像素集和多个基准边坡区域平面，进行高速铁路边坡形变检测，包括：计算第一立体像素集中每个立体像素与多个基准边坡区域平面中对应的基准边坡区域平面的距离；根据所述距离进行高速铁路边坡形变检测。
具体实施时，计算第一立体像素集中每个立体像素与多个基准边坡区域平面中对应的基准边坡区域平面的距离作为形变量，计算公式定义如下：
其中，aj、bj、cj、dj分别为立体像素Vi对应的第j个区域平面方程的系数，计算得到所有当期点云立体像素的形变量后，即可得到最终的形变检测结果。
本发明实施例提出了一种高速铁路边坡点云采集系统，通过在检测列车上挂载高精度激光雷达，实现了高速铁路沿线建筑物及设备的三维点云数据自动化采集；提出了一种基于车载激光点云的高速铁路边坡形变检测方法，并利用实际边坡数据进行了试验验证。试验结果表明，所提方法能够利用车载激光点云进行边坡形变检测，证明了方法的正确性和准确性；所提系统和方法能够实现动态检测边坡形态变化情况，提升了高速铁路边坡检测工作的效率，能够为铁路安全管理部门提供检测数据支持，对保障高速铁路运营安全有重要意义。
下面给出一个具体实施例，说明本发明高速铁路边坡形变检测方法的具体应用，在本具体实施例中，为验证边坡形变检测方法的正确性，选取三个时期获取的我国南方某高速铁路中某边坡的点云数据进行试验验证。该边坡曾发生过小规模的滑坡事件，前两期边坡点云数据是在滑坡之前获取，第三期边坡点云数据是在滑坡之后扫描获取，三期边坡点云数据间隔时间大约为1个月。
本节试验以第一期边坡点云数据作为基准点云数据，先利用所提多期点云配准方法将第二期和第三期边坡点云数据与基准点云数据进行配准；然后，分割提取出边坡区域的点云数据，并进行体素化处理；最后，利用区域生长算法将体素化后的基准点云数据拟合成多个区域平面，依次计算第二期和第三期边坡点云数据中每个立体像素的形变量，得到形变检测结果。
边坡形变检测结果可视化如图5(a)和图5(b)所示。为了便于观察形变区域，使用不同的灰度颜色进行标识。以图5(a)为例分别标出了形变量小于10cm的空间点、形变量在10cm-20cm之间的空间点、发生20cm-30cm形变的空间点、形变量超过30cm的空间点，其中，形变量较小的区域大部分是由于覆盖的植被变化所导致。根据检测结果可以看出，在第二期点云数据中，边坡中上部存在两块形变量超过30cm的形变区域；在第三期点云数据中，该边坡区域发生滑坡，导致边坡中上部产生大面积形变量超过30cm的形变区域，边坡中下部由于存在滑脱的泥石，也产生大面积形变量超过30cm的形变区域。检测结果表明，所提方法能够正确的检测出边坡的形态变化情况。
基于同一发明构思，本发明实施例还提供了一种高速铁路边坡形变检测装置，如下面的实施例所述。由于这些解决问题的原理与高速铁路边坡形变检测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
图6为本发明实施例中高速铁路边坡形变检测装置的结构图，如图6所示，该装置包括：
数据获得模块601，用于利用高速铁路边坡点云采集系统获取高速铁路沿线边坡的三维点云数据，所述高速铁路边坡点云采集系统包括：激光雷达设备，里程定位同步单元和点云数据采集服务器，所述激光雷达设备用于扫描高速铁路沿线的空间点数据；所述里程定位同步单元用于获取里程定位信息；所述点云数据采集服务器用于在接收到里程定位同步单元发送的里程定位信息时提取对应的空间点数据；
点云配准模块602，用于根据高速铁路场景下的基准点云数据，利用迭代最近点算法对所述三维点云数据进行点云配准处理；
点云提取模块603，用于从点云配准处理后的三维点云数据中提取当期边坡点云数据，从所述高速铁路场景下的基准点云数据中提取基准边坡点云数据；
体素化处理模块604，用于分别对所述当期边坡点云数据和基准边坡点云数据进行体素化处理；
形变检测模块605，用于根据体素化处理的结果，进行高速铁路边坡形变检测。
一个实施例中，所述里程定位同步单元包括：全球卫星导航系统，射频标签阅读器，光电轴头编码器和控制电路。
一个实施例中，所述激光雷达设备进一步用于：通过高速网络以流式传输向点云数据采集服务器发送高速铁路沿线的三维空间点数据；
所述里程定位同步单元进一步用于：以固定距离间隔向点云数据采集服务器发送里程定位信息；
所述点云数据采集服务器进一步用于：将接收到的里程定位信息和对应的三维空间点数据存储至硬盘。
一个实施例中，所述点云配准模块602进一步用于：
获得高速铁路场景下的基准点云数据；
提取基准点云数据中钢轨区域的第一空间点和三维点云数据中钢轨区域的第二空间点；
利用迭代最近点算法，对第一空间点和第二空间点进行配准，得到旋转矩阵和平移矩阵；
根据所述旋转矩阵和平移矩阵，对三维点云数据进行点云配准处理。
一个实施例中，所述点云提取模块603进一步用于：
获得设定距离范围和激光反射强度阈值；
根据所述设定距离范围和激光反射强度阈值，从高速铁路场景下的基准点云数据中提取基准边坡点云数据。
一个实施例中，所述体素化处理模块604进一步用于：
计算当期边坡点云数据在三个方向的最大值和最小值；
根据所述当期边坡点云数据在三个方向的最大值和最小值和预设的立体像素尺寸，计算当期边坡点云数据在三个方向的立体像素数量；
根据所述当期边坡点云数据在三个方向的立体像素数量，确定每个方向上每个立体像素所包含的空间点坐标集合；
根据所述空间点坐标集合，确定每个立体像素在三维空间坐标，作为第一立体像素集。
一个实施例中，所述形变检测模块605进一步用于：
将所述基准边坡点云数据进行体素化处理后的结果作为第二立体像素集；
利用区域生长算法，对第二立体像素集具有相同空间特征的立体像素进行拟合，得到多个基准边坡区域平面；
根据所述第一立体像素集和多个基准边坡区域平面，进行高速铁路边坡形变检测。
一个实施例中，所述形变检测模块605进一步用于：
计算第一立体像素集中每个立体像素与多个基准边坡区域平面中对应的基准边坡区域平面的距离；
根据所述距离进行高速铁路边坡形变检测。
综上所述，本发明实施例通过利用高速铁路边坡点云采集系统获取高速铁路沿线边坡的三维点云数据，所述高速铁路边坡点云采集系统包括：激光雷达设备，里程定位同步单元和点云数据采集服务器，所述激光雷达设备用于扫描高速铁路沿线的空间点数据；所述里程定位同步单元用于获取里程定位信息；所述点云数据采集服务器用于在接收到里程定位同步单元发送的里程定位信息时提取对应的空间点数据；根据高速铁路场景下的基准点云数据，利用迭代最近点算法对所述三维点云数据进行点云配准处理；从点云配准处理后的三维点云数据中提取当期边坡点云数据，从所述高速铁路场景下的基准点云数据中提取基准边坡点云数据；分别对所述当期边坡点云数据和基准边坡点云数据进行体素化处理；根据体素化处理的结果，进行高速铁路边坡形变检测。本发明实施例通过高速铁路边坡点云采集系统的激光雷达设备实现了高速铁路沿线建筑物及设备的三维点云数据自动化采集，能够实现动态检测边坡形态变化情况，节省检测成本，并且根据高速铁路场景下的基准点云数据，利用迭代最近点算法对三维点云数据进行点云配准处理并分别对所述当期边坡点云数据和基准边坡点云数据进行体素化处理，进而根据体素化处理的结果进行高速铁路边坡形变检测，有效提高了高速铁路边坡检测工作的效率和准确率，能够为铁路安全管理部门提供检测数据支持，对保障高速铁路运营安全有重要意义。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (12)

1.一种高速铁路边坡形变检测方法，其特征在于，包括：
利用高速铁路边坡点云采集系统获取高速铁路沿线边坡的三维点云数据，所述高速铁路边坡点云采集系统包括：激光雷达设备，里程定位同步单元和点云数据采集服务器，所述激光雷达设备用于扫描高速铁路沿线的空间点数据；所述里程定位同步单元用于获取里程定位信息；所述点云数据采集服务器用于在接收到里程定位同步单元发送的里程定位信息时提取对应的空间点数据；
根据高速铁路场景下的基准点云数据，利用迭代最近点算法对所述三维点云数据中的钢轨区域的空间点进行点云配准处理，得到旋转矩阵和平移矩阵；将旋转矩阵和平移矩阵应用于所述三维点云数据中除钢轨区域的空间点之外的其他空间点进行点云配准；所述钢轨区域的空间点是通过设定坐标阈值分割提取的；
从点云配准处理后的三维点云数据中提取当期边坡点云数据，从所述高速铁路场景下的基准点云数据中提取基准边坡点云数据；
分别对所述当期边坡点云数据和基准边坡点云数据进行体素化处理；
根据体素化处理的结果，进行高速铁路边坡形变检测；
所述激光雷达设备挂载于检测列车车头的中心位置；所述激光雷达设备进一步用于：通过高速网络以流式传输向点云数据采集服务器发送高速铁路沿线的三维空间点数据；
所述里程定位同步单元进一步用于：以固定距离间隔向点云数据采集服务器发送里程定位信息；
所述点云数据采集服务器进一步用于：将接收到的里程定位信息和对应的三维空间点数据存储至硬盘；
按如下方式对所述当期边坡点云数据进行体素化处理：
计算当期边坡点云数据在三个方向的最大值和最小值；
根据所述当期边坡点云数据在三个方向的最大值和最小值和预设的立体像素尺寸，计算当期边坡点云数据在三个方向的立体像素数量；
根据所述当期边坡点云数据在三个方向的立体像素数量，确定每个方向上每个立体像素所包含的空间点坐标集合；
根据所述空间点坐标集合，确定每个立体像素在三维空间坐标，作为第一立体像素集；
根据体素化处理的结果，进行高速铁路边坡形变检测，包括：
将所述基准边坡点云数据进行体素化处理后的结果作为第二立体像素集；
利用区域生长算法，对第二立体像素集具有相同空间特征的立体像素进行拟合，得到多个基准边坡区域平面；
根据所述第一立体像素集和多个基准边坡区域平面，进行高速铁路边坡形变检测。
2.如权利要求1所述的高速铁路边坡形变检测方法，其特征在于，所述里程定位同步单元包括：全球卫星导航系统，射频标签阅读器，光电轴头编码器和控制电路。
3.如权利要求1所述的高速铁路边坡形变检测方法，其特征在于，根据高速铁路场景下的基准点云数据，利用迭代最近点算法对所述三维点云数据进行点云配准处理，包括：
获得高速铁路场景下的基准点云数据；
提取基准点云数据中钢轨区域的第一空间点和三维点云数据中钢轨区域的第二空间点；
利用迭代最近点算法，对第一空间点和第二空间点进行配准，得到旋转矩阵和平移矩阵；
根据所述旋转矩阵和平移矩阵，对三维点云数据进行点云配准处理。
4.如权利要求1所述的高速铁路边坡形变检测方法，其特征在于，从所述高速铁路场景下的基准点云数据中提取基准边坡点云数据，包括：
获得设定距离范围和激光反射强度阈值；
根据所述设定距离范围和激光反射强度阈值，从高速铁路场景下的基准点云数据中提取基准边坡点云数据。
5.如权利要求1所述的高速铁路边坡形变检测方法，其特征在于，根据所述第一立体像素集和多个基准边坡区域平面，进行高速铁路边坡形变检测，包括：
计算第一立体像素集中每个立体像素与多个基准边坡区域平面中对应的基准边坡区域平面的距离；
根据所述距离进行高速铁路边坡形变检测。
6.一种高速铁路边坡形变检测装置，其特征在于，包括：
数据获得模块，用于利用高速铁路边坡点云采集系统获取高速铁路沿线边坡的三维点云数据，所述高速铁路边坡点云采集系统包括：激光雷达设备，里程定位同步单元和点云数据采集服务器，所述激光雷达设备用于扫描高速铁路沿线的空间点数据；所述里程定位同步单元用于获取里程定位信息；所述点云数据采集服务器用于在接收到里程定位同步单元发送的里程定位信息时提取对应的空间点数据；
点云配准模块，用于根据高速铁路场景下的基准点云数据，利用迭代最近点算法对所述三维点云数据中的钢轨区域的空间点进行点云配准处理，得到旋转矩阵和平移矩阵；将旋转矩阵和平移矩阵应用于所述三维点云数据中除钢轨区域的空间点之外的其他空间点进行点云配准；所述钢轨区域的空间点是通过设定坐标阈值分割提取的；
点云提取模块，用于从点云配准处理后的三维点云数据中提取当期边坡点云数据，从所述高速铁路场景下的基准点云数据中提取基准边坡点云数据；
体素化处理模块，用于分别对所述当期边坡点云数据和基准边坡点云数据进行体素化处理；
形变检测模块，用于根据体素化处理的结果，进行高速铁路边坡形变检测；
所述激光雷达设备挂载于检测列车车头的中心位置；所述激光雷达设备进一步用于：通过高速网络以流式传输向点云数据采集服务器发送高速铁路沿线的三维空间点数据；
所述里程定位同步单元进一步用于：以固定距离间隔向点云数据采集服务器发送里程定位信息；
所述点云数据采集服务器进一步用于：将接收到的里程定位信息和对应的三维空间点数据存储至硬盘；
所述体素化处理模块进一步用于：
计算当期边坡点云数据在三个方向的最大值和最小值；
根据所述当期边坡点云数据在三个方向的最大值和最小值和预设的立体像素尺寸，计算当期边坡点云数据在三个方向的立体像素数量；
根据所述当期边坡点云数据在三个方向的立体像素数量，确定每个方向上每个立体像素所包含的空间点坐标集合；
根据所述空间点坐标集合，确定每个立体像素在三维空间坐标，作为第一立体像素集；
所述形变检测模块进一步用于：
将所述基准边坡点云数据进行体素化处理后的结果作为第二立体像素集；
利用区域生长算法，对第二立体像素集具有相同空间特征的立体像素进行拟合，得到多个基准边坡区域平面；
根据所述第一立体像素集和多个基准边坡区域平面，进行高速铁路边坡形变检测。
7.如权利要求6所述的高速铁路边坡形变检测装置，其特征在于，所述里程定位同步单元包括：全球卫星导航系统，射频标签阅读器，光电轴头编码器和控制电路。
8.如权利要求6所述的高速铁路边坡形变检测装置，其特征在于，所述点云配准模块进一步用于：
获得高速铁路场景下的基准点云数据；
提取基准点云数据中钢轨区域的第一空间点和三维点云数据中钢轨区域的第二空间点；
利用迭代最近点算法，对第一空间点和第二空间点进行配准，得到旋转矩阵和平移矩阵；
根据所述旋转矩阵和平移矩阵，对三维点云数据进行点云配准处理。
9.如权利要求6所述的高速铁路边坡形变检测装置，其特征在于，所述点云提取模块进一步用于：
获得设定距离范围和激光反射强度阈值；
根据所述设定距离范围和激光反射强度阈值，从高速铁路场景下的基准点云数据中提取基准边坡点云数据。
10.如权利要求6所述的高速铁路边坡形变检测装置，其特征在于，所述形变检测模块进一步用于：
计算第一立体像素集中每个立体像素与多个基准边坡区域平面中对应的基准边坡区域平面的距离；
根据所述距离进行高速铁路边坡形变检测。
11.一种计算机设备，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计算机程序时实现权利要求1至5任一所述方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至5任一所述方法的计算机程序。
CN202011562419.8A 2020-12-25 2020-12-25 高速铁路边坡形变检测方法及装置 Active CN112731440B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011562419.8A CN112731440B (zh) 2020-12-25 2020-12-25 高速铁路边坡形变检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011562419.8A CN112731440B (zh) 2020-12-25 2020-12-25 高速铁路边坡形变检测方法及装置

Publications (2)

Publication Number Publication Date
CN112731440A CN112731440A (zh) 2021-04-30
CN112731440B true CN112731440B (zh) 2023-10-13

Family

ID=75616158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011562419.8A Active CN112731440B (zh) 2020-12-25 2020-12-25 高速铁路边坡形变检测方法及装置

Country Status (1)

Country Link
CN (1) CN112731440B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113611082B (zh) * 2021-07-12 2022-08-23 北京铁科特种工程技术有限公司 一种无人机铁路边坡监控与预警系统及方法
CN113537141B (zh) * 2021-08-03 2023-10-03 山东大学 一种堤坝管涌和滑坡病害快速检测方法及系统
CN114119605B (zh) * 2022-01-14 2022-05-10 北京铁科特种工程技术有限公司 铁路工务设备及周边环境形变对比分析方法
CN116821637B (zh) * 2023-08-31 2023-11-28 华电重工机械有限公司 一种基于数据孪生技术的建筑钢结构数据处理方法
CN117288115A (zh) * 2023-11-23 2023-12-26 中信重工开诚智能装备有限公司 一种基于激光点云的巡检机器人巷道形变检测方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006036159A (ja) * 2004-07-30 2006-02-09 Mazda Motor Corp 車両の走行制御装置
CN101846999A (zh) * 2010-04-09 2010-09-29 中国铁道科学研究院基础设施检测研究所 一种高速综合检测列车检测设备的监控方法、装置及系统
KR101217186B1 (ko) * 2011-11-23 2013-01-02 한국과학기술원 구조물 변위 측정 시스템 및 방법
CN104713491A (zh) * 2015-04-10 2015-06-17 招商局重庆交通科研设计院有限公司 可获取边坡变形三维数据的边坡监测系统及其获取边坡变形三维数据的方法
CN105203551A (zh) * 2015-09-11 2015-12-30 尹栋 车载激光雷达隧道检测系统、基于隧道检测系统的自主定位方法及隧道灾害检测方法
CN105783878A (zh) * 2016-03-11 2016-07-20 三峡大学 一种基于小型无人机遥感的边坡变形检测及量算方法
CN110345968A (zh) * 2019-07-18 2019-10-18 南京市测绘勘察研究院股份有限公司 一种对移动三维激光扫描隧道成果里程配付的方法
CN110398207A (zh) * 2019-01-17 2019-11-01 重庆交通大学 一种边坡变形监测方法、装置、终端及存储介质
CN110453731A (zh) * 2019-08-15 2019-11-15 中国水利水电科学研究院 一种大坝边坡形变监测系统及方法
WO2019242174A1 (zh) * 2018-06-21 2019-12-26 华南理工大学 基于激光雷达的建筑结构自动测量及3d模型生成方法
CN111102935A (zh) * 2019-12-31 2020-05-05 武汉汉宁轨道交通技术有限公司 隧道结构检测方法、装置和电子设备
CN111547084A (zh) * 2020-04-22 2020-08-18 中国铁路设计集团有限公司 基于自移动式轨道交通移动三维扫描系统的数据处理方法
CN111623722A (zh) * 2020-07-29 2020-09-04 湖南致力工程科技有限公司 一种基于多传感器的边坡变形立体监测系统和方法
CN111738945A (zh) * 2020-06-15 2020-10-02 鞍钢集团矿业有限公司 一种基于矿山的点云数据预处理方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3362816B1 (en) * 2015-10-12 2022-04-06 Groundprobe Pty Ltd Slope stability lidar
CN107728615B (zh) * 2017-09-26 2019-12-13 上海思岚科技有限公司 一种自适应区域划分的方法及系统
CN109782015A (zh) * 2019-03-21 2019-05-21 同方威视技术股份有限公司 激光测速方法、控制装置和激光测速仪

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006036159A (ja) * 2004-07-30 2006-02-09 Mazda Motor Corp 車両の走行制御装置
CN101846999A (zh) * 2010-04-09 2010-09-29 中国铁道科学研究院基础设施检测研究所 一种高速综合检测列车检测设备的监控方法、装置及系统
KR101217186B1 (ko) * 2011-11-23 2013-01-02 한국과학기술원 구조물 변위 측정 시스템 및 방법
CN104713491A (zh) * 2015-04-10 2015-06-17 招商局重庆交通科研设计院有限公司 可获取边坡变形三维数据的边坡监测系统及其获取边坡变形三维数据的方法
CN105203551A (zh) * 2015-09-11 2015-12-30 尹栋 车载激光雷达隧道检测系统、基于隧道检测系统的自主定位方法及隧道灾害检测方法
CN105783878A (zh) * 2016-03-11 2016-07-20 三峡大学 一种基于小型无人机遥感的边坡变形检测及量算方法
WO2019242174A1 (zh) * 2018-06-21 2019-12-26 华南理工大学 基于激光雷达的建筑结构自动测量及3d模型生成方法
CN110398207A (zh) * 2019-01-17 2019-11-01 重庆交通大学 一种边坡变形监测方法、装置、终端及存储介质
CN110345968A (zh) * 2019-07-18 2019-10-18 南京市测绘勘察研究院股份有限公司 一种对移动三维激光扫描隧道成果里程配付的方法
CN110453731A (zh) * 2019-08-15 2019-11-15 中国水利水电科学研究院 一种大坝边坡形变监测系统及方法
CN111102935A (zh) * 2019-12-31 2020-05-05 武汉汉宁轨道交通技术有限公司 隧道结构检测方法、装置和电子设备
CN111547084A (zh) * 2020-04-22 2020-08-18 中国铁路设计集团有限公司 基于自移动式轨道交通移动三维扫描系统的数据处理方法
CN111738945A (zh) * 2020-06-15 2020-10-02 鞍钢集团矿业有限公司 一种基于矿山的点云数据预处理方法
CN111623722A (zh) * 2020-07-29 2020-09-04 湖南致力工程科技有限公司 一种基于多传感器的边坡变形立体监测系统和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TLS技术支持下的边坡点云重构与形变分析;孟万利;蔡来良;杨孝翠;杨望山;王姗姗;;测绘通报(08);全文 *
有砟轨道道床断面检测系统的研制;孙淑杰;王凡;戴鹏;赵鑫欣;;铁道建筑(02);全文 *

Also Published As

Publication number Publication date
CN112731440A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN112731440B (zh) 高速铁路边坡形变检测方法及装置
US10755132B2 (en) Methods for extracting surface deformation feature of object based on linear scanning three-dimensional point cloud
CN102768022B (zh) 采用数码照相技术的隧道围岩变形检测方法
CN104567708A (zh) 基于主动式全景视觉的隧道全断面高速动态健康检测装置与方法
CN103630088A (zh) 基于双激光带的高精度隧道断面检测方法及装置
Raval et al. A preliminary investigation of mobile mapping technology for underground mining
CN106978774A (zh) 一种路面坑槽自动检测方法
EP3842735A1 (en) Position coordinates estimation device, position coordinates estimation method, and program
CN104120645A (zh) 一种路面状况自动检测数据定位系统与定位方法
CN112455502A (zh) 基于激光雷达的列车定位方法及装置
CN106022694A (zh) 一种基于点云数据处理技术的散杂货场堆取料机定位方法及实现所述方法的系统
Schlichting et al. Vehicle localization by lidar point correlation improved by change detection
CN114295069B (zh) 无人机搭载三维激光扫描仪的边坡形变监测方法及系统
CN114022760B (zh) 铁路隧道障碍物监测预警方法、系统、设备及存储介质
CN103453882A (zh) 一种基于飞行器的云层高度测量系统及云层高度测量方法
CN110174115B (zh) 一种基于感知数据自动生成高精度定位地图的方法及装置
CN108596968B (zh) 一种基于轨道3d深度图像的轨枕计数方法
CN110687548A (zh) 一种基于无人船的雷达数据处理系统
KR101392222B1 (ko) 표적 윤곽을 추출하는 레이저 레이더, 그것의 표적 윤곽 추출 방법
KR102568111B1 (ko) 도로 경계 추출 장치 및 방법
KR102198195B1 (ko) 편의성이 향상된 mms를 이용한 맵 데이터 제작 방법
CN202649468U (zh) 一种目标车辆行驶状态测量系统
US10578430B2 (en) Evaluation method of road surface property, and evaluation device of road surface property
CN115824237B (zh) 轨道路面识别方法及装置
US20230025579A1 (en) High-definition mapping

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant