CN114119605A - 铁路工务设备及周边环境形变对比分析方法 - Google Patents

铁路工务设备及周边环境形变对比分析方法 Download PDF

Info

Publication number
CN114119605A
CN114119605A CN202210039576.3A CN202210039576A CN114119605A CN 114119605 A CN114119605 A CN 114119605A CN 202210039576 A CN202210039576 A CN 202210039576A CN 114119605 A CN114119605 A CN 114119605A
Authority
CN
China
Prior art keywords
data
deformation
point cloud
comparative analysis
equipment
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.)
Granted
Application number
CN202210039576.3A
Other languages
English (en)
Other versions
CN114119605B (zh
Inventor
蔡德钩
魏少伟
石越峰
许贵阳
申文军
李彦军
姚建平
丁国富
付卫霖
危凤海
邱镇
刘瑞
曹渊东
吕宋
李博闻
李金洋
邹文武
刘越然
谭信陵
张�杰
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.)
Beijing University of Civil Engineering and Architecture
China Academy of Railway Sciences Corp Ltd CARS
Railway Engineering Research Institute of CARS
Beijing Tieke Special Engineering Technology Co Ltd
China Railway Beijing Group Co Ltd
Original Assignee
Beijing University of Civil Engineering and Architecture
China Academy of Railway Sciences Corp Ltd CARS
Railway Engineering Research Institute of CARS
Beijing Tieke Special Engineering Technology Co Ltd
China Railway Beijing Group 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 Beijing University of Civil Engineering and Architecture, China Academy of Railway Sciences Corp Ltd CARS, Railway Engineering Research Institute of CARS, Beijing Tieke Special Engineering Technology Co Ltd, China Railway Beijing Group Co Ltd filed Critical Beijing University of Civil Engineering and Architecture
Priority to CN202210039576.3A priority Critical patent/CN114119605B/zh
Publication of CN114119605A publication Critical patent/CN114119605A/zh
Application granted granted Critical
Publication of CN114119605B publication Critical patent/CN114119605B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C15/00—Surveying instruments or accessories not provided for in groups G01C1/00 - G01C13/00
    • G01C15/002—Active optical surveying means
    • 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
    • G06T5/70—
    • 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
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • 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
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30236—Traffic on road, railway or crossing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Quality & Reliability (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明涉及一种铁路工务设备及周边环境形变对比分析方法，包括：S1.准备工作阶段；S2.对比分析试验阶段;S3.试验结果获取阶段;S4.对比分析试验报告获取阶段。本发明对于不便使用靶点进行粗配准的情况，采用基于机载雷达多期激光点云数据对铁路周边环境进行对比分析，从而减少外业工作，提高工作效率，并能在点云形变比对过程中选出局部路段的影像数据，进一步分析成因，评估工务设备安全性确保环境安全。

Description

铁路工务设备及周边环境形变对比分析方法
技术领域
本发明涉及铁路检测技术领域，尤其涉及一种铁路工务设备及周边环境形变对比分析方法。
背景技术
铁路沿线的工务设备及周边环境直接关系到铁路列车运行的安全，但目前针对铁路沿线的隐患排查与评估存在诸多难点。其主要原因是依赖人力排查，工作周期长、精度低、对铁路周边环境的分析不够全面。特别是针对隧道洞口高仰坡、高陡边坡等巡检人员难以到达、安全风险高的区域，采用无人机巡检不但提高了巡检效率和精度，同时可显著降低巡检人员作业风险，提高铁路工务设备及周边环境的隐患排查效率。
目前许多新型的测绘仪器和测量方法被应用于形变分析中，包括全球导航卫星系统(global navigation satellite system，GNSS)、地面激光扫描(terrestrial laserscanning，TLS)、全站仪、地基合成孔径雷达干涉测量(ground-based interferometricsynthetic aperture radar，GB-InSAR)等。其中，机载激光雷达是一种主动式的对地观测系统，它集成了GNSS、IMU、激光测距技术及计算机技术，能够直接获取高精度、高分辨率的数字地面模型以及地物的三维空间信息，具有传统摄影测量方法无法取代的优越性。人工检测难免存在检测死角、或检测误差，可以借助激光雷达的穿透性，穿过树木的遮挡获得跟真实的地表信息，有助于对环境的形变分析。
对铁路的周边环境进行形变分析，有助于提前发现隐患，尤其是在汛期前后的形变分析对比，由于时间跨度大，人为检测难免存在误差，但是点云能够直接获取最原始的现场数据。基于此对铁路工务设备及周边环境的多期激光点云数据进行形变对比分析，可以直观的得到现场的形变大小及位置。同时随激光雷达附带高清摄像机，采集沿线高清图像，结合二维与三维的信息对铁路周边环境进行风险评估对线路的安全运行尤为重要。
在铁路领域现有技术中，采用激光雷达主要以地面激光雷达为主。如采用三维激光扫描技术对铁路边坡进行变形监测，以永久性三棱锥作为标定物，利用其点云特征提取控制点将两期点云数据配准分析边坡位移变形，对边坡的整体变形、竖向位移沉降变形及边坡的水平位移变形进行监测分析。如采用三维激光扫描仪一次扫描隧道整体数据，对隧道断面进行分片拟合的数据处理方法，并利用分片拟合获取的管片变形参数获取隧道断面的整体变形情况。在其他领域有应用机载雷达的实例，如采用机载激光扫描仪对大坝进行形变估计，获取两期大坝三维点云数据，应用优化算法，运用点到面形变量对比分析模式监测大坝形变量，对大坝的安全运维提供决策性辅助支撑。在电力巡线方面，应用激光雷达获取场景点云数据，并从中提取定位电塔位置。
现有技术普遍存在下列技术缺陷：
1、现有利用激光雷达的铁路检测方式，主要应用地面激光雷达，检测范围有限、位置固定。而采用无人机搭载激光雷达的铁路巡检，以地形测绘为主，用于生成模型，对铁路工务设备及周边环境的形变分析较少。
2、现有基于点云数据的形变分析，太过依赖架设靶点进行配准，然而在山区使用无人机作业，设置靶点较为困难。
3、现有全线普查的铁路数据，经过后期处理存储资料，只对重点区域、敏感区域进行标注，必要时选出局部进行判断，效率较低，并没有一套针对铁路工务设备及周边环境快速分析的流程。
如何克服上述现有技术方案的不足, 对于不便使用靶点进行粗配准的情况，采用基于机载雷达多期激光点云数据对铁路周边环境进行对比分析，从而减少外业工作，提高工作效率，并能在点云形变比对过程中选出局部路段的影像数据，进一步分析成因，评估工务设备安全性确保环境安全，成为本技术领域亟待解决的课题。
发明内容
为克服上述现有技术的不足，本发明提供了一种基于多期激光点云数据的铁路工务设备及周边环境形变对比分析方法，具体采用如下技术方案：
基于多期激光点云数据的铁路工务设备及周边环境形变对比分析方法，包括下列步骤：
S1.准备工作阶段；
S2.对比分析试验阶段;
S3.试验结果获取阶段;
S4.对比分析试验报告获取阶段;
所述步骤S2.对比分析试验阶段,具体包括：
S2.1对单期采集的数据进行预处理；
S2.2调集各单期处理完毕的数据，直接进行配准分析；
S2.3点云的形变对比。
进一步，所述步骤S1.准备工作阶段，具体包括：
S1.1户外调查阶段，包括：寻找工务段各车间位置；使用小型无人机进行地形的勘察；查询相关市区的禁飞区；预估无人机飞行高度；
S1.2室内准备阶段，包括：利用Waypoint Master仿地飞行软件规划航线，对无人机进行飞行设置；航线规划完成后进入三维卫星地图中验证航线的可行性；检查设备，保证无人机与激光雷达设备正常；
S1.3数据收集，包括：基站架设，收集静态数据，采集固定点坐标数据；设备挂载和通电检查；航线执行进行无人机激光雷达扫描；
S1.4数据整理，包括：检查POS数据和雷达数据是否正常存储；雷达设备关闭5分钟后，停止静态数据采集，关闭基准站，拷贝静态观测数据；现场数据采集完成后，立即完成数据编号整理。
进一步，对无人机进行飞行设置，具体包括：按照激光雷达航带重叠度为10%，正射影像旁向重叠度45%、航向重叠度65%进行设置。
进一步，所述步骤S2.1对单期采集的数据进行预处理，具体包括：根据设备划分‘点’，将线路拆分为多个区段，对周边区域进行裁切，裁切范围包括待检测环境。
进一步，所述步骤S2.2调集各单期处理完毕的数据，直接进行配准分析，具体包括：将两个单期的‘点’读取到同一环境下，找到两个单期点云的交集部分，保证两个单期点云的范围相同；同时选中两个单期点云进行去噪处理；进行配准操作，选择ICP精配准方式，选择最大迭代次数与两次迭代的误差差异阈值作为结束迭代的条件, 首期点云作为配准的参考点云,待配准的对象为后期点云。
进一步，所述最大迭代次数在20-40次之间；所述两次迭代的误差差异阈值为1×10-8。
进一步，所述步骤S2.3点云的形变对比，具体包括：采用点云对点云（cloud-to-cloud comparison，C2C）的对比分析方法;按照是否发生形变，将点云中的点分为两类，只对发生形变的点进行评估；调集区段的高清影像数据，先排除设备数据问题；确认影像编号以便快速找到影像数据，判断能否直接观察到隐患并予以排查；若借助影像数据无法排查，则依靠点云的三维信息对评判进行补充。
进一步，所述步骤S3.试验结果获取阶段，具体包括：
S3.1记录亟需解决的隐患、后期重点观测区段，标明该区段里程。
进一步，所述步骤S4.对比分析试验报告获取阶段，具体包括：
S4.1以每两期试验为一组，每次进行无人机巡检，首先与前一次数据对比，再与基准数据对比；
S4.2在试验结果中注明铁路里程、变形程度，并圈定需解决的点与后期重点检测的点。
进一步，所述无人机的具体参数为：
最大飞行时间不低于55min；
最大起飞海拔高度不低于3000m；
RTK精度不低于水平1 cm+1 ppm、垂直1.5 cm + 1 ppm；
最大可承受风速高于15 m/s；
障碍物感知范围不低于前后左右0.7-40 m、上下0.6-30 m；
工作环境温度范围-20°C 至 50°C。
本发明的技术方案获得了下列有益效果：1、试验参数与条件等更适用于长期对某具体线路进行评价，包括但不限于只对两次数据进行对比分析。2、本发明中的配准环节，提出了一种不利用靶点进行粗配准，直接进行精配准的方式，能够满足精度要求。3、本发明针对铁路工务设备及周边环境形变的对比分析中的各环节提出了参数设置范围，有利于在处理不同环境时进行选择。
附图说明
图1为本发明的单期点云裁剪示意图。
图2为本发明的两期点云重叠度100%配准示意图。
图3为本发明的两期点云对比未发生形变示意图。
图4为本发明的两期点云对比发生形变示意图。
图5为本发明的航迹上的影像数据图。
图6为本发明的影像数据编号示意图。
图7为本发明的多期点云数据对比流程图。
图8为本发明的直接观察形变比例示意图。
图9为本发明的通过补充信息解决部分后比例示意图。
图10为本发明的整体流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。
除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明的具体实施例涉及一种基于多期激光点云数据的铁路工务设备及周边环境形变对比分析方法。
本方法适用于评价日常检测、汛期前后的铁路全线或铁路周边环境的形变分析。全线普查数字化影像资料经后期处理生成正射影像图、激光点云三维模型，可将现场调查工作转变为室内识别，既减少了大量外业工作，提高了工作效率。在业内处理中可将工程重点区域、问题区域等标注，以便后期关注。在点云形变比对过程中必要时还可选出局部路段的影像数据，进一步分析成因，结合地面人工复核，进一步评估工务设备安全性确保环境安全。
本发明具体实施例使用的试验仪器及其使用条件如下：
1、无人机
无人机需要至少满足以下要求：（1）最大飞行时间尽可能长，但不低于55min；（2）最大起飞海拔高度不低于3000m；（3）RTK精度不低于1 cm+1 ppm（水平）、1.5 cm + 1 ppm（垂直）；（4）最大可承受风速应高于15 m/s（7级风）；（5）障碍物感知范围应尽可能大，并不低于前后左右0.7-40 m、上下0.6-30 m；（6）工作环境温度在-20°C 至 50°C即可。
2、激光雷达
用于进行铁路工务设备及周边环境形变分析的激光点雷达，需要至少满足以下要求：（1）作业行高大于50m；（2）设备重量满足无人机的配重要求；（3）工作视角应高于360°*30°（4）测距精度在0.02m以内，高程精度在0.1m以内，位置精度0.02m以内，激光回波数为双回波。
3、无人机搭载机载雷达设备，同时携带高清摄像机，高清摄像机对航线拍摄的覆盖率与机载雷达设备的航线覆盖率相当。
4、环境条件，不宜在大雾或雨季使用无人机进行巡检，这种环境条件威胁线路运行安全同时会严重影响点云精度。
5、其他条件，包括需要无人机驾驶证等。
本发明具体实施例的方法步骤具体包括：
S1.准备工作阶段。
S1.1户外调查阶段：①寻找工务段各车间位置，便于无人机起降、充电；②使用小型无人机进行地形的勘察，确认飞行区2km内山体的高度、电塔位置、以及村民的较高建筑物；③查询相关市区的禁飞区，预估无人机飞行高度。
S1.2室内准备阶段：①利用Waypoint Master仿地飞行软件规划航线：按照激光雷达航带重叠度为10%，正射影像旁向重叠度45%、航向重叠度65%进行设置。航线规划完成后进入三维卫星地图中验证航线的可行性。②检查设备，保证无人机与激光雷达设备正常，保证无人机电池电量充满。
S1.3 数据收集：①基站架设，收集静态数据，采集固定点坐标数据；②设备挂载和通电检查；③航线执行进行无人机激光雷达扫描。
S1.4数据整理：①完成飞行后，在空旷区域静置5分钟；若配置相机，需观察相机指示灯，待指示灯熄灭后，设备断电关机；②检查POS数据和雷达数据是否正常存储；③雷达设备关闭5分钟后，停止静态数据采集，关闭基准站，拷贝静态观测数据；④现场数据采集完成后，当天立即完成数据编号整理，为数据处理做准备。
S2. 对比分析试验阶段。整体流程参见附图10所示，包括：
S2.1 对单期采集的数据进行预处理，预处理包括根据设备划分‘点’，将线路拆分为多个区段。以隧道口为例，以隧道口为中心对周边区域进行裁切，效果如附图1所示。裁切的范围以轨道中线为中心，向两侧根据现场需要包括的检测范围进行扩展。当已点为单位裁切单期数据时范围要大，线路两侧10-30m，包含隧道口上方10-30m的区域，应包括待检测环境为主。
S2.2 当需要数据对比分析时，调集各单期处理完毕的数据，直接进行配准分析，大大提高效率。参见附图7所示，首先将两个单期的‘点’读取到同一环境下，找到两个单期点云的交集部分，要保证两个单期点云的范围相同，这是配准准确的前提。同时选中进行去噪处理，使用Cloud Compare对铁路点云的去噪应选择噪声过滤器集成统计异常值去除（statistical outlier removal，SOR）与半径异常值去除（radius outlier removal，ROR）。根据多次试验，提供以下参数范围，最近邻搜索的恒定点云数最小应为6，最优在6-12之间，根据点云密度取值，本实例中点云密度较高选择6。
随后进行配准操作，使用无人机的目的就是省去人为攀登山区带来的麻烦，因此本试验的准备阶段并未准备粗配准使用的靶点，所以务必保证两期点云的裁剪在相同范围内，可以大大降低未使用粗配准带来的误差。选择ICP精配准方式，需要选择最大迭代次数与两次迭代的误差差异阈值作为结束迭代的条件。根据计算机配置的不同，建议最大迭代次数最少为20次，最优在20-40次之间，过多的迭代次数反而会增加局部极限误差影响形变检测精度。迭代误差阈值应设置尽可能小，但考虑到计算精度使用1×10-8即可。点云重叠度选项，由于本试验要求两期点云范围完全相同，故重叠度选择100%，但无法避免有不重叠的情况，因此重叠度范围在90%-100%为最佳。其余的设置不建议采用，因子采样无疑会产生误差，不利于高精度面形变的评估。需要注意的是作为配准的参考点云通常为首期点云，待配准的对象为后期点云。配准结果如附图2所示。
S2.3 点云的形变对比，直接采用点云对点云（cloud-to-cloud comparison，C2C）的对比分析方法。效果如附图3所示。附图3所示的对比即为未发生形变的情况。发生形变的情况如附图4所示，首先直接按照是否发生形变分为两类，只对发生形变的点进行评估，首先调集该区段的高清影像数据，先排除设备数据问题。如附图5、附图6所示确认该处的影像编号以便快速找到影像数据，判断能否直接观察到隐患并予以排查，若借助其他影像数据无法排查隐患发生问题，则依靠点云的三维信息对评判进行补充。整体流程如附图7所示。最终撰写报告确认隐患点交由现场人员检验。以本试验为例，6个隧道的12个隧道口通过对比排查结果如附图8、附图9所示。
S3.试验结果获取阶段。
S3.1记录亟需解决的隐患、后期重点观测区段，标明其里程。
技术要求：人工现场确认报告结果的准确性，若符合报告结果现场确实发生形变；反之若检查与试验报告结果不符合，应改变处理参数修改数据结果。
S4.对比分析试验报告获取阶段。
S4.1 每两期试验为一组，前期选择一组较好的数据作为基准，后续每次进行无人机巡检，首先与前一次数据对比，再与基准对比，更全面的得出试验结果。
S4.2 试验结果均应注明铁路里程，变形程度，并圈定亟需解决的点与后期重点检测的点。
本发明具体实施例获得了下列有益效果：1、提出了基于机载雷达对铁路工务设备及周边环境的形变对比分析方法，该方法适用于铁路日常巡检、防洪巡检等。区别于其他现有就似乎，本发明的最大特点：针对对象为铁路工务设备及周边环境且采用机载雷达的点云数据，结合两种数据的特定进行数据分析。在数据分析的过程中，确定具体的流程，对于不便使用靶点进行粗配准的前提下，提出了重叠100%进行精配准的方式，并对试验过程中的参数提出范围的限定。2、本发明试验参数与条件等更适用于长期对某具体线路进行评价，包括但不限于只对两次数据进行对比分析。3、本发明中的配准环节，提出了一种不利用靶点进行粗配准，直接进行精配准的方式，能够满足精度要求。4、本发明针对铁路工务设备及周边环境形变的对比分析中的各环节提出了参数设置范围，有利于在处理不同环境时进行选择。
如上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种铁路工务设备及周边环境形变对比分析方法，其特征在于，包括下列步骤：
S1.准备工作阶段；
S2.对比分析试验阶段;
S3.试验结果获取阶段;
S4.对比分析试验报告获取阶段;
所述步骤S2.对比分析试验阶段,具体包括：
S2.1对单期采集的数据进行预处理；
S2.2调集各单期处理完毕的数据，直接进行配准分析；
S2.3点云的形变对比。
2.根据权利要求1所述的铁路工务设备及周边环境形变对比分析方法，其特征在于，所述步骤S1.准备工作阶段，具体包括：
S1.1户外调查阶段，包括：寻找工务段各车间位置；使用小型无人机进行地形的勘察；查询相关市区的禁飞区；预估无人机飞行高度；
S1.2室内准备阶段，包括：利用Waypoint Master仿地飞行软件规划航线，对无人机进行飞行设置；航线规划完成后进入三维卫星地图中验证航线的可行性；检查设备，保证无人机与激光雷达设备正常；
S1.3数据收集，包括：基站架设，收集静态数据，采集固定点坐标数据；设备挂载和通电检查；航线执行进行无人机激光雷达扫描；
S1.4数据整理，包括：检查POS数据和雷达数据是否正常存储；雷达设备关闭5分钟后，停止静态数据采集，关闭基准站，拷贝静态观测数据；现场数据采集完成后，立即完成数据编号整理。
3.根据权利要求2所述的铁路工务设备及周边环境形变对比分析方法，其特征在于，对无人机进行飞行设置，具体包括：按照激光雷达航带重叠度为10%，正射影像旁向重叠度45%、航向重叠度65%进行设置。
4.根据权利要求1所述的铁路工务设备及周边环境形变对比分析方法，其特征在于，所述步骤S2.1对单期采集的数据进行预处理，具体包括：根据设备划分‘点’，将线路拆分为多个区段，对周边区域进行裁切，裁切范围包括待检测环境。
5.根据权利要求1所述的铁路工务设备及周边环境形变对比分析方法，其特征在于，所述步骤S2.2调集各单期处理完毕的数据，直接进行配准分析，具体包括：将两个单期的‘点’读取到同一环境下，找到两个单期点云的交集部分，保证两个单期点云的范围相同；同时选中两个单期点云进行去噪处理；进行配准操作，选择ICP精配准方式，选择最大迭代次数与两次迭代的误差差异阈值作为结束迭代的条件, 首期点云作为配准的参考点云,待配准的对象为后期点云。
6.根据权利要求5所述的铁路工务设备及周边环境形变对比分析方法，其特征在于，所述最大迭代次数在20-40次之间；所述两次迭代的误差差异阈值为1×10-8。
7.根据权利要求1所述的铁路工务设备及周边环境形变对比分析方法，其特征在于，所述步骤S2.3点云的形变对比，具体包括：采用点云对点云（cloud-to-cloud comparison，C2C）的对比分析方法;按照是否发生形变，将点云中的点分为两类，只对发生形变的点进行评估；调集区段的高清影像数据，先排除设备数据问题；确认影像编号以便快速找到影像数据，判断能否直接观察到隐患并予以排查；若借助影像数据无法排查，则依靠点云的三维信息对评判进行补充。
8.根据权利要求1所述的铁路工务设备及周边环境形变对比分析方法，其特征在于，所述步骤S3.试验结果获取阶段，具体包括：
S3.1记录亟需解决的隐患、后期重点观测区段，标明该区段里程。
9.根据权利要求1所述的铁路工务设备及周边环境形变对比分析方法，其特征在于，所述步骤S4.对比分析试验报告获取阶段，具体包括：
S4.1以每两期试验为一组，每次进行无人机巡检，首先与前一次数据对比，再与基准数据对比；
S4.2在试验结果中注明铁路里程、变形程度，并圈定需解决的点与后期重点检测的点。
10.根据权利要求2所述的铁路工务设备及周边环境形变对比分析方法，其特征在于，所述无人机的具体参数为：
最大飞行时间不低于55min；
最大起飞海拔高度不低于3000m；
RTK精度不低于水平1 cm+1 ppm、垂直1.5 cm + 1 ppm；
最大可承受风速高于15 m/s；
障碍物感知范围不低于前后左右0.7-40 m、上下0.6-30 m；
工作环境温度范围-20°C 至 50°C。
CN202210039576.3A 2022-01-14 2022-01-14 铁路工务设备及周边环境形变对比分析方法 Active CN114119605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210039576.3A CN114119605B (zh) 2022-01-14 2022-01-14 铁路工务设备及周边环境形变对比分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210039576.3A CN114119605B (zh) 2022-01-14 2022-01-14 铁路工务设备及周边环境形变对比分析方法

Publications (2)

Publication Number Publication Date
CN114119605A true CN114119605A (zh) 2022-03-01
CN114119605B CN114119605B (zh) 2022-05-10

Family

ID=80364087

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210039576.3A Active CN114119605B (zh) 2022-01-14 2022-01-14 铁路工务设备及周边环境形变对比分析方法

Country Status (1)

Country Link
CN (1) CN114119605B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015131462A1 (zh) * 2014-03-07 2015-09-11 国家电网公司 一种用于无人机输电线路巡检的集中监控系统及监控方法
CN109143257A (zh) * 2018-07-11 2019-01-04 中国地质调查局西安地质调查中心 无人机机载雷达矿山开采土地变化监测系统及方法
CN112033389A (zh) * 2020-08-10 2020-12-04 山东科技大学 一种沟壑地形条件下变形沉降监测方法
US20210048294A1 (en) * 2019-08-15 2021-02-18 China Institute Of Water Resources And Hydropower Research System and method for monitoring deformation of dam slope
CN112731440A (zh) * 2020-12-25 2021-04-30 中国铁道科学研究院集团有限公司 高速铁路边坡形变检测方法及装置
CN113125444A (zh) * 2021-04-20 2021-07-16 上海应用技术大学 一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法
CN113189615A (zh) * 2021-03-26 2021-07-30 国家电网有限公司 一种使用垂直起降固定翼无人机对输电线路进行巡检的方法
CN113611082A (zh) * 2021-07-12 2021-11-05 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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015131462A1 (zh) * 2014-03-07 2015-09-11 国家电网公司 一种用于无人机输电线路巡检的集中监控系统及监控方法
CN109143257A (zh) * 2018-07-11 2019-01-04 中国地质调查局西安地质调查中心 无人机机载雷达矿山开采土地变化监测系统及方法
US20210048294A1 (en) * 2019-08-15 2021-02-18 China Institute Of Water Resources And Hydropower Research System and method for monitoring deformation of dam slope
CN112033389A (zh) * 2020-08-10 2020-12-04 山东科技大学 一种沟壑地形条件下变形沉降监测方法
CN112731440A (zh) * 2020-12-25 2021-04-30 中国铁道科学研究院集团有限公司 高速铁路边坡形变检测方法及装置
CN113189615A (zh) * 2021-03-26 2021-07-30 国家电网有限公司 一种使用垂直起降固定翼无人机对输电线路进行巡检的方法
CN113125444A (zh) * 2021-04-20 2021-07-16 上海应用技术大学 一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法
CN113611082A (zh) * 2021-07-12 2021-11-05 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

Also Published As

Publication number Publication date
CN114119605B (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN108181635B (zh) 一种用于输电线路交叉跨越分析的激光点云分类方法
KR101859947B1 (ko) 무인 항공기를 이용한 재해위험 저수지의 정밀안전진단평가를 위한 데이터베이스 구축 시스템 및 방법
CN113189615B (zh) 一种使用垂直起降固定翼无人机对输电线路进行巡检的方法
KR101940313B1 (ko) 항공레이저측량 자료처리와 공간분석 기법을 사용한 태양광 발전소 적정 위치 선정 방법
KR100795396B1 (ko) 항공레이저 데이터와 수치정사영상을 이용한 도시 변화모니터링 방법
CN114353876A (zh) 一种黄土公路边坡健康监测方法
CN109556569B (zh) 地形图测绘方法及装置
CN111444872B (zh) 一种丹霞地貌参数测量方法
CN104376595A (zh) 一种基于机载LiDAR和GIS协同的三维道路生成方法
KR102118802B1 (ko) 무인 항공기를 이용한 하천 건천화 모니터링 방법 및 시스템
CN111426303A (zh) 一种岩溶坡立谷参数测量方法
Karantanellis et al. 3D hazard analysis and object-based characterization of landslide motion mechanism using UAV imagery
CN114252884A (zh) 路侧雷达定位监测方法、装置、计算机设备和存储介质
CN112033389A (zh) 一种沟壑地形条件下变形沉降监测方法
CN116719334A (zh) 一种水库智能巡检系统及方法
Barbarella et al. Landslide monitoring using terrestrial laser scanner: georeferencing and canopy filtering issues in a case study
Kim et al. Disaster Damage Investigation using Artificial Intelligence and Drone Mapping
Hao et al. Extraction and analysis of tree canopy height information in high-voltage transmission-line corridors by using integrated optical remote sensing and LiDAR
Cuartero et al. Positional accuracy analysis of satellite imagery by circular statistics
CN114119605B (zh) 铁路工务设备及周边环境形变对比分析方法
CN116052023A (zh) 基于三维点云的电力巡检地物分类方法及存储介质
CN116299442A (zh) 开采诱发地表形变监测方法、装置、电子设备及存储介质
Florkova et al. Three-dimensional mobile mapping system and its use in road engineering
Bobáľ et al. Aspects of Aerial Laser Scanning when exploring unknown archaeological sites (Case study)
Gonçalves et al. Planar projection of mobile laser scanning data in tunnels

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