结合决策树分类和区域生长的轨道扣件检测方法

doi:10.13474/j.cnki.11-2246.2022.0257

测绘通报 ›› 2022, Vol. 0 ›› Issue (9): 18-22.doi: 10.13474/j.cnki.11-2246.2022.0257

• 交通建设工程测绘技术应用研究 • 上一篇下一篇

结合决策树分类和区域生长的轨道扣件检测方法

高洪¹, 王勇^2,3, 唐超^2,3, 王晓静^2,3

1. 武汉地铁桥隧管理有限公司, 湖北武汉 430019;
2. 北京城建集团有限责任公司, 北京 100088;
3. 北京城建勘测设计研究院有限责任公司, 北京 100101

收稿日期:2021-07-07 修回日期:2022-07-20 发布日期:2022-09-30
通讯作者: 王勇。E-mail:wangy3029@163.com
作者简介:高洪(1977—),男,硕士,高级工程师,从事轨道交通桥梁隧道监测、监测及加固相关的研究工作。E-mail:gaohong@whrt.gov.cn

Track fastener detection method based on decision tree classification and region growth

GAO Hong¹, WANG Yong^2,3, TANG Chao^2,3, WANG Xiaojing^2,3

1. Wuhan Metro Bridge and Tunnel Management Co., Ltd., Wuhan 430019, China;
2. Beijing Lirban Construction Group Co., Ltd., Beijing 100088, China;
3. Beijing Urban Construction Survey & Design Research Institute Co., Ltd., Beijing 100101, China

Received:2021-07-07 Revised:2022-07-20 Published:2022-09-30

摘要/Abstract

摘要： 轨道扣件数据量大、体积小,轨道扣件病害的检测工作繁重、效率低下,因此亟须改进轨道扣件检测技术。线结构激光技术发展迅速,其具有高分辨率、高精度、高响应等特点。本文采用线结构激光测量技术快速获取轨道扣件精细三维点云,利用决策树分类和区域生长算法对精细扣件三维点云进行分析,实现扣件病害快速检测和扣件几何参数计算。利用该技术对广州18号线轨道交通扣件进行检测,由检测结果可知,该方法检测效率高、检测结果精准。

关键词: 轨道扣件, 线结构激光, 三维点云, 决策树, 区域生长算法

Abstract: Due to the large amount of data and small size of rail fasteners, the detection of rail fastener diseases is heavy and inefficient. Therefore, a fast rail fastener detection technology is urgently needed. The rapid development of line structure laser technology has the characteristics of high resolution, high precision and high response. In this paper, the line structure laser measurement technology is used to quickly obtain the fine 3D point cloud of rail fasteners, and the decision tree classification and regional growing algorithm are used to analyze the 3D point cloud of the fine fasteners, so as to realize the fast detection of fastener diseases and the calculation of fastener geometric parameters. Using this technology to detect the rail transit fasteners of Guangzhou Line 18, the detection results show that the method has high detection efficiency and accurate detection results.

Key words: track fasteners, line structure laser, 3D point cloud, decision tree, regional growing algorithm

中图分类号:

高洪, 王勇, 唐超, 王晓静. 结合决策树分类和区域生长的轨道扣件检测方法[J]. 测绘通报, 2022, 0(9): 18-22.

GAO Hong, WANG Yong, TANG Chao, WANG Xiaojing. Track fastener detection method based on decision tree classification and region growth[J]. Bulletin of Surveying and Mapping, 2022, 0(9): 18-22.

参考文献

[1] DE RUVO P, DISTANTE A, STELLA E, et al. A GPU-based vision system for real time detection of fastening elements in railway inspection[C]//Proceedings of the 16th IEEE International Conference on Image Processing. Cairo, Egypt:IEEE,2019:2333-2336.
[2] RESENDIZ E, HART J M, AHUJA N. Automated visual inspection of railroad tracks[J]. IEEE Transactions on Intelligent Transportation Systems, 2013, 14(2):751-760.
[3] YANG Jinfeng, TAO Wei, LIU Manhua, et al. An efficient direction field-based method for the detection of fasteners on high-speed railways[J]. Sensors (Basel, Switzerland), 2011, 11(8):7364-7381.
[4] 刘甲甲, 李柏林, 罗建桥, 等. 融合PHOG和MSLBP特征的铁路扣件检测算法[J]. 西南交通大学学报, 2015, 50(2):256-263.
[5] MAGICHAN.激光位移传感器原理的两种测量方式[EB/OL]. (2022-04-11)[2022-06-04]. https://www.elecfans.com/news.
[6] 刘妮娜, 王永录. 轨道扣件智能检测系统的设计及应用[J]. 高速铁路技术, 2016, 7(4):55-59.
[7] 李玥华, 周京博, 刘利剑. 线结构光测量技术研究进展[J]. 河北科技大学学报, 2018, 39(2):115-124.
[8] 宋大虎, 李忠科, 程春霞. 基于线结构光的三维坐标测量技术研究[J]. 计算机工程, 2012, 38(22):291-293.
[9] KEYENCE.超高速轮廓测量仪LJ-V7000系列[EB/OL]. (2019-03-11)[2022-06-04]. https://www.keyence.com.cn/products/measure.
[10] 王乐. 线结构光钢轨轮廓全断面测量技术研究[D]. 北京:中国铁道科学研究院, 2021.
[11] 侯海倩, 唐超, 赵丽凤, 等. 轨道扣件病害自动化检测研究及应用[J]. 测绘通报, 2021(8):88-92.
[12] 吴梦, 陈建政, 林森. 基于图像处理的轨道扣件状态检测[J]. 信息与电脑(理论版), 2013(2):46-47.
[13] 崔昊. 基于结构光点云的轨道扣件服役状态检测关键技术研究[D]. 武汉:武汉大学, 2019.
[14] 倪费杰, 林群煦, 闫笑颜, 等. 基于Mask R-CNN算法在轨道扣件缺陷检测中的应用[J]. 机械工程师, 2021(4):20-23.
[15] 朱澎程. 基于纹理特征的快速弹条状态识别的实现[D]. 上海:上海工程技术大学, 2020.
[16] 宁业衍, 方宇, 杨皓, 等. 基于距离判断函数的钢轨扣件分割方法[J]. 智能计算机与应用, 2021, 11(11):64-67.
[17] 熊智敏. 城市轨道服役状态检测系统关键技术研究[D]. 武汉:武汉大学, 2017.
[18] 郑丹阳, 李立明, 孙睿, 等. 基于深度边缘特征的轨道扣件状态检测方法[J]. 铁道建筑, 2021, 61(4):138-142.

结合决策树分类和区域生长的轨道扣件检测方法

Track fastener detection method based on decision tree classification and region growth

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	王敬淳, 汤圣君, 王伟玺, 李晓明, 李游, 谢林甫, 朱家松. 室内三维点云空间自动划分与规则化方法[J]. 测绘通报, 2022, 0(8): 93-97,138.
[2]	温雨笑, 吕杰, 马庆勋, 张鹏, 徐汝岭. 高光谱和LiDAR联合反演森林生物量研究[J]. 测绘通报, 2022, 0(7): 38-42.
[3]	阮明浩, 卢永华, 刘玉贤, 汤圣君, 王伟玺, 张宇琦, 李游. 激光与倾斜点云精确配准与无缝融合[J]. 测绘通报, 2022, 0(4): 6-10.
[4]	贾煜, 汪泓, 蔡宏, 张磊. 结合地形因子与分层策略的喀斯特地区无人机影像分类[J]. 测绘通报, 2022, 0(2): 121-127.
[5]	丁孝兵, 高志强, 杨坤. 基于惯导和CPⅢ控制点的地铁隧道移动激光扫描三维点云重建[J]. 测绘通报, 2021, 0(9): 112-115,129.
[6]	侯海倩, 唐超, 赵丽凤, 张昊. 轨道扣件病害自动化检测研究及应用[J]. 测绘通报, 2021, 0(8): 88-92.
[7]	王子彦, 任超, 梁月吉, 施亚杰, 李现广, 张胜国. 基于高分六号红边特征的面向对象桉树人工林信息提取[J]. 测绘通报, 2021, 0(6): 6-11.
[8]	陈磊士, 高霞霞, 廖玉芳, 邓剑波, 周碧. 基于CART决策树的高分二号洞庭湖区湿地分类方法[J]. 测绘通报, 2021, 0(6): 12-15.
[9]	王树祥, 韩留生, 杨骥, 李勇, 赵倩, 刘杨晓月, 吴昊. 一种改进的融合多指标荒漠化等级分类方法[J]. 测绘通报, 2021, 0(4): 8-12.
[10]	段月辉. 徕卡P50三维激光扫描仪在建筑地形图测绘中的应用[J]. 测绘通报, 2020, 0(6): 158-162.
[11]	薛源, 李丹, 吴保生, 傅旭东. 利用国产GF-1卫星数据实现山区细小河流河宽的自动提取[J]. 测绘通报, 2020, 0(3): 12-16.
[12]	朱依民, 田林亚, 毕继鑫, 林松. 基于机载LiDAR数据的建筑物轮廓提取[J]. 测绘通报, 2019, 0(12): 65-70.
[13]	李百寿, 李灵芝, 张强. 一种MBR约束下的高分光学影像直角建筑物提取与标绘方法[J]. 测绘通报, 2018, 0(4): 16-22.
[14]	卞玉霞, 刘学军, 王美珍, 周业, 甄艳. 双目视觉三维点云重建的误差度量模型[J]. 测绘通报, 2017, 0(11): 64-67.
[15]	倪欢, 张继贤, 林祥国. 三维点云边缘检测和直线段提取进展与展望[J]. 测绘通报, 2016, 0(7): 1-4.