CN116620360B - 一种轨道车定位系统及方法 - Google Patents
一种轨道车定位系统及方法 Download PDFInfo
- Publication number
- CN116620360B CN116620360B CN202310569790.4A CN202310569790A CN116620360B CN 116620360 B CN116620360 B CN 116620360B CN 202310569790 A CN202310569790 A CN 202310569790A CN 116620360 B CN116620360 B CN 116620360B
- Authority
- CN
- China
- Prior art keywords
- segment
- image
- railcar
- determining
- circular seam
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000003287 optical effect Effects 0.000 claims description 13
- 238000007670 refining Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012015 optical character recognition Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 16
- 238000010586 diagram Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000010276 construction Methods 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 101100269850 Caenorhabditis elegans mask-1 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L25/00—Recording or indicating positions or identities of vehicles or vehicle trains or setting of track apparatus
- B61L25/02—Indicating or recording positions or identities of vehicles or vehicle trains
- B61L25/025—Absolute localisation, e.g. providing geodetic coordinates
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T30/00—Transportation of goods or passengers via railways, e.g. energy recovery or reducing air resistance
Abstract
本申请公开了一种轨道车定位系统及方法,该系统包括:盾构管片,盾构管片上设置有管片编号,任意相邻的盾构管片之间有环缝,盾构管片与轨道在预设距离范围内;相机,设置在轨道车上,用于获取盾构管片图像;数据处理模块,用于根据盾构管片图像确定管片编号和环缝直线,并基于管片编号和环缝直线对轨道车进行定位;一方面,由于管片编号与位置对应,能够通过管片编号和环缝直线确定轨道车的定位;另一方面,在获取盾构管片图像以及对盾构管片图像进行数据处理的过程中,并不依赖于外部的信息交换,对轨道车所处的环境没有限制;因此,有效地保证了获取到的轨道车的定位结果的可靠度,从而能够更好地监测轨道车的运行情况。
Description
技术领域
本申请涉及车辆技术领域,尤其涉及一种轨道车定位系统及方法。
背景技术
随着城市地下空间的不断扩大,盾构隧道在工程建设中越来越受到重视。在盾构隧道的施工过程中,需要使用轨道车进行人员运输和物资搬运等工作。为了较好地监测轨道车的运行情况,需要对轨道车进行高精度的定位。
目前,为了对轨道车进行定位,主要采用里程表、GPS等传统测量方法,然而,盾构隧道地下深度较大,光线较暗,结构复杂,这些方法受环境干扰大,从而导致轨道车的定位结果可靠度不高的问题。
因此,现有技术中在对轨道车进行定位的过程中,存在定位结果可靠度不高的问题。
发明内容
有鉴于此,有必要提供一种轨道车定位系统及方法,用以解决现有技术中,在对轨道车进行定位的过程中,存在的定位结果可靠度不高的问题。
为了解决上述问题,本申请提供一种轨道车定位系统,包括:
盾构管片,盾构管片上设置有管片编号,任意相邻的盾构管片之间有环缝,盾构管片与轨道在预设距离范围内;
相机,设置在轨道车上,用于获取盾构管片图像;
数据处理模块,用于根据盾构管片图像确定管片编号和环缝直线,并基于管片编号和环缝直线对轨道车进行定位。
进一步地,盾构管片与轨道构成一环形结构,轨道车在轨道上运行;
盾构管片阵列铺设,且盾构管片为规则形状;
管片编号用于确定轨道车的位置区间;
环缝直线用于确定轨道车基于该管片的细化距离;
其中,任一管片编号都有唯一确定的位置区间信息与其对应。
为了解决上述问题,本申请还提供一种轨道车定位方法,包括:
获取盾构管片图像;
对盾构管片图像进行场景分割,得到管片编号图像和管片环缝图像;
根据管片编号图像,确定轨道车对应的管片编号,并根据管片编号,确定轨道车的位置区间;
根据管片环缝图像,确定轨道车对应的环缝直线,并根据环缝直线,确定轨道车基于管片的细化距离;
根据位置区间和细化距离,确定轨道车的位置。
进一步地,对盾构管片图像进行场景分割,得到管片编号图像和管片环缝图像,包括:
通过SAM模型对盾构管片图像进行场景分割,得到管片编号图像和管片环缝图像。
进一步地,根据管片编号图像,确定轨道车对应的管片编号,包括:
通过光学字符识别技术对管片编号图像进行字符识别,确定轨道车对应的管片编号。
进一步地,根据管片编号,确定轨道车的位置区间,包括:
获取管片编号位置对应表,其中,管片编号位置对应表中,任一管片编号信息都有唯一确定的位置区间信息与其对应;
基于管片编号位置对应表,确定管片编号对应的位置区间信息为轨道车的位置区间。
进一步地,根据管片环缝图像,确定轨道车对应的环缝直线,包括:
提取管片环缝图像中的环缝线;
对环缝线进行拟合直线处理,确定轨道车对应的环缝直线。
进一步地,根据环缝直线,确定轨道车基于管片的细化距离,包括:
对环缝直线进行坐标转化,得到环缝直线的世界坐标;
获取相机光心的世界坐标;
根据环缝直线的世界坐标和相机光心的世界坐标,基于最小距离公式,确定轨道车基于管片的细化距离。
进一步地,最小距离公式为:
dx= min(|xw- Xc|)
其中,dx为细化距离,xw为环缝直线的世界横坐标,Pw= (xw, yw, zw)为环缝直线的世界坐标;Xc为相机光心的世界横坐标,O = (Xc, Yc, Zc)为相机光心的世界坐标。
进一步地,根据管片环缝图像,确定轨道车对应的环缝直线,并根据环缝直线,确定轨道车基于管片的细化距离,还包括:
设置模板掩膜和重叠率阈值;
基于重叠率计算公式,确定管片环缝图像和模板掩膜的重叠率;
当重叠率不小于重叠率阈值时,将细化距离归零。
本申请的有益效果是:本申请提供一种轨道车定位系统及方法,该系统包括:盾构管片,盾构管片上设置有管片编号,任意相邻的盾构管片之间有环缝,盾构管片与轨道在预设距离范围内;相机,设置在轨道车上,用于获取盾构管片图像;数据处理模块,用于根据盾构管片图像确定管片编号和环缝直线,并基于管片编号和环缝直线对轨道车进行定位;一方面,由于管片编号与位置对应,能够通过管片编号和环缝直线确定轨道车的定位;另一方面,在获取盾构管片图像以及对盾构管片图像进行数据处理的过程中,并不依赖于外部的信息交换,对轨道车所处的环境没有限制;因此,有效地保证了获取到的轨道车的定位结果的可靠度,从而能够更好地监测轨道车的运行情况。
附图说明
图1为本申请提供的轨道车定位系统一实施例的结构示意图;
图2为本发明提供的环形结构一实施例的实物图;
图3为本发明提供的盾构管片的环缝一实施例的实物图;
图4为本发明提供的轨道车定位方法一实施例的流程示意图;
图5为本发明提供的确定轨道车的位置区间一实施例的流程示意图;
图6为本发明提供的确定轨道车对应的环缝直线一实施例的流程示意图;
图7为本发明提供的确定轨道车基于管片的细化距离一实施例的流程示意图;
图8为本发明提供的修正细化距离一实施例的流程示意图。
具体实施方式
下面结合附图来具体描述本申请的优选实施例,其中,附图构成本申请一部分,并与本申请的实施例一起用于阐释本申请的原理,并非用于限定本申请的范围。
在陈述实施例之前,先对盾构管片、SAM模型和重叠率进行阐述:
盾构管片是盾构施工的主要装配构件,是隧道的最内层屏障,承担着抵抗土层压力、地下水压力以及一些特殊荷载的作用。盾构管片是盾构法隧道的永久衬砌结构,盾构管片质量直接关系到隧道的整体质量和安全,影响隧道的防水性能及耐久性能。
SAM模型建立了一个可以接受文本提示、基于海量数据训练而获得泛化能力的图像分割大模型。图像分割是计算机视觉中的一项重要任务,有助于识别和确认图像中的不同物体,把它们从背景中分离出来。
重叠率(IOU,Intersection Over Union),就是重合的概率。
目前,为了对轨道车进行定位,主要采用里程表、GPS等传统测量方法,然而,盾构隧道地下深度较大,光线较暗,结构复杂,这些方法受环境干扰大,从而导致轨道车的定位结果可靠度不高的问题。
因此,现有技术中在对轨道车进行定位的过程中,存在定位结果可靠度不高的问题。
为了解决上述问题,本申请提供了一种轨道车定位系统及方法,以下分别进行详细说明。
如图1所示,图1为本申请提供的轨道车定位系统一实施例的结构示意图,轨道车定位系统100包括:
盾构管片101,盾构管片101上设置有管片编号,任意相邻的盾构管片101之间有环缝,盾构管片101与轨道在预设距离范围内;
相机102,设置在轨道车上,用于获取盾构管片101图像;
数据处理模块103,用于根据盾构管片图像确定管片编号和环缝直线,并基于管片编号和环缝直线对轨道车进行定位。
本实施例中,通过对盾构管片101进行编号,从而实现通过管片编号确定管片的位置;然后,在轨道车运行的过程中,通过相机102实时获取盾构管片图像,并由数据处理模块103对盾构管片图像进行数据处理,从而得到与盾构管片图像对应的位置信息,从而实现对轨道车进行定位。
本实施例中,一方面,由于管片编号与位置对应,能够通过管片编号和环缝直线确定轨道车的定位;另一方面,在获取盾构管片图像以及对盾构管片图像进行数据处理的过程中,并不依赖于外部的信息交换,对轨道车所处的环境没有限制;因此,有效地保证了获取到的轨道车的定位结果的可靠度,从而能够更好地监测轨道车的运行情况。
需要说明的是,盾构管片与轨道构成一环形结构,轨道车在轨道上运行;
盾构管片阵列铺设,且盾构管片为规则形状;
管片编号用于确定轨道车的位置区间;
环缝直线用于确定轨道车基于该管片的细化距离;
其中,任一管片编号都有唯一确定的位置区间信息与其对应。
如图2所示,图2为本发明提供的环形结构一实施例的实物图,通过在轨道两侧和上方设置盾构管片,为轨道提供支撑保障,并且由于盾构管片是隧道的最内层屏障,因此,在轨道车运行的过程中,能够在轨道车上观测到盾构管片靠近轨道车的一侧的表面信息。
为了便于后续的数据处理,盾构管片上设置的管片编号是唯一确定的,从而实现在获取到管片编号时,就能对应精准地确定该盾构管片的位置。
另外,环缝均呈直线分布,即,盾构管片之间的连接处为规则的形状。如图3所示,图3为本发明提供的盾构管片的环缝一实施例的实物图,可以很清楚地观察到盾构管片之间连接处的缝隙。
在一具体实施例中,盾构管片宽度为固定的1.5m,从而实现通过盾构管片将轨道分为以1.5m为比对刻度的轨迹,即,通过识别到盾构管片上的管片编号,就能确定轨道车所在的位置区间,且精确度可以达到1.5m。
进一步地,为了提高轨道车的定位精度,通过识别出环缝直线,并确定当前轨道车与环缝的距离,从而提高轨道车的定位精度。即,实现以盾构管片间的环缝作为沿轨道轴向的坐标标尺,能够有效提高轨道车的定位精度。
为了解决上述问题,如图4所示,图4为本发明提供的轨道车定位方法一实施例的流程示意图,包括:
步骤S101:获取盾构管片图像;
步骤S102:对盾构管片图像进行场景分割,得到管片编号图像和管片环缝图像;
步骤S103:根据管片编号图像,确定轨道车对应的管片编号,并根据管片编号,确定轨道车的位置区间;
步骤S104:根据管片环缝图像,确定轨道车对应的环缝直线,并根据环缝直线,确定轨道车基于管片的细化距离;
步骤S105:根据位置区间和细化距离,确定轨道车的位置。
本实施例中,首先,获取盾构管片图像;然后,对盾构管片图像进行场景分割,得到管片编号图像和管片环缝图像;接下来,根据管片编号图像,确定轨道车对应的管片编号,并根据管片编号,确定轨道车的位置区间;根据管片环缝图像,确定轨道车对应的环缝直线,并根据环缝直线,确定轨道车基于管片的细化距离;最后,根据位置区间和细化距离,确定轨道车的位置。
本实施例中,通过将对轨道车进行定位的问题转化为对盾构管片图像进行数据识别的问题,从而实现通过有效利用轨道车的轨道附近铺设的盾构管片,对轨道进行细分,实现在确定盾构管片图像的数据后,就能确定轨道车的位置。由于在获取盾构管片图像以及对盾构管片图像进行数据处理的过程中,并不依赖于外部的信息交换,对轨道车所处的环境没有限制,因此,有效地保证了获取到的轨道车的定位结果的可靠度,从而能够更好地监测轨道车的运行情况。
作为优选的实施例,在步骤S101中,为了获取盾构管片图像,在轨道车头部搭载RGB-D相机,并在地铁轨行区设置辅助光源,实现在轨道车运行的过程中,在地铁盾构隧道内壁面上采集图像。
进一步地,为了保证后续处理的准确性和可靠性,还需要对采集到的图像进行初步筛选,使盾构管片图像满足一定的空间分辨率和覆盖范围。
在一具体实施例中,需要剔除不包括完整管片编号和管片环缝的图像。
作为优选的实施例,在步骤S102中,为了得到管片编号图像和管片环缝图像,通过SAM模型对盾构管片图像进行场景分割,得到管片编号图像和管片环缝图像。
SAM模型利用深度学习算法对输入的盾构管片图像进行像素级别的分类,将每个像素点划分为不同的类别,通过掩模提取出目标物体或区域。需要说明的是,通过SAM模型分割后得到类别图片及相应的元数据列表,其中包括分割后的管片编号图像和管片环缝图像。
作为优选的实施例,在步骤S103中,为了确定轨道车对应的管片编号,通过光学字符识别技术对管片编号图像进行字符识别,确定轨道车对应的管片编号。
管片编号通常会被印刷在混凝土管片的一个固定位置上,以保证施工效率和管片管理的便利性。
在一具体实施例中,通过对分割后的管片编号图像进行自动识别,管片编号图像的类别认为是管片编号区域,其中包含了完整的管片编号信息,因此,通过OCR技术对管片编号图像进行字符识别,确定管片编号图像中的数据信息,从而确定轨道车对应的管片编号。
进一步地,为了确定轨道车的位置区间,如图5所示,图5为本发明提供的确定轨道车的位置区间一实施例的流程示意图,包括:
步骤S131:获取管片编号位置对应表,其中,管片编号位置对应表中,任一管片编号信息都有唯一确定的位置区间信息与其对应;
步骤S132:基于管片编号位置对应表,确定管片编号对应的位置区间信息为轨道车的位置区间。
作为优选的实施例,在步骤S131中,由于轨道车的轨道靠近轨道车的一侧是由多块盾构管片拼接而成的,并且由于每一块盾构管片都是有编号的,因此,当轨道车的轨道修建好后,将每一块盾构管片当作是刻度尺的大刻度,对其进行定位编号,从而得到管片编号位置对应表,实现在获取到管片编号后,就能确定该盾构管片的位置。
进一步地,由于管片环缝形状特殊,环缝在图像中的高度与图片本身高度基本相同,基本可以认为分割后获得的元数据列表中bbox_h≈crop_box_h对应的图片内容为识别到的环缝,即,认为输入图片高度大致等于分割后得到的某一物体高度,从而能够根据管片环缝图像确定环缝区域,并获取相应的像素点信息。
作为优选的实施例,在步骤S104中,为了确定轨道车对应的环缝直线,如图6所示,图6为本发明提供的确定轨道车对应的环缝直线一实施例的流程示意图,包括:
步骤S141:提取管片环缝图像中的环缝线;
步骤S142:对环缝线进行拟合直线处理,确定轨道车对应的环缝直线。
作为优选的实施例,在步骤S142中,使用Hough变换将环缝拟合为直线。其中,Hough变换的原理为:在给定的图像上对每个像素点进行遍历,将满足极坐标公式的所有直线投影到极坐标系的平面上,从而得到一个参数空间(Hough空间)。图像中的每个像素点都可以用它在x-y平面上的坐标(x,y)表示,对每个点进行极坐标转化后可得到该点所对应的所有直线在Hough空间中的曲线。在找出了所有可能的曲线之后,利用LSD算法(LineSegment Detector)来精确拟合曲线形状,并选取其中长度最大的线段作为环缝的表示直线。
通过将环缝拟合为直线,得到了长度最大的环缝直线,能够避免由于获取到的图像本身的精度不高导致环缝直线精度不高,数据处理的可靠度不高的问题。
进一步地,为了确定轨道车基于管片的细化距离,如图7所示,图7为本发明提供的确定轨道车基于管片的细化距离一实施例的流程示意图,包括:
步骤S241:对环缝直线进行坐标转化,得到环缝直线的世界坐标;
步骤S242:获取相机光心的世界坐标;
步骤S243:根据环缝直线的世界坐标和相机光心的世界坐标,基于最小距离公式,确定轨道车基于管片的细化距离。
作为优选的实施例,在步骤S241中,通过相机的内参、外参及深度信息,将拟合出的环缝直线上的点 Pi= (xi,yi) 转化为世界坐标系下的点 Pw= (xw,yw,zw)。
其中,图像坐标转换为相机坐标系坐标的原理及公式的过程如下:
像素坐标 p = (u,v),其中 u 和 v 分别表示图像坐标系下的横纵坐标,将像素坐标 p 转换为归一化坐标 pnorm= (xnorm,ynorm),公式为:
xnorm= (u - cx) / fx
ynorm= (v - cy) / fy
其中,cx和 cy分别表示图像坐标系的主点坐标(即光轴与图像平面的交点),fx和fy分别表示相机的焦距,这些参数可以从相机的内参矩阵 K 中获取。
相机坐标系下的坐标转换为世界坐标系下的坐标的过程如下:
将相机坐标系下的坐标表示为一个三维向量 pc= [xc,yc,zc],其中 xc、yc、zc分别表示 x、y、z 方向上的坐标值。通过相机的内参矩阵 K 和外参矩阵 [R | t],将 pc转换为图像平面上的归一化坐标 pnorm= [u,v,1]T,公式为:
pnorm= K [R | t]pc
对 pnorm进行归一化处理,得到 pnorm' = [u',v',1]T,计算世界坐标系下的坐标pw,公式为:
pw= T( pnorm')
其中,T是相机坐标系到世界坐标系的变换矩阵,可以通过外参矩阵 [R | t] 计算得到。具体而言,T 的计算公式为:
T = [Rt,t4]
其中,Rt 是旋转矩阵 R和平移向量 t 按列拼接而成的 3×4 矩阵,t4是一个1×4 的行向量 [0,0,0,1]。
作为优选的实施例,在步骤S243中,最小距离公式为:
dx= min(|xw- Xc|)
其中,dx为细化距离,xw为环缝直线的世界横坐标,Pw= (xw, yw, zw)为环缝直线的世界坐标;Xc为相机光心的世界横坐标,O = (Xc, Yc, Zc)为相机光心的世界坐标。
进一步地,由于轨道车刚好与环缝对齐时相机所采集到的环缝基本为一固定尺寸和形状,因此,为了提高根据管片环缝图像确定细化距离的可靠度,在得到管片环缝图像后,还可以根据管片环缝图像判定轨道车是否与环缝对齐,从而修正细化距离,如图8所示,图8为本发明提供的修正细化距离一实施例的流程示意图,包括:
步骤S341:设置模板掩膜和重叠率阈值;
步骤S342:基于重叠率计算公式,确定管片环缝图像和模板掩膜的重叠率;
步骤S343:当重叠率不小于重叠率阈值时,将细化距离归零。
本实施例中,通过对管片环缝图像与标准的模板掩膜进行比较,并基于重叠率判定轨道车是否与环缝对齐,从而实现对基于管片环缝图像计算得到的细化距离进行对齐修正,提高细化距离的可靠性。
作为优选的实施例,在步骤S341中,轨道车刚好与环缝对齐时相机所采集到的环缝基本为一固定尺寸和形状,因此将该形状设置为模板掩膜。
在一具体实施例中,先对轨道车和环缝进行标定,即,当轨道车停靠在轨道上时,获取相机所采集到的环缝图像,通过剔除掉不相关的部分,得到标准图像,即为模板掩膜。
作为优选的实施例,在步骤342中,重叠率计算公式为:
IOU = 交集面积 / (掩膜1面积 + 掩膜2面积 - 交集面积)
其中,IOU为重叠率,交集面积指的是两个掩膜中非零像素共同覆盖的区域的面积,掩膜面积则是指掩膜中非零像素所覆盖的总面积。
作为优选的实施例,在步骤S123中,重叠率阈值优选95%。
在其他实施例中,还可以根据实际需要对重叠率阈值进行适应性调整。
需要说明的是,由于盾构管片铺设在轨道车的左侧、右侧和上侧,从而在对管片环缝图像进行环缝识别的过程中,能够得到完整的环缝图形。需要说明的是,轨道车刚好与环缝对齐时相机所采集到的环缝图形基本为一固定尺寸和形状,因此,当管片环缝图像的重叠率达到重叠率阈值时,表示管片环缝图像中的环缝尺寸和形状达到了模板掩膜的环缝尺寸和形状,说明轨道车到达了与环缝对齐的位置,所以将细化距离归零。
作为优选的实施例,在步骤S105中,在确定了位置区间和细化距离后,如图2所示,由于获取到的是轨道车与最长环缝之间的距离,因此,还需要对位置区间对应的具体位置边界值进行筛选,从而提高轨道车的位置的精度。
在一具体实施例中,选取管片编号图像中编号字体最大的作为目标管片编号,并选择其远离轨道车一端作为目标位置标准;然后,将目标位置标准和细化距离相减,确定轨道车的精准位置。
需要说明的是,细化距离是有方向的值,即,细化距离可能是负值,当轨道车超过最长环缝时,细化距离为负值;当轨道车未超过最长环缝时,细化距离为正值。
通过上述技术方案,一方面,通过有效利用轨道已有的盾构管片,将每一盾构管片划分成刻度尺上的刻度,从而通过获取盾构管片的图像确定轨道车的位置;另一方面,在获取盾构管片图像以及对盾构管片图像进行数据处理的过程中,并不依赖于外部的信息交换,对轨道车所处的环境没有限制;因此,有效地保证了获取到的轨道车的定位结果的可靠度,从而能够更好地监测轨道车的运行情况。另外,通过将对轨道车进行定位的问题转化为对盾构管片图像进行数据识别的问题,从而实现通过有效利用轨道车的轨道附近铺设的盾构管片,对轨道进行细分,实现在确定盾构管片图像的数据后,就能确定轨道车的位置。由于在获取盾构管片图像以及对盾构管片图像进行数据处理的过程中,并不依赖于外部的信息交换,对轨道车所处的环境没有限制,因此,有效地保证了获取到的轨道车的定位结果的可靠度,从而能够更好地监测轨道车的运行情况。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种轨道车定位方法,其特征在于,包括:
获取盾构管片图像;
通过SAM模型对所述盾构管片图像进行场景分割,得到管片编号图像和管片环缝图像;
根据所述管片编号图像,确定轨道车对应的管片编号,并根据所述管片编号,确定所述轨道车的位置区间;
根据所述管片环缝图像,确定所述轨道车对应的环缝直线,并根据所述环缝直线,确定所述轨道车基于管片的细化距离;
根据所述位置区间和所述细化距离,确定所述轨道车的位置;
其中,确定所述细化距离之后,还包括:
设置模板掩膜和重叠率阈值;
基于重叠率计算公式,确定所述管片环缝图像和所述模板掩膜的重叠率;
当所述重叠率不小于重叠率阈值时,将所述细化距离归零。
2.根据权利要求1所述的轨道车定位方法,其特征在于,所述根据所述管片编号图像,确定轨道车对应的管片编号,包括:
通过光学字符识别技术对所述管片编号图像进行字符识别,确定轨道车对应的管片编号。
3.根据权利要求1所述的轨道车定位方法,其特征在于,所述根据所述管片编号,确定所述轨道车的位置区间,包括:
获取管片编号位置对应表,其中,所述管片编号位置对应表包括任一所述管片编号的位置区间信息;
基于所述管片编号位置对应表,确定所述管片编号对应的位置区间信息为所述轨道车的所述位置区间。
4.根据权利要求1所述的轨道车定位方法,其特征在于,所述根据所述管片环缝图像,确定所述轨道车对应的环缝直线,包括:
提取所述管片环缝图像中的环缝线;
对所述环缝线进行拟合直线处理,确定所述轨道车对应的环缝直线。
5.根据权利要求1所述的轨道车定位方法,其特征在于,所述根据所述环缝直线,确定所述轨道车基于管片的细化距离,包括:
对所述环缝直线进行坐标转化,得到所述环缝直线的世界坐标;
获取相机光心的世界坐标;
根据所述环缝直线的所述世界坐标和所述相机光心的所述世界坐标,基于最小距离公式,确定所述轨道车基于管片的细化距离。
6.根据权利要求5所述的轨道车定位方法,其特征在于,所述最小距离公式为:
dx = min(|xw - Xc|)
其中,dx为所述细化距离,xw为所述环缝直线的世界横坐标,Pw = (xw, yw, zw)为所述环缝直线的所述世界坐标;Xc为所述相机光心的世界横坐标,O = (Xc, Yc, Zc)为所述相机光心的所述世界坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310569790.4A CN116620360B (zh) | 2023-05-17 | 2023-05-17 | 一种轨道车定位系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310569790.4A CN116620360B (zh) | 2023-05-17 | 2023-05-17 | 一种轨道车定位系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116620360A CN116620360A (zh) | 2023-08-22 |
CN116620360B true CN116620360B (zh) | 2024-04-23 |
Family
ID=87616486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310569790.4A Active CN116620360B (zh) | 2023-05-17 | 2023-05-17 | 一种轨道车定位系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116620360B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0875463A (ja) * | 1994-09-07 | 1996-03-22 | Fujita Corp | シールド機の掘進確認測量方法 |
WO2007091072A1 (en) * | 2006-02-07 | 2007-08-16 | Richard Shenton | System for measuring speed and/or position of a train |
DE102007063508A1 (de) * | 2007-12-28 | 2009-07-09 | Siemens Ag | Verfahren und Anordnung zur Erfassung von Bewegungsgrößen bei einem Schienenfahrzeug |
CN108921828A (zh) * | 2018-06-15 | 2018-11-30 | 湖南科技大学 | 一种复杂场景下不显著焊缝识别方法 |
CN110161043A (zh) * | 2019-05-10 | 2019-08-23 | 同济大学 | 一种地铁隧道结构综合检测车 |
CN110992322A (zh) * | 2019-11-25 | 2020-04-10 | 创新奇智(青岛)科技有限公司 | 基于卷积神经网络的贴片掩膜检测系统及检测方法 |
CN111114593A (zh) * | 2019-12-18 | 2020-05-08 | 中铁电气化局集团有限公司 | 基于多元信息融合的地铁列车自主定位装置、系统及方法 |
CN114267039A (zh) * | 2021-12-15 | 2022-04-01 | 上海勘察设计研究院(集团)有限公司 | 一种基于盾构隧道横缝先验规律的识别结果精处理方法 |
CN115908551A (zh) * | 2022-11-21 | 2023-04-04 | 嬴彻星创智能科技(上海)有限公司 | 车辆测距方法、装置、电子设备及存储介质 |
-
2023
- 2023-05-17 CN CN202310569790.4A patent/CN116620360B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0875463A (ja) * | 1994-09-07 | 1996-03-22 | Fujita Corp | シールド機の掘進確認測量方法 |
WO2007091072A1 (en) * | 2006-02-07 | 2007-08-16 | Richard Shenton | System for measuring speed and/or position of a train |
DE102007063508A1 (de) * | 2007-12-28 | 2009-07-09 | Siemens Ag | Verfahren und Anordnung zur Erfassung von Bewegungsgrößen bei einem Schienenfahrzeug |
CN108921828A (zh) * | 2018-06-15 | 2018-11-30 | 湖南科技大学 | 一种复杂场景下不显著焊缝识别方法 |
CN110161043A (zh) * | 2019-05-10 | 2019-08-23 | 同济大学 | 一种地铁隧道结构综合检测车 |
CN110992322A (zh) * | 2019-11-25 | 2020-04-10 | 创新奇智(青岛)科技有限公司 | 基于卷积神经网络的贴片掩膜检测系统及检测方法 |
CN111114593A (zh) * | 2019-12-18 | 2020-05-08 | 中铁电气化局集团有限公司 | 基于多元信息融合的地铁列车自主定位装置、系统及方法 |
CN114267039A (zh) * | 2021-12-15 | 2022-04-01 | 上海勘察设计研究院(集团)有限公司 | 一种基于盾构隧道横缝先验规律的识别结果精处理方法 |
CN115908551A (zh) * | 2022-11-21 | 2023-04-04 | 嬴彻星创智能科技(上海)有限公司 | 车辆测距方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
盾构隧道移动激光点云断面厚度对测量精度影响分析;黄帆;;绿色建筑(04);72-75,78 * |
Also Published As
Publication number | Publication date |
---|---|
CN116620360A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113744270B (zh) | 起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法 | |
Liu et al. | A review of applications of visual inspection technology based on image processing in the railway industry | |
CN109470254B (zh) | 地图车道线的生成方法、装置、系统及存储介质 | |
CN111899288B (zh) | 基于红外和可见光图像融合的隧道渗漏水区域检测与识别方法 | |
CN211731391U (zh) | 一种轨道表面缺陷智能在线检测装置 | |
CN111260615B (zh) | 基于激光和机器视觉融合的无人机桥梁表观病害检测方法 | |
CN108230344B (zh) | 一种隧道渗漏水病害自动识别方法 | |
CN110689563A (zh) | 一种用于提取遥感图像中违法建筑信息的数据处理方法 | |
CN108305239B (zh) | 一种基于生成式对抗网络的桥梁裂缝图像的修复方法 | |
CN108198417B (zh) | 一种基于无人机的道路巡检系统 | |
KR102255978B1 (ko) | 3d 센서를 활용한 객체 인식 기반 고해상도 철도 터널 내부 정밀 지도 생성 장치 및 방법 | |
CN111768417A (zh) | 基于单目视觉3d重建技术的铁路货车超限检测方法 | |
CN115222731A (zh) | 一种基于二维图像到点云映射的列车紧固件异常检测方法 | |
CN116164704A (zh) | 一种隧道病害实时检测预警系统 | |
CN113312987B (zh) | 一种基于无人机航拍路面裂缝图像的识别方法 | |
CN113343782B (zh) | 一种基于无人机遥感的高速公路标志标牌检测方法 | |
CN116620360B (zh) | 一种轨道车定位系统及方法 | |
CN117369460A (zh) | 一种车辆螺栓松动故障的智能巡检方法及系统 | |
Yang et al. | Discretization–filtering–reconstruction: railway detection in images for navigation of inspection UAV | |
CN113420810A (zh) | 一种基于红外和可见光的电缆沟智能巡检系统及巡检方法 | |
CN115857040A (zh) | 一种机车车顶异物动态视觉检测装置及方法 | |
CN114119355B (zh) | 一种盾构隧道掉块风险预警方法与系统 | |
Cuypers et al. | Planimetric Rail Positioning Using Uav Photogrammetry: Towards Automated and Safe Railway Infrastructure Monitoring | |
CN112329859A (zh) | 一种铁路动车撒砂管喷嘴丢失故障图像识别方法 | |
CN116129374B (zh) | 轨旁多功能探伤集群装置及其控制方法 |
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 |