CN117010268B - 一种铁路沿线声屏障布置方法 - Google Patents

一种铁路沿线声屏障布置方法 Download PDF

Info

Publication number
CN117010268B
CN117010268B CN202310663218.4A CN202310663218A CN117010268B CN 117010268 B CN117010268 B CN 117010268B CN 202310663218 A CN202310663218 A CN 202310663218A CN 117010268 B CN117010268 B CN 117010268B
Authority
CN
China
Prior art keywords
line
sound barrier
point
railway
residential
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
CN202310663218.4A
Other languages
English (en)
Other versions
CN117010268A (zh
Inventor
龙丹冰
雷昕
江相玲
王翊蘅
陈其铧
刘冠军
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202310663218.4A priority Critical patent/CN117010268B/zh
Publication of CN117010268A publication Critical patent/CN117010268A/zh
Application granted granted Critical
Publication of CN117010268B publication Critical patent/CN117010268B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/42—Document-oriented image-based pattern recognition based on the type of document
    • G06V30/422—Technical drawings; Geographical maps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Multimedia (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明涉及噪声控制领域，具体涉及一种铁路沿线声屏障布置方法。包括：对住宅和非住宅进行区分；将CAD样本地形图切割为若干的尺寸相同的图纸，并转换为像素图；建立数据集，数据集包括像素图；利用数据集对深度学习模型识别住宅进行训练；利用深度学习模型对目标CAD地形图中的住宅进行识别，并使用聚类算法对住宅进行聚类，得到聚类结果；根据聚类结果和住宅在目标CAD地形图中的坐标位置自动布置声屏障。其在线路设计优化过程中可根据线路变更高效自动布置声屏障，为绿色双碳的线路设计提供决策支持。

Description

一种铁路沿线声屏障布置方法
技术领域
本发明涉及噪声控制领域，具体而言，涉及一种铁路沿线声屏障布置方法。
背景技术
建设全球高速铁路已成为现状和趋势。随之而来的噪声污染严重影响了铁路沿线居民的健康和声环境。声环境保护已经成为生态文明建设和环境保护工作中不可或缺的重要内容。设计师在设计铁路线路时，一方面从根源出发考虑，减少受噪声影响的居民数，即设计对居民噪声影响最小的线路；线路设定以后，会采用改善噪声影响的措施，即声屏障。声屏障是减少交通噪声影响的主要措施之一，用于实现对噪声源的隔声降噪及对沿线敏感建筑的安全防护功能。目前，相关学者主要从声屏障的高度、材料、结构和成本控制的角度进行研究，实现有效隔离噪声。但是对于声屏障的位置设计分析还未有研究成果。传统声屏障布置方法多为人工分析图纸中铁路沿线存在的噪声敏感区，判断受噪声影响住宅的位置和数量，即在一定区域内住宅的数量满足一定阈值时，确定声屏障的布置。但是人工判断无法量化住宅的数量和位置数据，也无法从定量分析地形图中住宅的聚集度。因此，传统的声屏障布置方法不仅自动化程度低，而且具有明显的局限性。
虽然目前设计院通过遥感和GIS储存的数据获取信息，但这些信息还不足以为分析地形图中铁路沿线的居民数量提供支撑，同时遥感设备成本昂贵。为降低成本和提高数据质量，可以依靠原始的CAD地形图获取数据。然而，不同企业对于CAD地形图的绘制标准并没有统一，图纸中的线型、图层等并不规范，并且包括大量复杂的信息，无法仅依靠CAD数据提取方式获取受噪声影响的人居房屋数量。
有鉴于此，特提出本申请。
发明内容
本发明的目的在于提供一种铁路沿线声屏障布置方法，其在线路设计优化过程中可根据线路变更高效自动布置声屏障，为绿色双碳的线路设计提供决策支持。
本发明的实施例是这样实现的：
一种铁路沿线声屏障布置方法，其包括如下步骤：
S1：在CAD样本地形图中对住宅和非住宅进行区分；
S2：将CAD样本地形图切割为若干的尺寸相同的图纸，并转换为像素图；
S3：建立数据集，数据集包括像素图；
S4：利用数据集对深度学习模型识别住宅进行训练；
S5：利用深度学习模型对目标CAD地形图中的住宅进行识别，并使用聚类算法对住宅进行聚类，得到聚类结果；
S6：根据聚类结果和住宅在目标CAD地形图中的坐标位置自动布置声屏障。
进一步的，CAD样本地形图和目标CAD地形图均为矢量地形图。
进一步的，在步骤S1中，利用颜色点对住宅和非住宅进行区分；其中，住宅的颜色点和非住宅的颜色点采用不同颜色。
进一步的，在步骤S2中，图纸的尺寸为500米×500米，像素图的尺寸为1200像素×1200像素。
进一步的，在步骤S3中，数据集还包括合成图，合成图通过将建筑图像随机粘贴到背景图像中得到；
其中，建筑图像基于计算机视觉生成并对住宅和非住宅进行区分。
进一步的，在生成合成图时，通过控制建筑图像之间的间距范围来调节排列方式和疏密程度。
进一步的，合成图的数量为10000张，像素图的数量为1200张。
进一步的，在步骤S6中，自动布置声屏障时，包括：
根据桥隧表信息获取线路上桥梁、隧道和路基的位置及长度；
获取住宅集中区的临界点，通过CAD中的Curve函数将临界点的坐标映射到线路上，得到声屏障的布置起点和布置终点。
进一步的，若声屏障的位置经过了断链，则根据断链的类型和长度对声屏障的里程数进行修正，包括：
若为短链，则声屏障的里程数需要加上短链的里程；
若为长链，则声屏障的里程数需要减去长链的里程。
进一步的，还包括步骤S7，步骤S7包括：
S71：获取只有单边有声屏障布置的线路段；
S72：在线路段的起点和终点之间建立参考线，在该参考线的中点处沿垂直于该参考线的方向向两侧分别延伸一条延伸线，延伸线的长度与线路段的长度相同；
S73：确定以参考线和两条延长线作为对称中线的矩形区域，并对该矩形区域的住宅进行聚类，得到住宅群，并确定每个住宅群的轮廓线；
S74：将轮廓线向外扩，得到新的区域范围，扩张距离为设置声屏障的临界距离；
S75：从线路段的起始点出发并沿线路段移动，将当前所在的位置点记录为第一参考点；在矩形区域内随机生成一个点，记录为第二参考点；
S76：在第一参考点沿线路段运动的过程中，确定第一参考点和第二参考点之间的连线是否经过区域范围；
S77：如果经过了区域范围，则返回步骤S75；如果没有经过区域范围，则将对应的第二参考点记录为途经点，并进入步骤S78；
S78：判断此时的第二参考点是否位于线路段的终点；若是，则输出当前线路段的起点、所有途径点和终点作为优化后的路径；若否，则返回步骤S75。
本发明实施例的技术方案的有益效果包括：
本发明实施例提供的铁路沿线声屏障布置方法通过自动开展地形图中的住宅的类型识别和位置确定，并引入聚类方法自动计算沿线建筑的密集程度，实现声屏障的自动化布置与里程计算，并从声环境保护角度出发，考虑了受噪声影响居民的线路优化。在线路设计优化过程中可根据线路变更高效自动布置声屏障，为绿色双碳的线路设计提供决策支持。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例提供的铁路沿线声屏障布置方法的流程示意图；
图2为本发明实施例提供的铁路沿线声屏障布置方法中的聚类分析的流程示意图；
图3为本发明实施例提供的铁路沿线声屏障布置方法中进行坐标转换时的示意图；
图4为本发明实施例提供的铁路沿线声屏障布置方法的步骤S7的矩形区域的示意图；
图5为本发明实施例提供的铁路沿线声屏障布置方法的步骤S7的区域范围p的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
应当理解，本发明使用的“系统”、“装置”、“单元”和/或“模组”等是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提出示例外情形，“一”、“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用的流程图用来说明根据本说明书的实施例的系统所执行的操作。可以理解，各步骤的操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
实施例
请参照图1，本实施例提供一种铁路沿线声屏障布置方法，其包括如下步骤：
S1：在CAD样本地形图中对住宅和非住宅进行区分；
S2：将CAD样本地形图切割为若干的尺寸相同的图纸，并转换为像素图；
S3：建立数据集，数据集包括像素图；
S4：利用数据集对深度学习模型识别住宅进行训练；
S5：利用深度学习模型对目标CAD地形图中的住宅进行识别，并使用聚类算法对住宅进行聚类，得到聚类结果；
S6：根据聚类结果和住宅在目标CAD地形图中的坐标位置自动布置声屏障。
本申请的发明人在研究中发现：地形图一般来说是一种大型的工程图纸，存在信息复杂的问题，遥感和GIS技术成本昂贵，且储存数据不够完整，单纯的数据提取技术难以处理复杂的图纸问题。此外，传统的布置方式数据不能在铁路线路设计过程中获得，线路设计无法考虑沿线的声环境保护。因此，传统的布置方式仍然存在明显局限性。
在本实施例中，通过自动开展地形图中的住宅的类型识别和位置确定，并引入聚类方法自动计算沿线建筑的密集程度，最后对声屏障布置进行线路优化设计，实现了声屏障自动布置。
本技术方案在线路设计优化过程中可根据线路变更高效自动布置声屏障，为绿色双碳的线路设计提供决策支持。
需要说明的是，在本实施例中，采用的CAD样本地形图和目标CAD地形图均为矢量地形图。
在步骤S1中，利用颜色点对住宅和非住宅进行区分。其中，住宅的颜色点和非住宅的颜色点采用不同颜色进行区分，还可以用不同颜色的颜色点对住宅的类型、或非住宅的类型进行进一步的区分。
示例性的，可以采用颜色编码标识的小圆点代替文字标识对建筑物进行分类。小圆点的颜色选取原则是RGB色值相差大，首选RGB三通道色值相差最大的红色(255，0，0)、深红(255，0，255)、绿色(0，255，0)、黄绿色(0，255，255)、蓝色(0，0，255)、黄色(255，255，0)，再挑选与这些颜色色差相差大的深蓝色(25，25，112)，每一种颜色的小圆点分别对应了一个住宅类别。小圆点的位置大小以原有文字的中心点为圆心，半径以不会互相遮挡且在多边形框内为原则进行设置。在本实施例中，选择的小圆点半径为0.8米。但不限于此。
本申请的发明人研究发现：地形图中的建筑物由于制图不规范，住宅的类别在使用文字标注时会产生文字拥挤在一起、互相遮挡的情况，不利于模型学习不同类别的住宅特征。通过以上设计，有效地解决了该问题。
在步骤S2中，图纸的尺寸为500米×500米，像素图的尺寸为1200像素×1200像素。也就是说，先将CAD样本地形图切割为500米×500米的图纸后，再将500米×500米的图纸转换为1200像素×1200像素的像素图。
在(500米×500米)到(1200像素×1200像素)的比例下，房屋面积大小相差大的图像很少，并且两者之间大约只相差5～10倍像素。使用(1200×1200)像素的数据集训练后的模型，能够识别图像中最大的房屋也能识别最小的房屋。
在步骤S3中，数据集还包括合成图，合成图通过将建筑图像随机粘贴到背景图像中得到。其中，建筑图像基于计算机视觉生成并对住宅和非住宅进行区分。
在生成合成图时，通过控制建筑图像之间的间距范围来调节排列方式和疏密程度。
这样的话，提高了数据集的制作效率并解决了数据集中样本数量、类别不平衡的问题。
可选的，可以将合成图的数量设置为10000张，并将像素图的数量设置为1200张。
在步骤S5中，关于聚类分析过程，本申请给出了一个示例，但不限于此。具体的，声屏障布置设计需要考虑高分贝区域的建筑聚集度，聚集度通常与改善人居声环境的效果和经济性效果的平衡点有直接关系。目前的设计方法，主要根据设计院经验制定规则，例如：“沿线100米范围内超过10户敏感建筑，则需要在此处布置声屏障。声屏障布置两端要延伸50米且间隔小于50米的声屏障需要合并。”其中敏感建筑代表人居建筑。即住宅。若任意敏感建筑之间的欧几里得距离在100米范围内。并且则满足这一阈值的敏感建筑数量超过10户将被分为一个敏感建筑聚类。声屏障需要安装在敏感建筑聚集处。
基于数据密度，对住宅坐标进行聚类分析得到满足一定密度值的人居建筑聚类--声敏感集中区。声屏障布置坐标是声敏感集中区的临界坐标。聚类算法会输出若干个聚类簇，每个聚类簇包含若干个敏感建筑点。通过图像识别结果得到的房屋属性和坐标信息构建了符合声屏障布置规则的聚类算法，如图2所示，为聚类分析的示例性流程。
住宅的像素坐标不能直接用于在地形图中进行敏感住宅集中区分析。因此，需要将像素坐标转换为全图坐标。地形图中存在部分非人居建筑与人居建筑外形相似，无法直接通过图像识别区分。例如在人居建筑附近喂养家禽的农舍，这些房屋面积只有1-2平方米。还有一些种植厂房的面积较大，大约接近一百平米。在传统声屏障布置过程中，这类非敏感建筑通过人为面积计算，面积过大或过小的不计入敏感建筑。在本方法中需结合住宅属性，过滤掉像素面积小于为5或大于500时的住宅。筛选出符合要求的人居建筑后，将像素坐标系转化为全图坐标系。
如图3所示，并结合式(1)和式(2)，其中vpt、upt为房屋中心点的相对坐标，其中ximg、yimg为切割图片左上角坐标，为全图坐标，xpt、ypt为房屋中心点的全图坐标，R是矢量地形图到像素图的转换比例，最终得到住宅中心点的全图坐标。
式(1)：xpt＝ximg+vpt/R；
式(2)：ypt＝yimg+upt/R。
关于聚类分析中的参数设置：
(a)Esp：聚类过程中的领域阈值，即任意建筑之间的距离阈值，根据声屏障布置规则，领域阈值定为50m；
(b)MinPts：领域内的密度阈值，即是领域阈值范围内数据点的个数。在声屏障布置过程中，密度阈值定为10个；
(c)相对距离：聚类算法中用于定义两点距离的距离度量，本算法中距离度量采用欧几里得距离，如公式(3)：
进一步的，在步骤S6中，自动布置声屏障时，包括：
根据桥隧表信息获取线路上桥梁、隧道和路基的位置及长度；
获取住宅集中区的临界点，通过CAD中的Curve函数将临界点的坐标映射到线路上，得到声屏障的布置起点和布置终点。
考虑到噪声的扩散及施工便利性，可以对映射结果进行修正。例如，将最终确定的声屏障起止里程为映射点两边各延长50m，并合并间距小于50m的间隙。
其中，若声屏障的位置经过了断链，则根据断链的类型和长度对声屏障的里程数进行修正，包括：
若为短链，则声屏障的里程数需要加上短链的里程；
若为长链，则声屏障的里程数需要减去长链的里程。
需要说明的是，线路的起点位置可以在地形图中被判断，并提取线路起点位置的里程。根据CAD中的Curve函数可计算曲线线路上任意一点到起点的曲线距离，由此推断该点的里程。桥隧表里面包含了线路上桥梁、隧道以及路基的里程信息，因此通过获取桥隧表信息后判断线路上属于桥梁、隧道和路基的位置。长短链的文字信息从线路上获取，判断该线路是否存在断链问题，并获取断链的类型和长度。
将声屏障的里程数据与桥梁、隧道以及路基的里程数据比较，若声屏障的里程与隧道的里程数据有所重合则删除此处的声屏障。若声屏障的里程数据与桥梁和路基的里程有重合则需要在桥梁和路基处将声屏障断开，分别在路基和桥梁处布置。每一个声屏障的名称可以由“冠号+里程数”来确定。且不限于此。
具体的，请结合图4和图5，铁路沿线声屏障布置方法还包括步骤S7，步骤S7包括：
S71：获取只有单边有声屏障布置的线路段；
S72：在线路段的起点和终点之间建立参考线l1，在该参考线l1的中点处沿垂直于该参考线l1的方向向两侧分别延伸一条延伸线l2，延伸线l2的长度与线路段的长度相同；
S73：确定以参考线l1和两条延长线l2作为对称中线的矩形区域，并对该矩形区域的住宅进行聚类，得到住宅群，并确定每个住宅群的轮廓线；
S74：将轮廓线向外扩，得到新的区域范围p，扩张距离为设置声屏障的临界距离(临界距离被定义为：当线路到住宅群的距离小于临界距离时，则需要布置声屏障；可选的，临界距离可以设置为80m，但不限于此)；
S75：从线路段的起始点出发并沿线路段移动，将当前所在的位置点记录为第一参考点；在矩形区域内随机生成一个点，记录为第二参考点；
S76：在第一参考点沿线路段运动的过程中，确定第一参考点和第二参考点之间的连线是否经过区域范围p；
S77：如果经过了区域范围p，则返回步骤S75；如果没有经过区域范围p，则将对应的第二参考点记录为途经点，并进入步骤S78；
S78：判断此时的第二参考点是否位于线路段的终点；若是，则输出当前线路段的起点、所有途径点和终点作为优化后的线路段的路径；若否，则返回步骤S75。
通过以上设计，能够根据声屏障的实际布置情况反过来对局部的线路段进行优化，使得线路充分回避了住宅群，有效地降低了噪声对沿线居民生活的影响。
综上所述，本发明实施例提供的铁路沿线声屏障布置方法通过自动开展地形图中的住宅的类型识别和位置确定，并引入聚类方法自动计算沿线建筑的密集程度，实现声屏障的自动化布置与里程计算，并从声环境保护角度出发，考虑了受噪声影响居民的线路优化。在线路设计优化过程中可根据线路变更高效自动布置声屏障，为绿色双碳的线路设计提供决策支持。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种铁路沿线声屏障布置方法，其特征在于，包括如下步骤：
S1：在CAD样本地形图中对住宅和非住宅进行区分；
S2：将所述CAD样本地形图切割为若干的尺寸相同的图纸，并转换为像素图；
S3：建立数据集，所述数据集包括所述像素图；
S4：利用所述数据集对深度学习模型识别住宅进行训练；
S5：利用所述深度学习模型对目标CAD地形图中的住宅进行识别，并使用聚类算法对住宅进行聚类，得到聚类结果；
S6：根据所述聚类结果和住宅在所述目标CAD地形图中的坐标位置自动布置声屏障；
在所述步骤S6中，自动布置声屏障时，包括：根据桥隧表信息获取线路上桥梁、隧道和路基的位置及长度；获取住宅集中区的临界点，通过CAD中的Curve函数将所述临界点的坐标映射到线路上，得到声屏障的布置起点和布置终点；
所述铁路沿线声屏障布置方法还包括步骤S7，所述步骤S7包括：
S71：获取只有单边有声屏障布置的线路段；
S72：在所述线路段的起点和终点之间建立参考线，在该参考线的中点处沿垂直于该参考线的方向向两侧分别延伸一条延伸线，延伸线的长度与所述线路段的长度相同；
S73：确定以所述参考线和所述两条延伸线作为对称中线的矩形区域，并对该矩形区域的住宅进行聚类，得到住宅群，并确定每个住宅群的轮廓线；
S74：将所述轮廓线向外扩，得到新的区域范围，扩张距离为设置声屏障的临界距离；
S75：从所述线路段的起始点出发并沿所述线路段移动，将当前所在的位置点记录为第一参考点；在所述矩形区域内随机生成一个点，记录为第二参考点；
S76：在所述第一参考点沿所述线路段运动的过程中，确定第一参考点和第二参考点之间的连线是否经过所述区域范围；
S77：如果经过了所述区域范围，则返回步骤S75；如果没有经过所述区域范围，则将对应的第二参考点记录为途经点，并进入步骤S78；
S78：判断此时的第二参考点是否位于所述线路段的终点；若是，则输出当前所述线路段的起点、所有所述途经点和终点作为优化后的路径；若否，则返回步骤S75。
2.根据权利要求1所述的铁路沿线声屏障布置方法，其特征在于，所述CAD样本地形图和所述目标CAD地形图均为矢量地形图。
3.根据权利要求1所述的铁路沿线声屏障布置方法，其特征在于，在所述步骤S1中，利用颜色点对住宅和非住宅进行区分；其中，住宅的颜色点和非住宅的颜色点采用不同颜色。
4.根据权利要求1所述的铁路沿线声屏障布置方法，其特征在于，在所述步骤S2中，所述图纸的尺寸为500米×500米，所述像素图的尺寸为1200像素×1200像素。
5.根据权利要求1所述的铁路沿线声屏障布置方法，其特征在于，在所述步骤S3中，所述数据集还包括合成图，所述合成图通过将建筑图像随机粘贴到背景图像中得到；
其中，所述建筑图像基于计算机视觉生成并对住宅和非住宅进行区分。
6.根据权利要求5所述的铁路沿线声屏障布置方法，其特征在于，在生成所述合成图时，通过控制建筑图像之间的间距范围来调节排列方式和疏密程度。
7.根据权利要求5所述的铁路沿线声屏障布置方法，其特征在于，所述合成图的数量为10000张，所述像素图的数量为1200张。
8.根据权利要求1所述的铁路沿线声屏障布置方法，其特征在于，若声屏障的位置经过了断链，则根据断链的类型和长度对声屏障的里程数进行修正，包括：
若为短链，则声屏障的里程数需要加上短链的里程；若为长链，则声屏障的里程数需要减去长链的里程。
CN202310663218.4A 2023-06-06 2023-06-06 一种铁路沿线声屏障布置方法 Active CN117010268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310663218.4A CN117010268B (zh) 2023-06-06 2023-06-06 一种铁路沿线声屏障布置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310663218.4A CN117010268B (zh) 2023-06-06 2023-06-06 一种铁路沿线声屏障布置方法

Publications (2)

Publication Number Publication Date
CN117010268A CN117010268A (zh) 2023-11-07
CN117010268B true CN117010268B (zh) 2024-02-09

Family

ID=88575190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310663218.4A Active CN117010268B (zh) 2023-06-06 2023-06-06 一种铁路沿线声屏障布置方法

Country Status (1)

Country Link
CN (1) CN117010268B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109509256A (zh) * 2018-06-21 2019-03-22 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
CN111311029A (zh) * 2020-03-23 2020-06-19 清华大学深圳国际研究生院 基于空间特征和XGBoost-神经网络融合模型的住宅价格预测方法
WO2020139356A1 (en) * 2018-12-27 2020-07-02 Didi Research America, Llc Image pre-processing in a lane marking determination system
CN114898215A (zh) * 2022-06-09 2022-08-12 西南交通大学 一种声屏障自动布置方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109509256A (zh) * 2018-06-21 2019-03-22 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
WO2020139356A1 (en) * 2018-12-27 2020-07-02 Didi Research America, Llc Image pre-processing in a lane marking determination system
CN111311029A (zh) * 2020-03-23 2020-06-19 清华大学深圳国际研究生院 基于空间特征和XGBoost-神经网络融合模型的住宅价格预测方法
CN114898215A (zh) * 2022-06-09 2022-08-12 西南交通大学 一种声屏障自动布置方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Detection, Integration, and Optimization of Acoustic Field Simulation in the Closed Space;Meng, SM等;《SCIENTIFIC PROGRAMMING》;第2021卷;1-7 *
基于图像识别的铁路声屏障平面布置图自动生成方法研究;周辉宇等;《 长江信息通信》(第5期);100-102 *
基于视觉信息的高速铁路声屏障景观量化分析探讨;刘江伟等;《铁道学报》;第34卷(第2期);124-130 *

Also Published As

Publication number Publication date
CN117010268A (zh) 2023-11-07

Similar Documents

Publication Publication Date Title
CN110619282B (zh) 一种无人机正射影像建筑物自动提取方法
CN110992490B (zh) 基于cad建筑平面图自动提取室内地图的方法
CN109635511B (zh) 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法
Guo et al. Discovering spatial patterns in origin‐destination mobility data
CN108765404A (zh) 一种基于深度学习图像分类的道路破损检测方法及装置
CN104573116B (zh) 基于出租车gps数据挖掘的交通异常识别方法
Xing et al. Mapping human activity volumes through remote sensing imagery
CN106767819A (zh) 一种基于bim的室内导航数据构建方法及导航系统
CN110598634B (zh) 一种基于图例库的机房草图识别方法及其装置
CN110990661B (zh) 一种基于路网约束和密度聚类的兴趣区域出入口提取方法
CN113962000B (zh) 一种cad图纸中感烟探测器动态排布的方法
CN110346518A (zh) 一种交通排放污染可视化预警方法及其系统
CN105138975B (zh) 一种基于深度信念网络的人体肤色区域分割方法
CN102521624A (zh) 一种土地利用类型分类的方法和系统
CN115757604B (zh) 一种基于夜光影像数据的gdp时空演变分析方法
CN103868503A (zh) 一种基于insar制作dem的水域高程处理方法
CN111598855A (zh) 一种基于深度学习和迁移学习的2c设备高铁接触网吊弦缺陷检测方法
CN117277553A (zh) 一种电网厂站监控信息智能处理方法
CN112000755A (zh) 一种基于手机信令数据的区域出行廊道识别方法
CN117010268B (zh) 一种铁路沿线声屏障布置方法
Lu et al. Exploring spatial and environmental heterogeneity affecting energy consumption in commercial buildings using machine learning
CN113496210B (zh) 基于注意力机制的光伏组串跟踪及故障跟踪方法
CN114661744A (zh) 一种基于深度学习的地形数据库更新方法及系统
CN110727986A (zh) 基于bim和加权灰云聚类模型的古建筑维护模型获取方法
CN107729941B (zh) 一种基于深层地形特征的空气污染物浓度估计方法

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