阅读说明：本技术 一种地铁隧道限界检测方法 (Subway tunnel clearance detection method ) 是由 郭春生 王维 付和宽 刘蝶 王令文 高志强 谢海燕 于 2019-11-19 设计创作，主要内容包括：本发明公开了一种地铁隧道限界检测方法,解决了目前对于隧道侵界的检测效率低、成本高的弊端,其技术方案要点是通过三维激光扫描检测装置扫描获取隧道断面点云,生成断面点云图的外接矩形框,将矩形框内的断面点云转换成断面图像；标记断面图像中隧道特征点以获得样本集；搭建基于卷积神经网络的回归模型,通过标记获得的样本集对回归模型进行训练、测试,再通过回归模型进行预测；获取轨道车的轮廓线,识别特征点以统一轨道车坐标与断面点云坐标并叠加,基于回归模型对轨道车在隧道内是否侵界进行判断,本发明的一种地铁隧道限界检测方法,能通过模型计算将轨道车和断面点云进行坐标系的统一,高效便捷的进行侵界的判断。(The invention discloses a subway tunnel limit detection method, which solves the defects of low detection efficiency and high cost of tunnel invasion at present, and adopts the technical scheme that a three-dimensional laser scanning detection device is used for scanning to obtain tunnel section point clouds to generate an external rectangular frame of a section point cloud image, and the section point clouds in the rectangular frame are converted into a section image; marking tunnel characteristic points in the cross-section image to obtain a sample set; building a regression model based on a convolutional neural network, training and testing the regression model through a sample set obtained by marking, and predicting through the regression model; the contour line of the rail car is obtained, the feature points are identified to unify the rail car coordinates and the point cloud coordinates of the cross section and are overlapped, and whether the rail car invades the boundary in the tunnel is judged based on the regression model.)

一种地铁隧道限界检测方法

技术领域

本发明涉及隧道检测，特别涉及一种地铁隧道限界检测方法。

背景技术

随着地铁隧道服役时间的增长，隧道内附属设施入侵轨行区会对列车的安全运行造成危害，因此需要不定期地对地铁隧道净空进行检测，判断是否侵界。传统的侵界检测方法主要采用触杆、皮尺、全站仪等手段量测，效率低成本高。近年来，国内外学者对隧道限界快速检测开展了相关研究。专利号为CN110006396的中国专利公布了一种隧道断面及限界扫描检测装置及方法，主要采用三维激光扫描仪、惯性导航系统、GPS天线和编码器定位和检测，但地铁隧道通信条件不佳，因此很难具有实用性。

发明内容

本发明的目的是提供一种地铁隧道限界检测方法，能通过模型计算将轨道车和断面点云进行坐标系的统一，高效便捷的进行侵界的判断。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种地铁隧道限界检测方法，包括有以下步骤：

通过三维激光扫描检测装置扫描获取隧道断面点云，生成断面点云图的外接矩形框，将矩形框内的断面点云转换成断面图像；

标记断面图像中隧道特征点以获得样本集；

搭建基于卷积神经网络的回归模型，通过标记获得的样本集对回归模型进行训练、测试，再通过回归模型进行预测；

获取轨道车的轮廓线，识别特征点以统一轨道车坐标与断面点云坐标并叠加，基于回归模型对轨道车在隧道内是否侵界进行判断。

作为优选，标记获得样本集的具体步骤为：

在断面图像中选定特征点；

确定断面图像的坐标原点，获得特征点在对应断面图像中的坐标；

获取特征点在断面图像中的坐标比例；

将样本集中的样本按设定比例划分为训练集与测试集。

作为优选，所述断面图像中选定的特征点包括有隧道顶部触网最低点、两个钢轨的中心点。

作为优选，回归模型的训练具体包括有：

通过样本集中的训练集对回归模型进行训练；

使用学习率自适应的随机梯度算法进行参数优化；

对回归模型的训练次数大于训练集中样本总量一万倍。

作为优选，通过样本集对回归模型的测试过程具体为：

将测试集对应的断面图像输入回归模型进行测试；

回归模型进行计算输出对应的特征点坐标比例；

根据输出的特征点坐标比例还原断面图像中特征点的坐标；

选取精度指标，对当前断面图像中还原获得的特征点的坐标与标记对应获得的特征点的坐标进行比较计算，判断当前断面图像预测是否准确；

对测试集所有断面图像均进行测试，统计准确率，当准确率大于设定的阈值时，判定为回归模型准确可用于预测；反之调整参数继续进行训练。

作为优选，预测及侵界判断的过程具体为：

选取样本集之外的断面图像输入回归模型进行计算；

经回归模型计算输出对应特征点的坐标比例；

根据输入的断面图像，计算获得特征点在断面图像上的坐标；

根据断面图像对应的外界矩形框坐标，获得特征点在点云坐标系下的预测坐标；

获得轨道车轮廓特征线并将轨道车轮廓特征线中的轨道车轮中心坐标与点云坐标中两个钢轨的中心点进行匹配，得到轨道车轮廓在点云坐标系下的坐标；

检测特征点中的隧道顶部触网最低点与轨道车轮廓的坐标关系，若隧道顶部触网最低点侵界则判断为侵界；若隧道顶部触网最低点未侵界，则依次对断面上的各点是否位于轨道车轮廓内进行判断，若存在任一一点位于轨道车轮廓内，则判定为侵界；反之，为不侵界。

综上所述，本发明具有以下有益效果：

通过扫描直接获取隧道断面点云转换成图像，并通过搭建的回归模型，进行特征点的识别匹配，统一断面点云和轨道车坐标系，能够直接通过几何关系判断轨道车是否侵界，效率更高，操作便捷。

附图说明

图1为转换获得的断面图像；

图2为断面图像及特征点的示意图；

图3为轨道车轮廓线与断面图像坐标系叠加后的示意图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

本实施例公开的一种地铁隧道限界检测方法，具体步骤如下。

1、采用三维激光扫描检测装置获取隧道断面点云，并将获取后的断面点云转成隧道断面图片。获取断面点云图片后，如图1所示，生成断面点云的外接矩形框，将矩形框内的断面点云转成断面图像。

其中，检测装置可以是静止的三脚架或平台，也可以是以人力或电机带动的检测车。

2、获取用于卷积神经网络训练的隧道限界特征点样本集。其中隧道限界特征点包括有多个，其中，如图2所示，主要选定隧道顶部触网最低点A、两个钢轨中心位置点B1和B2作为特征点。样本集的获取具体过程如下：

a)、样本标记：选用图像左下角作为坐标原点，获取隧道断面图像内选定特征点隧道顶部触网最低点A、两个钢轨中心位置点B1和B2的坐标，因此一幅图像对应三个点坐标比例，格式为

其中W表示当前断面图像的宽度，H表示当前断面图像的高度。原始断面图像集合为S，标注特征点的断面图像集合为L，两者总量相等并且一一对应；

b)、样本集划分：将样本集(S、L)划分为训练集T₁和测试集T₂，其中优选划分训练集占样本集总数的70％，测试集占样本集总数的30％。

3、搭建基于卷积神经网络的回归模型Model，具体操作如下：

选择深度学习框架：使用深度学习框架，如TensorFlow，PyTorch等；

模型搭建：通过对ResNet-101网络架构改进来实现，去掉最后1000-d全连接层和softmax层，重新添加6-d全连接层的低维全连接层和Sigmoid激活函数的Sigmoid层；

4、回归模型的训练、测试、预测。

a)、训练：数据集为训练集T₁，训练次数至少是训练集T₁总量大小的10000倍，使用学习率自适应的随机梯度算法进行参数优化，为了加速学习采用批归一化方法，可缓解梯度消散，并且采用GPU硬件加速以加快计算；优选采用Adam算法，Adam算法是一种代替传统随机梯度下降SGD过程的优化算法，是目前深度学习领域常见的学习率自适应的优化算法。

b)、测试：数据集为测试集T₂，采用欧式距离作为精度指标，通过回归模型进行计算，当欧式距离满足设定的一定阈值，则当前图像预测准确，记为1，否则为0，优选阈值设置为小于等于0.1。当所有数据测试完毕，统计准确率；

其中，∑T代表图像预测准确的次数，Count(T₂)代表测试集大小。

当准确率大于某个阈值，可用于预测否则调整参数继续训练；准确率的阈值优选设置为大于等于95％。

具体的测试过程如下：

将测试集对应的断面图像输入回归模型进行测试；

通过回归模型进行计算输出对应的特征点坐标比例；

根据输出的特征点坐标比例还原断面图像中特征点的坐标；

选取精度指标，对当前断面图像中还原获得的特征点的坐标与标记对应获得的特征点的坐标进行比较计算，判断当前断面图像预测是否准确；

对测试集所有断面图像均进行测试，统计准确率，当准确率大于设定的阈值时，判定为回归模型准确可用于预测；反之调整参数继续进行训练。

c)、预测：选取不在训练集和测试集中的隧道断面图像作为输入，经回归模型计算，输出对应坐标比例，格式为

已知输入断面图像的W、H，反推可得特征点A′、B′1、B′2坐标，已知点云坐标系下外接矩形坐标，将A′、B′1、B′2坐标反算至点云坐标系下新坐标A″、B″1、B″2。

5、轨道车与点云坐标系叠加判断是否侵界。已知轨道车轮廓特征线，如图3所示，将轨道车的车轮中心坐标与推算获得的特征点在新坐标下的B″1、B″2匹配，则可以得到轨道车轮廓在点云坐标系下的坐标。一般先检测隧道顶部触网最低点A″坐标是否侵界，若侵界，直接判明侵界，若没有，则依次对比断面上各点是否在轨道车轮廓范围内，若在，则认为侵界。

本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。