Uso wa kukanyagia wa reli ni uso wa juu wa kichwa cha reli unaogusana moja kwa moja na gurudumu la treni, na ni eneo lengwa muhimu katika tathmini ya kiotomatiki ya jiometri ya reli, uchakavu na hali ya miundombinu. Katika utafiti huu, mfumo mwepesi wa uchimbaji wa kijiometri umetengenezwa ili kutenganisha uso wa kukanyagia wa reli katika mawingu mazito ya pointi za LiDAR yaliyopatikana kutoka kwenye njia za metro zisizo na ballast, bila kuhitaji picha za RGB, trajektoria ya gari, template matching au data kubwa ya mafunzo iliyowekewa lebo. Mfumo kwanza hutumia thamani za intensity kuondoa kiasi kikubwa cha pointi zisizolengwa, kisha hutumia Cloth Simulation Filtering kuondoa sehemu kubwa ya miundo iliyo nje ya miundombinu ya reli. Kwa pointi zinazobaki, Principal Component Analysis (PCA) hutumika kukokotoa vekta za normal na curvature ya uso. Katika hatua ya mwisho, hutumika algoritimu iliyoboreshwa ya region growing ambapo pointi zenye curvature ndogo huchaguliwa kama pointi za kuanzia zenye kipaumbele na ukuaji huzuiwa kwa mwelekeo wa normal pamoja na curvature.

Katika seti ya data yenye pointi 58.893.153 kutoka sehemu ya uwanjani ya mita 50 kwenye Shanghai Metro Line 10, mbinu iliyopendekezwa ilipata %92,23 recall, %95,32 precision na takriban %93,7 F1-score. Kwenye data hiyo hiyo iliyochakatwa awali, Euclidean clustering ilitoa %57,4, huku standard region growing ikitoa %82,1 F1-score. Faida kuu ya mbinu iliyopendekezwa ni kuchagua low-curvature seed points kutoka sehemu tambarare ya katikati ya uso wa kukanyagia wa reli na kupunguza tatizo la boundary leakage kuelekea uso wa pembeni wa reli kwa kuzuia ukuaji katika kingo za reli ambako thamani ya curvature huongezeka.

Kwa nini uso wa kukanyagia wa reli unahitaji kutolewa kiotomatiki?

Ili mifumo ya reli ya mijini iendeshwe kwa usalama, reli, vipengele vya kuunganisha, mfumo wa catenary na miundo ya kubeba mzigo zinahitaji kufuatiliwa mara kwa mara. Kwa sababu uso wa kukanyagia wa reli hugusana moja kwa moja na gurudumu la treni, una umuhimu maalum katika kutathmini mabadiliko ya kijiometri, uchakavu na hitilafu za uso.

Ingawa mifumo ya kawaida ya upimaji inaweza kutoa usahihi wa juu, upimaji wa mkono katika uendeshaji mzito wa metro huchukua muda na vipindi vya kufikia njia huwa vichache. Kwa kuwa LiDAR inaweza kukusanya mamilioni ya pointi za pande tatu kwa muda mfupi, ni mbadala thabiti katika ukaguzi wa miundombinu ya reli.

Kwa nini segmenti ya LiDAR ni ngumu zaidi kwenye reli zisizo na ballast?

Kwenye reli yenye ballast kuna tofauti dhahiri ya kijiometri kati ya reli na ballast ya mawe inayoizunguka. Kwenye njia isiyo na ballast, kuna msingi endelevu wa saruji chini ya reli, na juu ya msingi huu kunaweza kuwa na viungo vya upanuzi vya chuma, vipengele vya kufunga reli na sehemu mbalimbali za miundombinu.

Baadhi ya miundo hii inaweza kuonyesha intensity au jiometri bapa inayofanana na uso wa kukanyagia wa reli. Hasa kwenye mpito kati ya uso wa juu wa kichwa cha reli na uso wake wa pembeni, vekta za normal hubadilika taratibu, kwa hiyo algoritimu za kawaida za region growing zinaweza kuvuka eneo lengwa.

Utafiti unashughulikia tatizo hili kama boundary leakage, yaani eneo la segmenti kuvuka mpaka wa kijiometri na kuenea kwenye nyuso zisizolengwa.

Data ilikusanywa wapi?

Majaribio yalifanywa katika sehemu ya Shanghai Metro Line 10 ambayo kwa kiasi fulani imeinuliwa.

Leica P40 Terrestrial Laser Scanner ilitumika katika ukusanyaji wa data. Usajili wa mawingu ya pointi kutoka vituo vingi na usafishaji wa pointi za kelele zinazotokana na binadamu ulifanywa kwa Leica Cyclone 9.0.

Sehemu iliyochunguzwa:

• urefu wa njia wa 50 m,
• eneo la takriban 620 m²,
• 58.893.153 pointi,
• msongamano wa wastani wa takriban 9,5 × 10⁴ pointi/m²

inajumuisha vipengele hivyo.

Katika mandhari hiyo kuna reli, vipengele vya kuunganisha, msingi wa saruji, mfumo wa catenary na vizuizi vya kelele.

Ground truth iliundwaje?

Wingu la pointi la marejeo la rail tread lililotumika katika uthibitishaji liliwekewa lebo kwa mkono na waendeshaji wenye uzoefu kutoka kwenye data asili ya LiDAR.

Matokeo ya algoritimu yalilinganishwa na seti hii ya marejeo ya mkono katika kiwango cha point-level.

Mtiririko wa jumla wa kazi wa mbinu ni upi?

Kielelezo 2 kwenye ukurasa wa 5 wa utafiti chanzo kinaonyesha mbinu chini ya vitalu viwili vikuu: filtering na region growing.

Mtiririko wa kazi hufuata mpangilio huu:

1. Kukusanya wingu la pointi asili
2. Usajili wa vituo vingi na usafishaji wa kelele
3. Intensity threshold filtering
4. Cloth Simulation Filtering
5. Kukokotoa vekta za normal na curvature kwa PCA
6. Kukusanya pointi zinazofanana kijiometri kwa region growing
7. Kichujio cha ukubwa wa cluster
8. Kutoa uso wa kukanyagia wa reli

Kwa nini taarifa ya intensity inatumika?

LiDAR hairekodi tu viwianishi vya XYZ, bali pia taarifa ya intensity inayoonyesha jinsi ishara ya leza inavyorudi kwa nguvu kutoka kwenye uso.

Katika seti ya data iliyotumiwa na utafiti huu, thamani za kawaida za intensity za miundo mikuu ni kama ifuatavyo:

Kwa sababu thamani ya intensity ya uso wa kukanyagia wa reli hukusanyika katika masafa ya 1-4, thamani hii ilitumika kama kichujio cha kwanza.

Je, masafa ya Intensity 1-4 ni kizingiti cha jumla kwa reli?

Hapana. Thamani ya Intensity huathiriwa na kifaa cha LiDAR, pembe ya kuingia, nyenzo ya uso, ukwaru wa uso, umbali na hali ya mazingira. Kwa hiyo, masafa ya 1-4 ni kizingiti kilichoamuliwa kwa majaribio kwa data ya Leica P40 iliyotumiwa katika makala hii na eneo lililochunguzwa.

Kwa sensa tofauti, uso uleule wa reli unaweza kupimwa katika masafa tofauti ya intensity.

Kichujio cha kwanza kiliondoa data kiasi gani?

Baada ya Intensity threshold filtering, idadi ya pointi:

58.893.153 → 4.412.356

ilipungua hadi kiwango hiki.

Hii ina maana kuwa sehemu kubwa ya wingu la pointi asili iliondolewa kabla ya kuingia katika uchanganuzi wa kijiometri wa baadaye.

Kielelezo 10 kwenye ukurasa wa 12 wa utafiti chanzo kinaonyesha upunguzaji huu mkubwa, na Kielelezo 11 kinaonyesha kuwa sehemu kubwa ya pointi kwenye uso wa pembeni wa reli pia ilipunguzwa na kichujio cha kwanza.

Cloth Simulation Filtering hufanyaje kazi?

Wazo la msingi la algoritimu ya Cloth Simulation Filtering ni kugeuza wingu la pointi na kuachia tabaka la kitambaa pepe juu ya uso uliogeuzwa.

Uso unaotokana na mwingiliano wa kitambaa na pointi hutumika kutenganisha ground na non-ground.

Katika utafiti huu, lengo si sana kutengeneza mfano wa kawaida wa ardhi, bali kusafisha sehemu kubwa ya miundo kama:

• nyaya za catenary,
• vizuizi vya kelele,
• vipande vya ziada vya vizuizi vya kelele

huku eneo la miundombinu ya reli likihifadhiwa.

Vigezo vya Cloth Simulation

Baada ya urekebishaji wa majaribio:

vilitumika.

Baada ya hatua hii, idadi ya pointi:

4.412.356 → 1.876.460

ilikuwa katika kiwango hiki.

Vekta ya Normal huhesabiwaje kwa PCA?

Pointi jirani zinazozunguka kila pointi hupatikana kwa kutumia KD-tree. Matrix ya covariance huundwa kwa ujirani wa ndani:

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

Eigenvalues na eigenvectors za matrix ya covariance:

\[ Cv_i=\lambda_i v_i \]

huhesabiwa kwa namna hiyo.

Eigenvector inayolingana na eigenvalue ndogo zaidi hukubaliwa kama mwelekeo wa normal wa uso wa ndani.

Kwa sababu eneo la kati la uso wa kukanyagia wa reli ni karibu tambarare, vekta za normal za pointi jirani huwa na mwelekeo unaokaribiana.

Curvature huhesabiwaje?

Katika utafiti, curvature ilipatikana kwa mkabala ufuatao:

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

Hapa \(\lambda_0\) ni eigenvalue ndogo zaidi ya matrix ya covariance.

Katika maeneo bapa uwiano huu ni mdogo. Kwenye kingo za reli ambako kuna mabadiliko makali ya kijiometri, huongezeka.

Curvature-Guided Seed Selection hufanya nini?

Algoritimu za kawaida za region growing mara nyingi zinaweza kuchagua seed point ya kuanzia kwa nasibu. Ikiwa seed ya kwanza iko karibu na eneo la mpito wa kijiometri kama kingo ya reli, ukuaji unaweza kuvuka nje ya uso lengwa.

Katika mbinu iliyopendekezwa, pointi zote hupangwa kutoka ndogo hadi kubwa kulingana na thamani ya curvature.

Pointi yenye thamani ya chini zaidi ya curvature ambayo bado haijapangiwa eneo lolote huchaguliwa kama seed mpya.

Kwa njia hii, algoritimu huanza ukuaji kwanza kutoka eneo la kati lililo tambarare zaidi la uso wa kukanyagia wa reli.

Curvature hubadilika vipi kwenye kingo ya reli?

Kielelezo 8 kwenye ukurasa wa 11 wa utafiti chanzo kinaonyesha kuwa thamani ya curvature ni ndogo katikati ya rail tread, lakini huongezeka wazi katika mpito kuelekea uso wa pembeni wa reli.

Katika uchanganuzi wa majaribio wa waandishi, thamani za curvature katika mipito ya kingo ni takriban:

0,02 na zaidi

na hufikia viwango hivyo.

Kwa hiyo, kwa uenezaji wa seed mpya, sharti:

\[ K_i < 0.02 \]

lilitumika.

Kwa nini kizingiti cha Curvature ni 0,02?

Ikiwa kizingiti kitawekwa juu sana, pointi zinazoonyesha mabadiliko makubwa ya kijiometri kama rail side na msingi wa saruji zinaweza kuingia kwenye foleni ya seed na segmenti ikaenea nje ya lengo.

Ikiwa kizingiti kitawekwa chini sana, hata ukwaru mdogo wa asili wa uso wa kukanyagia wa reli unaweza kusimamisha ukuaji na uso wa reli unaweza kutolewa kwa vipande.

Katika majaribio ya unyeti ya utafiti, 0,02 iliamuliwa kuwa mpaka unaofaa kati ya hali hizi mbili za kupindukia.

Kizuizi cha pembe ya vekta ya normal

Mwelekeo wa normal wa seed point hulinganishwa na majirani zake wa KNN. Ikiwa pembe kati ya pointi jirani na seed inatimiza sharti:

\[ S_i < S_\theta \]

inaingizwa katika eneo lilelile la kijiometri.

Hapa \(S_\theta\) ni smoothing threshold.

Kwa nini Smoothing Threshold ilichaguliwa kuwa 5°?

Katika utafiti, thamani za 3°, 4°, 5° na 6° zililinganishwa.

Katika vizingiti vya chini kama 3°, ingawa precision ni ya juu, maeneo yasiyokamilika yalitokea kwa sababu sehemu kubwa ya pointi halisi za reli haikuweza kujiunga na cluster.

Katika 6°, recall iliongezeka kidogo lakini precision ilishuka kwa kasi hadi %82,76 kwa sababu rail side na pointi za mazingira zilianza kuingia kwenye cluster.

Thamani ya 5° ilichaguliwa kama uwiano bora kati ya ukamilifu na usahihi wa mpaka.

Kwa nini ukubwa wa cluster unatumika?

Vipengele vya kufunga reli na viungo vya upanuzi vinaweza pia kuwa na sifa za kijiometri zinazofanana kwa kiwango cha ndani. Hata hivyo, vitu hivi havina mwendelezo na vina ukubwa mdogo.

Uso wa kukanyagia wa reli, kwa upande mwingine, ni eneo kubwa na endelevu linaloendelea kwa makumi ya mita.

Kwa hiyo, clusters zenye pointi chini ya 20.000 hazikukubaliwa kama wagombea wa mwisho wa rail tread.

Hatimaye, clusters nne endelevu za rail tread katika mandhari zilihifadhiwa.

Mbinu na Matokeo ya Utafiti

Mnyororo wa kupunguza data

Ulinganisho wa mbinu tatu

Kwa nini Standard Region Growing hutoa matokeo mabaya zaidi licha ya Recall ya juu?

Standard region growing hunasa takriban %95,1 ya pointi halisi za rail tread. Hata hivyo, kwa sababu haiwezi kuzuia ukuaji vya kutosha kwenye kingo za reli, pointi nyingi zisizolengwa kama rail side, fastener base na nyingine zinazofanana pia huingia kwenye cluster.

Kwa hiyo, licha ya recall kuwa ya juu, precision hubaki katika kiwango cha %72,3 pekee.

Katika mbinu iliyopendekezwa, recall hupungua kidogo hadi %92,2, huku precision ikiongezeka hadi %95,3 na F1-score ya jumla kufikia %93,7.

Kwa nini Euclidean clustering ilikuwa dhaifu?

Euclidean clustering hutegemea tu ukaribu wa kijiografia wa pointi.

Kwa sababu nafasi kati ya pointi za LiDAR si sawa katika kila sehemu ya mandhari, clusters zilizokatika ziliundwa juu ya rail tread.

Kwa sababu hiyo, recall ilibaki katika %45,2 tu na F1-score katika %57,4.

Ulinganisho wa ubora

Kielelezo 17 kwenye ukurasa wa 17 wa utafiti chanzo kinalinganisha moja kwa moja mbinu hizo tatu.

Wakati Euclidean clustering huacha uso wa reli katika clusters zilizogawanyika, standard region growing hutengeneza artefakti za “false connection” zinazoenea kuelekea rail side kwenye kingo za reli.

Mbinu iliyopendekezwa, kwa upande mwingine, hutoa jiometri iliyo kamili zaidi na mipaka safi zaidi sepanjang rail tread.

Matokeo katika kiwango cha kitu

Rail tread zote nne zilizokuwa katika eneo zilitolewa; fastener, mfumo wa catenary na vizuizi vya kelele vilitenganishwa na malengo ya mwisho.

Waandishi waliripoti hili kama usahihi wa %100 wa kutoa lengo katika tathmini ya object-level.

Ikumbukwe kuwa hii si dhana sawa na point-level precision. Precision katika kiwango cha pointi ni %95,32.

Faida za kihandisi za mbinu

• Haihitaji seti kubwa ya data ya mafunzo iliyowekewa lebo.
• Haihitaji picha ya RGB.
• Haitumii trajektoria inayojulikana mapema ya gari la metro au skana.
• Haihitaji template ya reli au template matching.
• Inashughulikia moja kwa moja tatizo la geometric leakage kwenye njia zisizo na ballast kupitia kizuizi cha curvature.
• Kwa sababu ya uchujaji wa awali, haihitaji kutuma makumi ya mamilioni ya pointi kwenye hatua ya region growing.

Matokeo yanayoungwa mkono na utafiti

• Intensity na cloth simulation kwa pamoja zinaweza kuunda tabaka imara la uchujaji wa awali.
• Uchaguzi wa low-curvature seed unaweza kuongeza uthabiti wa region growing.
• Normal vector + curvature zikitumika pamoja, rail edge leakage inaweza kupunguzwa kwa kiasi kikubwa.
• 5° smoothing threshold ilitoa uwiano mzuri wa precision-recall katika seti hii ya data.
• Mbinu iliyopendekezwa ilipata F1-score ya juu zaidi kuliko Euclidean clustering na standard region growing.
• Inawezekana kutoa rail tread kutoka data ya LiDAR ya uwanjani bila RGB au data ya mafunzo.

Majumuisho yasiyoungwa mkono na utafiti

• Intensity 1-4 si thamani ya jumla ya rail tread kwa mifumo yote ya LiDAR.
• Curvature 0,02 si kizingiti kisichobadilika kwa aina zote za reli.
• Haiwezi kuhitimishwa kuwa 5° smoothing threshold haitahitaji kurekebishwa tena kwa sensa na njia tofauti.
• Haijathibitishwa kuwa mbinu itaonyesha utendaji sawa katika maeneo ya turnout.
• Usahihi sawa bado haujaonyeshwa katika vichuguu vya njia nyingi au mandhari yenye mwingiliano mkubwa.
• Mbinu haijaboreshwa hadi kiwango cha kufanya kazi kwa wakati halisi.
• Haijaonyeshwa kuwa ni sahihi zaidi kwa ujumla kuliko mbinu za deep learning; ulinganisho wa moja kwa moja wa kiasi ulifanywa tu dhidi ya classical geometric baselines zilizochaguliwa.

Utafiti wa baadaye

Waandishi wanapendekeza mbinu ijaribiwe katika jiometri tata zaidi kama maeneo ya turnout, mifumo ya reli nyingi na viingilio/vitokeo vya vichuguu.

Pia, kupunguza mzigo wa kokotozi wa normal estimation na region growing, pamoja na kuongeza mbinu za adaptive zoning na topology-aware segmentation, ni miongoni mwa maboresho yaliyopangwa.

Maelezo ya Chanzo na Mbinu

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

Waandishi: Guizhen He, Rui Zhang na Yuxin Zhong.

Mwandishi wa mawasiliano: Guizhen He.

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

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

DOI: 10.3390/app16178791

Mchakato wa uchapishaji: ilipokelewa 27 Mei 2026, ikarekebishwa 3 Julai 2026, ikakubaliwa 13 Julai 2026 na kuchapishwa 4 Septemba 2026.

Mapitio ya kitaalamu: Ni makala ya utafiti iliyopitiwa na wataalamu.

Leseni: Creative Commons Attribution (CC BY).

Eneo: Shanghai Metro Line 10, sehemu ya njia iliyoinuliwa ya 50 m.

Mfumo wa LiDAR: Leica P40 Terrestrial Laser Scanner.

Mbinu kuu: intensity threshold filtering, Cloth Simulation Filtering, KD-tree/KNN, PCA normal estimation, curvature estimation na curvature-guided region growing.

Vigezo kuu: 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 pointi 20.000.

Matokeo kuu: Precision %95,32; Recall %92,23; F1-score takriban %93,7.

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

Upatikanaji wa data: Iliripotiwa kuwa data inaweza kupatikana kwa ombi kutoka kwa mwandishi wa mawasiliano na kwamba haipatikani hadharani kutokana na vizuizi vya faragha.

Mgongano wa maslahi: Waandishi walitangaza kuwa hakuna mgongano wa maslahi.

Vikwazo vikuu: Mfumo bado haujathibitishwa katika mandhari tata kama turnout, multi-track tunnel na tunnel entrance/exit. Intensity na geometric thresholds zinategemea sensa na eneo lililotumika. Gharama ya kukokotoa ya normal estimation na region growing bado ni kubwa kwa matumizi ya wakati halisi.