Рельстин тоголонуу бети — поезддин дөңгөлөгү түздөн-түз тийген рельс башынын үстүңкү бети жана темир жол геометриясын, эскирүүнү жана инфраструктуранын абалын автоматтык баалоодо маанилүү максаттуу аймак болуп саналат. Бул изилдөөдө балластсыз метро линияларынан алынган тыгыз LiDAR чекит булуттарында рельстин тоголонуу бетин RGB сүрөтүнө, транспорт каражатынын траекториясына, шаблон дал келтирүүгө же чоң көлөмдөгү белгиленген окутуу маалыматтарына муктаж болбостон бөлүп алуу үчүн жеңил геометриялык бөлүп алуу системасы иштелип чыккан. Система адегенде intensity маанилерин колдонуп максатка кирбеген көп сандагы чекиттерди четтетет, андан соң Cloth Simulation Filtering аркылуу рельс инфраструктурасынан тышкары жайгашкан түзүмдөрдүн олуттуу бөлүгүн алып салат. Калган чекиттерде Principal Component Analysis (PCA) колдонулуп, нормал векторлор жана беттин ийрилиги эсептелет. Акыркы этапта ийрилиги төмөн чекиттер артыкчылыктуу баштапкы чекит катары тандалып, нормал багыт менен да, ийрилик менен да чектелген жакшыртылган region growing алгоритми колдонулат.

Shanghai Metro Line 10 линиясындагы 50 метрлик талаа тилкесиндеги 58.893.153 чекиттен турган маалымат топтомунда сунушталган ыкма %92,23 recall, %95,32 precision жана болжол менен %93,7 F1-score көрсөткүчүнө жеткен. Ошол эле алдын ала иштетилген маалыматта Euclidean clustering %57,4, ал эми стандарттык region growing %82,1 F1-score берген. Сунушталган ыкманын негизги артыкчылыгы — рельстин тоголонуу бетинин жалпак борбордук бөлүгүнөн low-curvature seed чекиттерин тандоосу жана curvature мааниси жогорулаган рельс четтеринде өсүүнү чектеп, рельстин каптал бетине карай пайда болгон boundary leakage көйгөйүн азайтуусу.

Рельстин тоголонуу бетин автоматтык түрдө бөлүп алуу эмне үчүн керек?

Шаардык рельстүү системаларды коопсуз пайдалануу үчүн рельстерди, бекитүүчү элементтерди, контакттык тармак системасын жана көтөрүүчү конструкцияларды үзгүлтүксүз көзөмөлдөө зарыл. Рельстин тоголонуу бети поезддин дөңгөлөгү менен түздөн-түз тийишкендиктен, геометриялык бузулуу, эскирүү жана беттик аномалияларды баалоодо өзгөчө мааниге ээ.

Салттуу өлчөө системалары жогорку тактыкты камсыз кыла алганы менен, метро кыймылы жыш болгон шартта кол менен өлчөө көп убакытты талап кылат жана линияга кирүүгө берилген убакыт чектелүү. LiDAR кыска убакытта миллиондогон үч өлчөмдүү чекиттерди чогулта алгандыктан, темир жол инфраструктурасын текшерүүдө күчтүү альтернатива болуп саналат.

Балластсыз рельстерде LiDAR сегментациясы эмне үчүн татаалыраак?

Балласттуу темир жолдо рельс менен анын айланасындагы таш балласттын ортосунда айкын геометриялык айырма бар. Балластсыз линияда болсо рельстердин астында үзгүлтүксүз бетон негиз жатат жана анын үстүндө металл кеңейүү бирикмелери, рельс бекиткичтери жана ар кандай инфраструктуралык бөлүктөр жайгашышы мүмкүн.

Бул түзүмдөрдүн айрымдары рельстин тоголонуу бетине окшош intensity же тегиздик геометриясын көрсөтүшү мүмкүн. Айрыкча рельс башынын үстүңкү бети менен каптал бетинин өтмөгүндө нормал векторлор акырындап өзгөргөндүктөн, классикалык region growing алгоритмдери максаттуу аймактан сыртка жайылып кетиши мүмкүн.

Изилдөө бул көйгөйдү boundary leakage, башкача айтканда сегментация аймагы геометриялык чектен ашып, максаттуу эмес беттерге жайылып кетиши катары карайт.

Маалымат кайдан чогултулган?

Эксперименттер Shanghai Metro Line 10 линиясынын жарым-жартылай эстакадада жайгашкан бөлүгүндө жүргүзүлгөн.

Маалымат чогултууда Leica P40 Terrestrial Laser Scanner колдонулган. Көп станциялуу чекит булуттарын каттоо жана адамдан келип чыккан ызы-чуу чекиттерин тазалоо Leica Cyclone 9.0 аркылуу аткарылган.

Изилденген бөлүк:

• 50 m линия узундугун,
• болжол менен 620 m² аянтты,
• 58.893.153 чекитти,
• болжол менен 9,5 × 10⁴ чекит/m² орточо тыгыздыкты

камтыйт.

Сахнада рельстер, бекитүүчү элементтер, бетон негиз, контакттык тармак системасы жана үн тосмолору бар.

Ground truth кантип түзүлгөн?

Текшерүүдө колдонулган эталондук rail tread чекит булуту тажрыйбалуу операторлор тарабынан баштапкы LiDAR маалыматынан кол менен белгиленген.

Алгоритмдин натыйжалары ушул кол менен даярдалган эталондук топтом менен point-level деңгээлде салыштырылган.

Ыкманын жалпы иш агымы кандай?

Булак изилдөөнүн 5-бетиндеги 2-сүрөт ыкманы эки негизги блок менен көрсөтөт: чыпкалоо жана region growing.

Иш агымы төмөнкү тартипте жүрөт:

1. Баштапкы чекит булутун чогултуу
2. Көп станциялуу каттоо жана ызы-чууну тазалоо
3. Intensity threshold filtering
4. Cloth Simulation Filtering
5. PCA аркылуу нормал векторду жана curvature маанисин эсептөө
6. Геометриялык жактан окшош чекиттерди region growing менен кластерлөө
7. Кластер өлчөмү боюнча чыпкалоо
8. Рельстин тоголонуу бетин бөлүп алуу

Intensity маалыматы эмне үчүн колдонулат?

LiDAR XYZ координаттарын гана эмес, лазер сигналынын беттен канчалык күчтүү кайтып келгенин көрсөткөн intensity маалыматын да жазат.

Изилдөөдө колдонулган маалымат топтомунда негизги түзүмдөрдүн типтүү intensity маанилери төмөнкүдөй:

Рельстин тоголонуу бетинин интенсивдүүлүк мааниси 1-4 диапазонунда топтолгондуктан, биринчи чыпка катары ушул маани колдонулган.

Intensity 1-4 диапазону универсалдуу рельс босогосубу?

Жок. Intensity маанисине LiDAR түзмөгү, түшүү бурчу, беттин материалы, беттин бүдүрлүүлүгү, аралык жана айлана-чөйрө шарттары таасир этет. Ошондуктан 1-4 диапазону бул макалада колдонулган Leica P40 маалыматы жана изилденген талаа үчүн эксперимент аркылуу аныкталган босого болуп саналат.

Ар башка сенсорлордо бир эле рельс бети башка intensity диапазонунда өлчөнүшү мүмкүн.

Биринчи чыпка канча маалыматты алып салды?

Intensity threshold filtering кийин чекиттердин саны:

58.893.153 → 4.412.356

деңгээлине чейин азайган.

Бул баштапкы чекит булутунун басымдуу бөлүгү кийинки геометриялык анализдерге кирбей туруп эле четтетилгенин билдирет.

Булак изилдөөнүн 12-бетиндеги 10-сүрөт бул олуттуу жөнөкөйлөтүүнү, ал эми 11-сүрөт рельстин каптал бетиндеги чекиттердин олуттуу бөлүгү да биринчи чыпка менен азайтылганын көрсөтөт.

Cloth Simulation Filtering кантип иштейт?

Cloth Simulation Filtering алгоритминин негизги идеясы — чекит булутун тескери буруп, виртуалдык кездеме катмарын тескери бурулган беттин үстүнө түшүрүү.

Кездеменин чекиттер менен өз ара аракеттенүүсүнүн жыйынтыгында пайда болгон бет ground жана non-ground бөлүү үчүн колдонулат.

Бул изилдөөдө максат классикалык жер бедеринин моделин түзүүдөн көрө, рельс инфраструктурасынын аймагын сактоо менен:

• контакттык тармак кабелдерин,
• үн тосмолорун,
• үн тосмосунун кошумча бөлүктөрүн

сыяктуу түзүмдөрдүн олуттуу бөлүгүн тазалоо болуп саналат.

Cloth Simulation параметрлери

Эксперименттик жөндөөдөн кийин:

колдонулган.

Бул этаптан кийин чекиттердин саны:

4.412.356 → 1.876.460

болгон.

PCA аркылуу нормал вектор кантип эсептелет?

Ар бир чекиттин айланасындагы коңшу чекиттер KD-tree аркылуу табылат. Локалдык коңшулук үчүн ковариация матрицасы түзүлөт:

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

Ковариация матрицасынын өздүк маанилери жана өздүк векторлору:

\[ Cv_i=\lambda_i v_i \]

түрүндө эсептелет.

Эң кичине өздүк мааниге туура келген өздүк вектор локалдык беттин нормал багыты катары кабыл алынат.

Рельстин тоголонуу бетинин ортоңку бөлүгү болжол менен тегиз болгондуктан, коңшу чекиттердин нормал векторлору бири-бирине жакын багытта болот.

Curvature кантип эсептелет?

Изилдөөдө curvature төмөнкү ыкма менен алынган:

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

Бул жерде \(\lambda_0\) — ковариация матрицасынын эң кичине өздүк мааниси.

Тегиз аймактарда бул катыш төмөн. Рельстин кескин геометриялык өзгөрүү болгон четинде болсо жогорулайт.

Curvature-Guided Seed Selection эмне үчүн керек?

Классикалык region growing алгоритмдери баштапкы seed чекитин көбүнчө кокустук түрдө тандашы мүмкүн. Эгер биринчи seed рельс чети сыяктуу геометриялык өтмө аймакка жакын болсо, өсүү максаттуу беттен сыртка чыгып кетиши мүмкүн.

Сунушталган ыкмада бардык чекиттер curvature мааниси боюнча кичинеден чоңго иреттелет.

Азырынча эч бир аймакка таандык кылынбаган эң төмөн curvature маанисине ээ чекит жаңы seed катары тандалат.

Ошентип, алгоритм өсүүнү адегенде рельстин тоголонуу бетинин эң тегиз борбордук бөлүгүнөн баштайт.

Рельс четинде curvature кандай өзгөрөт?

Булак изилдөөнүн 11-бетиндеги 8-сүрөт rail tread борборунда curvature мааниси төмөн, ал эми рельстин каптал бетине өткөндө даана жогорулай турганын көрсөтөт.

Авторлордун эксперименттик талдоосунда четки өтмөктөрдө curvature маанилери болжол менен:

0,02 жана андан жогору

деңгээлдерге чыгат.

Ошондуктан жаңы seed таралышы үчүн:

\[ K_i < 0.02 \]

шарты колдонулган.

Curvature босогосу эмне үчүн 0,02?

Босого өтө жогору коюлса, rail side жана бетон негиз сыяктуу геометриялык өзгөрүүсү жогору чекиттер seed кезегине кирип, сегментация максаттуу аймактан сыртка жайылышы мүмкүн.

Босого өтө төмөн коюлса, рельстин тоголонуу бетинин табигый майда бүдүрлөрү да өсүүнү токтотуп, рельс бети бөлүк-бөлүк болуп бөлүнүп чыгышы мүмкүн.

Изилдөөнүн сезгичтик эксперименттеринде 0,02 ушул эки чектен чыккан абалдын ортосунда ылайыктуу чек катары аныкталган.

Нормал вектор бурчунун чектөөсү

Seed чекитинин нормал багыты KNN коңшулары менен салыштырылат. Коңшу чекит менен seed ортосундагы бурч:

\[ S_i < S_\theta \]

шартын аткарса, ошол эле геометриялык аймакка кошулат.

Бул жердеги \(S_\theta\) smoothing threshold болуп саналат.

Smoothing Threshold эмне үчүн 5° болуп тандалган?

Изилдөөдө 3°, 4°, 5° жана 6° маанилери салыштырылган.

3° сыяктуу төмөн босоголордо precision жогору болгону менен, чыныгы рельс чекиттеринин олуттуу бөлүгү кластерге кошула албагандыктан толук эмес аймактар пайда болгон.

6° болгондо recall бир аз жогорулаган, бирок rail side жана айланадагы чекиттер кластерге кошула баштагандыктан precision кескин түрдө %82,76 деңгээлине түшкөн.

5° мааниси толуктук менен чек тактыгынын ортосундагы эң жакшы тең салмак катары тандалган.

Кластер өлчөмү эмне үчүн колдонулат?

Рельс бекиткичтери жана кеңейүү бирикмелери да локалдык түрдө окшош геометриялык өзгөчөлүктөрдү көрсөтүшү мүмкүн. Бирок бул объекттер үзгүлтүктүү жана көлөмү чектелүү.

Рельстин тоголонуу бети болсо ондогон метрге созулган чоң жана үзгүлтүксүз аймак.

Ошондуктан 20.000 чекиттен кичине кластерлер акыркы rail tread талапкери катары кабыл алынган эмес.

Натыйжада сахнадагы төрт үзгүлтүксүз rail tread кластери сакталган.

Изилдөөнүн ыкмасы жана жыйынтыктары

Маалыматты азайтуу тизмеги

Үч ыкманы салыштыруу

Эмне үчүн стандарттык Region Growing Recall жогору болгонуна карабай начарыраак натыйжа берет?

Стандарттык region growing чыныгы rail tread чекиттеринин болжол менен %95,1 бөлүгүн табат. Бирок рельс четинде өсүүнү жетиштүү чектей албагандыктан, көп сандагы rail side, fastener base жана ушуга окшогон максаттуу эмес чекиттер да кластерге кошулат.

Ошондуктан recall жогору болгонуна карабай precision болгону %72,3 деңгээлинде калат.

Сунушталган ыкмада recall бир аз төмөндөп %92,2 болсо, precision %95,3 деңгээлине жогорулап, жалпы F1-score %93,7 деңгээлине жетет.

Euclidean clustering эмне үчүн начар болду?

Euclidean clustering чекиттердин мейкиндиктеги жакындыгына гана таянат.

LiDAR чекиттеринин аралыгы сахнанын бардык бөлүгүндө бирдей болбогондуктан, rail tread үстүндө үзүлмө кластерлер пайда болгон.

Натыйжада recall болгону %45,2, ал эми F1-score %57,4 деңгээлинде калган.

Сапаттык салыштыруу

Булак изилдөөнүн 17-бетиндеги 17-сүрөт үч ыкманы түздөн-түз салыштырат.

Euclidean clustering рельс бетин бөлүнгөн кластерлер түрүндө калтырса, стандарттык region growing рельс четтеринде rail side багытына созулган “false connection” артефакттарын жаратат.

Сунушталган ыкма болсо rail tread боюнча бүтүнүрөөк геометрияны жана тазараак чектерди берет.

Объект деңгээлиндеги жыйынтык

Талаадагы төрт rail tread толугу менен бөлүнүп алынган; fastener, контакттык тармак системасы жана үн тосмолору акыркы максаттуу объекттерден ажыратылган.

Авторлор муну object-level баалоодо %100 максаттуу бөлүп алуу тактыгы катары билдиришкен.

Бул point-level precision менен бир эле түшүнүк эмес экенин эске алуу керек. Чекит деңгээлиндеги precision %95,32.

Ыкманын инженердик артыкчылыктары

• Чоң белгиленген окутуу маалымат топтомун талап кылбайт.
• RGB сүрөтүнө муктаж эмес.
• Метро транспорт каражатынын же сканердин алдын ала белгилүү траекториясын колдонбойт.
• Рельс шаблонун же template matching талап кылбайт.
• Балластсыз линиялардагы geometric leakage көйгөйүнө curvature чектөөсү аркылуу түздөн-түз таасир этет.
• Алдын ала чыпкалоонун аркасында ондогон миллион чекитти region growing этабына жөнөтүүнүн зарылдыгы жок.

Изилдөө колдогон жыйынтыктар

• Intensity жана cloth simulation бирге күчтүү алдын ала чыпкалоо катмарын түзө алат.
• Low-curvature seed тандоо region growing туруктуулугун жогорулата алат.
• Нормал вектор + curvature бирге колдонулганда rail edge leakage олуттуу азайтылышы мүмкүн.
• 5° smoothing threshold бул маалымат топтомунда жакшы precision-recall тең салмагын камсыз кылган.
• Сунушталган ыкма Euclidean clustering жана стандарттык region growing ыкмаларына караганда жогору F1-score алган.
• RGB же окутуу маалыматтары жок эле талаалык LiDAR маалыматынан rail tread бөлүп алуу мүмкүн.

Изилдөө колдобогон жалпылоолор

• Intensity 1-4 бардык LiDAR системаларында универсалдуу rail tread мааниси эмес.
• Curvature 0,02 бардык темир жол түрлөрү үчүн өзгөрбөс босого эмес.
• 5° smoothing threshold ар башка сенсорлордо жана линияларда кайра жөндөөнү талап кылбайт деген жыйынтык чыгарууга болбойт.
• Ыкма темир жол бурулма аймактарында ошол эле көрсөткүчтү берери далилденген эмес.
• Көп жолдуу туннелдерде же катуу кабатташкан сахналарда ошол эле тактык али көрсөтүлгөн эмес.
• Ыкма реалдуу убакытта иштей турган деңгээлде оптималдаштырылган эмес.
• Терең үйрөнүү ыкмаларынан жалпысынан тагыраак экени көрсөтүлгөн эмес; тандалган классикалык геометриялык baseline ыкмалары менен гана түз сандык салыштыруу жүргүзүлгөн.

Келечектеги изилдөө

Авторлор ыкманы turnout аймактары, көп рельстүү системалар жана туннелдин кирүү/чыгуу бөлүктөрү сыяктуу татаалыраак геометрияларда сыноону сунушташат.

Мындан тышкары normal estimation жана region growing эсептөө жүгүн азайтуу, adaptive zoning жана topology-aware segmentation ыкмаларын кошуу пландалган жакшыртуулардын катарына кирет.

Булак жана ыкма жөнүндө эскертүү

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

Авторлор: Guizhen He, Rui Zhang жана Yuxin Zhong.

Жооптуу автор: Guizhen He.

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

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

DOI: 10.3390/app16178791

Жарыялоо процесси: 27-май 2026 күнү алынган, 3-июль 2026 күнү кайра каралган, 13-июль 2026 күнү кабыл алынган жана 4-сентябрь 2026 күнү жарыяланган.

Рецензиялоо: Рецензияланган изилдөө макаласы.

Лицензия: Creative Commons Attribution (CC BY).

Талаа: Shanghai Metro Line 10, 50 m эстакадалык линия тилкеси.

LiDAR системасы: Leica P40 Terrestrial Laser Scanner.

Негизги ыкмалар: intensity threshold filtering, Cloth Simulation Filtering, KD-tree/KNN, PCA normal estimation, curvature estimation жана curvature-guided region growing.

Негизги параметрлер: 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 чекит.

Негизги жыйынтык: Precision %95,32; Recall %92,23; F1-score болжол менен %93,7.

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

Маалыматтардын жеткиликтүүлүгү: Маалыматтарды жооптуу автордон суроо боюнча алууга болору, купуялуулук чектөөлөрүнө байланыштуу коомчулукка ачык эмес экени билдирилген.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен.

Негизги чектөөлөр: Система азырынча turnout, multi-track tunnel жана tunnel entrance/exit сыяктуу татаал сахналарда текшерилген эмес. Intensity жана геометриялык threshold маанилери колдонулган сенсорго жана талаага көз каранды. Normal estimation жана region growing эсептөө чыгымы реалдуу убакыттагы колдонуу үчүн дагы эле жогору.