CN113779672B - 一种钢轨廓形磨耗计算方法、装置、设备及存储介质 - Google Patents
一种钢轨廓形磨耗计算方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113779672B CN113779672B CN202111011673.3A CN202111011673A CN113779672B CN 113779672 B CN113779672 B CN 113779672B CN 202111011673 A CN202111011673 A CN 202111011673A CN 113779672 B CN113779672 B CN 113779672B
- Authority
- CN
- China
- Prior art keywords
- rail
- point
- profile
- rail profile
- distance
- 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
Links
- 238000005299 abrasion Methods 0.000 title claims abstract description 52
- 238000004364 calculation method Methods 0.000 title claims abstract description 43
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 167
- 239000010959 steel Substances 0.000 claims abstract description 167
- 238000000034 method Methods 0.000 claims abstract description 71
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000001914 filtration Methods 0.000 claims abstract description 38
- 238000005259 measurement Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 64
- 230000009466 transformation Effects 0.000 claims description 37
- 238000013519 translation Methods 0.000 claims description 25
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 14
- 230000005484 gravity Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 239000000523 sample Substances 0.000 claims 1
- 238000012360 testing method Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 20
- 230000000694 effects Effects 0.000 abstract description 16
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Civil Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Architecture (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本文提供了一种钢轨廓形磨耗计算方法、装置、设备及存储介质，所述方法包括：获取待测钢轨的多组钢轨测量数据，并生成多个钢轨廓形；根据所述待测钢轨的钢轨廓形和标准钢轨廓形，通过拉近处理得到多个第一钢轨廓形；根据预设过滤算法，将每个第一钢轨廓形中的数据点进行过滤处理，得到多个第二钢轨廓形；通过迭代最近点算法，对所述第二钢轨廓形和所述标准钢轨廓形进行匹配处理，得到多个匹配完成的第三钢轨廓形；根据匹配完成的第三钢轨廓形和所述标准钢轨廓形，计算获得所述钢轨廓形磨耗数据，本文能提高了待测钢轨和标准钢轨的匹配效果，通过迭代最近点算法实现了匹配的过程，从而保证了磨耗数据计算的准确度。
Description
技术领域
本文属于铁路设施领域，具体涉及一种钢轨廓形磨耗计算方法、装置、设备及存储介质。
背景技术
近年来随着经济的迅速发展，铁路运输也获得了大力发展。钢轨截面轮廓是钢轨的重要特征，能够引导列车在铁轨上安全运行。外部因素的不确定性以及机车的频繁运行都会造成钢轨轮廓产生不同程度大小的损伤，导致轨高降低、肥边增加等现象，严重影响列车的安全快速行驶。传统的钢轨磨耗检测是人工进行，通过卡尺实施具体的抽样检测，实际测量无法进行动态测量、效率低，所消耗的人力和物力较大，而通过人工操作进行测量的精度会受到影响，可靠性不高。现阶段，通过光视觉下的钢轨磨耗测量结合及机器视觉计算可以取得较高的准确性，在实际测量中要选择有效的测量基准，保证标准设计轮廓和钢轨轮廓在同一水平线上，最终算出磨耗值。
基于机器视觉的非接触磨耗计算方法利用坐标变换将图像坐标映射到世界坐标进行图像校正，然后再与标准模板进行匹配计算磨耗。而采用传统ICP匹配的方法需要获取大量数据点坐标作为特征点进行匹配，不仅计算量大，且在外部环境较差(比如环境光发生变化)的情况下，得到的测量数据的可靠性也较低，最终导致拟合结果较差。因此，传统钢轨廓形磨耗计算方法通常鲁棒性较差，测量结果不能有效为钢轨的维护提供可靠的依据。
发明内容
针对现有技术的上述问题，本文的目的在于，提供一种钢轨廓形磨耗计算方法、装置、设备及存储介质，可以提高钢轨廓形匹配效率，进而提高磨耗计算的准确性。
为了解决上述技术问题，本文的具体技术方案如下：
一方面，本文提供一种钢轨廓形磨耗计算方法，所述方法包括：
获取待测钢轨的多组钢轨测量数据，并生成多个钢轨廓形；
根据所述待测钢轨的钢轨廓形和标准钢轨廓形，通过拉近处理得到多个第一钢轨廓形；
根据预设过滤算法，将每个第一钢轨廓形中的数据点进行过滤处理，得到多个第二钢轨廓形；
通过迭代最近点算法，对所述第二钢轨廓形和所述标准钢轨廓形进行匹配处理，得到多个匹配完成的第三钢轨廓形；
根据匹配完成的第三钢轨廓形和所述标准钢轨廓形，计算获得所述钢轨廓形磨耗数据。
进一步地，所述获取待测钢轨的多组钢轨廓形测量数据，并生成多个钢轨廓形，包括：
按照预设距离采集获得待测钢轨的光条中心结果；
根据所述光条中心结果，结合预设坐标转换规则，获得多个钢轨廓形。
进一步地，根据所述待测钢轨的钢轨廓形和标准钢轨廓形，通过拉近处理得到多个第一钢轨廓形，包括：
将所述标准钢轨廓形的非接触侧的轨顶点作为第一基准点，以及所述标准钢轨廓形非接触侧的轨侧点作为第二基准点，所述轨顶点为钢轨顶面中间点，所述轨侧点为钢轨轨头侧面的最低点；
获得所述待测钢轨非接触侧的轨顶点坐标和轨侧点坐标；
根据所述待测钢轨非接触侧的轨顶点坐标和所述第一基准点，计算获得横向拉近值；
根据所述待测钢轨非接触侧的轨侧点坐标和所述第二基准点，计算获得纵向拉近值；
根据所述横向拉近值和所述纵向拉近值，对所述待测钢轨的钢轨廓形进行拉近处理，以获得第一钢轨廓形。
进一步地，根据预设过滤算法，将每个第一钢轨廓形中的数据点进行过滤处理，得到多个第二钢轨廓形，包括：
确定所述第一钢轨廓形中的像素点坐标；
计算任意两个像素点之间的距离；
确定每个像素点的邻域，所述邻域为以所述像素点为中心点的在预设距离范围内的像素点集合；
判断所述邻域内像素点数目是否超过预设阈值；
若是，则将所述邻域对应的中心点标记为核心点；
若不是，则判断所述邻域内的像素点是否存在核心点；
若所述邻域内的像素点存在核心点，则将所述邻域对应的中心点标记为边界点；
若所述邻域内的像素点不存在核心点，则将所述邻域对应的中心点标记为干扰点；
过滤掉所述干扰点，将所述核心点和所述边界点作为有效像素点，并形成所述第二钢轨廓形。
作为可选地，所述预设过滤算法为基于密度的聚类算法。
进一步地，所述根据预设过滤算法，将每个第一钢轨廓形中的数据点进行过滤处理，得到多个第二钢轨廓形还包括：
针对每个第二钢轨廓形进行如下处理：
确定所述第二钢轨廓形非接触侧的轨头侧面最高点坐标和轨头侧面最低点坐标；
根据所述轨头侧面最高点坐标和轨头侧面最低点，计算获得所述轨头侧面最高点到轨距点之间的第一距离，以及所述轨头侧面最低点到轨顶点之间的第二距离；
根据所述第一距离和所述第二距离，判断所述第二钢轨廓形是否为有效廓形；
若所述第二钢轨廓形是有效廓形，则保留所述第二钢轨廓形；
若所述第二钢轨廓形不是有效廓形，则删除所述第二钢轨廓形。
进一步地，所述第一距离为所述轨头侧面最高点到轨距点的水平距离；所述第二距离为所述轨头侧面最低点到所述轨顶点垂直距离。
进一步地，根据所述第一距离和所述第二距离，判断所述第二钢轨廓形是否为有效廓形，包括：
判断所述第一距离是否在第一预设距离范围内，且所述第二距离是否在第二预设距离范围内；
若是，则所述第二钢轨廓形是有效廓形；
若不是，则所述第二钢轨廓形不是有效廓形。
作为可选地，所述根据预设过滤算法，将每个第一钢轨廓形中的数据点进行过滤处理，得到多个第二钢轨廓形之前还包括：
针对每个第一钢轨廓形进行如下处理：
确定所述第一钢轨廓形非接触侧的轨头侧面最高点坐标和轨头侧面最低点坐标；
根据所述轨头侧面最高点坐标和轨头侧面最低点，计算获得所述轨头侧面最高点到轨距点之间的第三距离，以及所述轨头侧面最低点到轨顶点之间的第四距离；
根据所述第三距离和所述第四距离，判断所述第一钢轨廓形是否为有效廓形；
若所述第一钢轨廓形是有效廓形，则保留所述第一钢轨廓形；
若所述第一钢轨廓形不是有效廓形，则删除所述第一钢轨廓形。
进一步地，所述第三距离为所述轨头侧面最高点到轨距点的水平距离；所述第四距离为所述轨头侧面最低点到所述轨顶点垂直距离。
进一步地，所述根据所述第三距离和所述第四距离，判断所述第一钢轨廓形是否为有效廓形，包括：
判断所述第三距离是否在第三预设距离范围内，且所述第四距离是否在第四预设距离范围内；
若是，则所述第一钢轨廓形是有效廓形；
若不是，则所述第一钢轨廓形不是有效廓形。
进一步地，所述通过迭代最近点算法，对所述第二钢轨廓形和所述标准钢轨廓形进行匹配处理，得到多个匹配完成的第三钢轨廓形，包括：
确定所述第二钢轨廓形中待匹配像素点集合，以及标准钢轨廓形中初始像素点集合；
从所述初始像素点集合中确定与所述待匹配像素点集合每个像素点最近的像素点的集合，形成目标像素点集合；
分别对所述待匹配像素点集合和所述目标像素点集合去重心点，得到新的待匹配像素点集合和新的目标像素点集合；
根据所述新的待匹配像素点集合和所述新的目标像素点集合，结合预设转换矩阵，计算获得变换矩阵和平移向量；
根据所述变换矩阵和所述平移向量，对所述新的待匹配像素点集合进行转换，得到转换后的像素点集合；
根据所述转换后的像素点集合和所述新的目标像素点集合，结合迭代判断函数，计算获得迭代判断值；
判断所述迭代判断值是否低于迭代阈值；
若是，则停止迭代，确定变换矩阵和平移向量；
若不是，则将转换后的像素点集合作为待匹配像素点集合，重复上述迭代步骤，直到计算获得的迭代判断值低于所述迭代阈值；
根据确定后的变换矩阵和平移向量，对所述新的待匹配像素点集合进行转换，得到待测钢轨转换后的像素点坐标，以获得匹配完成的第三钢轨廓形。
进一步地，所述根据所述新的待匹配像素点集合和所述新的目标像素点集合，结合预设转换矩阵，计算获得变换矩阵和平移向量，包括：
根据所述新的待匹配像素点集合和所述新的目标像素点集合，构建像素点集合协方差矩阵；
根据所述像素点集合协方差矩阵，构建四元数矩阵；
确定所述四元数矩阵对应的最大特征值和对应的最大特征向量；
根据所述最大特征向量，将所述四元数矩阵转换为变换矩阵，所述变换矩阵用于将新的待匹配像素点集合转换到新的目标像素点集合；
根据所述变换矩阵，结合所述新的待匹配像素点集合的重心点和所述新的目标像素点集合的重心点，确定平移向量。
进一步地，所述根据匹配完成的第三钢轨廓形和所述标准钢轨廓形，计算获得所述钢轨廓形磨耗数据，包括：
根据标准钢轨几何结构特征，确定所述标准钢轨廓形接触侧的标准侧磨点和标准垂磨点；
确定所述第三钢轨廓形中与所述标准侧磨点水平方向距离最近的像素点，并将该像素点标记为实际侧磨点；
确定所述第三钢轨廓形中与所述标准垂磨点垂直方向距离最近的像素点，并将该像素点标记为实际垂磨点；
根据所述标准侧磨点和所述实际侧磨点，计算获得轨头侧磨值；
根据所述标准垂磨点和所述实际垂磨点，计算获得轨头垂磨值。
另一方面，本文还提供一种钢轨廓形磨耗计算装置，所述装置包括：
钢轨廓形生成模块，用于获取待测钢轨的多组钢轨廓形测量数据，并生成多个钢轨廓形；
第一钢轨廓形获得模块，用于根据所述待测钢轨的钢轨廓形和标准钢轨廓形，通过拉近处理得到多个第一钢轨廓形；
第二钢轨廓形获得模块，用于根据预设过滤算法，将每个第一钢轨廓形中的数据点进行过滤处理，得到多个第二钢轨廓形；
第三钢轨廓形获得模块，用于通过迭代最近点算法，对所述第二钢轨廓形和所述标准钢轨廓形进行匹配处理，得到多个匹配完成的第三钢轨廓形；
磨耗数据计算模块，用于根据匹配完成的第三钢轨廓形和所述标准钢轨廓形，计算获得所述钢轨廓形磨耗数据。
另一方面，本文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计算机程序时实现如上述所述的方法。
最后，本文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计算机程序，所述计算机程序被处理器执行时实现如上述所述的方法。
采用上述技术方案，本文所述的一种钢轨廓形磨耗计算方法、装置、设备及存储介质，由钢轨测量数据生成钢轨廓形，再将所述钢轨廓形进行拉近处理得到第一钢轨廓形，可以提高钢轨匹配的速度，然后将第一钢轨廓形进行过滤得到第二钢轨廓形，进一步地剔除干扰项，能够适应不同的外部环境，从而提高了待测钢轨和标准钢轨的匹配效果，通过迭代最近点算法实现了匹配的过程，从而保证了磨耗数据计算的准确度。
为让本文的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
为了更清楚地说明本文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文的一些实施例，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。
图1示出了本文实施例提供的钢轨廓形磨耗计算方法的步骤示意图；
图2示出了本文实施例中第一钢轨廓形确定步骤示意图；
图3示出了本文实施例中钢轨接触磨耗示意图；
图4示出了本文实施例中待测钢轨廓形和标准钢轨廓形的初始位置示意图；
图5示出了本文实施例中标准钢轨廓形中基准点位置示意图；
图6示出了本文实施例中拉近处理结果示意图；
图7示出了本文实施例中第一钢轨廓形中数据点过滤处理步骤示意图；
图8示出了本文实施例中对第一钢轨廓形过滤处理结果示意图；
图9示出了本文实施例中对第二钢轨廓形筛选步骤示意图；
图10示出了本文实施例中对第一钢轨廓形筛选步骤示意图；
图11示出了本文实施例中第三钢轨廓形确定步骤示意图；
图12示出了本文实施例中变换矩阵和平移向量确定步骤示意图；
图13示出了本文实施例中磨耗计算示意图；
图14示出了本文实施例提供的钢轨廓形磨耗计算装置的结构示意图；
图15示出了本文实施例提供的计算机设备结构示意图。
附图符号说明：
100、钢轨廓形生成模块；
200、第一钢轨廓形获得模块；
300、第二钢轨廓形获得模块；
400、第三钢轨廓形获得模块；
500、磨耗数据计算模块；
1502、计算机设备；
1504、处理器；
1506、存储器；
1508、驱动机构；
1510、输入/输出模块；
1512、输入设备；
1514、输出设备；
1516、呈现设备；
1518、图形用户接口；
1520、网络接口；
1522、通信链路；
1524、通信总线。
具体实施方式
下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，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，都属于本文保护的范围。
需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
现有技术中，基于机器视觉的非接触磨耗计算方法利用坐标变换将图像坐标映射到世界坐标进行图像校正，然后再与标准模板进行匹配计算磨耗。而采用传统ICP匹配的方法需要获取大量数据点坐标作为特征点进行匹配，不仅计算量大，且在外部环境较差(比如环境光发生变化)的情况下，得到的测量数据的可靠性也较低，最终导致拟合结果较差。因此，传统钢轨廓形磨耗计算方法通常鲁棒性较差，测量结果不能有效为钢轨的维护提供可靠的依据。
为了解决上述问题，本文实施例提供了一种钢轨廓形磨耗计算方法，能够提高钢轨磨耗计算准确性。图1是本文实施例提供的一种钢轨廓形磨耗计算方法的步骤示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。具体的如图1所示，所述方法可以包括：
S101：获取待测钢轨的多组钢轨测量数据，并生成多个钢轨廓形；
S102：根据所述待测钢轨的钢轨廓形和标准钢轨廓形，通过拉近处理得到多个第一钢轨廓形；
S103：根据预设过滤算法，将每个第一钢轨廓形中的数据点进行过滤处理，得到多个第二钢轨廓形；
S104：通过迭代最近点算法，对所述第二钢轨廓形和所述标准钢轨廓形进行匹配处理，得到多个匹配完成的第三钢轨廓形；
S105：根据匹配完成的第三钢轨廓形和所述标准钢轨廓形，计算获得所述钢轨廓形磨耗数据。
可以理解为，本文中钢轨廓形的生成时通过如下步骤：获得光条中心结果，通过标定参数，将得到的图像(即光条中心结果)坐标结果转化为世界坐标结果，相对于标准钢轨廓形是属于不同的坐标环境下，因此可以将两个坐标系设置相同的坐标尺度，进行确定待测钢轨的钢轨廓形和标准钢轨廓形的位置关系，当两个位置偏差较大时，在进行匹配时会导致陷入局部最优解，从而得到较差的拟合效果，因此可以通过拉近处理，将两个的位置进一步缩小，提高了匹配的可靠性。而且光条中心结果的采集易受到外部环境的影响，比如在外部环境光发生变化(比如较暗的环境)，以及钢轨两侧被火车脱落物(比如煤脱落覆盖在钢轨上)或杂物(比如石子或植被)覆盖的情况，从而导致光条中心结果不准确，在和标准钢轨廓形匹配过程中导致匹配效果较差，影响了钢轨磨耗数据的准确性，因此通过对钢轨廓形中的数据点进行过滤处理，得到表现能力更好的第二钢轨廓形，进而通过迭代最近点算法进行匹配处理，从而获得磨耗数据，本文能提高钢轨磨耗计算的可靠性和准确性。
在本说明书实施例中，所述获取待测钢轨的多组钢轨廓形测量数据，并生成多个钢轨廓形，包括：
按照预设距离采集获得待测钢轨的光条中心结果；
根据所述光条中心结果，结合预设坐标转换规则，获得多个钢轨廓形。
可以理解为，在对钢轨磨耗计算时，可以选择预定长度的钢轨进行测量，比如一节钢轨，或者多节钢轨，对所述钢轨进行数据采集时通过预设距离采集，可以确定对钢轨进行等距采集，实现了全面覆盖，提高了磨耗计算的可靠性，其中所述预设距离可以为0.2m、0.25m、0.3m等，在本说明书实施例中不做限定。
本文通过非接触的方式计算钢轨磨耗，利用结构光成像原理获得待测钢轨的光条中心结果，再结合标定文件将测量得到的光条中心结果进行坐标的转换，将图像坐标映射到世界坐标中，比如可以建立直角坐标系XYZ，X方向为钢轨的横断面方向，Y方向为检测方向(即检测载具的运动方向)，Z方向为高程(即垂向)方向。其中，标定文件是测量工具安装完成后，在钢轨磨耗测量前，通过标定的方法获得的，该标定文件用于记录坐标转换关系的文件，因此在不同的钢轨上，比如钢轨出现弯曲时，通过转换得到的坐标系也可以不一致。
通过上述采样和转换的过程可以得到多个钢轨廓形，但检测钢轨较长时，则会得到大量的钢轨廓形，转换得到的钢轨廓形坐标是根据标定文件确定时，在与标准钢轨廓形进行匹配时，可能存在位置较远的情况，为了避免在匹配过程中出现局部最优解的情况，需要将待测钢轨的钢轨廓形和标准钢轨廓形进行拉近处理，作为可选地，如图2所示，所述根据所述待测钢轨的钢轨廓形和标准钢轨廓形，通过拉近处理得到多个第一钢轨廓形，包括：
S201：将所述标准钢轨廓形的非接触侧的轨顶点作为第一基准点，以及所述标准钢轨廓形非接触侧的轨侧点作为第二基准点，所述轨顶点为钢轨顶面中间点，所述轨侧点为钢轨轨头侧面的最低点；
S202：获得所述待测钢轨非接触侧的轨顶点坐标和轨侧点坐标；
S203：根据所述待测钢轨非接触侧的轨顶点坐标和所述第一基准点，计算获得横向拉近值；
S204：根据所述待测钢轨非接触侧的轨侧点坐标和所述第二基准点，计算获得纵向拉近值；
S205：根据所述横向拉近值和所述纵向拉近值，对所述待测钢轨的钢轨廓形进行拉近处理，以获得第一钢轨廓形。
可以理解为，如图3所示，根据钢轨的几何形状特征，在平行钢轨上运行的火车，实际上火车车轮(如图3中的A)只与钢轨轨头内侧接触，轨头外侧实际上不产生接触关系(相当于形成了较少的摩擦环境)，即在钢轨轨头上形成了接触侧(如图3中的C)和非接触侧(如图3中的B)，而在实际磨耗计算时，一般就是指钢轨轨头接触侧的磨耗数据，因此在拉近处理时，可以以非接触侧的点作为基准值进行拉近，可以提高拉近的准确性，确保所述待测钢轨的钢轨廓形更靠近所述标准钢轨廓形。
如图3中的B所示，非接触侧其实为所述钢轨轨头的一个侧部，包括一个侧面和一个顶面，因此可以通过在侧面上取一个基准点，在顶面上取一个基准点，两个基准点基本可以限定钢轨廓形的位置，可以提高拉近的效果，可以将所述待测钢轨的钢轨廓形和标准钢轨廓形拉近到很近的位置关系。
如图4所示，为标准钢轨廓形和待测钢轨廓形的初始位置，在两者初始位置较远的情况下，为了避免在匹配过程中出现局部最优解的情况，需要将待测钢轨的钢轨廓形和标准钢轨廓形进行拉近处理，通过确定基准点可以实现快速准确的拉近。
如图5所示，所述第一基准点和所述第二基准点作为非接触侧的标志点，可以很好的实现上述效果，并且将所述轨顶点作为第一基准点，将轨侧点作为第二基准点，两个点之间距离较远也能较大程度的限定了钢轨廓形非接触侧的形状，当然所述第一基准点和所述第二基准点也可以有其他的位置关系，在本说明书实施例中不做限定，如图6所示，为了拉近处理后标准钢轨廓形和待测钢轨廓形之间的位置关系。
在本说明书一些其他实施例中，由于火车在行驶过程中也会发生一定的晃动，从而在非接触层也会发生相应的摩擦，因此为了提高拉近的效果，选个以单个点作为基准点时，当该点(比如轨顶点或轨侧点)存在磨耗时，则会降低拉近处理的效果，因此可以在钢轨顶面指定长度内进行均匀采样，计算得到横向平均值，在钢轨轨头侧面指定长度内进行均匀采样，计算得到纵向平均值，具体实施时，在标准钢轨廓形和待测钢轨的钢轨廓形分别计算横向平均值和纵向平均值，进而可以得到横向拉近值和纵向拉近值。
示例性地，对轨头非接触侧外侧面指定长度为15mm的数据和轨头非接触侧顶面指定长度为15mm的数据进行均匀采样。使用待测钢轨轨头外侧横坐标x值的平均值与同一侧的标准钢轨轨头外侧x值平均值计算得到横向拉近值datax，使用轨头顶面的纵坐标y值的平均值与标准钢轨轨头顶面y值平均值计算得到垂向拉近值datay。根据得到的拉近值datax和datay设置平移矩阵，对待测钢轨的钢轨廓形的所有轨头、轨腰点进行平移，完成钢轨廓形的拉近处理，得到第一钢轨廓形。
在得到多个第一钢轨廓形后，由于实际检测环境中存在各种干扰情况(例如光干扰和线路掩埋)导致钢轨廓形光条中心提取缺失或不完整，提取的钢轨廓形结果与标准模板钢轨廓形数据之间无法对应匹配，很难达到较好的匹配效果，为了达到更好的匹配效果需要剔除干扰点。
具体地，可以通过预设过滤算法对所述第一钢轨廓形中的数据点进行过滤处理，以去除干扰点，其中可以采用基于密度的聚类算法进行处理，也可以有其他的去除方法，比如K-Means(K均值)聚类方法、基于机器学习的神经网络模型等，在本说明书实施例中不做限定。
在本说明书实施例中，如图7所示，根据预设过滤算法，将每个第一钢轨廓形中的数据点进行过滤处理，得到多个第二钢轨廓形，包括：
S301：确定所述第一钢轨廓形中的像素点坐标；
S302：计算任意两个像素点之间的距离；
S303：确定每个像素点的邻域，所述邻域为以所述像素点为中心点的在预设距离范围内的像素点集合；
S304：判断所述邻域内像素点数目是否超过预设阈值；
S305：若是，则将所述邻域对应的中心点标记为核心点；
S306：若不是，则判断所述邻域内的像素点是否存在核心点；
S307：若所述邻域内的像素点存在核心点，则将所述邻域对应的中心点标记为边界点；
S308：若所述邻域内的像素点不存在核心点，则将所述邻域对应的中心点标记为干扰点；
S309：过滤掉所述干扰点，将所述核心点和所述边界点作为有效像素点，并形成所述第二钢轨廓形。
可以理解为，本文通过对每个第一钢轨廓形中的像素点进行聚类，得到关联性较强的核心点和边界点，以及属于异常数据的干扰点，从而能够实现对所述第一钢轨廓形的优化处理，提高了数据的可靠性。
示例性地，给定一个第一钢轨廓形，其中包含n个像素点数据，可以表示为：P＝{p1，p2，...,pn}，设定ε为邻域半径(即预设距离)，M为核心点阈值(即预设阈值)，则对每个点pn，Nε(pn)＝{p′∈P:d(p′,pn)≤ε}为该点(即核心点)的ε邻域；ρ(pn)＝|Nε(pn)|为该点的密度(即像素点数目)；若ρ(pn)≥M，则将pn记为P的核心点；若ρ(pn)≤M，且pn的ε邻域中存在核心点，则将pn记为P的边界点；若pn既不是核心点也不是边界点，则将pn记为干扰点，如图8所示，为过滤后的待测钢轨廓形(即第二钢轨廓形)的示意图。
在本说明书实施例中，在获得第二钢轨廓形之后，由于在和标准钢轨廓形匹配时是以较多的有效特征区域进行匹配，当有效特征区域越稳定，匹配得到的数据准确性越高，进行还可以对第二钢轨廓形进一步筛选，去除其中非有效的第二钢轨廓形，提高匹配的效率和可靠性。
其中，如图9所示，所述根据预设过滤算法，将每个第一钢轨廓形中的数据点进行过滤处理，得到多个第二钢轨廓形之后还包括：
针对每个第二钢轨廓形进行如下处理：
S401:确定所述第二钢轨廓形非接触侧的轨头侧面最高点坐标和轨头侧面最低点坐标；
S402:根据所述轨头侧面最高点坐标和轨头侧面最低点，计算获得所述轨头侧面最高点到轨距点之间的第一距离，以及所述轨头侧面最低点到轨顶点之间的第二距离；
S403:根据所述第一距离和所述第二距离，判断所述第二钢轨廓形是否为有效廓形；
S404:若所述第二钢轨廓形是有效廓形，则保留所述第二钢轨廓形；
S405:若所述第二钢轨廓形不是有效廓形，则删除所述第二钢轨廓形。
可以理解为，钢轨磨耗主要发生在钢轨轨头，钢轨的轨腰部分基本不发生磨损，因此可以直接通过轨头的数据特征进行筛选，所述轨顶点Ptop和所述轨距点Pgage为具有不受钢轨结构、车体运动姿态和环境光照干扰等特性，能准确可靠地描述钢轨轨头目标特征，是钢轨检测系统的重要特征和指标，其中所述轨顶点Ptop为钢轨顶面中间点，轨距点Pgage为钢轨顶面中间点垂直向下16mm处的位置，通过所述轨顶点和所述轨距点判断第二钢轨廓形是否为有效廓形，具体地，是以第二钢轨廓形中的所述轨顶点和轨距点为标准点，计算钢轨轨头非接触侧的特定点位置到该两个标准点的距离来判断该第二钢轨廓形是否有效，当其为无效廓形，则表明在非接触侧也发生了较大磨耗(比如出现肥边等)，出现这样情况的原因可以为：1)数据采集有误，2)此处钢轨确实发生较大的磨耗，如果是第一种原因，则很难进行较快的匹配，导致拟合效率降低，则可以将该第二钢轨廓形直接进行删除；如果是第二种原因，则需要人工参与确定钢轨的真实磨耗情况，以便及时更换钢轨，避免影响火车正常行驶，因此不需要进一步计算磨耗。
其中，所述第一距离为所述轨头侧面最高点到轨距点的水平距离；所述第二距离为所述轨头侧面最低点到所述轨顶点垂直距离，在一些其他实施例中，所述第一距离和所述第二距离也可以为欧式距离，在本说明书不做限定。
进一步实施例中，根据所述第一距离和所述第二距离，判断所述第二钢轨廓形是否为有效廓形，包括：
判断所述第一距离是否在第一预设距离范围内，且所述第二距离是否在第二预设距离范围内；
若是，则所述第二钢轨廓形是有效廓形；
若不是，则所述第二钢轨廓形不是有效廓形。
示例性地，当所述第一距离为所述轨头侧面最高点到轨距点的水平距离，所述第一预设距离为标准钢轨轨头宽度的一半；当所述第二距离为所述轨头侧面最低点到所述轨顶点的垂直距离，所述第二预设距离为标准钢轨轨头的高，比如：通过计算获得水平距离disg和垂直距离dist，与标准钢轨模板的宽高W、H进行比较，其中W为轨头宽的一半，设定阈值σ为钢轨廓形提取正常的范围，阈值σ的大小根据实际情况设置，在本说明书实施例中不做限定。若abs(disg-W)≤σ且abs(dist-H)≤σ说明轨头数据有效，可以保留所述第二钢轨廓形。若abs(disg-W)＞σ或abs(dist-H)>σ则说明轨头廓形存在肥边或磨耗，无法进行匹配，则删除所述第二钢轨廓形。
当所述第一距离为所述轨头侧面最高点到轨距点的欧式距离，所述第一预设距离为标准钢轨轨头对应点之间的欧式距离；当所述第二距离为所述轨头侧面最低点到所述轨顶点的欧式距离，则所述第二预设距离为标准钢轨轨头对应点之间的欧式距离，具体的比较方式和上述一致，本文不做赘述。
需要说明的是，上述步骤是先对第一钢轨廓形中的干扰点进行去除优化，得到第二钢轨廓形，然后再对所述第二钢轨廓形进行筛选得到全部数据有效的第二钢轨廓形，在一些其他实施例中，也可以先对第二钢轨廓形进行有效性分析，筛选出有效的第一钢轨廓形，再对筛选后的第一钢轨廓形进行干扰点的剔除，从而直接得到既有效又无干扰点的第二钢轨廓形。
具体地，如图10所示，所述根据预设过滤算法，将每个第一钢轨廓形中的数据点进行过滤处理，得到多个第二钢轨廓形之前还包括：
针对每个第一钢轨廓形进行如下处理：
S501：确定所述第一钢轨廓形非接触侧的轨头侧面最高点坐标和轨头侧面最低点坐标；
S502：根据所述轨头侧面最高点坐标和轨头侧面最低点，计算获得所述轨头侧面最高点到轨距点之间的第三距离，以及所述轨头侧面最低点到轨顶点之间的第四距离；
S503：根据所述第三距离和所述第四距离，判断所述第一钢轨廓形是否为有效廓形；
S504：若所述第一钢轨廓形是有效廓形，则保留所述第一钢轨廓形；
S505：若所述第一钢轨廓形不是有效廓形，则删除所述第一钢轨廓形。
其中，所述第三距离为所述轨头侧面最高点到轨距点的水平距离；所述第四距离为所述轨头侧面最低点到所述轨顶点垂直距离，在一些其他实施例中，所述第三距离和所述第四距离也可以为欧式距离，在本说明书中不做限定。
进一步实施例中，根据所述第三距离和所述第四距离，判断所述第一钢轨廓形是否为有效廓形，包括：
判断所述第三距离是否在第三预设距离范围内，且所述第四距离是否在第四预设距离范围内；
若是，则所述第一钢轨廓形是有效廓形；
若不是，则所述第一钢轨廓形不是有效廓形。
可以理解为，上述步骤先对所述第一钢轨廓形进行有效性的分析，删除无效的第一刚钢轨形保留有效的钢轨廓形，再对其进行干扰点的剔除得到第二钢轨廓形，这样可以减少干扰点剔除时数据量(即进行干扰点剔除的第一钢轨廓形的数量较少)，从而减少了聚类分析的次数，提高了聚类效果，进而提高了数据处理效率，便于后续钢轨廓形的匹配。
通过上述步骤即可以实现对采集数据的处理和优化，从而得到匹配效果和速度更好的第二钢轨廓形，因此可以进行匹配，作为可选地，如图11所示，所述通过迭代最近点算法，对所述第二钢轨廓形和所述标准钢轨廓形进行匹配处理，得到多个匹配完成的第三钢轨廓形，包括：
S601：确定所述第二钢轨廓形中待匹配像素点集合，以及标准钢轨廓形中初始像素点集合；
S602：从所述初始像素点集合中确定与所述待匹配像素点集合每个像素点最近的像素点的集合，形成目标像素点集合；
S603：分别对所述待匹配像素点集合和所述目标像素点集合去重心点，得到新的待匹配像素点集合和新的目标像素点集合；
S604：根据所述新的待匹配像素点集合和所述新的目标像素点集合，结合预设转换矩阵，计算获得变换矩阵和平移向量；
S605：根据所述变换矩阵和所述平移向量，对所述新的待匹配像素点集合进行转换，得到转换后的像素点集合；
S606：根据所述转换后的像素点集合和所述新的目标像素点集合，结合迭代判断函数，计算获得迭代判断值；
S607：判断所述迭代判断值是否低于迭代阈值；
S608：若是，则停止迭代，确定变换矩阵和平移向量；
S609：若不是，则将转换后的像素点集合作为待匹配像素点集合，重复上述迭代步骤，直到计算获得的迭代判断值低于所述迭代阈值；
S610：根据确定后的变换矩阵和平移向量，对所述新的待匹配像素点集合进行转换，得到待测钢轨转换后的像素点坐标，以获得匹配完成的第三钢轨廓形。
可以理解为，所述迭代最近点(Iterative Closest Point,ICP)算法可以为通过迭代寻找刚体变换，使得在不同坐标下的点集数据能够完成同一坐标系统下的空间匹配，基于最小二乘法的最优配准方法，根据两点之前距离(比如欧式距离)对数据进行匹配，并假设匹配点为遐想的对应点，然后重复进行选择对应关系，迭代计算寻找两个点集的最后坐标变换矩阵，直到满足收敛精度要求，本文通过对迭代初值进行优化和筛选，可以得到质量更高的迭代初值，从而能提高迭代优化的效果，提高匹配的准确性和速度。
进一步实施例中，如图12所示，所述根据所述新的待匹配像素点集合和所述新的目标像素点集合，结合预设转换矩阵，计算获得变换矩阵和平移向量，包括：
S701：根据所述新的待匹配像素点集合和所述新的目标像素点集合，构建像素点集合协方差矩阵；
S702：根据所述像素点集合协方差矩阵，构建四元数矩阵；
S703：确定所述四元数矩阵对应的最大特征值和对应的最大特征向量；
S704：根据所述最大特征向量，将所述四元数矩阵转换为变换矩阵，所述变换矩阵用于将新的待匹配像素点集合转换到新的目标像素点集合；
S705：根据所述变换矩阵，结合所述新的待匹配像素点集合的重心点和所述新的目标像素点集合的重心点，确定平移向量。
示例性地，将第二钢轨廓形中的像素点点集作为待匹配点集(即待匹配像素点集合)，将标准钢轨廓形中的像素点点集作为模板点集(即初始像素点集合)。其中待匹配点集为P＝{P1,P2,...,Pn}，模板点集为S＝{S1,S2,...,Sm}，也就是说，模板点集中的像素点数量可以和待匹配点集中像素点数量不一致，因此需要从模板点集中确定与待匹配点集中相应像素点最近的点集Q＝{Q1,Q2,...,Qn}，计算过程如下：
根据待匹配数据点集P中的数据点pi去搜索模板点集S中与该点最近的一个数据点并保存为qi。
两点间的距离平方和为dis。如下公式(1)：
dis＝(xsj-xpi)2+(ysj-ypi)2 (1)
其中，j遍历整个点集S找到距离最近的点，根据该点序列号保存该点集Q中，记为qi。
然后计算两个点集P、Q的重心位置(即重心点)坐标,归一化生成新的点集。具体地，两个数据点集P、Q的重心坐标公式如下(2)和(3)：/>
其中，k为数据点集中的当前点序号，n为数据点集总数。
将点集P、Q中所有数据点去除重心点坐标生成新点集D、M(即将数据点集P、Q中的坐标减去相应的重心坐标)。
由新的点集D、M计算协方差矩阵,并求解由它组成的一个四元数矩阵的最大特征值及其最大特征向量。
具体地，新点集D、M的协方差矩阵如下公式(4)：
再按如下定义一个如下公式(5)的矩阵A和如下公式(6)的矩阵T：
其中I为3*3矩阵，s为Sxx+Syy+Szz。
然后定义四元素矩阵，如下公式(7)：
最后通过上述公式结合新的点集D、M求解变换矩阵,找到四元素矩阵对应的最大特征值和对应的特征向量[f0,f1,f2,f3]。
由于最大特征向量等价于残差平方和最小时的旋转四元数,将四元数转换为变换矩阵R，如下公式(8)所示：
在变换矩阵R被确定后,平移向量T是两个点集D、M的重心差,可以通过两个坐标系中的重心点和变换矩阵确定。
具体地，需要将两个重心坐标写成向量形式，分别为：
则平移向量T的计算公式如下公式(9)所示：
将待匹配数据点集D按照计算的变换矩阵R和平移矩阵T变换后形成新点集D,通过新点集D与模板新点集M计算所有对应数据点距离平方和值除以数据点总数的值I作为迭代判断条件，迭代判断值的如下公式(10)所示：
式中，n为数据点集总数，为为模板的邻近点集坐标向量，/>为待匹配数据点集的坐标向量。
迭代判断数值I小于阈值时,ICP配准算法停止迭代,否则重复上述步骤，直到迭代完成。
本文通过迭代最近点算法，确定待匹配像素点集合中在初始像素点集合中的最近点，然后通过迭代优化计算使得以最近点为对应关系的点之间的刚性变换满足迭代的要求(即欧式距离的平方和低于迭代判断值)，从而确定最后的变换矩阵和平移向量。
需要说明的是，当两个点集之间匹配效果较差，拟合的速度很慢，很难达到较好的收敛效果，因此可以设置迭代阈值，当迭代次数达到了所述迭代阈值，则可以停止迭代，以最新迭代确定的变换矩阵和平移向量作为最终的结果，以提高计算速度，避免出现无效的耗时。
在匹配完成的基础上，即可进行钢轨廓形磨耗的计算，作为可选地，所述根据匹配完成的第三钢轨廓形和所述标准钢轨廓形，计算获得所述钢轨廓形磨耗数据，包括：
根据标准钢轨几何结构特征，确定所述标准钢轨廓形接触侧的标准侧磨点和标准垂磨点；
确定所述第三钢轨廓形中与所述标准侧磨点水平方向距离最近的像素点，并将该像素点标记为实际侧磨点；
确定所述第三钢轨廓形中与所述标准垂磨点垂直方向距离最近的像素点，并将该像素点标记为实际垂磨点；
根据所述标准侧磨点和所述实际侧磨点，计算获得轨头侧磨值；
根据所述标准垂磨点和所述实际垂磨点，计算获得轨头垂磨值。
可以理解为，如图13所示，本文主要是计算钢轨轨头接触侧的磨耗，在计算时也是选择特征点作为计算的标准点，其中标准侧磨点为水平方向磨耗计算的标准点，可以为轨头接触侧的侧面中向外延伸的最长点，比如接触侧的侧面的最高点，即接触侧顶面和侧面的接触点，此点为接触磨耗最多的点位，因此将其作为侧磨点；所述标准垂磨点则为是垂直方向上磨耗计算的标准点，因此可以将接触层顶面的中心点作为标准垂磨点。当然也可以设置多个点作为标准点，在本说明书不做限定。
通过确定的标准侧磨点和标准垂磨点，在匹配后的第三钢轨廓形和标准钢轨廓形中的确定实际侧秘典和实际垂磨点，进而可以得到轨头侧磨值和轨头垂磨值。示例性地，对于匹配完成的轨头点集，根据标准钢轨标准侧磨点位置纵坐标y，找到第三钢轨廓形的点集中离它最近的点(或者是纵坐标相同的点)，计算横坐标x差值即为轨头侧磨结果。再根据标准钢轨标准垂磨点位置横坐标x，找到第三钢轨廓形的点集中离它最近的点(或者是横坐标相同的点)，计算纵坐标y差值即为轨头垂磨结果。
需要说明的是，上述只是单个采样点的磨耗计算值，在实际工作中，需要采集的数据量很多，为了更好的表现钢轨的磨耗情况，可以将连续多个采样点磨耗值的平均值作为相应长度的磨耗值，这样能减少获得的磨耗值的数量，便于直观快速的确定磨耗较多的位置。当然，也可以对计算得到的磨耗值做后续的处理，比如生成变化曲线，从而能了解在一定长度的钢轨中不同位置钢轨磨耗情况，能够对钢轨评估和日常钢轨的养护维修提供指导作用。
基于同一发明构思，本说明书实施例还提供一种钢轨廓形磨耗计算装置，如图14所示，所述装置包括：
钢轨廓形生成模块100，用于获取待测钢轨的多组钢轨廓形测量数据，并生成多个钢轨廓形；
第一钢轨廓形获得模块200，用于根据所述待测钢轨的钢轨廓形和标准钢轨廓形，通过拉近处理得到多个第一钢轨廓形；
第二钢轨廓形获得模块300，用于根据预设过滤算法，将每个第一钢轨廓形中的数据点进行过滤处理，得到多个第二钢轨廓形；
第三钢轨廓形获得模块400，用于通过迭代最近点算法，对所述第二钢轨廓形和所述标准钢轨廓形进行匹配处理，得到多个匹配完成的第三钢轨廓形；
磨耗数据计算模块500，用于根据匹配完成的第三钢轨廓形和所述标准钢轨廓形，计算获得所述钢轨廓形磨耗数据。
通过上述装置所取得的有益效果和上述方法所取得的有益效果一致，本文不做赘述。
如图15所示，为本文实施例提供的一种计算机设备，本文中的装置可以为本实施例中的计算机设备，执行上述本文的方法，所述计算机设备1502可以包括一个或多个处理器1504，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备1502还可以包括任何存储器1506，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器1506可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备1502的固定或可移除部件。在一种情况下，当处理器1504执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备1502可以执行相关联指令的任一操作。计算机设备1502还包括用于与任何存储器交互的一个或多个驱动机构1508，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备1502还可以包括输入/输出模块1510(I/O)，其用于接收各种输入(经由输入设备1512)和用于提供各种输出(经由输出设备1514))。一个具体输出机构可以包括呈现设备1516和相关联的图形用户接口(GUI)1518。在其他实施例中，还可以不包括输入/输出模块1510(I/O)、输入设备1512以及输出设备1514，仅作为网络中的一台计算机设备。计算机设备1502还可以包括一个或多个网络接口1520，其用于经由一个或多个通信链路1522与其他设备交换数据。一个或多个通信总线1524将上文所描述的部件耦合在一起。
通信链路1522可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路1522可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
对应于上述提供的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行上述提供的方法。
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，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，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。另外，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接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
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文实施例方案的目的。
另外，在本文各个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，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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)执行本文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。
本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。
Claims (16)
1.一种钢轨廓形磨耗计算方法，其特征在于，所述方法包括：
获取待测钢轨的多组钢轨测量数据，并生成多个钢轨廓形；
根据所述待测钢轨的钢轨廓形和标准钢轨廓形，通过拉近处理得到多个第一钢轨廓形，包括：将所述标准钢轨廓形的非接触侧的轨顶点作为第一基准点，以及所述标准钢轨廓形非接触侧的轨侧点作为第二基准点，所述轨顶点为钢轨顶面中间点，所述轨侧点为钢轨轨头侧面的最低点；
获得所述待测钢轨非接触侧的轨顶点坐标和轨侧点坐标；
根据所述待测钢轨非接触侧的轨顶点坐标和所述第一基准点，计算获得纵向拉近值；
根据所述待测钢轨非接触侧的轨侧点坐标和所述第二基准点，计算获得横向拉近值；
根据所述横向拉近值和所述纵向拉近值，对所述待测钢轨的钢轨廓形进行拉近处理，以获得第一钢轨廓形；
根据预设过滤算法，将每个第一钢轨廓形中的数据点进行过滤处理，得到多个第二钢轨廓形；
通过迭代最近点算法，对所述第二钢轨廓形和所述标准钢轨廓形进行匹配处理，得到多个匹配完成的第三钢轨廓形；
根据匹配完成的第三钢轨廓形和所述标准钢轨廓形，计算获得所述钢轨廓形磨耗数据。
2.根据权利要求1所述的方法，其特征在于，所述获取待测钢轨的多组钢轨廓形测量数据，并生成多个钢轨廓形，包括：
按照预设距离采集获得待测钢轨的光条中心结果；
根据所述光条中心结果，结合预设坐标转换规则，获得多个钢轨廓形。
3.根据权利要求1所述的方法，其特征在于，根据预设过滤算法，将每个第一钢轨廓形中的数据点进行过滤处理，得到多个第二钢轨廓形，包括：
确定所述第一钢轨廓形中的像素点坐标；
计算任意两个像素点之间的距离；
确定每个像素点的邻域，所述邻域为以所述像素点为中心点的在预设距离范围内的像素点集合；
判断所述邻域内像素点数目是否超过预设阈值；
若是，则将所述邻域对应的中心点标记为核心点；
若不是，则判断所述邻域内的像素点是否存在核心点；
若所述邻域内的像素点存在核心点，则将所述邻域对应的中心点标记为边界点；
若所述邻域内的像素点不存在核心点，则将所述邻域对应的中心点标记为干扰点；
过滤掉所述干扰点，将所述核心点和所述边界点作为有效像素点，并形成所述第二钢轨廓形。
4.根据权利要求1所述的方法，其特征在于，所述预设过滤算法为基于密度的聚类算法。
5.根据权利要求3所述的方法，其特征在于，所述根据预设过滤算法，将每个第一钢轨廓形中的数据点进行过滤处理，得到多个第二钢轨廓形之后还包括：
针对每个第二钢轨廓形进行如下处理：
确定所述第二钢轨廓形非接触侧的轨头侧面最高点坐标和轨头侧面最低点坐标；
根据所述轨头侧面最高点坐标和轨头侧面最低点，计算获得所述轨头侧面最高点到轨距点之间的第一距离，以及所述轨头侧面最低点到轨顶点之间的第二距离；
根据所述第一距离和所述第二距离，判断所述第二钢轨廓形是否为有效廓形；
若所述第二钢轨廓形是有效廓形，则保留所述第二钢轨廓形；
若所述第二钢轨廓形不是有效廓形，则删除所述第二钢轨廓形。
6.根据权利要求5所述的方法，其特征在于，
所述第一距离为所述轨头侧面最高点到轨距点的水平距离；
所述第二距离为所述轨头侧面最低点到所述轨顶点的垂直距离。
7.根据权利要求5所述的方法，其特征在于，根据所述第一距离和所述第二距离，判断所述第二钢轨廓形是否为有效廓形，包括：
判断所述第一距离是否在第一预设距离范围内，且所述第二距离是否在第二预设距离范围内；
若是，则所述第二钢轨廓形是有效廓形；
若不是，则所述第二钢轨廓形不是有效廓形。
8.根据权利要求1所述的方法，其特征在于，所述根据预设过滤算法，将每个第一钢轨廓形中的数据点进行过滤处理，得到多个第二钢轨廓形之前还包括：
针对每个第一钢轨廓形进行如下处理：
确定所述第一钢轨廓形非接触侧的轨头侧面最高点坐标和轨头侧面最低点坐标；
根据所述轨头侧面最高点坐标和轨头侧面最低点，计算获得所述轨头侧面最高点到轨距点之间的第三距离，以及所述轨头侧面最低点到轨顶点之间的第四距离；
根据所述第三距离和所述第四距离，判断所述第一钢轨廓形是否为有效廓形；
若所述第一钢轨廓形是有效廓形，则保留所述第一钢轨廓形；
若所述第一钢轨廓形不是有效廓形，则删除所述第一钢轨廓形。
9.根据权利要求8所述的方法，其特征在于，
所述第三距离为所述轨头侧面最高点到轨距点的水平距离；
所述第四距离为所述轨头侧面最低点到所述轨顶点的垂直距离。
10.根据权利要求8所述的方法，其特征在于，所述根据所述第三距离和所述第四距离，判断所述第一钢轨廓形是否为有效廓形，包括：
判断所述第三距离是否在第三预设距离范围内，且所述第四距离是否在第四预设距离范围内；
若是，则所述第一钢轨廓形是有效廓形；
若不是，则所述第一钢轨廓形不是有效廓形。
11.根据权利要求1所述的方法，其特征在于，所述通过迭代最近点算法，对所述第二钢轨廓形和所述标准钢轨廓形进行匹配处理，得到多个匹配完成的第三钢轨廓形，包括：
确定所述第二钢轨廓形中待匹配像素点集合，以及标准钢轨廓形中初始像素点集合；
从所述初始像素点集合中确定与所述待匹配像素点集合每个像素点最近的像素点的集合，形成目标像素点集合；
分别对所述待匹配像素点集合和所述目标像素点集合去重心点，得到新的待匹配像素点集合和新的目标像素点集合；
根据所述新的待匹配像素点集合和所述新的目标像素点集合，结合预设转换矩阵，计算获得变换矩阵和平移向量；
根据所述变换矩阵和所述平移向量，对所述新的待匹配像素点集合进行转换，得到转换后的像素点集合；
根据所述转换后的像素点集合和所述新的目标像素点集合，结合迭代判断函数，计算获得迭代判断值；
判断所述迭代判断值是否低于迭代阈值；
若是，则停止迭代，确定变换矩阵和平移向量；
若不是，则将转换后的像素点集合作为待匹配像素点集合，重复上述迭代步骤，直到计算获得的迭代判断值低于所述迭代阈值；
根据确定后的变换矩阵和平移向量，对所述新的待匹配像素点集合进行转换，得到待测钢轨转换后的像素点坐标，以获得匹配完成的第三钢轨廓形。
12.根据权利要求11所述的方法，其特征在于，所述根据所述新的待匹配像素点集合和所述新的目标像素点集合，结合预设转换矩阵，计算获得变换矩阵和平移向量，包括：
根据所述新的待匹配像素点集合和所述新的目标像素点集合，构建像素点集合协方差矩阵；
根据所述像素点集合协方差矩阵，构建四元数矩阵；
确定所述四元数矩阵对应的最大特征值和对应的最大特征向量；
根据所述最大特征向量，将所述四元数矩阵转换为变换矩阵，所述变换矩阵用于将新的待匹配像素点集合转换到新的目标像素点集合；
根据所述变换矩阵，结合所述新的待匹配像素点集合的重心点和所述新的目标像素点集合的重心点，确定平移向量。
13.根据权利要求1所述的方法，其特征在于，所述根据匹配完成的第三钢轨廓形和所述标准钢轨廓形，计算获得所述钢轨廓形磨耗数据，包括：
根据标准钢轨几何结构特征，确定所述标准钢轨廓形接触侧的标准侧磨点和标准垂磨点；
确定所述第三钢轨廓形中与所述标准侧磨点水平方向距离最近的像素点，并将该像素点标记为实际侧磨点；
确定所述第三钢轨廓形中与所述标准垂磨点垂直方向距离最近的像素点，并将该像素点标记为实际垂磨点；
根据所述标准侧磨点和所述实际侧磨点，计算获得轨头侧磨值；
根据所述标准垂磨点和所述实际垂磨点，计算获得轨头垂磨值。
14.一种钢轨廓形磨耗计算装置，其特征在于，所述装置包括：
钢轨廓形生成模块，用于获取待测钢轨的多组钢轨廓形测量数据，并生成多个钢轨廓形；
第一钢轨廓形获得模块，用于根据所述待测钢轨的钢轨廓形和标准钢轨廓形，通过拉近处理得到多个第一钢轨廓形，包括：将所述标准钢轨廓形的非接触侧的轨顶点作为第一基准点，以及所述标准钢轨廓形非接触侧的轨侧点作为第二基准点，所述轨顶点为钢轨顶面中间点，所述轨侧点为钢轨轨头侧面的最低点；
获得所述待测钢轨非接触侧的轨顶点坐标和轨侧点坐标；
根据所述待测钢轨非接触侧的轨顶点坐标和所述第一基准点，计算获得纵向拉近值；
根据所述待测钢轨非接触侧的轨侧点坐标和所述第二基准点，计算获得横向拉近值；
根据所述横向拉近值和所述纵向拉近值，对所述待测钢轨的钢轨廓形进行拉近处理，以获得第一钢轨廓形；
第二钢轨廓形获得模块，用于根据预设过滤算法，将每个第一钢轨廓形中的数据点进行过滤处理，得到多个第二钢轨廓形；
第三钢轨廓形获得模块，用于通过迭代最近点算法，对所述第二钢轨廓形和所述标准钢轨廓形进行匹配处理，得到多个匹配完成的第三钢轨廓形；
磨耗数据计算模块，用于根据匹配完成的第三钢轨廓形和所述标准钢轨廓形，计算获得所述钢轨廓形磨耗数据。
15.一种计算机设备，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如权利要求1至13任一项所述的方法。
16.一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计算机程序，所述计算机程序被处理器执行时实现如权利要求1至13任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111011673.3A CN113779672B (zh) | 2021-08-31 | 2021-08-31 | 一种钢轨廓形磨耗计算方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111011673.3A CN113779672B (zh) | 2021-08-31 | 2021-08-31 | 一种钢轨廓形磨耗计算方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113779672A CN113779672A (zh) | 2021-12-10 |
| CN113779672B true CN113779672B (zh) | 2024-04-12 |
Family
ID=78840278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111011673.3A Active CN113779672B (zh) | 2021-08-31 | 2021-08-31 | 一种钢轨廓形磨耗计算方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113779672B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115239792B (zh) * | 2022-09-20 | 2022-12-30 | 成都唐源电气股份有限公司 | 一种用于轨道打磨的代表廓形生成方法 |
| CN116678321B (zh) * | 2023-08-03 | 2023-10-13 | 北京科技大学 | 一种钢轨磨耗测量方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101882217A (zh) * | 2010-02-26 | 2010-11-10 | 杭州海康威视软件有限公司 | 视频图像的目标分类方法及装置 |
| CN106643545A (zh) * | 2016-10-09 | 2017-05-10 | 湖南大学 | 激光位移技术测量钢轨轮廓的校准方法 |
| CN108917591A (zh) * | 2018-04-27 | 2018-11-30 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 一种动态行车环境下的钢轨轮廓自动配准方法及装置 |
| CN109421747A (zh) * | 2017-08-30 | 2019-03-05 | 比亚迪股份有限公司 | 基于轨道交通的监测系统和方法 |
| CN109455197A (zh) * | 2018-12-19 | 2019-03-12 | 暨南大学 | 轨道几何参数高精度检测方法和轨道几何参数高精度检测车 |
| CN109798844A (zh) * | 2018-12-28 | 2019-05-24 | 北京交通大学 | 一种钢轨磨耗动态测量中的轨廓自动配准方法 |
| CN109813620A (zh) * | 2018-12-28 | 2019-05-28 | 中国铁路总公司 | 确定铁路道岔钢轨磨耗的方法及装置、存储介质 |
| CN109855562A (zh) * | 2019-01-28 | 2019-06-07 | 武汉武大卓越科技有限责任公司 | 钢轨磨耗测量方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100480627C (zh) * | 2007-10-26 | 2009-04-22 | 北京航空航天大学 | 一种钢轨磨耗综合参数车载动态测量装置及方法 |
-
2021
- 2021-08-31 CN CN202111011673.3A patent/CN113779672B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101882217A (zh) * | 2010-02-26 | 2010-11-10 | 杭州海康威视软件有限公司 | 视频图像的目标分类方法及装置 |
| CN106643545A (zh) * | 2016-10-09 | 2017-05-10 | 湖南大学 | 激光位移技术测量钢轨轮廓的校准方法 |
| CN109421747A (zh) * | 2017-08-30 | 2019-03-05 | 比亚迪股份有限公司 | 基于轨道交通的监测系统和方法 |
| CN108917591A (zh) * | 2018-04-27 | 2018-11-30 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 一种动态行车环境下的钢轨轮廓自动配准方法及装置 |
| CN109455197A (zh) * | 2018-12-19 | 2019-03-12 | 暨南大学 | 轨道几何参数高精度检测方法和轨道几何参数高精度检测车 |
| CN109798844A (zh) * | 2018-12-28 | 2019-05-24 | 北京交通大学 | 一种钢轨磨耗动态测量中的轨廓自动配准方法 |
| CN109813620A (zh) * | 2018-12-28 | 2019-05-28 | 中国铁路总公司 | 确定铁路道岔钢轨磨耗的方法及装置、存储介质 |
| CN109855562A (zh) * | 2019-01-28 | 2019-06-07 | 武汉武大卓越科技有限责任公司 | 钢轨磨耗测量方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113779672A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113779672B (zh) | 一种钢轨廓形磨耗计算方法、装置、设备及存储介质 | |
| CN103913131B (zh) | 一种基于双目视觉的自由曲面法矢量测量方法 | |
| CN108489403B (zh) | 基于三维激光扫描的露天矿山边坡岩体节理产状快速精细取值方法 | |
| CN107869958B (zh) | 一种用于地铁检测及测量的3d扫描方法 | |
| CN101398886A (zh) | 一种基于双目被动立体视觉的快速三维人脸识别方法 | |
| CN105574527A (zh) | 一种基于局部特征学习的快速物体检测方法 | |
| CN112085675B (zh) | 深度图像去噪方法、前景分割方法及人体运动监测方法 | |
| CN109766838B (zh) | 一种基于卷积神经网络的步态周期检测方法 | |
| CN109871818B (zh) | 基于法向量分布直方图和协方差描述子的人脸识别方法 | |
| CN114081471B (zh) | 一种基于三维图像与多层感知的脊柱侧弯cobb角测量方法 | |
| CN108931206A (zh) | 用于钢轨轮廓离群点检测及有效廓形识别的方法 | |
| CN103955943A (zh) | 基于融合变化检测算子与尺度驱动的无监督变化检测方法 | |
| CN111932494B (zh) | 一种轮胎磨损程度评价方法及装置 | |
| CN116403211B (zh) | 一种基于单细胞病理图像细胞核的分割和聚类方法及系统 | |
| CN116645348A (zh) | 基于点云随机采样的高速环道线形拟合方法 | |
| CN116309788A (zh) | 一种3d点云铁路接触线横截面积检测方法 | |
| CN116226640A (zh) | 一种针对隧道物探反演数据的不良地质特征提取方法 | |
| CN114463258B (zh) | 一种基于深度学习技术的机车车辆闸片磨耗检测方法 | |
| CN114565629A (zh) | 一种基于多尺度邻域的大型蒙皮边缘缺陷检测方法 | |
| CN114993288A (zh) | 一种语义化的内河航道地形测图的生成方法 | |
| CN106952249A (zh) | 基于交比不变性的绝缘子串中轴线提取方法 | |
| CN111753723A (zh) | 一种基于密度校准的指纹识别方法及装置 | |
| CN105426811A (zh) | 一种人群异常行为与人群密度识别方法 | |
| CN115824070B (zh) | 一种钢轨件尺寸测量方法及装置 | |
| Wang et al. | Research on automatic identification method of pavement sag deformation |
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 |