Ray yuvarlanma yüzeyi, tren tekerleğinin doğrudan temas ettiği ray başının üst yüzeyidir ve demiryolu geometrisinin, aşınmanın ve altyapı durumunun otomatik olarak değerlendirilmesinde kritik bir hedef bölgedir. Bu çalışmada balastsız metro hatlarından elde edilen yoğun LiDAR nokta bulutlarında ray yuvarlanma yüzeyini RGB görüntüsüne, araç trajektörüne, şablon eşleştirmeye veya geniş ölçekli etiketlenmiş eğitim verisine ihtiyaç duymadan ayırmak amacıyla hafif bir geometrik çıkarım sistemi geliştirilmiştir. Sistem önce yoğunluk değerlerini kullanarak büyük miktarda hedef dışı noktayı eler, ardından Cloth Simulation Filtering ile ray altyapısının dışında kalan yapıların önemli bölümünü çıkarır. Kalan noktalarda Principal Component Analysis (PCA) kullanılarak normal vektörler ve yüzey eğriliği hesaplanır. Son aşamada düşük eğrilikli noktaların öncelikli başlangıç noktası olarak seçildiği ve hem normal yönü hem de eğrilik tarafından sınırlandırılan geliştirilmiş bir region growing algoritması uygulanır.

Shanghai Metro Line 10'daki 50 metrelik saha kesitinde bulunan 58.893.153 noktalı veri setinde önerilen yöntem %92,23 recall, %95,32 precision ve yaklaşık %93,7 F1-score elde etmiştir. Aynı ön işlenmiş veri üzerinde Euclidean clustering %57,4, standart region growing ise %82,1 F1-score üretmiştir. Önerilen yöntemin temel avantajı, ray yuvarlanma yüzeyinin düz merkez bölgesinden düşük-curvature seed noktaları seçmesi ve curvature değeri yükselen ray kenarlarında büyümeyi sınırlayarak ray yan yüzeyine doğru oluşan boundary leakage sorununu azaltmasıdır.

Neden ray yuvarlanma yüzeyinin otomatik olarak çıkarılması gerekiyor?

Kentsel raylı sistemlerin güvenli işletilebilmesi için ray, bağlantı elemanları, katener sistemi ve taşıyıcı yapıların düzenli biçimde izlenmesi gerekir. Ray yuvarlanma yüzeyi tren tekerleğiyle doğrudan temas ettiği için geometrik bozulma, aşınma ve yüzey anomalilerinin değerlendirilmesinde özel öneme sahiptir.

Geleneksel ölçüm sistemleri yüksek doğruluk sağlayabilse de yoğun metro işletmesinde elle ölçüm zaman alıcıdır ve hat erişim süreleri sınırlıdır. LiDAR, milyonlarca üç boyutlu noktayı kısa sürede toplayabildiği için demiryolu altyapı denetiminde güçlü bir alternatiftir.

Balastsız Raylarda LiDAR Segmentasyonu Neden Daha Zordur?

Balastlı demiryolunda ray ile çevresindeki taş balast arasında belirgin geometrik fark vardır. Balastsız hatta ise rayların altında sürekli beton taban bulunur ve bu taban üzerinde metal genleşme derzleri, ray bağlantı elemanları ve çeşitli altyapı parçaları yer alabilir.

Bu yapıların bazıları ray yuvarlanma yüzeyiyle benzer yoğunluk veya düzlemsel geometri gösterebilir. Özellikle ray başının üst yüzeyi ile yan yüzeyi arasındaki geçişte normal vektörler kademeli değiştiğinden klasik region growing algoritmaları hedef bölgenin dışına taşabilir.

Çalışma bu problemi boundary leakage, yani segmentasyon bölgesinin geometrik sınırı aşarak hedef olmayan yüzeylere yayılması olarak ele almaktadır.

Veri nereden toplandı?

Deneyler Shanghai Metro Line 10'un kısmen yükseltilmiş bir bölümünde gerçekleştirilmiştir.

Veri toplamada Leica P40 Terrestrial Laser Scanner kullanılmıştır. Çok istasyonlu nokta bulutlarının kayıt işlemleri ve insan kaynaklı gürültü noktalarının temizliği Leica Cyclone 9.0 ile gerçekleştirilmiştir.

İncelenen bölüm:

• 50 m hat uzunluğu,
• yaklaşık 620 m² alan,
• 58.893.153 nokta,
• yaklaşık 9,5 × 10⁴ nokta/m² ortalama yoğunluk

içermektedir.

Sahnede raylar, bağlantı elemanları, beton taban, katener sistemi ve ses bariyerleri bulunmaktadır.

Ground truth nasıl oluşturuldu?

Doğrulamada kullanılan referans rail tread nokta bulutu deneyimli operatörler tarafından orijinal LiDAR verisinden manuel olarak etiketlenmiştir.

Algoritma sonuçları bu manuel referans set ile point-level düzeyde karşılaştırılmıştır.

Yöntemin Genel İş Akışı Nedir?

Kaynak çalışmanın 5. sayfasındaki Şekil 2, yöntemi iki ana blok altında göstermektedir: filtreleme ve region growing.

İş akışı şu sırayı izler:

1. Orijinal nokta bulutunun toplanması
2. Çok istasyonlu kayıt ve gürültü temizliği
3. Intensity threshold filtering
4. Cloth Simulation Filtering
5. PCA ile normal vektör ve curvature hesabı
6. Geometrik olarak benzer noktaların region growing ile kümelenmesi
7. Küme boyutu filtresi
8. Ray yuvarlanma yüzeyinin çıkarılması

Yoğunluk bilgisi neden kullanılıyor?

LiDAR yalnız XYZ koordinatlarını değil, lazer sinyalinin yüzeyden ne kadar güçlü geri döndüğünü gösteren intensity bilgisini de kaydeder.

Çalışmanın kullandığı veri setinde başlıca yapıların tipik intensity değerleri şöyledir:

Ray yuvarlanma yüzeyinin yoğunluk değerinin 1-4 aralığında toplanması nedeniyle ilk filtre olarak bu değer kullanılmıştır.

Intensity 1-4 Aralığı Evrensel Bir Ray Eşiği midir?

Hayır. Intensity değeri LiDAR cihazı, geliş açısı, yüzey malzemesi, yüzey pürüzlülüğü, uzaklık ve çevre koşullarından etkilenir. Dolayısıyla 1-4 aralığı bu makalede kullanılan Leica P40 verisi ve incelenen saha için deneysel olarak belirlenmiş bir eşiktir.

Farklı sensörlerde aynı ray yüzeyi farklı intensity aralığında ölçülebilir.

İlk filtre ne kadar veri eledi?

Intensity threshold filtering sonrasında nokta sayısı:

58.893.153 → 4.412.356

seviyesine düşmüştür.

Bu yaklaşık olarak orijinal nokta bulutunun büyük çoğunluğunun sonraki geometrik analizlere girmeden elenmesi anlamına gelir.

Kaynak çalışmanın 12. sayfasındaki Şekil 10 bu büyük sadeleşmeyi, Şekil 11 ise ray yan yüzeyindeki noktaların önemli bölümünün de ilk filtreyle azaltıldığını göstermektedir.

Cloth Simulation Filtering nasıl çalışıyor?

Cloth Simulation Filtering algoritmasının temel fikri nokta bulutunu ters çevirmek ve sanal bir kumaş tabakasını ters çevrilmiş yüzeyin üzerine bırakmaktır.

Kumaşın noktalarla etkileşimi sonunda oluşan yüzey, ground ve non-ground ayrımı için kullanılır.

Bu çalışmada amaç klasik arazi modeli üretmekten çok, ray altyapısı bölgesini korurken:

• katener kabloları,
• ses bariyerleri,
• ses bariyeri ek parçaları

gibi yapıların önemli bölümünü temizlemektir.

Cloth Simulation parametreleri

Deneysel ayarlama sonrasında:

kullanılmıştır.

Bu aşama sonrasında nokta sayısı:

4.412.356 → 1.876.460

olmuştur.

PCA ile Normal Vektör Nasıl Hesaplanıyor?

Her noktanın çevresindeki komşu noktalar KD-tree kullanılarak bulunur. Lokal komşuluk için kovaryans matrisi oluşturulur:

\[ C= \frac{1}{k} \sum_{j=1}^{k} (p_j-\bar{p})(p_j-\bar{p})^T \]

Kovaryans matrisinin özdeğer ve özvektörleri:

\[ Cv_i=\lambda_i v_i \]

biçiminde hesaplanır.

En küçük özdeğere karşılık gelen özvektör lokal yüzeyin normal yönü olarak kabul edilir.

Ray yuvarlanma yüzeyinin orta bölgesi yaklaşık düzlemsel olduğundan komşu noktaların normal vektörleri birbirine yakın yönelime sahiptir.

Curvature nasıl hesaplanıyor?

Çalışmada curvature şu yaklaşımla elde edilmiştir:

\[ \sigma(p_i)= \frac{\lambda_0} {\lambda_0+\lambda_1+\lambda_2} \]

Burada \(\lambda_0\), kovaryans matrisinin en küçük özdeğeridir.

Düzlemsel bölgelerde bu oran düşüktür. Keskin geometrik değişimin bulunduğu ray kenarında ise yükselir.

Curvature-Guided Seed Selection Ne İşe Yarıyor?

Klasik region growing algoritmaları başlangıç seed noktasını çoğunlukla rastgele seçebilir. Eğer ilk seed ray kenarı gibi geometrik geçiş bölgesine yakınsa büyüme hedef yüzeyin dışına taşabilir.

Önerilen yöntemde tüm noktalar curvature değerine göre küçükten büyüğe sıralanır.

Henüz bir bölgeye atanmamış en düşük curvature değerine sahip nokta yeni seed olarak seçilir.

Böylece algoritma büyümeye öncelikle ray yuvarlanma yüzeyinin en düz merkez bölgesinden başlar.

Ray kenarında curvature ne oluyor?

Kaynak çalışmanın 11. sayfasındaki Şekil 8, ray tread merkezinde curvature değerinin düşük, rayın yan yüzeyine geçişte ise belirgin biçimde yükseldiğini göstermektedir.

Yazarların deneysel analizinde kenar geçişlerinde curvature değerleri yaklaşık:

0,02 ve üzeri

seviyelere çıkmaktadır.

Bu nedenle yeni seed propagasyonu için:

\[ K_i < 0.02 \]

koşulu kullanılmıştır.

Curvature Eşiği Neden 0,02?

Eşik çok yüksek tutulursa rail side ve beton taban gibi yüksek geometrik değişim gösteren noktalar seed kuyruğuna girebilir ve segmentasyon hedef dışına taşabilir.

Eşik çok düşük tutulursa ise ray yuvarlanma yüzeyinin doğal küçük pürüzlülükleri bile büyümeyi kesebilir ve ray yüzeyi parçalı çıkarılabilir.

Çalışmanın duyarlılık deneylerinde 0,02, bu iki uç durum arasında uygun bir sınır olarak belirlenmiştir.

Normal vektör açısı kısıtı

Seed noktasının KNN komşularıyla normal yönü karşılaştırılır. Komşu nokta ile seed arasındaki açı:

\[ S_i < S_\theta \]

koşulunu sağlıyorsa aynı geometrik bölgeye dahil edilir.

Buradaki \(S_\theta\) smoothing threshold'dur.

Smoothing Threshold Neden 5° Seçildi?

Çalışmada 3°, 4°, 5° ve 6° değerleri karşılaştırılmıştır.

3° gibi düşük eşiklerde precision yüksek olsa da gerçek ray noktalarının önemli bir kısmı kümeye katılamadığı için eksik bölgeler oluşmuştur.

6°'de recall biraz yükselmiş ancak rail side ve çevredeki noktalar kümeye dahil olmaya başladığı için precision keskin biçimde %82,76'ya düşmüştür.

5° değeri tamlık ile sınır doğruluğu arasında en iyi denge olarak seçilmiştir.

Küme boyutu neden kullanılıyor?

Ray bağlantı elemanları ve genleşme derzleri de lokal olarak benzer geometrik özellikler taşıyabilir. Ancak bu objeler süreksiz ve sınırlı boyuttadır.

Ray yuvarlanma yüzeyi ise onlarca metre boyunca devam eden büyük ve sürekli bir bölgedir.

Bu nedenle 20.000 noktadan küçük kümeler nihai rail tread adayı olarak kabul edilmemiştir.

Sonuçta sahnedeki dört sürekli rail tread kümesi korunmuştur.

Çalışmanın Yöntemi ve Bulguları

Veri azaltma zinciri

Üç yöntemin karşılaştırması

Neden Standart Region Growing Daha Yüksek Recall'a Rağmen Daha Kötü Sonuç Veriyor?

Standart region growing gerçek rail tread noktalarının yaklaşık %95,1'ini yakalamaktadır. Ancak ray kenarında büyümeyi yeterince sınırlayamadığı için çok sayıda rail side, fastener base ve benzeri hedef dışı nokta da kümeye katılmaktadır.

Bu nedenle recall yüksek olmasına rağmen precision yalnız %72,3 seviyesinde kalmaktadır.

Önerilen yöntemde recall biraz düşerek %92,2 olurken precision %95,3'e yükselmiş ve toplam F1-score %93,7'ye çıkmıştır.

Euclidean clustering neden zayıf kaldı?

Euclidean clustering yalnız noktaların mekânsal yakınlığına dayanır.

LiDAR nokta aralıkları sahnenin her bölümünde eşit olmadığı için rail tread üzerinde kesikli kümeler oluşmuştur.

Sonuç olarak recall yalnız %45,2 ve F1-score %57,4 seviyesinde kalmıştır.

Nitel karşılaştırma

Kaynak çalışmanın 17. sayfasındaki Şekil 17 üç yöntemi doğrudan karşılaştırmaktadır.

Euclidean clustering ray yüzeyini parçalı kümeler halinde bırakırken standart region growing ray kenarlarında rail side yönüne doğru uzayan “false connection” artefaktları üretmektedir.

Önerilen yöntem ise ray tread boyunca daha bütünlüklü geometri ve daha temiz sınırlar vermektedir.

Nesne düzeyindeki sonuç

Saha içinde bulunan dört rail tread'in tamamı çıkarılmış; fastener, katener sistemi ve ses bariyerleri nihai hedeflerden ayrılmıştır.

Yazarlar bunu object-level değerlendirmede %100 hedef çıkarım doğruluğu olarak bildirmiştir.

Bunun point-level precision ile aynı kavram olmadığı unutulmamalıdır. Nokta düzeyinde precision %95,32'dir.

Yöntemin mühendislik avantajları

• Büyük etiketli eğitim veri seti gerektirmez.
• RGB görüntüsüne ihtiyaç duymaz.
• Metro aracının veya tarayıcının önceden bilinen trajektörünü kullanmaz.
• Ray şablonu veya template matching gerektirmez.
• Balastsız hatlardaki geometric leakage problemine curvature kısıtıyla doğrudan müdahale eder.
• Ön filtreleme sayesinde on milyonlarca noktayı region growing aşamasına göndermek zorunda kalmaz.

Çalışmanın desteklediği sonuçlar

• Intensity ve cloth simulation birlikte güçlü bir ön filtreleme katmanı oluşturabilir.
• Düşük-curvature seed seçimi region growing stabilitesini artırabilir.
• Normal vektör + curvature birlikte kullanıldığında rail edge leakage önemli ölçüde azaltılabilir.
• 5° smoothing threshold bu veri setinde iyi precision-recall dengesi sağlamıştır.
• Önerilen yöntem Euclidean clustering ve standart region growing'den daha yüksek F1-score elde etmiştir.
• RGB veya eğitim verisi olmadan saha LiDAR verisinden rail tread çıkarımı mümkündür.

Çalışmanın desteklemediği genellemeler

• Intensity 1-4 tüm LiDAR sistemlerinde evrensel rail tread değeri değildir.
• Curvature 0,02 tüm demiryolu tipleri için değişmez bir eşik değildir.
• 5° smoothing threshold farklı sensör ve hatlarda yeniden ayarlama gerektirmeyebilir şeklinde bir sonuç çıkarılamaz.
• Yöntemin makas bölgelerinde aynı performansı göstereceği kanıtlanmamıştır.
• Çoklu hat tünellerinde veya yoğun örtüşmeli sahnelerde aynı doğruluk henüz gösterilmemiştir.
• Yöntem gerçek zamanlı çalışabilecek düzeyde optimize edilmiş değildir.
• Derin öğrenme yöntemlerinden genel olarak daha doğru olduğu gösterilmemiştir; yalnız seçilen klasik geometrik baselinelarla doğrudan nicel karşılaştırma yapılmıştır.

Gelecek çalışma

Yazarlar yöntemin turnout bölgeleri, çoklu ray sistemleri ve tünel giriş/çıkışları gibi daha karmaşık geometrilerde sınanmasını önermektedir.

Ayrıca normal estimation ve region growing hesaplama yükünün azaltılması, adaptive zoning ve topology-aware segmentation yöntemlerinin eklenmesi planlanan geliştirmeler arasındadır.

Kaynak ve Yöntem Notu

Özgün çalışma: A Lightweight Rail Tread Extraction Framework for Ballastless Track LiDAR Point Clouds Using Multi-Stage Filtering and Curvature-Guided Region Growing.

Yazarlar: Guizhen He, Rui Zhang ve Yuxin Zhong.

Sorumlu yazar: Guizhen He.

Kurumlar: School of Transportation Engineering, East China Jiaotong University; Fujian Institute of Scientific and Technological Information; Fujian Provincial Key Laboratory of Information and Network.

Yayın: Applied Sciences, 2026, 16, 8791. MDPI.

DOI: 10.3390/app16178791

Yayın süreci: 27 Mayıs 2026'da alınmış, 3 Temmuz 2026'da revize edilmiş, 13 Temmuz 2026'da kabul edilmiş ve 4 Eylül 2026'da yayımlanmıştır.

Hakemlik: Hakemli araştırma makalesidir.

Lisans: Creative Commons Attribution (CC BY).

Saha: Shanghai Metro Line 10, 50 m yükseltilmiş hat kesiti.

LiDAR sistemi: Leica P40 Terrestrial Laser Scanner.

Ana yöntemler: intensity threshold filtering, Cloth Simulation Filtering, KD-tree/KNN, PCA normal estimation, curvature estimation ve curvature-guided region growing.

Ana parametreler: rail tread intensity 1-4; Cloth resolution 2,5; Max iterations 500; Classification threshold 0,7; curvature seed threshold Ki < 0,02; smoothing threshold Sθ = 5°; minimum cluster size 20.000 nokta.

Ana sonuç: Precision %95,32; Recall %92,23; F1-score yaklaşık %93,7.

Finansman: East China Jiaotong University tarafından “Comprehensive Analysis Project for Power Equipment Inspection and Fault Data”, Grant No. 2004525475.

Veri erişilebilirliği: Verilerin sorumlu yazardan talep üzerine alınabileceği, gizlilik kısıtlamaları nedeniyle kamuya açık olmadığı bildirilmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını beyan etmiştir.

Temel sınırlılıklar: Sistem henüz turnout, multi-track tunnel ve tunnel entrance/exit gibi karmaşık sahalarda doğrulanmamıştır. Intensity ve geometrik thresholdlar kullanılan sensör ve sahaya bağlıdır. Normal estimation ve region growing'in hesaplama maliyeti gerçek zamanlı kullanım için hâlen yüksektir.