一种基于链式拓扑生长的轨道病害图像结构化表示方法与流程
本发明涉及铁路巡检与运维,具体涉及一种基于链式拓扑生长的轨道病害图像结构化表示方法。
背景技术:
1、在铁路运维阶段,轨道及其附属构件的状态评估、病害检测与维修决策,高度依赖对病害空间形态及其发展趋势的准确获取。锈蚀、裂缝、剥落等典型轨道病害通常具有尺度小、形态复杂、边界不规则且随时间持续演化等特征,其内在结构形态及其变化规律是开展病害等级评估、剩余寿命预测及预测性维护的重要依据。
2、随着铁路智能化运维水平的不断提升,基于巡检设备获取的轨道图像数据已成为病害检测与识别的主要数据来源。现有技术通常结合人工经验、传统图像处理方法或深度学习模型对巡检图像中的病害类型及严重程度进行识别,在病害存在性检测与状态判别方面已取得一定进展。但是上述方法主要停留在像素级或区域级表征层面,本质上仅刻画了病害在单一时刻的二维表观特征,缺乏对病害内在结构形态及其时序演化过程的统一表达能力,难以支撑趋势评估及预测性维护等高层应用需求。
3、为获取更丰富的空间信息,部分研究尝试引入三维重建技术,通过激光雷达、多目视觉或多传感器融合方式获取轨道及病害的三维点云数据。尽管该类方法在宏观结构恢复方面具有一定优势,但在实际工程应用中仍存在明显局限:一方面,其高度依赖高精度采集设备与复杂系统集成,成本高、部署难度大,难以适用于大规模常态化巡检场景;另一方面,点云数据通常以整体几何重建为目标,对于锈蚀、裂缝等细粒度、非规则病害难以实现稳定且高置信度的结构刻画;此外,不同时间获取的点云数据之间普遍缺乏一致的结构对应关系,导致难以在统一框架下对病害演化过程进行连续建模。
4、进一步地,基于二维图像直接恢复三维几何的方法通常以生成“外观合理”的形态为目标,缺乏面向结构一致性与拓扑稳定性的约束机制,其结果在复杂病害场景下易出现结构失真、边界模糊及拓扑不稳定等问题。本质上,由于二维图像在成像过程中存在固有的几何不确定性,仅依赖像素强度信息难以确定唯一的空间结构,使得从单幅或少量图像推断精确三维形态属于典型欠定问题,该问题在病害形态复杂或尺度较小时尤为突出。
5、进一步分析可知,现有方法即使引入三维表示,其本质仍停留在几何重建或离散采样层面:点云与网格侧重于空间位置的恢复,缺乏对结构生成过程的约束;而传统骨架或拓扑提取方法通常依赖全局几何完整性,在弱观测或局部缺失条件下难以稳定构建。上述方法均未显式刻画病害结构在局部空间中的方向连续性与演化一致性约束,从而导致其在复杂形态、小尺度及跨时间分析任务中表现不稳定。
6、从信息表达角度来看,轨道病害的关键特征并非单一的几何形态或像素分布,而在于其在空间中的连续延展趋势及局部方向组织方式,该类特征决定了病害的生长路径、扩展模式及其随时间的演化规律。然而,现有技术缺乏一种能够同时刻画局部方向一致性、结构生成过程及跨时间演化关系的统一表达机制,导致结构信息在不同时间和不同观测条件下难以保持稳定一致。
7、因此,亟需一种新的结构化表示方法,在弱传感条件下,不依赖完整三维重建过程,而是通过对局部方向一致性的建模,构建能够自适应生长的结构拓扑,并在此基础上引入时序约束,实现结构在不同时间观测下的稳定对齐与演化描述,从而为轨道病害的趋势评估与预测性维护提供可靠支撑。
技术实现思路
1、为解决现有技术存在的问题,本发明提出一种基于链式拓扑生长的轨道病害图像结构化表示方法。
2、本发明的技术方案如下:
3、一种基于链式拓扑生长的轨道病害图像结构化表示方法,包括以下步骤:
4、s1,多次跨时间采集轨道表观病害的图像数据,将其转化为对应的点云数据,对所述点云数据进行法向数据求解,得到法向量;同时平滑点云生成过程中的噪声,得到平滑后的点云数据;
5、s2,构建定向滤波器,获取任一所述图像数据中的像素点的方向;结合映射与幂律映射得到的方向置信度权重,构建所述像素点的2d方向场;设所述2d方向场对应的平滑后的点云数据中的任意一点,根据点对应的法向量与视线向量夹角最小时的视图,定义下的3d场方向及点的最终3d场方向权重,得到点的最终3d场方向;
6、s3,结合所述最终3d场方向和与其对应的图像自有的rgb信息,计算该图像及其生成的点云数据的特征点集,其中;沿其中任意一点的3d场的两个方向建立显式链式拓扑结构,并定义该显式链式拓扑结构的终止判断条件;
7、s4,以结构变化影响最小化为优化目标,对s3生成的显式链式拓扑结构进行优化;
8、s5,对于s4优化后的显式链式拓扑结构内的每个结构节点,若其与点云数据中各点的欧氏距离小于判定值,则剔除该结构节点,得到所述显式链式拓扑结构的稳定后的子结构节点;
9、s6,对所述特征点集内的所有点重复s3~s5,得到个最终的显式链式拓扑结构;
10、s7,对于第个包含稳定后的子结构节点的最终的显式链式拓扑结构,根据其对应的图像纹理信息构造描述符,并将其光栅化映射渲染回以像素点为基本单元的位图,若存在多个3d点同时干预同一像素点,则加权处理;定义真实曲面链结构状态、方向及曲率重建损失,构建重建损失函数和渲染损失函数,用于对进行重建,得到重建后的链结构,进而得到个重建后的链结构组成的集合;在所述集合中,根据对应的图像的灰度密度图,对高密度的区域频繁采样,对存在间隙的位置通过插值插入高密度填充点,得到重建图像;
11、s8,将原始图像中的所有像素点向所述重建图像中的所有像素点进行像素空间扩展,对所述图像纹理信息和灰度密度图进行级联表征,考虑额外噪声后得到级联矩阵,进而得到去噪模型,通过所述去噪模型构造训练损失函数;
12、s9,定义感知变化的权重,并对其进行归一化调整;
13、s10,结合s9调整后的感知变化的权重和s8构造的训练损失函数,依托扩展损失做结构优化,得到轨道病害图像结构化数据。
14、步骤s1中:将第e个轨道病害的第j次采集获取的图像数据记为图像,将所述图像对应的平滑后的点云数据记为点云数据。
15、上述方法中,s2包括以下步骤:
16、步骤s21中,将一个原始轴对齐的正滤波器旋转角度,生成定向滤波器,将所述图像中的像素点上的方向定义为;
17、步骤s22中,做映射,为虚数,并进一步做幂律映射,得到方向置信度权重,其中,;则2d方向场计算公式为:
18、;
19、步骤s23中,定义点对应的法向量为、视线向量为,其中是视图的投影中心,定义视图下的3d场方向为,其中是该视图的视线向量,是点在该视图对应2d方向场的投影方向,点的最终3d场方向的权重定义为:
20、;
21、;
22、其中,为第j次采集数据中的参考视图,为所有采集过程中产生的参考视图的集合,为向量方向计算函数,为每个视图对应的3d场方向组成的方向向量;
23、点的最终3d场方向为:
24、;
25、其中, ,是点的近邻点;为点的近邻点集合;是控制平滑度的常数,;为函数的自变量。
26、上述方法中,s3中包括:
27、在所述任意一点上沿两个方向上建立显式链式拓扑结构,该过程定义为:
28、;
29、其中,为显式链式拓扑结构的生长方向的函数;为点在所述3d场方向的函数;为下一待增长的结构节点;为增量常数,。
30、步骤s3中所述终止判断条件有3种,包括:
31、1)当方向兼容性超过阈值时,终止所述显式链式拓扑结构的生成过程:
32、;
33、;
34、其中,点是点通过移动最小二乘法得到的在所属点云边界内的投影点,是方向兼容性阈值常量,;
35、2)当增长的结构节点位置处于点云孔洞内或点云边界外时,,终止所述显式链式拓扑结构的生成过程;其中,为边界性阈值常量,;为点的最近邻点集合;
36、3)当方向不可信度高于阈值时,终止所述显式链式拓扑结构的生成过程:
37、;
38、其中,为不可信度阈值常量,;
39、若上述终止判断条件均不满足,令,并继续沿所述显式链式拓扑结构的生长方向迭代生长。
40、步骤s4中所述优化的公式为:
41、;
42、其中,是初始结构节点;是优化后的结构节点;和分别是的前一个和后一个结构节点;、和分别是控制位置、方向和曲率的优化控制常数,分别为0.1、1和5;为增量常数,。
43、上述方法中,s7包括以下步骤:
44、步骤s71中,定义第个显式链式拓扑结构为链结构,该链结构上包含所述稳定后的子结构节点;
45、步骤s72中,对于链结构对应的图像纹理信息t上的每个像素点,其对应的向量在链结构上组成的描述符,定义为:,其中,为同一个链结构上的每个子结构节点共享的特征向量,为对应的像素点的2d场方向,为修正常量;
46、步骤s73中,使用传统光栅化方法,将每个非闭塞链结构上的像素点恢复至对应3d点,并在两3d点间做线性插值,从而与描述符建立相关性,再通过双线性溅射运算,将描述符的特征向量扩散至相邻像素,得到受影响范围内的所有描述符;
47、当在上述过程中存在多个3d点同时干预同一像素点时,进行加权处理:
48、;
49、其中,u是图像栅格化空间中的像素点索引值,是该索引位置处经过栅格化和加权平均化后的最终描述符,是受影响范围内的每个描述符的贡献权重;
50、步骤s74中,将真实曲面链结构状态定义为方向的瞬时变化,,方向定义为位置的近邻变化,,曲率重建损失为真实曲面链结构状态和重建链结果状态间的l1距离:,其中,l为的维度值;
51、步骤s75中,重建损失函数由数据损失项与kl正则化项的加权组合建立,其中,所述数据损失项由位置、方向和曲率损失组成:
52、;
53、;
54、其中,和分别为所述kl正则化项的权重系数和损失项,为所述位置对应的重建结果,为所述方向对应的重建结果,和分别为两个修正常量;
55、引入针对所述链结构对应的图像纹理信息t的渲染损失函数,所述渲染损失函数是l2和lpips损失的组合,定义为:
56、;
57、其中,和分别是第m个视角下的渲染图像和原始图像,m是多视角图像的总数量,为修正比例常量,,为lpips损失项;
58、对进行重建,得到重建后的链结构,进而得到个重建后的链结构组成的集合;
59、步骤s76中,在s75得到的集合中,根据所述链结构对应的图像的灰度密度图在像素点中对应采样,则完整的重建链结构,其中sample函数为概率采样函数,表示为重建链结构与纹理、密度图的隐式函数关系;
60、步骤s77中,将链式结构中的任两子结构节点内插入100个高密度填充点,其中,是子结构节点总数。
61、步骤s8中:
62、定义原始图像中的所有像素点向所述重建图像中的所有像素点的扩展为,其扩展过程为:
63、;
64、其中,表示标准wiener过程,表示漂移稀疏函数,表示扩展稀疏函数,通过积分变换得到:
65、;
66、其中,为级联函数;为扩展过程的梯度;
67、所述链结构对应的图像纹理信息和灰度密度图级联表征,得到级联,考虑额外噪声后的级联矩阵为,其中,为原始级联矩阵;该过程的参数化关系为:
68、;
69、其中,代表维度参数为的去噪模型,是跳跃连接调制器,和分别是输入缩放幅度和输出缩放幅度,是模型的时间条件,是矩阵中的点,是训练损失常数,代表维度为的3d方向场计算函数;
70、模型的训练损失函数为:
71、。
72、步骤s9中:
73、定义感知变化的权重:
74、;
75、其中,;为预测的平均链,;是第个位置为1的零向量;是扰动常数项,按经验值取0.8;是链式结构重建损失函数;为理想情况下,预测维度中的链结构;
76、则归一化后的调整权重向量为。
77、步骤s10中:
78、扩展损失结合噪声水平和空间维度的期望,公式如下:
79、;
80、其中,为期望,为扩展过程中的噪声,为满射过程。
81、与现有技术相比,本发明具有以下有益效果:
82、1. 突破了传统像素级或点云级表征的局限,实现了结构层表达能力提升:本发明通过构建显式链式拓扑结构,将轨道病害由像素或离散点表示提升为具有连续性与拓扑关系的结构化表示形式,从而能够有效刻画病害的空间延展特征及内部组织方式,为后续分析提供更具物理意义的数据基础。
83、2. 降低了对高精度三维重建及多传感系统的依赖,提升了工程适用性:相较于依赖激光雷达或多视角重建的现有方法,本发明在弱传感条件下直接从二维图像中构建结构表示,避免了复杂三维重建过程中的误差累积与设备依赖问题,从而降低了系统成本并提升了大规模巡检场景中的可部署性。
84、3. 实现了轨道病害跨时间结构一致性建模并增强了演化表达能力:本发明通过在结构层建立不同时间观测之间的对应关系,实现了病害结构的跨时间对齐,并对其在时间维度上的位置变化、方向变化及拓扑变化进行统一建模;在此基础上,引入结构扩展,对观测不足区域进行补充表达并刻画其结构变化范围,从而获得完整且稳定的病害演化描述。所生成的结构化数据能够同时反映空间形态与时间演化关系,可直接用于后续病害发展评估、剩余寿命预测及预测性维护决策分析。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com