CN116681912A - 铁路道岔的轨距检测方法及装置 - Google Patents

铁路道岔的轨距检测方法及装置 Download PDF

Info

Publication number
CN116681912A
CN116681912A CN202310520417.XA CN202310520417A CN116681912A CN 116681912 A CN116681912 A CN 116681912A CN 202310520417 A CN202310520417 A CN 202310520417A CN 116681912 A CN116681912 A CN 116681912A
Authority
CN
China
Prior art keywords
turnout
point
track gauge
position information
section
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.)
Pending
Application number
CN202310520417.XA
Other languages
English (en)
Inventor
赵鑫欣
高彦嵩
张军朝
王昊
方玥
王胜春
王宁
李颖
侯智雄
赵延峰
王乐
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.)
China Academy of Railway Sciences Corp Ltd CARS
China State Railway Group Co Ltd
Infrastructure Inspection Institute of CARS
Beijing IMAP Technology Co Ltd
Original Assignee
China Academy of Railway Sciences Corp Ltd CARS
China State Railway Group Co Ltd
Infrastructure Inspection Institute of CARS
Beijing IMAP Technology 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 China Academy of Railway Sciences Corp Ltd CARS, China State Railway Group Co Ltd, Infrastructure Inspection Institute of CARS, Beijing IMAP Technology Co Ltd filed Critical China Academy of Railway Sciences Corp Ltd CARS
Priority to CN202310520417.XA priority Critical patent/CN116681912A/zh
Publication of CN116681912A publication Critical patent/CN116681912A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
    • B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
    • B61K9/08—Measuring installations for surveying permanent way
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了铁路道岔的轨距检测方法及装置，方法包括：获取道岔截面点云数据及预先建立的道岔模板数据；将道岔截面点云数据与预先建立的道岔模板数据进行匹配，确定钢轨待检测区域；根据钢轨待检测区域确定轨顶的位置信息；根据预设的轨顶与轨距点的位置关系，及轨顶的位置信息确定轨距点的位置信息；根据轨距点的位置信息确定轨距检测结果。本发明将道岔截面点云数据与预先建立的道岔模板数据进行匹配，根据轨距点的位置信息确定轨距检测结果，提高了铁路道岔的轨距检测的准确性及效率。

Description

铁路道岔的轨距检测方法及装置
技术领域
本发明涉及计算机技术领域，尤其涉及铁路道岔的轨距检测方法及装置。
背景技术
道岔是轨道结构的关键部件，一种使机车车辆从一股道转入另一股道的线路连接设备，也是轨道的薄弱环节之一，其中道岔轨距是保障列车运营安全的一项关键技术，普速及重载铁路运输过程中的很多关键业务均需要借助于道岔得以实现。
目前，铁路道岔的轨距检测主要采用人工巡视为主，该方式检测精度差、效率低且占用大量人工成本。传统轨距检测主要采用人工机械测量，而道岔区钢轨结构复杂多变，包含基本轨、尖轨、翼轨和护轨等关键结构，会直接影响基本轨轨头区域定位与轨距计算。
综上，目前亟需一种铁路道岔的轨距检测方法，用于解决上述现有技术存在的问题。
发明内容
本发明实施例提供一种铁路道岔的轨距检测方法，用以提高铁路道岔的轨距检测的准确性及效率，该方法包括：
获取道岔截面点云数据及预先建立的道岔模板数据；
将道岔截面点云数据与预先建立的道岔模板数据进行匹配，确定钢轨待检测区域；
根据钢轨待检测区域确定轨顶的位置信息；
根据预设的轨顶与轨距点的位置关系，及轨顶的位置信息确定轨距点的位置信息；
根据轨距点的位置信息确定轨距检测结果。
本发明实施例还提供一种铁路道岔的轨距检测装置，用以提高铁路道岔的轨距检测的准确性及效率，该装置包括：
匹配模块，用于获取道岔截面点云数据及预先建立的道岔模板数据；将道岔截面点云数据与预先建立的道岔模板数据进行匹配，确定钢轨待检测区域。
轨距检测模块，用于根据钢轨待检测区域确定轨顶的位置信息；根据预设的轨顶与轨距点的位置关系，及轨顶的位置信息确定轨距点的位置信息；根据轨距点的位置信息确定轨距检测结果。
本发明实施例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上述铁路道岔的轨距检测方法。
本发明实施例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上述铁路道岔的轨距检测方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述铁路道岔的轨距检测方法。
本发明实施例中，获取道岔截面点云数据及预先建立的道岔模板数据；将道岔截面点云数据与预先建立的道岔模板数据进行匹配，确定钢轨待检测区域；根据钢轨待检测区域确定轨顶的位置信息；根据预设的轨顶与轨距点的位置关系，及轨顶的位置信息确定轨距点的位置信息；根据轨距点的位置信息确定轨距检测结果，与现有技术相比，将道岔截面点云数据与预先建立的道岔模板数据进行匹配，根据轨距点的位置信息确定轨距检测结果，提高了铁路道岔的轨距检测的准确性及效率。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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。在附图中：
图1为本发明提供的铁路道岔的轨距检测方法的流程示意图；
图2为本发明提供的翼轨模板的示意图；
图3为本发明提供的尖心轨轨头模板的示意图；
图4为本发明提供的基本轨模板的示意图；
图5为本发明提供的轨距点的示意图；
图6为本发明提供的铁路道岔的轨距检测方法的流程示意图；
图7为本发明提供的铁路道岔的轨距检测方法的流程示意图；
图8为本发明提供的铁路道岔的轨距检测方法的流程示意图；
图9为本发明提供的轨距检测结果的示意图；
图10为本发明提供的铁路道岔的轨距检测装置的结构示意图。
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明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
图1为本发明实施例提供的一种铁路道岔的轨距检测方法所对应的流程示意图，如图1所示，该方法包括：
步骤101，获取道岔截面点云数据及预先建立的道岔模板数据。
本发明实施例在获取道岔截面点云数据之前，对被测物体进行结构光成像，通过摄像坐标变换将图像像素坐标转换为空间物理坐标，并对物理坐标位置进行强度映射得到表征二维特征的强度图，同时执行深度映射得到表征三维特征的深度图，生成的强度图和深度图之间像素是一一对应的，经像素融合得到融合图像。
步骤102，将道岔截面点云数据与预先建立的道岔模板数据进行匹配，确定钢轨待检测区域。
在一种可能的实施方式中，将实测先验信息作为道岔模板数据，提取能够反映道岔轨头自身与其他道岔结构部件之间的差异特征。
举例来说，建立翼轨模板数据如图2所示，建立尖心轨轨头模板数据如图3所示，建立基本轨模板数据如图4所示。
步骤103，根据钢轨待检测区域确定轨顶的位置信息。
本发明实施例中，将钢轨待检测区域的多个点中纵坐标最大值对应的点作为轨顶，确定轨顶的位置信息。
步骤104，根据预设的轨顶与轨距点的位置关系，及轨顶的位置信息确定轨距点的位置信息。
根据预设的轨顶与轨距点的位置关系，及轨顶的位置信息得到基本轨、翼轨和尖心轨的轨距点位置信息，如图5所示。
步骤105，根据轨距点的位置信息确定轨距检测结果。
本发明实施例中，根据相机标定与钢轨归一化参数，建立左右轨的统一坐标系，分别利用上述步骤得到左右两侧道岔轨距点的位置信息，得到轨距检测结果。
上述方案，将道岔截面点云数据与预先建立的道岔模板数据进行匹配完成道岔轨距点选取，根据轨距点的位置信息确定轨距检测结果，提高了铁路道岔的轨距检测的准确性及效率。
本发明实施例在步骤101中，获取道岔截面点云数据，步骤流程如图6所示，具体如下：
步骤601，获取道岔的结构光图像数据。
步骤602，对道岔的结构光图像数据进行预处理。
步骤603，根据预处理后的道岔的结构光图像数据确定道岔截面点云数据。
本发明实施例中，在获取道岔的结构光图像数据后，将道岔的结构光图像数据进行旋转与平移，将数据坐标系范围拉近至道岔模板数据附近，保证模板匹配收敛速度。
本发明实施例在步骤102中，将道岔截面点云数据与预先建立的道岔模板数据进行匹配，确定钢轨待检测区域，步骤流程如图7所示，具体如下：
步骤701，筛选道岔截面点云数据或预先建立的道岔模板数据以使道岔截面点云数据及预先建立的道岔模板数据对应的点的数量相同。
步骤702，根据道岔截面点云数据中第一个点的位置信息与预先建立的道岔模板数据中第一个点的位置信息的偏差，平移道岔模板数据。
步骤703，计算道岔截面点云数据与预先建立的道岔模板数据对应点之间的欧氏距离并求和，得到匹配偏差值。
步骤704，在匹配偏差值最小时得到钢轨待检测区域。
本发明实施例中，根据首坐标的偏差平移道岔模板数据，按照如下公式计算匹配偏差值：
其中，表示道岔模板数据，/>表示道岔截面点云数据。
需要说明的是，钢轨可以为基本轨、翼轨、尖心轨等。
本发明实施例中，通过在道岔截面点云数据上以道岔模板的形状滑动小块，计算道岔模板与所覆盖的当前区域之间的相似度，最后选择相似度最高的区域作为钢轨待检测区域。
本发明实施例在步骤202中，对道岔的结构光图像数据进行预处理，步骤流程如图8所示，具体如下：
步骤801，利用基于密度的聚类算法DBSCAN对结构光图像数据进行聚类，得到多个点簇。
步骤802，确定多个点簇中的干扰点簇。
步骤803，滤除干扰点簇。
本发明实施例中，扫描结构光图像的像素点，如果某个像素点邻域范围内点数目大于预设阈值，则将其纳入核心点列表，并将其密度直达的点形成对应的临时簇。然后，对于每一个临时簇，检查其中的点是否为核心点，如果是，则将该点对应的临时簇与当前临时簇进行合并，得到新的临时簇。最后，重复此操作，直到当前临时簇中的每一个点不在核心点列表，或其密度直达的点都已经在该临时簇中，则将该临时簇升级成为点簇。继续对剩余的临时簇进行相同的合并操作，直到全部临时簇被处理，干扰点即为聚类结果中的孤立点。
上述方案，采用聚类算法消除图像噪声，提高了铁路道岔的轨距检测的准确性。
本发明实施例中，从五组数据中提取钢轨断面数据，得到轨距检测值，并与实测值比对，轨距检测结果如图9所示。
本发明实施例中还提供了一种铁路道岔的轨距检测装置，如下面的实施例所述。该装置如图10所示，所述装置包括：
匹配模块1001，用于获取道岔截面点云数据及预先建立的道岔模板数据；将道岔截面点云数据与预先建立的道岔模板数据进行匹配，确定钢轨待检测区域。
轨距检测模块1002，用于根据钢轨待检测区域确定轨顶的位置信息；根据预设的轨顶与轨距点的位置关系，及轨顶的位置信息确定轨距点的位置信息；根据轨距点的位置信息确定轨距检测结果。
本发明实施例中，所述匹配模块1001具体用于：
获取道岔的结构光图像数据；
对道岔的结构光图像数据进行预处理；
根据预处理后的道岔的结构光图像数据确定道岔截面点云数据。
本发明实施例中，所述匹配模块1001具体用于：
筛选道岔截面点云数据或预先建立的道岔模板数据以使道岔截面点云数据及预先建立的道岔模板数据对应的点的数量相同；
根据道岔截面点云数据中第一个点的位置信息与预先建立的道岔模板数据中第一个点的位置信息的偏差，平移道岔模板数据；
计算道岔截面点云数据与预先建立的道岔模板数据对应点之间的欧氏距离并求和，得到匹配偏差值；
在匹配偏差值最小时得到钢轨待检测区域。
本发明实施例中，所述轨距检测模块1002具体用于：
将钢轨待检测区域的多个点中纵坐标最大值对应的点作为轨顶；
确定轨顶的位置信息。
本发明实施例中，所述匹配模块1001具体用于：
利用基于密度的聚类算法DBSCAN对结构光图像数据进行聚类，得到多个点簇；
确定多个点簇中的干扰点簇；
滤除干扰点簇。
由于该装置解决问题的原理与铁路道岔的轨距检测方法相似，因此该装置的实施可以参见铁路道岔的轨距检测方法的实施，重复之处不再赘述。
本发明实施例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上述铁路道岔的轨距检测方法。
本发明实施例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上述铁路道岔的轨距检测方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述铁路道岔的轨距检测方法。
本发明实施例中，获取道岔截面点云数据及预先建立的道岔模板数据；将道岔截面点云数据与预先建立的道岔模板数据进行匹配，确定钢轨待检测区域；根据钢轨待检测区域确定轨顶的位置信息；根据预设的轨顶与轨距点的位置关系，及轨顶的位置信息确定轨距点的位置信息；根据轨距点的位置信息确定轨距检测结果，与现有技术相比，将道岔截面点云数据与预先建立的道岔模板数据进行匹配，根据轨距点的位置信息确定轨距检测结果，提高了铁路道岔的轨距检测的准确性及效率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (13)

1.一种铁路道岔的轨距检测方法，其特征在于，包括：
获取道岔截面点云数据及预先建立的道岔模板数据；
将道岔截面点云数据与预先建立的道岔模板数据进行匹配，确定钢轨待检测区域；
根据钢轨待检测区域确定轨顶的位置信息；
根据预设的轨顶与轨距点的位置关系，及轨顶的位置信息确定轨距点的位置信息；
根据轨距点的位置信息确定轨距检测结果。
2.如权利要求1所述的铁路道岔的轨距检测方法，其特征在于，所述获取道岔截面点云数据，包括：
获取道岔的结构光图像数据；
对道岔的结构光图像数据进行预处理；
根据预处理后的道岔的结构光图像数据确定道岔截面点云数据。
3.如权利要求1所述的铁路道岔的轨距检测方法，其特征在于，所述将道岔截面点云数据与预先建立的道岔模板数据进行匹配，确定钢轨待检测区域，包括：
筛选道岔截面点云数据或预先建立的道岔模板数据以使道岔截面点云数据及预先建立的道岔模板数据对应的点的数量相同；
根据道岔截面点云数据中第一个点的位置信息与预先建立的道岔模板数据中第一个点的位置信息的偏差，平移道岔模板数据；
计算道岔截面点云数据与预先建立的道岔模板数据对应点之间的欧氏距离并求和，得到匹配偏差值；
在匹配偏差值最小时得到钢轨待检测区域。
4.如权利要求1所述的铁路道岔的轨距检测方法，其特征在于，根据钢轨待检测区域确定轨顶的位置信息，包括：
将钢轨待检测区域的多个点中纵坐标最大值对应的点作为轨顶；
确定轨顶的位置信息。
5.如权利要求2所述的铁路道岔的轨距检测方法，其特征在于，对道岔的结构光图像数据进行预处理，包括：
利用基于密度的聚类算法DBSCAN对结构光图像数据进行聚类，得到多个点簇；
确定多个点簇中的干扰点簇；
滤除干扰点簇。
6.一种铁路道岔的轨距检测装置，其特征在于，包括：
匹配模块，用于获取道岔截面点云数据及预先建立的道岔模板数据；将道岔截面点云数据与预先建立的道岔模板数据进行匹配，确定钢轨待检测区域；
轨距检测模块，用于根据钢轨待检测区域确定轨顶的位置信息；根据预设的轨顶与轨距点的位置关系，及轨顶的位置信息确定轨距点的位置信息；根据轨距点的位置信息确定轨距检测结果。
7.如权利要求6所述的铁路道岔的轨距检测装置，其特征在于，所述匹配模块具体用于：
获取道岔的结构光图像数据；
对道岔的结构光图像数据进行预处理；
根据预处理后的道岔的结构光图像数据确定道岔截面点云数据。
8.如权利要求6所述的铁路道岔的轨距检测装置，其特征在于，所述匹配模块具体用于：
筛选道岔截面点云数据或预先建立的道岔模板数据以使道岔截面点云数据及预先建立的道岔模板数据对应的点的数量相同；
根据道岔截面点云数据中第一个点的位置信息与预先建立的道岔模板数据中第一个点的位置信息的偏差，平移道岔模板数据；
计算道岔截面点云数据与预先建立的道岔模板数据对应点之间的欧氏距离并求和，得到匹配偏差值；
在匹配偏差值最小时得到钢轨待检测区域。
9.如权利要求6所述的铁路道岔的轨距检测装置，其特征在于，所述轨距检测模块具体用于：
将钢轨待检测区域的多个点中纵坐标最大值对应的点作为轨顶；
确定轨顶的位置信息。
10.如权利要求7所述的铁路道岔的轨距检测装置，其特征在于，所述匹配模块具体用于：
利用基于密度的聚类算法DBSCAN对结构光图像数据进行聚类，得到多个点簇；
确定多个点簇中的干扰点簇；
滤除干扰点簇。
11.一种计算机设备，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权利要求1至5任一所述方法。
12.一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权利要求1至5任一所述方法。
13.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至5任一所述方法。
CN202310520417.XA 2023-05-09 2023-05-09 铁路道岔的轨距检测方法及装置 Pending CN116681912A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310520417.XA CN116681912A (zh) 2023-05-09 2023-05-09 铁路道岔的轨距检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310520417.XA CN116681912A (zh) 2023-05-09 2023-05-09 铁路道岔的轨距检测方法及装置

Publications (1)

Publication Number Publication Date
CN116681912A true CN116681912A (zh) 2023-09-01

Family

ID=87779987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310520417.XA Pending CN116681912A (zh) 2023-05-09 2023-05-09 铁路道岔的轨距检测方法及装置

Country Status (1)

Country Link
CN (1) CN116681912A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116907350A (zh) * 2023-09-14 2023-10-20 中国铁道科学研究院集团有限公司电子计算技术研究所 单开道岔几何形位测量方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116907350A (zh) * 2023-09-14 2023-10-20 中国铁道科学研究院集团有限公司电子计算技术研究所 单开道岔几何形位测量方法、装置、电子设备及存储介质
CN116907350B (zh) * 2023-09-14 2023-12-15 中国铁道科学研究院集团有限公司电子计算技术研究所 单开道岔几何形位测量方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
US10755132B2 (en) Methods for extracting surface deformation feature of object based on linear scanning three-dimensional point cloud
CN105809668B (zh) 基于线扫描三维点云的物体表面变形特征提取方法
CN102135417B (zh) 一种全自动三维特征提取方法
WO2023045299A1 (zh) 基于三维轮廓的路面技术状况检测方法及设备
CN111311560B (zh) 钢轨扣件状态的检测方法及装置
CN102589435A (zh) 噪声环境下激光束中心高效精确检测方法
CN112860952B (zh) 巡检机器人定位检修部件的方法及***
CN110736999B (zh) 基于激光雷达的铁路道岔检测方法
CN115482195B (zh) 一种基于三维点云的列车部件变形检测方法
CN113487722A (zh) 一种基于三维激光扫描方法的混凝土构件自动化检测方法
CN116681912A (zh) 铁路道岔的轨距检测方法及装置
CN105091748A (zh) 轨道车辆公差尺寸测量***
CN108344997B (zh) 一种基于点迹特征的道路护栏快速检测方法
CN110490342B (zh) 一种基于Faster R-CNN的接触网静态几何参数检测方法
CN108931206A (zh) 用于钢轨轮廓离群点检测及有效廓形识别的方法
CN114119957A (zh) 高速铁路钢轨廓形检测方法及装置
CN115078377A (zh) 一种基于点云拟合的桥梁损伤自动评估***及方法
Stein et al. Model-based rail detection in mobile laser scanning data
CN113504545A (zh) 一种基于激光雷达的接触网数据检测方法
CN110550067A (zh) 列车车轮的测量方法及相关***
CN113947583A (zh) 基于深度学习二维时间序列图像的焊缝无损检测方法
CN113673011A (zh) 基于点云数据智能识别运营期隧道侵界的方法
CN111738907A (zh) 一种基于双目标定及图像算法的列车受电弓检测方法
Ziqiang et al. Research of the algorithm calculating the length of bridge crack based on stereo vision
CN110021027B (zh) 一种基于双目视觉的切边点计算方法

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