CN114387390B 接触网设施点云的全自动搜索和提取方法 （中国铁路设计集团有限公司）

本发明公开了一种接触网设施点云的全自2S1，采集目标铁路沿线的激光点云数据，并基所述粗选立体框的中心点位于两对相邻立柱的中心点附近；粗选所述精选立体框同时满足最小裁剪立体框完整包含在所述粗选立体取两点之间XOY平面欧氏距离的函数；Centerpoint[i+1]为第i+1处立柱中心点的坐标信3i+1为第i个粗选立体框内POS轨迹方向向量，Vi+1为第i+1个粗选立体框内POS轨3.据权利要求2所述的接触网设施点云的全自动搜索和提取方法，其特征在于：步骤4.据权利要求2所述的接触网设施点云的全自动搜索和提取方法，其特征在于，步骤5.据权利要求2所述的接触网设施点云的全自动搜索和提取方法，其特征在于，步骤6.据权利要求5所述的接触网设施点云的全自动搜索和提取方法，其特征在于，所述4在共享权重MLP特征提取后得到多维度特征图，将其作为ECA2)CBAM模块：将直连跳跃连接采用基于CBAM3)金字塔池化模块：通过卷积操作获得特征张4)通道特征强化结构：一方面通过卷积层将特征维度由原有的6结果与PPM中各尺度特征提取结果进行叠加，通过concat连接对这四个尺度的特征进行叠64)的平均池化特征张量，与上一步中获取的多尺度特征融合张量进行叠加，实现特征强7.据权利要求6所述的接触网设施点云的全自动搜索和提取方法，其特征在于，所述所述通道注意力子模块中，首先对输入特征F使用平均和最大池化操作聚合特征映射0和W1是指MLP的权重，满足条件W,eR",weR";W0和W1被52)定位器部件的模型重建：所述定位器采用矩1)接触线高度与拉出值的检测：轨道中线的检测结果为导高和拉出值的测量基准线，利用重建的接触线悬挂点的高程和对应位置的轨道中心线高程求差后获得接触网导高值；2)定位器倾斜角度检测：通过将定位器模型6[0004]车载移动测量系统(VehicleMobileMeasurementSystem，VMMS)通过将测量系统搭载在轨道平板车上来采集线路沿线高密度激光点云数据。与传统的基于图像和基于(适用于双轨接触网数据采集)和精度高(线性误差优的拟合与分析，进而实现不同部件的语义分割，主要有结合随机样本一致性(Random[0006](1)依赖较多的人工前期样本提取与处理，缺乏自动搜索与提取接触网设施的方7[0007](2)在深度神经网络中，从特征提取的角度上看，许多网络将特征映射至高维空[0008](3)细化结构在图像深度语义分割网络中起到越来越重要的作用，目前鲜有将细于双选立体框与语义分割的接触网设施点云的[0022]式中，min_point与max_point分别表示粗选立体框范围内坐标值的最小与最大[0026]式中，minBox为切割一对接触网立柱支撑设施的最小立体框；RMatrix为旋转矩8[0035]式中，Vi+1为第i个粗选立体框内POS轨迹方向向量，Vi+1为第i+1个粗选立体框内过多尺度感受野特征提取与融合实现接触网设施分9后在ECA处理出的浅层特征通过CBAM进行通道和空间注意力机制，实现浅层提取特征的强[0047]1)ECA模块：将原始的ECA模块改进为全局平均池化(GlobalAveragePooling，[0056]4)通道特征强化结构：一方面通过卷积层将特征维度由原有强化结果与PPM中各尺度特征提取结果进行叠加，通过concat连接对这四个尺度的特征进行叠加融合，实现对多尺度特征的强化与融合；另一方面，通过GAP获取到特征张量(24,[0058]所述通道注意力子模块中，首先对输入特征F使用平均和最大池化操作聚合特征大池特征；然后，两个描述子都被送入至一个共享MLP结构，以生成通道注意力特征图W,eR",weR";W0和W1被输入特征和其后的ReLU激活函数共享特征图M,(F)eRS并对其进行编码达到特征的强调或达系统安装至平板车尾部，扫描仪的激光测量频率为600kHz，单个激光头扫描频率为400[0075]1.本发明依次通过双选立体框定姿与定位、双选立体框偏移向量的确定和沿轨[0076]2.本发明基于ECA(EfficientChannelAttention)和CBAM(Convolutional[0088]图9a-9b分别为接触网中双臂的提取结果细节图，分别为侧视图、俯视图为前视性。如图3所示，该线路是中国境内一条连接贵阳市与广州市的区际高速铁路，共计201.32km。在广西境内均为无砟轨道，实际运营速度为250km/h。有效减少铁路沿线的扫描盲区。采用定制刚性增高架将车载雷达系统安装至平板车尾部，车轮上安装里程编码计(DMI)辅助POS进行零速修正。为了实现DMI与火车车轮转动精准同比40.67接触网设施点云所占整个点云场景的比重不超过1％。点云场景中主要包括原始数据点云进行语义分割，类别样本极度不均衡时(Classimblance)可能导致网络泛化[0114]式中，min_point与max_point分别表示粗选立体框范围内坐标值的最小与最大[0127]式中，PoleDis[i]是指第i处立柱与第i+1处立柱之间的XOY平面欧氏距离；Dis[0129]偏移方向是通过计算两个相邻粗选立体框之间的POS轨迹形成的向量差来决定[0131]式中，Vi+1为第i个粗选立体框内POS轨迹方向向量，Vi+1为第i+1个粗选立体框内裁剪和提取到满足精度要求的接触网设施。利用公式Vdif＝Vi+1-Vi实现两个相邻精选立体迹点进行逐点距离累加计算。当该距离累加大于等于偏移距离(即所属相邻立柱的距离)方面引入空间和通道注意力机制，基于多尺度特征融合与注意力机制(Mutil-scaleFeatureFusionAttentionmechanism,MFF_A)的语义分割模型实现对接触网设施的分[0152]本发明中的MFF_A是以PointNet为骨架结构，剔除原有结构中的T型输入特征变道注意力机制实现对提取特征的通道强化。然后在ECA处理出的浅层特征通过CBAM进行通接下来对融合后的特征进行ECA通道注意力机制处理，并通过激活函数将点云分为接触网[0155]已有研究表明，将注意力模块(Attentionmodule)嵌入至CNN中可以带来显著的其改进为全局平均池化(GlobalAveragePooling，GAP)与全局最大池化(GlobalMax[0162]CBAM主要用于Encoder-decoder网络架构中，主要用于解决网络跳跃连接虽然能够提升浅层特征与深层特征融合，但不能有效的减小神经网络的退化的问题。由于本发明中MLP运算通过混合跨通道和空间信息提取特征，因此可将直连跳跃连接采用基于CBAM的W1被输入特征和其后的ReLU激活函数共享均和最大池化特征都采取通道注意力机制，然后通过一个标准的卷积层将它们连接和卷超过网络特征提取的感受野，造成不连续分割问题。引入金字塔池化模块(Pyramid[0174]通过该PPM结构可有效获取不同尺度的接触网点云特征信息，有助于小目标物体[0176]一方面通过卷积层将特征维度由原有的64维转换至16维，并引入ECA模块加强通[0178]此通道特征增强模块只增加了少量的参数即可获得明显的性能增益。通过对ECA硬件方面：CPU为Intel(R)Core(TM)i7-9700K3.60GHz，内存为32GB，显卡为NVIDIA[0181]本发明选取了具有代表性的典型点云分割算PointNet、PointNet++、对比文献[0182]将本发明的算法与3种对比算法在精度(P)和交并比(IoU)和平均精度(MA)的比较[0186](2)四种算法中平均精度和交并比由高到低的顺序依次是本文算法、对比文献、成无法有效识别对应的接触网设施类型从而造成错分。而PointNet++(MSG)和对比文献中[0191](2)对弹性吊索的分类精度，对比文献与本发明算法比PointNet和PointNet++[0192](3)对定位管和定位器的分类精度，PointNet++(MSG)与明算法存在将定位器接触导线的小部分点云误分[0196]通过步骤S2完成了8个部件的点云分割后，需要对接触网三维模型进行重建。在程中，由于弓网耦合作用引起的振动和激励通常会使定位器的螺栓和螺母结构发生松动，[0214]为了评价发明的方法用于接触网几何参数检测的可靠性与正确性，采用DJJ-8激光接触网检测仪对实验区域中某一段落的接触网集合参数进行了人[0222]根据上述两种不同测量方式的检测成果对比分析可以归