利用激光雷达与深度学习技术进行铁路维护与资产管理
19898 为本文评分:
4.6
利用激光雷达与深度学习技术进行铁路维护与资产管理
Joey Griebel 2019年5月1日，星期三
随着激光雷达传感器技术的不断发展，它们正在进入一些传统上因采集成本高而仅使用影像传感器的领域。如今，这些激光雷达传感器的体积已经小到可以搭载在DJI PRO无人机上，或者足够紧凑，能够快速安装在火车机车前端，在列车正常行驶路线上进行数据采集。这为分析铁路沿线植被侵占（从轨心地面向外延伸）、隧道净空详细可视化，以及管理和测量资产及其高程提供了新的可能性。
基于我们多年来在深度学习领域的丰富知识，NV5 Geospatial 团队着手创建了一个模型，使我们能够自动识别该特定线路沿线的资产，例如电线杆、信号灯、机柜以及其他与信号系统相关的资产。当分类器遍历数据集时，它使我们能够构建一份资产在铁路走廊沿线分布的热力图，且位置精度很高：
根据热力图，我们创建了Shape文件，并将其显示回原始数据集中，从而可以直观地看到点的精度：
除了在数据集中可视化这些资产外，我们还根据高度对点进行了着色。这不仅提供了资产的高度信息，还揭示了走廊沿线诸如树木等可能引起关注的要素：
最终的成果也可以与影像数据融合，这能进一步增强您对已确定资产位置准确性的信心，并为规划工作提供独特的走廊视角：
虽然这个具体的应用案例侧重于识别铁路走廊沿线的资产，但同一个激光雷达数据集还可用于运行其他分析，例如通过 NV5 的自动轨道提取工具自动提取轨道线、确定线路附近的植被危害，以及对铁路走廊沿线的海拔和坡度进行建模。
随着传感器在尺寸和灵活性方面不断进步，这一日益成熟的数据源将使铁路部门能够获得独特的视角，不仅能够更准确地统计资产，还能运行预测性分析，从而帮助降低维护成本。