Relsning dumalanish yuzasi poyezd gʻildiragi bevosita tegadigan rels kallagining yuqori yuzasi boʻlib, temir yoʻl geometriyasi, yeyilish va infratuzilma holatini avtomatik baholashda muhim nishon hudud hisoblanadi. Ushbu tadqiqotda ballastiz metro liniyalaridan olingan zich LiDAR nuqta bulutlarida relsning dumalanish yuzasini RGB tasviri, transport vositasi trayektoriyasi, shablonni moslashtirish yoki katta hajmdagi belgilangan oʻquv maʼlumotlarisiz ajratib olish uchun yengil geometrik ekstraksiya tizimi ishlab chiqilgan. Tizim avval intensivlik qiymatlaridan foydalanib nishonga kirmaydigan nuqtalarning katta qismini chiqarib tashlaydi, soʻng Cloth Simulation Filtering yordamida rels infratuzilmasidan tashqaridagi tuzilmalarning muhim qismini olib tashlaydi. Qolgan nuqtalarda Principal Component Analysis (PCA) qoʻllanib, normal vektorlar va sirt egriligi hisoblanadi. Yakuniy bosqichda egriligi past nuqtalar ustuvor boshlangʻich nuqtalar sifatida tanlanadigan va ham normal yoʻnalish, ham egrilik bilan cheklanadigan takomillashtirilgan region growing algoritmi qoʻllanadi.

Shanghai Metro Line 10 dagi 50 metrlik dala kesimida joylashgan 58.893.153 nuqtali maʼlumotlar toʻplamida taklif etilgan usul %92,23 recall, %95,32 precision va taxminan %93,7 F1-score natijasiga erishgan. Xuddi shu oldindan qayta ishlangan maʼlumotda Euclidean clustering %57,4, standart region growing esa %82,1 F1-score bergan. Taklif etilgan usulning asosiy afzalligi rels dumalanish yuzasining tekis markaziy qismidan low-curvature seed nuqtalarini tanlashi va curvature qiymati oshadigan rels chetlarida oʻsishni cheklab, relsning yon yuzasi tomon yuz beradigan boundary leakage muammosini kamaytirishidir.

Nega rels dumalanish yuzasini avtomatik ajratib olish kerak?

Shahar relsli transport tizimlarining xavfsiz ishlashi uchun relslar, biriktiruvchi elementlar, kontakt tarmogʻi tizimi va tayanch konstruksiyalar muntazam kuzatib borilishi kerak. Relsning dumalanish yuzasi poyezd gʻildiragi bilan bevosita tegishgani sababli geometrik buzilish, yeyilish va sirt anomaliyalarini baholashda alohida ahamiyatga ega.

Anʼanaviy oʻlchash tizimlari yuqori aniqlikni taʼminlashi mumkin boʻlsa-da, zich metro ekspluatatsiyasida qoʻlda oʻlchash koʻp vaqt oladi va liniyaga kirish vaqtlari cheklangan. LiDAR qisqa vaqt ichida millionlab uch oʻlchamli nuqtalarni toʻplay olgani uchun temir yoʻl infratuzilmasini tekshirishda kuchli muqobildir.

Ballastiz relslarda LiDAR segmentatsiyasi nega qiyinroq?

Ballastli temir yoʻlda rels bilan uning atrofidagi tosh ballast oʻrtasida aniq geometrik farq mavjud. Ballastiz liniyada esa relslar ostida uzluksiz beton asos boʻladi va uning ustida metall kengayish choklari, rels biriktiruvchi elementlari hamda turli infratuzilma qismlari joylashishi mumkin.

Bu tuzilmalarning ayrimlari relsning dumalanish yuzasiga oʻxshash intensivlik yoki tekislik geometriyasini koʻrsatishi mumkin. Ayniqsa rels kallagining yuqori yuzasi bilan yon yuzasi oʻrtasidagi oʻtishda normal vektorlar bosqichma-bosqich oʻzgargani uchun klassik region growing algoritmlari nishon hududidan tashqariga chiqib ketishi mumkin.

Tadqiqot bu muammoni boundary leakage, yaʼni segmentatsiya hududining geometrik chegaradan oʻtib nishon boʻlmagan yuzalarga tarqalishi sifatida koʻrib chiqadi.

Maʼlumot qayerdan toʻplangan?

Tajribalar Shanghai Metro Line 10 ning qisman estakada ustidagi qismida oʻtkazilgan.

Maʼlumot toʻplashda Leica P40 Terrestrial Laser Scanner ishlatilgan. Koʻp stansiyali nuqta bulutlarini roʻyxatdan oʻtkazish va inson sababli shovqin nuqtalarini tozalash Leica Cyclone 9.0 yordamida amalga oshirilgan.

Oʻrganilgan qism:

• 50 m liniya uzunligi,
• taxminan 620 m² maydon,
• 58.893.153 nuqta,
• taxminan 9,5 × 10⁴ nuqta/m² oʻrtacha zichlik

ni oʻz ichiga oladi.

Sahnada relslar, biriktiruvchi elementlar, beton asos, kontakt tarmogʻi tizimi va shovqin toʻsiqlari mavjud.

Ground truth qanday yaratilgan?

Tekshirishda ishlatilgan etalon rail tread nuqta buluti tajribali operatorlar tomonidan original LiDAR maʼlumotidan qoʻlda belgilangan.

Algoritm natijalari ushbu qoʻlda tayyorlangan etalon toʻplam bilan point-level darajada taqqoslangan.

Usulning umumiy ish jarayoni qanday?

Manba tadqiqotning 5-sahifasidagi 2-rasm usulni ikkita asosiy blok ostida koʻrsatadi: filtrlash va region growing.

Ish jarayoni quyidagi ketma-ketlikda bajariladi:

1. Original nuqta bulutini toʻplash
2. Koʻp stansiyali roʻyxatdan oʻtkazish va shovqinni tozalash
3. Intensity threshold filtering
4. Cloth Simulation Filtering
5. PCA yordamida normal vektor va curvature hisoblash
6. Geometrik jihatdan oʻxshash nuqtalarni region growing bilan klasterlash
7. Klaster oʻlchami filtri
8. Relsning dumalanish yuzasini ajratib olish

Nega intensivlik maʼlumoti ishlatiladi?

LiDAR faqat XYZ koordinatalarini emas, balki lazer signalining sirtdan qanchalik kuchli qaytishini koʻrsatuvchi intensity maʼlumotini ham qayd etadi.

Tadqiqotda ishlatilgan maʼlumotlar toʻplamida asosiy tuzilmalarning odatiy intensity qiymatlari quyidagicha:

Rels dumalanish yuzasining intensivlik qiymati 1-4 oraligʻida jamlangani sababli birinchi filtr sifatida shu qiymat ishlatilgan.

Intensity 1-4 oraligʻi universal rels chegarasimi?

Yoʻq. Intensity qiymatiga LiDAR qurilmasi, tushish burchagi, sirt materiali, sirt gʻadir-budurligi, masofa va atrof-muhit sharoitlari taʼsir qiladi. Shu sababli 1-4 oraligʻi ushbu maqolada ishlatilgan Leica P40 maʼlumotlari va oʻrganilgan dala maydoni uchun tajriba yoʻli bilan aniqlangan chegaradir.

Turli sensorlarda bir xil rels yuzasi boshqa intensity oraligʻida oʻlchanishi mumkin.

Birinchi filtr qancha maʼlumotni chiqarib tashladi?

Intensity threshold filtering dan keyin nuqtalar soni:

58.893.153 → 4.412.356

darajasigacha kamaygan.

Bu original nuqta bulutining katta qismi keyingi geometrik tahlillarga kirmasdan chiqarib tashlanganini anglatadi.

Manba tadqiqotning 12-sahifasidagi 10-rasm bu katta soddalashuvni, 11-rasm esa relsning yon yuzasidagi nuqtalarning muhim qismi ham birinchi filtr bilan kamaytirilganini koʻrsatadi.

Cloth Simulation Filtering qanday ishlaydi?

Cloth Simulation Filtering algoritmining asosiy gʻoyasi nuqta bulutini teskari aylantirish va virtual mato qatlamini teskari aylantirilgan sirt ustiga tashlashdan iborat.

Matoning nuqtalar bilan oʻzaro taʼsiri natijasida hosil boʻlgan sirt ground va non-ground ajratish uchun ishlatiladi.

Ushbu tadqiqotda maqsad klassik relyef modelini yaratishdan koʻra, rels infratuzilmasi hududini saqlab qolgan holda:

• kontakt tarmogʻi kabellari,
• shovqin toʻsiqlari,
• shovqin toʻsigʻining qoʻshimcha qismlari

kabi tuzilmalarning muhim qismini tozalashdir.

Cloth Simulation parametrlari

Tajriba asosidagi sozlashdan soʻng:

ishlatilgan.

Ushbu bosqichdan keyin nuqtalar soni:

4.412.356 → 1.876.460

boʻlgan.

PCA yordamida normal vektor qanday hisoblanadi?

Har bir nuqta atrofidagi qoʻshni nuqtalar KD-tree yordamida topiladi. Lokal qoʻshnilik uchun kovariatsiya matritsasi tuziladi:

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

Kovariatsiya matritsasining xos qiymatlari va xos vektorlari:

\[ Cv_i=\lambda_i v_i \]

koʻrinishida hisoblanadi.

Eng kichik xos qiymatga mos xos vektor lokal sirtning normal yoʻnalishi deb qabul qilinadi.

Rels dumalanish yuzasining oʻrta qismi taxminan tekis boʻlgani uchun qoʻshni nuqtalarning normal vektorlari bir-biriga yaqin yoʻnalgan boʻladi.

Curvature qanday hisoblanadi?

Tadqiqotda curvature quyidagi yondashuv bilan olingan:

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

Bu yerda \(\lambda_0\) kovariatsiya matritsasining eng kichik xos qiymatidir.

Tekis hududlarda bu nisbat past boʻladi. Keskin geometrik oʻzgarish mavjud boʻlgan rels chetida esa ortadi.

Curvature-Guided Seed Selection nima uchun kerak?

Klassik region growing algoritmlari boshlangʻich seed nuqtasini koʻpincha tasodifiy tanlashi mumkin. Agar dastlabki seed rels cheti kabi geometrik oʻtish hududiga yaqin boʻlsa, oʻsish nishon yuzasidan tashqariga chiqishi mumkin.

Taklif etilgan usulda barcha nuqtalar curvature qiymatiga koʻra kichikdan kattaga saralanadi.

Hali biror hududga biriktirilmagan eng past curvature qiymatiga ega nuqta yangi seed sifatida tanlanadi.

Shunday qilib, algoritm oʻsishni avvalo rels dumalanish yuzasining eng tekis markaziy qismidan boshlaydi.

Rels chetida curvature nima boʻladi?

Manba tadqiqotning 11-sahifasidagi 8-rasm rail tread markazida curvature qiymati past, relsning yon yuzasiga oʻtishda esa aniq oshishini koʻrsatadi.

Mualliflarning tajribaviy tahlilida chekka oʻtishlarda curvature qiymatlari taxminan:

0,02 va undan yuqori

darajalarga chiqadi.

Shu sababli yangi seed propagatsiyasi uchun:

\[ K_i < 0.02 \]

sharti ishlatilgan.

Curvature chegarasi nega 0,02?

Chegara juda yuqori qoʻyilsa, rail side va beton asos kabi katta geometrik oʻzgarishni koʻrsatuvchi nuqtalar seed navbatiga kirishi va segmentatsiya nishondan tashqariga tarqalishi mumkin.

Chegara juda past qoʻyilsa esa, rels dumalanish yuzasining tabiiy kichik gʻadir-budurliklari ham oʻsishni toʻxtatishi va rels yuzasi parchalangan holda ajratilishi mumkin.

Tadqiqotning sezgirlik tajribalarida 0,02 ushbu ikki chekka holat oʻrtasidagi mos chegara sifatida aniqlangan.

Normal vektor burchagi cheklovi

Seed nuqtasining normal yoʻnalishi KNN qoʻshnilari bilan taqqoslanadi. Qoʻshni nuqta bilan seed oʻrtasidagi burchak:

\[ S_i < S_\theta \]

shartini qanoatlantirsa, u bir xil geometrik hududga kiritiladi.

Bu yerdagi \(S_\theta\) smoothing threshold dir.

Smoothing Threshold nega 5° tanlangan?

Tadqiqotda 3°, 4°, 5° va 6° qiymatlari taqqoslangan.

3° kabi past chegaralarda precision yuqori boʻlsa-da, haqiqiy rels nuqtalarining muhim qismi klasterga qoʻshila olmagani sababli toʻliq boʻlmagan hududlar paydo boʻlgan.

6° da recall biroz oshgan, ammo rail side va atrofdagi nuqtalar klasterga kira boshlagani uchun precision keskin ravishda %82,76 gacha tushgan.

5° qiymati toʻliqlik bilan chegara aniqligi oʻrtasidagi eng yaxshi muvozanat sifatida tanlangan.

Nega klaster oʻlchamidan foydalaniladi?

Rels biriktiruvchi elementlari va kengayish choklari ham lokal ravishda oʻxshash geometrik xususiyatlarga ega boʻlishi mumkin. Biroq bu obyektlar uzlukli va cheklangan oʻlchamga ega.

Relsning dumalanish yuzasi esa oʻnlab metr davom etadigan katta va uzluksiz hududdir.

Shu sababli 20.000 nuqtadan kichik klasterlar yakuniy rail tread nomzodi sifatida qabul qilinmagan.

Natijada sahnadagi toʻrtta uzluksiz rail tread klasteri saqlab qolingan.

Tadqiqot usuli va natijalari

Maʼlumotni kamaytirish zanjiri

Uch usulni taqqoslash

Nega standart Region Growing yuqoriroq Recall ga qaramay yomonroq natija beradi?

Standart region growing haqiqiy rail tread nuqtalarining taxminan %95,1 ini aniqlaydi. Biroq rels chetida oʻsishni yetarlicha cheklay olmagani uchun koʻplab rail side, fastener base va shunga oʻxshash nishondan tashqari nuqtalar ham klasterga qoʻshiladi.

Shu sababli recall yuqori boʻlishiga qaramay, precision faqat %72,3 darajasida qoladi.

Taklif etilgan usulda recall biroz pasayib %92,2 boʻladi, precision esa %95,3 gacha koʻtarilib, umumiy F1-score %93,7 ga yetadi.

Euclidean clustering nega sust natija berdi?

Euclidean clustering faqat nuqtalarning fazoviy yaqinligiga tayanadi.

LiDAR nuqtalari oraligʻi sahnaning barcha qismlarida bir xil boʻlmagani sababli rail tread ustida uzlukli klasterlar hosil boʻlgan.

Natijada recall faqat %45,2 va F1-score %57,4 darajasida qolgan.

Sifatli taqqoslash

Manba tadqiqotning 17-sahifasidagi 17-rasm uch usulni bevosita taqqoslaydi.

Euclidean clustering rels yuzasini parchalangan klasterlar holida qoldirgan boʻlsa, standart region growing rels chetlarida rail side tomonga choʻzilgan “false connection” artefaktlarini hosil qiladi.

Taklif etilgan usul esa rail tread boʻylab yaxlitroq geometriya va tozaroq chegaralarni beradi.

Obyekt darajasidagi natija

Dala hududidagi toʻrtta rail tread ning barchasi ajratib olingan; fastener, kontakt tarmogʻi tizimi va shovqin toʻsiqlari yakuniy nishonlardan ajratilgan.

Mualliflar buni object-level baholashda %100 nishonni ajratib olish aniqligi sifatida bildirgan.

Bu point-level precision bilan bir xil tushuncha emasligini unutmaslik kerak. Nuqta darajasidagi precision %95,32.

Usulning muhandislik afzalliklari

• Katta belgilangan oʻquv maʼlumotlari toʻplamini talab qilmaydi.
• RGB tasviriga ehtiyoj sezmaydi.
• Metro transport vositasi yoki skanerning oldindan maʼlum trayektoriyasidan foydalanmaydi.
• Rels shabloni yoki template matching talab qilmaydi.
• Ballastiz liniyalardagi geometric leakage muammosiga curvature cheklovi bilan toʻgʻridan-toʻgʻri taʼsir qiladi.
• Oldindan filtrlash tufayli oʻn millionlab nuqtalarni region growing bosqichiga yuborishga hojat qolmaydi.

Tadqiqot qoʻllab-quvvatlaydigan xulosalar

• Intensity va cloth simulation birgalikda kuchli oldindan filtrlash qatlamini yaratishi mumkin.
• Low-curvature seed tanlash region growing barqarorligini oshirishi mumkin.
• Normal vektor + curvature birgalikda ishlatilganda rail edge leakage sezilarli darajada kamaytirilishi mumkin.
• 5° smoothing threshold ushbu maʼlumotlar toʻplamida yaxshi precision-recall muvozanatini taʼminlagan.
• Taklif etilgan usul Euclidean clustering va standart region growing ga qaraganda yuqoriroq F1-score olgan.
• RGB yoki oʻquv maʼlumotlarisiz dala LiDAR maʼlumotlaridan rail tread ni ajratib olish mumkin.

Tadqiqot qoʻllab-quvvatlamaydigan umumlashtirishlar

• Intensity 1-4 barcha LiDAR tizimlarida universal rail tread qiymati emas.
• Curvature 0,02 barcha temir yoʻl turlari uchun oʻzgarmas chegara emas.
• 5° smoothing threshold turli sensor va liniyalarda qayta sozlashni talab qilmasligi mumkin degan xulosani chiqarib boʻlmaydi.
• Usulning strelkali oʻtkazgich hududlarida xuddi shu samaradorlikni koʻrsatishi isbotlanmagan.
• Koʻp yoʻlli tunnellarda yoki zich ustma-ust tushuvchi sahnalarda xuddi shu aniqlik hali koʻrsatilmagan.
• Usul real vaqt rejimida ishlash darajasida optimallashtirilmagan.
• Chuqur oʻrganish usullaridan umuman olganda aniqroq ekani koʻrsatilmagan; faqat tanlangan klassik geometrik baseline lar bilan toʻgʻridan-toʻgʻri miqdoriy taqqoslash oʻtkazilgan.

Kelgusi tadqiqotlar

Mualliflar usulni turnout hududlari, koʻp relsli tizimlar va tunnel kirish/chiqishlari kabi murakkabroq geometriyalarda sinashni tavsiya qiladi.

Shuningdek, normal estimation va region growing hisoblash yukini kamaytirish, adaptive zoning va topology-aware segmentation usullarini qoʻshish rejalashtirilgan rivojlantirishlar qatoriga kiradi.

Manba va usul haqida izoh

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

Mualliflar: Guizhen He, Rui Zhang va Yuxin Zhong.

Masʼul muallif: Guizhen He.

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

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

DOI: 10.3390/app16178791

Nashr jarayoni: 27 may 2026 da qabul qilingan, 3 iyul 2026 da qayta koʻrib chiqilgan, 13 iyul 2026 da qabul qilingan va 4 sentabr 2026 da nashr etilgan.

Taqriz: Taqrizdan oʻtgan tadqiqot maqolasidir.

Litsenziya: Creative Commons Attribution (CC BY).

Dala: Shanghai Metro Line 10, 50 m estakada liniyasi kesimi.

LiDAR tizimi: Leica P40 Terrestrial Laser Scanner.

Asosiy usullar: intensity threshold filtering, Cloth Simulation Filtering, KD-tree/KNN, PCA normal estimation, curvature estimation va curvature-guided region growing.

Asosiy parametrlar: 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 nuqta.

Asosiy natija: Precision %95,32; Recall %92,23; F1-score taxminan %93,7.

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

Maʼlumotlar mavjudligi: Maʼlumotlarni masʼul muallifdan soʻrov asosida olish mumkinligi, maxfiylik cheklovlari sababli ular ommaga ochiq emasligi bildirilgan.

Manfaatlar toʻqnashuvi: Mualliflar manfaatlar toʻqnashuvi yoʻqligini bildirgan.

Asosiy cheklovlar: Tizim hali turnout, multi-track tunnel va tunnel entrance/exit kabi murakkab sahnalarda tasdiqlanmagan. Intensity va geometrik threshold lar ishlatilgan sensor va dala sharoitiga bogʻliq. Normal estimation va region growing ning hisoblash xarajati real vaqt rejimida foydalanish uchun hanuz yuqori.