一种侵限检测方法、检测装置及地铁检测车与流程

1.本技术涉及轨道交通技术领域，尤其涉及一种侵限检测方法、检测装置及地铁检测车。


背景技术：

2.为了保证地铁车辆安全行车，通常会标定地铁线路的标准限界轮廓，作为地铁线路的界限，任何建筑、设备、设施不能超过该界限，否则就是侵限。现有技术中，一般通过线激光等设备采集地铁隧道断面的三维点云数据，若采集到的点云数据的坐标在标准限界轮廓以内，则判定该点云数据对应的位置存在侵限部件，发生了侵限故障。
3.然而，在地铁站台隧道区域的屏蔽门处存在透明门、吸光橡胶条等部件，容易造成激光投射和激光被吸收等问题，导致线激光等设备无法准确获取屏蔽门处的三维点云数据，进而难以准确检测在站台隧道区域的屏蔽门处是否发生了侵限故障。


技术实现要素：

4.本技术提供一种侵限检测方法、检测装置及地铁检测车，用于解决现有技术难以准确检测在站台隧道区域的屏蔽门处是否发生了侵限故障的问题。
5.第一方面，本技术提供一种侵限检测方法，包括：在车辆以正常行驶速度运行在站台隧道区域时，获取所述站台隧道区域的多个第一点云坐标和多个第一视频数据；将所述多个第一点云坐标与预配置的标准点云坐标进行比对，以确定所述站台隧道区域内的潜在侵限点；从所述多个第一视频数据中，获取与所述潜在侵限点对应的第二视频数据，并将所述第二视频数据与预配置的标准视频数据进行比对，以获取所述第二视频数据对应的损失值；在确定所述损失值大于损失阈值时，确定所述潜在侵限点处发生了侵限故障。
6.在一种具体实施方式中，所述预配置的标准点云坐标的获取方式为：触发所述车辆以测试速度至少一次运行在所述站台隧道区域，并分别将获取到的所述站台隧道区域的多个第二点云坐标作为所述预配置的标准点云坐标；其中，所述测试速度小于所述正常行驶速度。
7.在一种具体实施方式中，所述侵限检测方法，还包括：根据公里标，对所述标准点云坐标进行分类处理，以获取所述站台隧道区域内的每个公里标对应的多个标准点云坐标所形成的第一子集；则所述将所述多个第一点云坐标与预配置的标准点云坐标进行比对，以确定所述站台隧道区域内的潜在侵限点，包括：根据公里标，对所述多个第一点云坐标进行分类处理，以获取所述站台隧道区域内的每个公里标对应的多个第一点云坐标所形成的第二子集；对于所述站台隧道区域内的每个公里标对应的所述第二子集中的每个第一点云坐标，从所述公里标对应的第一子集中，获取距所述第一点云坐标小于预设距离的至少一个标准点云坐标，并获取第一点云坐标与所述至少一个标准点云坐标的平均距离；在确定所述平均距离大于预设距离阈值，且所述第一点云坐标位于所述站台隧道区域内的屏蔽门区域时，确定所述第一点云坐标对应的点为潜在侵限点。
8.在一种具体实施方式中，所述侵限检测方法，还包括：根据公里标，对所述标准点云坐标进行分类处理，以获取所述站台隧道区域内每个公里标对应的多个标准点云坐标所形成的第一子集；则所述将所述多个第一点云坐标与预配置的标准点云坐标进行比对，以确定所述站台隧道区域内的潜在侵限点，包括：根据公里标，对所述多个第一点云坐标进行分类处理，以获取所述站台隧道区域内的每个公里标对应的多个第一点云坐标所形成的第二子集；对于所述站台隧道区域内的每个公里标对应的所述第二子集{v
k，s
}中的每个第一点云坐标，遍历所述第一子集获取最小的多个标准点云坐标，并获取所述第一点云坐标与所述多个标准点云坐标的平均距离；在确定所述平均距离大于预设距离阈值，且所述第一点云坐标位于所述站台隧道区域内的屏蔽门区域时，确定所述第一点云坐标对应的点为潜在侵限点；其中，v
k，s
为第一点云坐标，为标准点云坐标，m为标准点云坐标的序号，s为公里标，k为第一点云坐标的序号。
9.在一种具体实施方式中，所述预配置的标准视频数据的获取方式为：触发所述车辆以测试速度至少一次运行在所述站台隧道区域，将获取到的所述站台隧道区域的多个第三视频数据作为所述预配置的标准视频数据；其中，所述测试速度小于所述正常行驶速度。
10.在一种具体实施方式中，所述侵限检测方法，还包括：利用深度学习网络对所述标准视频数据进行训练，以获取标准特征向量；则所述将所述第二视频数据与预配置的标准视频数据进行比对，以获取所述第二视频数据对应的损失值，包括：利用多层卷积神经网络，对所述第二视频数据进行特征提取，以获取所述第二视频数据的特征向量；分别获取所述特征向量的通道权重和空间像素权重，并分别利用所述通道权重和空间像素权重对所述特征向量进行加权处理，以获取通道加权后的特征向量和空间加权后的特征向量；将所述通道加权后的特征向量和空间加权后的特征向量相乘，获取加权后的特征向量，并与所述标准特征向量进行相似度计算，以获取所述加权后的特征向量的相似度权重；利用所述相似度权重对所述标准特征向量进行加权处理，以获取加权后的标准特征向量；对所述加权后的标准特征向量进行视频重建，并将重建后的视频数据与所述标准视频数据进行比对，以获取所述第二视频数据对应的损失值。
11.第二方面，本技术提供一种检测装置，包括：线激光扫描仪，用于在车辆以正常行驶速度运行在站台隧道区域时，获取所述站台隧道区域的多个第一点云坐标；视频采集模块，用于在车辆以正常行驶速度运行在站台隧道区域时，获取所述站台隧道区域的多个第一视频数据；处理模块，用于将所述多个第一点云坐标与预配置的标准点云坐标进行比对，以确定所述站台隧道区域内的潜在侵限点；所述处理模块，还用于从所述多个第一视频数据中，获取与所述潜在侵限点对应的第二视频数据，并将所述第二视频数据与预配置的标准视频数据进行比对，以获取所述第二视频数据对应的损失值；所述处理模块，还用于在确定所述损失值大于损失阈值时，确定所述潜在侵限点处发生了侵限故障。
12.在一种具体实施方式中，所述处理模块，还用于：触发所述车辆以测试速度至少一次运行在所述站台隧道区域，并分别将获取到的所述站台隧道区域的多个第二点云坐标作为所述预配置的标准点云坐标；其中，所述测试速度小于所述正常行驶速度。
13.在一种具体实施方式中，所述处理模块，还用于：根据公里标，对所述标准点云坐标进行分类处理，以获取所述站台隧道区域内的每个公里标对应的多个标准点云坐标所形
成的第一子集；则所述处理模块，具体用于：根据公里标，对所述多个第一点云坐标进行分类处理，以获取所述站台隧道区域内的每个公里标对应的多个第一点云坐标所形成的第二子集；对于所述站台隧道区域内的每个公里标对应的所述第二子集中的每个第一点云坐标，从所述公里标对应的第一子集中，获取距所述第一点云坐标小于预设距离的至少一个标准点云坐标，并获取第一点云坐标与所述至少一个标准点云坐标的平均距离；在确定所述平均距离大于预设距离阈值，且所述第一点云坐标位于所述站台隧道区域内的屏蔽门区域时，确定所述第一点云坐标对应的点为潜在侵限点。
14.在一种具体实施方式中，所述处理模块，还用于：根据公里标，对所述标准点云坐标进行分类处理，以获取所述站台隧道区域内每个公里标对应的多个标准点云坐标所形成的第一子集；则所述处理模块，具体用于：根据公里标，对所述多个第一点云坐标进行分类处理，以获取所述站台隧道区域内的每个公里标对应的多个第一点云坐标所形成的第二子集；对于所述站台隧道区域内的每个公里标对应的所述第二子集{v
k，s
}中的每个第一点云坐标，遍历所述第一子集获取最小的多个标准点云坐标，并获取所述第一点云坐标与所述多个标准点云坐标的平均距离；在确定所述平均距离大于预设距离阈值，且所述第一点云坐标位于所述站台隧道区域内的屏蔽门区域时，确定所述第一点云坐标对应的点为潜在侵限点；其中，v
k，s
为第一点云坐标，为标准点云坐标，m为标准点云坐标的序号，s为公里标，k为第一点云坐标的序号。
15.在一种具体实施方式中，所述处理模块，还用于：触发所述车辆以测试速度至少一次运行在所述站台隧道区域，将获取到的所述站台隧道区域的多个第三视频数据作为所述预配置的标准视频数据；其中，所述测试速度小于所述正常行驶速度。
16.在一种具体实施方式中，所述处理模块，还用于：利用深度学习网络对所述标准视频数据进行训练，以获取标准特征向量；则所述处理模块包括：编码器子模块，用于利用多层卷积神经网络，对所述第二视频数据进行特征提取，以获取所述第二视频数据的特征向量；自注意力子模块，用于分别获取所述特征向量的通道权重和空间像素权重，并分别利用所述通道权重和空间像素权重对所述特征向量进行加权处理，以获取通道加权后的特征向量和空间加权后的特征向量；动态原型学习子模块，用于将所述通道加权后的特征向量和空间加权后的特征向量相乘，获取加权后的特征向量，并与所述标准特征向量进行相似度计算，以获取所述加权后的特征向量的相似度权重；所述动态原型学习子模块，还用于利用所述相似度权重对所述标准特征向量进行加权处理，以获取加权后的标准特征向量；解码器子模块，用于对所述加权后的标准特征向量进行视频重建，并将重建后的视频数据与所述标准视频数据进行比对，以获取所述第二视频数据对应的损失值。
17.第三方面，本技术提供一种地铁检测车，包括：如第二方面所述的检测装置以及车体。
18.本技术提供一种侵限检测方法、检测装置及地铁检测车，该方法包括：在车辆以正常行驶速度运行在站台隧道区域时，获取该站台隧道区域的多个第一点云坐标和多个第一视频数据；将多个第一点云坐标与预配置的标准点云坐标进行比对，以确定该站台隧道区域内的潜在侵限点；从多个第一视频数据中，获取与该潜在侵限点对应的第二视频数据，并将该第二视频数据与预配置的标准视频数据进行比对，以获取该第二视频数据对应的损失
值；在确定该损失值大于损失阈值时，确定该潜在侵限点处发生了侵限故障。相较于现有技术难以准确检测在站台隧道区域的屏蔽门处是否发生了侵限故障，本技术在将获取到的站台隧道区域的多个第一点云坐标与预配置的标准点云坐标进行比对，确定站台隧道区域内的潜在侵限点后，将潜在侵限点对应的第二视频数据与预配置的标准视频数据进行比对，获取第二视频数据对应的损失值，来确定潜在侵限点是否发生了侵限故障，有效提高了站台隧道区域的屏蔽门处侵限检测的准确度，解决了现有技术难以准确检测在站台隧道区域的屏蔽门处是否发生了侵限故障的问题。
附图说明
19.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
20.图1为本技术提供的一种地铁检测车应用在隧道场景中的示意图；
21.图2为本技术提供的一种侵限检测方法实施例一的流程示意图；
22.图3为本技术提供的一种侵限检测方法实施例二的流程示意图；
23.图4为本技术提供的一种侵限检测方法实施例三的流程示意图；
24.图5a为本技术提供的一种侵限检测方法实施例四的流程示意图；
25.图5b为获取通道加权后的特征向量的示意图；
26.图5c为获取空间加权后的特征向量的示意图；
27.图6为本技术提供的一种检测装置实施例的结构示意图；
28.图7为本技术提供的一种检测装置的处理模块实施例的结构示意图。
具体实施方式
29.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在根据本实施例的启示下作出的所有其他实施例，都属于本技术保护的范围。
30.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
31.为了保证地铁车辆安全行车，通常会标定地铁线路的标准限界轮廓，作为地铁线路的界限，任何建筑、设备、设施不能超过该界限，否则就是侵限。现有技术中，一般通过线激光等设备采集地铁隧道断面的三维点云数据，若采集到的点云数据的坐标在标准限界轮廓以内，则判定该点云数据对应的位置存在侵限部件，发生了侵限故障。
32.然而，在地铁站台隧道区域的屏蔽门处存在透明门、吸光橡胶条等部件，容易造成激光投射和激光被吸收等问题，导致线激光等设备无法准确获取屏蔽门处的三维点云数据，进而难以准确检测在站台隧道区域的屏蔽门处是否存在侵限部件。
33.基于上述技术问题，本技术的技术构思过程如下：如何准确检测在站台隧道区域的屏蔽门处是否存在侵限部件。
34.下面对本技术的侵限检测方案进行详细的说明。
35.图1为本技术提供的一种地铁检测车应用在隧道场景中的示意图。如图1所示，该场景包括地铁隧道、站台、站台与隧道之间的屏蔽门，以及行驶在地铁隧道上的地铁检测车。其中，该地铁检测车主要包括：检测装置11以及车体12。其中，检测装置11包括线激光扫描仪111、视频采集模块121以及处理模块131。
36.线激光扫描仪111在车辆以正常行驶速度运行在站台隧道区域时，获取站台隧道区域的多个第一点云坐标。站台隧道区域包括多个屏蔽门13。视频采集模块121在车辆以正常行驶速度运行在站台隧道区域时，获取站台隧道区域的多个第一视频数据。处理模块131将多个第一点云坐标与预配置的标准点云坐标进行比对，以确定站台隧道区域内的潜在侵限点，并从多个第一视频数据中，获取与潜在侵限点对应的第二视频数据，将第二视频数据与预配置的标准视频数据进行比对，以获取第二视频数据对应的损失值，在确定损失值大于损失阈值时，确定潜在侵限点处发生了侵限故障。
37.下面，通过具体实施例对本技术的技术方案进行详细说明。需要说明的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
38.图2为本技术提供的一种侵限检测方法实施例一的流程示意图。参见图2，该侵限检测方法具体包括以下步骤：
39.步骤s201：在车辆以正常行驶速度运行在站台隧道区域时，获取该站台隧道区域的多个第一点云坐标和多个第一视频数据。
40.在本实施例中，站台隧道区域是指包括屏蔽门区域的隧道区域。检测车辆以正常行驶速度运行在站台隧道区域，检测装置通过线激光扫描仪获取该站台隧道区域的多个第一点云坐标，通过视频采集模块获取该站台隧道区域的多个第一视频数据。示例性地，正常行驶速度可以为30km/h。
41.步骤s202：将多个第一点云坐标与预配置的标准点云坐标进行比对，以确定该站台隧道区域内的潜在侵限点。
42.在本实施例中，预配置的标准点云坐标可以是在确定站台隧道区域内未发生侵限故障时，检测车辆以测试速度多次运行在站台隧道区域，检测装置通过线激光扫描仪获取到的。示例性地，测试速度可以小于或者等于5km/h。
43.将多个第一点云坐标与预配置的标准点云坐标进行比对，即可确定该站台隧道区域内的潜在侵限点，在该潜在侵限点处，可能发生了侵限故障。
44.步骤s203：从多个第一视频数据中，获取与该潜在侵限点对应的第二视频数据，并将该第二视频数据与预配置的标准视频数据进行比对，以获取该第二视频数据对应的损失值。
45.在本实施例中，从视频采集模块获取的多个第一视频数据中，获取与该潜在侵限
点对应的第二视频数据，以进一步确定潜在侵限点处是否发生了侵限故障。
46.具体地，将第二视频数据与预配置的标准视频数据进行比对，以获取该第二视频数据对应的损失值。其中，预配置的标准视频数据可以是在确定站台隧道区域内未发生侵限故障时，检测车辆以测试速度多次运行在站台隧道区域时，检测装置通过视频采集模块获取到的。
47.步骤s204：在确定该损失值大于损失阈值时，确定该潜在侵限点处发生了侵限故障。
48.在本实施例中，在车辆以正常行驶速度运行在站台隧道区域时，获取该站台隧道区域的多个第一点云坐标和多个第一视频数据；将多个第一点云坐标与预配置的标准点云坐标进行比对，以确定该站台隧道区域内的潜在侵限点；从多个第一视频数据中，获取与该潜在侵限点对应的第二视频数据，并将该第二视频数据与预配置的标准视频数据进行比对，以获取该第二视频数据对应的损失值；在确定该损失值大于损失阈值时，确定该潜在侵限点处发生了侵限故障。相较于现有技术难以准确检测在站台隧道区域的屏蔽门处是否发生了侵限故障，本技术在将获取到的站台隧道区域的多个第一点云坐标与预配置的标准点云坐标进行比对，确定站台隧道区域内的潜在侵限点后，将潜在侵限点对应的第二视频数据与预配置的标准视频数据进行比对，获取第二视频数据对应的损失值，来确定潜在侵限点是否发生了侵限故障，有效提高了站台隧道区域的屏蔽门处侵限检测的准确度，解决了现有技术难以准确检测在站台隧道区域的屏蔽门处是否发生了侵限故障的问题。
49.图3为本技术提供的一种侵限检测方法实施例二的流程示意图，在上述图2所示实施例的基础上，参见图3，在上述步骤s202之前，该侵限检测方法还包括：
50.步骤s301：根据公里标，对该标准点云坐标进行分类处理，以获取该站台隧道区域内的每个公里标对应的多个标准点云坐标所形成的第一子集。
51.在本实施例中，可以在确定站台隧道区域内未发生侵限故障时，触发车辆以测试速度至少一次运行在该站台隧道区域，并分别将获取到的该站台隧道区域的多个第二点云坐标作为预配置的标准点云坐标；其中，测试速度小于正常行驶速度。示例性地，测试速度可以为5km/h，正常行驶速度可以为30km/h。
52.在本实施例中，处理模块根据公里标，对线激光扫描仪获取的标准点云坐标进行分类处理。
53.具体地，为了能够获取行进中的检测车辆的准确位置，可以在站台隧道区域的起始点和终止点处分别设置电子标签rfid，结合检测车辆车轮上安装的编码器，可以获取检测车辆的准确位置，以公里标的形式表示检测车辆的位置，例如距离站台隧道区域的起始点1米、2米、
…
。根据公里标，对标准点云坐标进行分类处理，获取站台隧道区域内的每个公里标对应的多个标准点云坐标所形成的第一子集。
54.第一子集可以用表示，其中，m表示标准点云坐标的序号，s表示公里标，b代表标准点云。m∈n，n为公里标对应的标准点云坐标的个数。示例性地，n可以为1000个。示例性地，为公里标为“距离站台隧道区域的起始点1米”的第一子集。
55.在本实施例中，通过根据公里标，对标准点云坐标进行分类处理，可以根据公里标对应的里程，将所有标准点云坐标按照公里标排列，组合成站台隧道区域的标准点云云图。
56.对标准点云云图进行超限剔除处理，以站台隧道区域的中心为圆心，将离圆心超过5米的点剔除，得到剔除无关杂点后的标准点云云图。还可以对超限剔除处理后的标准点云云图进行进一步滤波处理，采用邻域均值滤波，去除线激光扫描仪检测过程中引入的白噪声。
57.在上述步骤s202之前，该侵限检测方法还包括步骤s301的基础上，上述步骤s202具体包括以下步骤：
58.步骤s302：根据公里标，对多个第一点云坐标进行分类处理，以获取该站台隧道区域内的每个公里标对应的多个第一点云坐标所形成的第二子集。
59.在本实施例中，处理模块根据公里标，对线激光扫描仪获取的多个第一点云坐标进行分类处理。
60.具体地，可以以公里标的形式表示检测车辆的位置，例如距离站台隧道区域的起始点1米、2米、
…
。根据公里标，对多个第一点云坐标进行分类处理，获取站台隧道区域内的每个公里标对应的多个第一点云坐标所形成的第二子集。
61.第二子集可以用{v
k，s
}表示，其中，k表示第一点云坐标的序号，s表示公里标。k∈n，n为公里标对应的标准点云坐标的个数。示例性地，n可以为1000个。示例性地，{v
k，1
}为公里标为“距离站台隧道区域的起始点1米”的第二子集。
62.步骤s303：对于该站台隧道区域内的每个公里标对应的第二子集中的每个第一点云坐标，从该公里标对应的第一子集中，获取距该第一点云坐标小于预设距离的至少一个标准点云坐标，并获取第一点云坐标与该至少一个标准点云坐标的平均距离。
63.在本实施例中，对于每个公里标对应的第二子集中的每个第一点云坐标，从该公里标对应的第一子集中，获取距该第一点云坐标小于预设距离的至少一个标准点云坐标。示例性地，对于公里标“距离站台隧道区域的起始点1米”对应的第二子集{v
k，1
}中的第一点云坐标v
1，1
，从该公里标对应的第一子集中，获取距第一点云坐标v
1，1
小于预设距离的至少一个标准点云坐标，并获取第一点云坐标v
1，1
与上述至少一个标准点云坐标的平均距离。示例性地，从第一子集中，获取到距第一点云坐标v
1，1
小于预设距离的5个标准点云坐标，则获取第一点云坐标v
1，1
与这5个标准点云坐标的平均距离。
64.步骤s304：在确定该平均距离大于预设距离阈值，且该第一点云坐标位于该站台隧道区域内的屏蔽门区域时，确定该第一点云坐标对应的点为潜在侵限点。
65.在本实施例中，确定该平均距离是否大于预设距离阈值，在确定该平均距离大于预设距离阈值时，确定该第一点云坐标是否位于站台隧道区域内的屏蔽门区域，在确定该第一点云坐标位于站台隧道区域内的屏蔽门区域时，确定该第一点云坐标对应的点为潜在侵限点，在该潜在侵限点处，可能发生了侵限故障。
66.在本实施例中，根据公里标，分别对标准点云坐标和第一点云坐标进行分类处理，以获取站台隧道区域内的每个公里标对应的第一子集和第二子集，将第二子集中第一点云坐标与第一子集中的标准点云坐标进行比对，确定站台隧道区域内的潜在侵限点。通过将点云坐标与确定站台隧道区域内未发生侵限故障时的点云坐标进行比对，而非与标准限界轮廓进行比对，有效提高了站台屏蔽门处侵限检测的准确度，为后续进一步根据视频数据确定侵限故障提供了前提条件，进一步解决了现有技术难以准确检测在站台隧道区域的屏
蔽门处是否发生了侵限故障的问题。
67.图4为本技术提供的一种侵限检测方法实施例三的流程示意图，在上述图2所示实施例的基础上，参见图4，在上述步骤s202之前，该侵限检测方法还包括：
68.步骤s401：根据公里标，对该标准点云坐标进行分类处理，以获取该站台隧道区域内每个公里标对应的多个标准点云坐标所形成的第一子集。
69.在本实施例中，可以在确定站台隧道区域内未发生侵限故障时，触发车辆以测试速度至少一次运行在该站台隧道区域，并分别将获取到的该站台隧道区域的多个第二点云坐标作为预配置的标准点云坐标；其中，测试速度小于正常行驶速度。示例性地，测试速度可以为5km/h，正常行驶速度可以为30km/h。
70.在本实施例中，处理模块根据公里标，对线激光扫描仪获取的标准点云坐标进行分类处理。
71.具体地，为了能够获取行进中的检测车辆的准确位置，可以在站台隧道区域的起始点和终止点处分别设置电子标签rfid，结合检测车辆车轮上安装的编码器，可以获取检测车辆的准确位置，以公里标的形式表示检测车辆的位置，例如距离站台隧道区域的起始点1米、2米、
…
。根据公里标，对标准点云坐标进行分类处理，获取站台隧道区域内的每个公里标对应的多个标准点云坐标所形成的第一子集。
72.第一子集可以用表示，其中，m表示标准点云坐标的序号，s表示公里标，b代表标准点云。m∈n，n为公里标对应的标准点云坐标的个数。示例性地，n可以为1000个。示例性地，为公里标为“距离站台隧道区域的起始点1米”的第一子集。
73.在本实施例中，通过根据公里标，对标准点云坐标进行分类处理，可以根据公里标对应的里程，将所有标准点云坐标按照公里标排列，组合成站台隧道区域的标准点云云图。
74.对标准点云云图进行超限剔除处理，以站台隧道区域的中心为圆心，将离圆心超过5米的点剔除，得到剔除无关杂点后的标准点云云图。还可以对超限剔除处理后的标准点云云图进行进一步滤波处理，采用邻域均值滤波，去除线激光扫描仪检测过程中引入的白噪声。
75.则上述步骤s202具体包括以下步骤：
76.步骤s402：根据公里标，对多个第一点云坐标进行分类处理，以获取该站台隧道区域内的每个公里标对应的多个第一点云坐标所形成的第二子集。
77.在本实施例中，处理模块根据公里标，对线激光扫描仪获取的多个第一点云坐标进行分类处理。
78.具体地，可以以公里标的形式表示检测车辆的位置，例如距离站台隧道区域的起始点1米、2米、
…
。根据公里标，对多个第一点云坐标进行分类处理，获取站台隧道区域内的每个公里标对应的多个第一点云坐标所形成的第二子集。
79.第二子集可以用{v
k，s
}表示，其中，k表示第一点云坐标的序号，s表示公里标。k∈n，n为公里标对应的标准点云坐标的个数。示例性地，n可以为1000个。示例性地，{v
k，1
}为公里标为“距离站台隧道区域的起始点1米”的第二子集。
80.步骤s403：对于该站台隧道区域内的每个公里标对应的第二子集{v
k，s
}中的每个第一点云坐标，遍历该第一子集获取最小的多个标准点云坐标，并
获取该第一点云坐标与多个标准点云坐标的平均距离。
81.其中，v
k，s
为第一点云坐标，为标准点云坐标，m为标准点云坐标的序号，s为公里标，k为第一点云坐标的序号。
82.在本实施例中，对于每个公里标对应的第二子集中的每个第一点云坐标，从该公里标对应的第一子集中，遍历第一子集获取最小的多个标准点云坐标。示例性地，对于公里标“距离站台隧道区域的起始点1米”对应的第二子集{v
k，1
}中的第一点云坐标v
1，1
，遍历该公里标对应的第一子集中，获取最小的多个标准点云坐标，并获取第一点云坐标v
1，1
与上述多标准点云坐标的平均距离。示例性地，遍历第一子集获取到最小的5个标准点云坐标，则获取第一点云坐标v
1，1
与这5个标准点云坐标的平均距离。
83.步骤s404：在确定该平均距离大于预设距离阈值，且该第一点云坐标位于该站台隧道区域内的屏蔽门区域时，确定该第一点云坐标对应的点为潜在侵限点。
84.在本实施例中，确定该平均距离是否大于预设距离阈值，在确定该平均距离大于预设距离阈值时，确定该第一点云坐标是否位于站台隧道区域内的屏蔽门区域，在确定该第一点云坐标位于站台隧道区域内的屏蔽门区域时，确定该第一点云坐标对应的点为潜在侵限点，在该潜在侵限点处，可能发生了侵限故障。
85.在本实施例中，根据公里标，分别对标准点云坐标和第一点云坐标进行分类处理，以获取站台隧道区域内的每个公里标对应的第一子集和第二子集，将第二子集中第一点云坐标与第一子集中的标准点云坐标进行比对，确定站台隧道区域内的潜在侵限点。通过将点云坐标与确定站台隧道区域内未发生侵限故障时的点云坐标进行比对，而非与标准限界轮廓进行比对，有效提高了站台隧道区域的屏蔽门处侵限检测的准确度，为后续进一步根据视频数据确定侵限故障提供了前提条件，进一步解决了现有技术难以准确检测在站台隧道区域的屏蔽门处是否发生了侵限故障的问题。
86.图5a为本技术提供的一种侵限检测方法实施例四的流程示意图，在上述图2至图4所示实施例的基础上，参见图5a，在上述步骤s202之前，该侵限检测方法还包括：
87.步骤s501：利用深度学习网络对该标准视频数据进行训练，以获取标准特征向量。
88.在本实施例中，利用深度学习网络对标准视频数据进行训练，以获取标准特征向量，将标准特征向量进行存储，形成存储模块memow item。
89.则上述步骤s202具体包括以下步骤：
90.步骤s502：利用多层卷积神经网络，对该第二视频数据进行特征提取，以获取该第二视频数据的特征向量。
91.在本实施例中，处理模块可以包括编码器子模块，编码器子模块对第二视频数据进行特征提取，获取该第二视频数据的特征向量z，其中，z＝f(x；θc)。
92.步骤s503：分别获取该特征向量的通道权重和空间像素权重，并分别利用该通道权重和空间像素权重对该特征向量进行加权处理，以获取通道加权后的特征向量和空间加权后的特征向量。
93.在本实施例中，处理模块还可以包括自注意力子模块，该自注意力子模块采用压
缩和激励模块(squeeze-and-excitation，简称se模块)，进行通道和空间两个维度的学习，分别获取该特征向量的通道权重和空间像素权重。
94.具体地，图5b为获取通道加权后的特征向量的示意图，如图5b所示，在通道维度，首先通过压缩模块squeeze，利用公式：
[0095][0096]
将第二视频数据的特征向量z从h
×w×
c，通过全局平均池化压缩至1
×1×
c维。
[0097]
之后通过激发模块excitation，利用公式：
[0098]sc1
＝f
ex
(z
c1
)＝σ(w2，δ(z
c1
，w1))
[0099]
获取通道权重s
c1
。该激发模块由两个全连接层、一个relu函数δ和一个sigmoid函数σ构建。
[0100]
利用通道权重s
c1
，利用公式：
[0101][0102]
对特征向量z
c1
进行加权处理，以获取通道加权后的特征向量
[0103]
具体地，图5c为获取空间加权后的特征向量的示意图，如图5c所示，在空间维度，首先通过压缩模块squeeze，利用公式：
[0104][0105]zc2
＝f
sq
(z)＝max
i∈c
(z(i))
[0106]
将z的维度从h
×w×
c，通过通道全局平均池化和通道最大池化压缩至h
×w×
1维。将两种池化得到的h
×w×
1维通道描述拼合成h
×w×
2维。
[0107]
通过激发模块，利用公式：
[0108]sc2
＝f
ex
(z
c2
)＝σ(δ(z
c2
，w1))
[0109]
获取空间像素权重s
c2
。该激发模块由一个卷积层和一个sigmoid函数σ构建。
[0110]
利用空间像素权重s
c2
，利用公式：
[0111][0112]
对特征向量z
c2
进行加权处理，以获取空间加权后的特征向量
[0113]
步骤s504：将通道加权后的特征向量和空间加权后的特征向量相乘，获取加权后的特征向量，并与该标准特征向量进行相似度计算，以获取该加权后的特征向量的相似度权重。
[0114]
在本实施例中，处理模块还可以包括动态原型学习子模块，将通道加权后的特征向量和空间加权后的特征向量相乘，获取加权后的特征向量
[0115]
该自注意力子模块将加权后的特征向量抽取为h
×
w个1
×1×
c维查询模块query item，利用公式：
[0116]
[0117][0118]
计算每个查询模块与存储模块的权重wi，获取加权后的特征向量的相似度权重其中d函数为余弦相似度函数，exp函数为指数函数。示例性地，为了避免卷积网络泛化性能过强，还可以对相似度权重进行relu操作，即将w中小于阈值的值清零。
[0119]
步骤s505：利用该相似度权重对该标准特征向量进行加权处理，以获取加权后的标准特征向量。
[0120]
在本实施例中，利用公式：
[0121][0122]
对标准特征向量m进行加权处理，以获取加权后的标准特征向量
[0123]
步骤s506：对该加权后的标准特征向量进行视频重建，并将重建后的视频数据与该标准视频数据进行比对，以获取该第二视频数据对应的损失值。
[0124]
在本实施例中，处理模块还可以包括解码器子模块，该解码器子模块对加权后的标准特征向量进行视频重建，并将重建后的视频数据与标准视频数据进行比对，以获取该第二视频数据对应的损失值。
[0125]
在本实施例中，利用深度学习网络对标准视频数据进行训练，获取标准特征向量，利用多层卷积神经网络对第二视频数据进行特征提取、加权处理以及与标准特征向量的相似度计算，并进行加权后的标准特征向量的视频重建，通过将重建后的视频数据与标准视频数据进行比对，获取第二视频数据对应的损失值，以确定潜在侵限点处是否发生了侵限故障，有效提高了站台屏蔽门处侵限检测的准确度，进一步解决了现有技术难以准确检测在站台屏蔽门处是否发生了侵限故障的问题。
[0126]
下述为本技术装置实施例，可以用于执行本技术方法实施例。对于本技术装置实施例中未披露的细节，请参照本技术方法实施例。
[0127]
图6为本技术提供的一种检测装置实施例的结构示意图；如图6所示，该检测装置60包括：线激光扫描仪61、视频采集模块62以及处理模块63。其中，线激光扫描仪61用于在车辆以正常行驶速度运行在站台隧道区域时，获取该站台隧道区域的多个第一点云坐标；视频采集模块62用于在车辆以正常行驶速度运行在站台隧道区域时，获取该站台隧道区域的多个第一视频数据；处理模块63用于将多个第一点云坐标与预配置的标准点云坐标进行比对，以确定该站台隧道区域内的潜在侵限点；处理模块63还用于从多个第一视频数据中，获取与该潜在侵限点对应的第二视频数据，并将该第二视频数据与预配置的标准视频数据进行比对，以获取该第二视频数据对应的损失值；处理模块63还用于在确定该损失值大于损失阈值时，确定该潜在侵限点处发生了侵限故障。
[0128]
本技术实施例提供的检测装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
[0129]
在一种可能的实施方案中，处理模块63还用于触发该车辆以测试速度至少一次运行在该站台隧道区域，并分别将获取到的该站台隧道区域的多个第二点云坐标作为该预配
置的标准点云坐标；其中，该测试速度小于该正常行驶速度。
[0130]
在一种可能的实施方案中，处理模块63还用于根据公里标，对该标准点云坐标进行分类处理，以获取该站台隧道区域内的每个公里标对应的多个标准点云坐标所形成的第一子集；处理模块63具体用于根据公里标，对多个第一点云坐标进行分类处理，以获取该站台隧道区域内的每个公里标对应的多个第一点云坐标所形成的第二子集；对于该站台隧道区域内的每个公里标对应的该第二子集中的每个第一点云坐标，从该公里标对应的第一子集中，获取距该第一点云坐标小于预设距离的至少一个标准点云坐标，并获取第一点云坐标与该至少一个标准点云坐标的平均距离；在确定该平均距离大于预设距离阈值，且该第一点云坐标位于该站台隧道区域内的屏蔽门区域时，确定该第一点云坐标对应的点为潜在侵限点。
[0131]
本技术实施例提供的检测装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
[0132]
在一种可能的实施方案中，处理模块63还用于根据公里标，对该标准点云坐标进行分类处理，以获取该站台隧道区域内每个公里标对应的多个标准点云坐标所形成的第一子集；处理模块63具体用于根据公里标，对多个第一点云坐标进行分类处理，以获取该站台隧道区域内的每个公里标对应的多个第一点云坐标所形成的第二子集；对于该站台隧道区域内的每个公里标对应的该第二子集{v
k，s
}中的每个第一点云坐标，遍历该第一子集获取最小的多个标准点云坐标，并获取该第一点云坐标与多个标准点云坐标的平均距离；在确定该平均距离大于预设距离阈值，且该第一点云坐标位于该站台隧道区域内的屏蔽门区域时，确定该第一点云坐标对应的点为潜在侵限点；其中，v
k，s
为第一点云坐标，为标准点云坐标，m为标准点云坐标的序号，s为公里标，k为第一点云坐标的序号。
[0133]
本技术实施例提供的检测装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
[0134]
在一种可能的实施方案中，处理模块63还用于触发该车辆以测试速度至少一次运行在该站台隧道区域，将获取到的该站台隧道区域的多个第三视频数据作为该预配置的标准视频数据；其中，该测试速度小于该正常行驶速度。
[0135]
本技术实施例提供的检测装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
[0136]
图7为本技术提供的一种检测装置的处理模块实施例的结构示意图；处理模块70还用于利用深度学习网络对该标准视频数据进行训练，以获取标准特征向量。如图7所示，该处理模块70包括：编码器子模块71，自注意力子模块72，动态原型学习子模块73以及解码器子模块74。其中，编码器子模块71用于利用多层卷积神经网络，对该第二视频数据进行特征提取，以获取该第二视频数据的特征向量；自注意力子模块72用于分别获取该特征向量的通道权重和空间像素权重，并分别利用通道权重和空间像素权重对该特征向量进行加权处理，以获取通道加权后的特征向量和空间加权后的特征向量；动态原型学习子模块73用于将通道加权后的特征向量和空间加权后的特征向量相乘，获取加权后的特征向量，并与该标准特征向量进行相似度计算，以获取该加权后的特征向量的相似度权重；动态原型学
习子模块73还用于利用该相似度权重对该标准特征向量进行加权处理，以获取加权后的标准特征向量；解码器子模块74用于对该加权后的标准特征向量进行视频重建，并将重建后的视频数据与该标准视频数据进行比对，以获取该第二视频数据对应的损失值。
[0137]
本技术实施例还提供一种地铁检测车，包括如前述任一实施例提供的检测装置以及车体。
[0138]
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0139]
最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围。

技术特征：
1.一种侵限检测方法，其特征在于，包括：在车辆以正常行驶速度运行在站台隧道区域时，获取所述站台隧道区域的多个第一点云坐标和多个第一视频数据；将所述多个第一点云坐标与预配置的标准点云坐标进行比对，以确定所述站台隧道区域内的潜在侵限点；从所述多个第一视频数据中，获取与所述潜在侵限点对应的第二视频数据，并将所述第二视频数据与预配置的标准视频数据进行比对，以获取所述第二视频数据对应的损失值；在确定所述损失值大于损失阈值时，确定所述潜在侵限点处发生了侵限故障。2.根据权利要求1所述的侵限检测方法，其特征在于，所述预配置的标准点云坐标的获取方式为：触发所述车辆以测试速度至少一次运行在所述站台隧道区域，并分别将获取到的所述站台隧道区域的多个第二点云坐标作为所述预配置的标准点云坐标；其中，所述测试速度小于所述正常行驶速度。3.根据权利要求2所述的侵限检测方法，其特征在于，还包括：根据公里标，对所述标准点云坐标进行分类处理，以获取所述站台隧道区域内的每个公里标对应的多个标准点云坐标所形成的第一子集；则所述将所述多个第一点云坐标与预配置的标准点云坐标进行比对，以确定所述站台隧道区域内的潜在侵限点，包括：根据公里标，对所述多个第一点云坐标进行分类处理，以获取所述站台隧道区域内的每个公里标对应的多个第一点云坐标所形成的第二子集；对于所述站台隧道区域内的每个公里标对应的所述第二子集中的每个第一点云坐标，从所述公里标对应的第一子集中，获取距所述第一点云坐标小于预设距离的至少一个标准点云坐标，并获取第一点云坐标与所述至少一个标准点云坐标的平均距离；在确定所述平均距离大于预设距离阈值，且所述第一点云坐标位于所述站台隧道区域内的屏蔽门区域时，确定所述第一点云坐标对应的点为潜在侵限点。4.根据权利要求2所述的侵限检测方法，其特征在于，还包括：根据公里标，对所述标准点云坐标进行分类处理，以获取所述站台隧道区域内每个公里标对应的多个标准点云坐标所形成的第一子集；则所述将所述多个第一点云坐标与预配置的标准点云坐标进行比对，以确定所述站台隧道区域内的潜在侵限点，包括：根据公里标，对所述多个第一点云坐标进行分类处理，以获取所述站台隧道区域内的每个公里标对应的多个第一点云坐标所形成的第二子集；对于所述站台隧道区域内的每个公里标对应的所述第二子集{v
k，s
}中的每个第一点云坐标，遍历所述第一子集获取最小的多个标准点云坐标，并获取所述第一点云坐标与所述多个标准点云坐标的平均距离；在确定所述平均距离大于预设距离阈值，且所述第一点云坐标位于所述站台隧道区域内的屏蔽门区域时，确定所述第一点云坐标对应的点为潜在侵限点；
其中，v
k，s
为第一点云坐标，为标准点云坐标，m为标准点云坐标的序号，s为公里标，k为第一点云坐标的序号。5.根据权利要求1至4中任一项所述的侵限检测方法，其特征在于，所述预配置的标准视频数据的获取方式为：触发所述车辆以测试速度至少一次运行在所述站台隧道区域，将获取到的所述站台隧道区域的多个第三视频数据作为所述预配置的标准视频数据；其中，所述测试速度小于所述正常行驶速度。6.根据权利要求5所述的侵限检测方法，其特征在于，还包括：利用深度学习网络对所述标准视频数据进行训练，以获取标准特征向量；则所述将所述第二视频数据与预配置的标准视频数据进行比对，以获取所述第二视频数据对应的损失值，包括：利用多层卷积神经网络，对所述第二视频数据进行特征提取，以获取所述第二视频数据的特征向量；分别获取所述特征向量的通道权重和空间像素权重，并分别利用所述通道权重和空间像素权重对所述特征向量进行加权处理，以获取通道加权后的特征向量和空间加权后的特征向量；将所述通道加权后的特征向量和空间加权后的特征向量相乘，获取加权后的特征向量，并与所述标准特征向量进行相似度计算，以获取所述加权后的特征向量的相似度权重；利用所述相似度权重对所述标准特征向量进行加权处理，以获取加权后的标准特征向量；对所述加权后的标准特征向量进行视频重建，并将重建后的视频数据与所述标准视频数据进行比对，以获取所述第二视频数据对应的损失值。7.一种检测装置，其特征在于，包括：线激光扫描仪，用于在车辆以正常行驶速度运行在站台隧道区域时，获取所述站台隧道区域的多个第一点云坐标；视频采集模块，用于在车辆以正常行驶速度运行在站台隧道区域时，获取所述站台隧道区域的多个第一视频数据；处理模块，用于将所述多个第一点云坐标与预配置的标准点云坐标进行比对，以确定所述站台隧道区域内的潜在侵限点；所述处理模块，还用于从所述多个第一视频数据中，获取与所述潜在侵限点对应的第二视频数据，并将所述第二视频数据与预配置的标准视频数据进行比对，以获取所述第二视频数据对应的损失值；所述处理模块，还用于在确定所述损失值大于损失阈值时，确定所述潜在侵限点处发生了侵限故障。8.根据权利要求7所述的检测装置，其特征在于，所述处理模块，还用于：触发所述车辆以测试速度至少一次运行在所述站台隧道区域，并分别将获取到的所述站台隧道区域的多个第二点云坐标作为所述预配置的标准点云坐标；其中，所述测试速度小于所述正常行驶速度。9.根据权利要求8所述的检测装置，其特征在于，所述处理模块，还用于：
根据公里标，对所述标准点云坐标进行分类处理，以获取所述站台隧道区域内的每个公里标对应的多个标准点云坐标所形成的第一子集；则所述处理模块，具体用于：根据公里标，对所述多个第一点云坐标进行分类处理，以获取所述站台隧道区域内的每个公里标对应的多个第一点云坐标所形成的第二子集；对于所述站台隧道区域内的每个公里标对应的所述第二子集中的每个第一点云坐标，从所述公里标对应的第一子集中，获取距所述第一点云坐标小于预设距离的至少一个标准点云坐标，并获取第一点云坐标与所述至少一个标准点云坐标的平均距离；在确定所述平均距离大于预设距离阈值，且所述第一点云坐标位于所述站台隧道区域内的屏蔽门区域时，确定所述第一点云坐标对应的点为潜在侵限点。10.根据权利要求8所述的检测装置，其特征在于，所述处理模块，还用于：根据公里标，对所述标准点云坐标进行分类处理，以获取所述站台隧道区域内每个公里标对应的多个标准点云坐标所形成的第一子集；则所述处理模块，具体用于：根据公里标，对所述多个第一点云坐标进行分类处理，以获取所述站台隧道区域内的每个公里标对应的多个第一点云坐标所形成的第二子集；对于所述站台隧道区域内的每个公里标对应的所述第二子集{v
k，s
}中的每个第一点云坐标，遍历所述第一子集获取最小的多个标准点云坐标，并获取所述第一点云坐标与所述多个标准点云坐标的平均距离；在确定所述平均距离大于预设距离阈值，且所述第一点云坐标位于所述站台隧道区域内的屏蔽门区域时，确定所述第一点云坐标对应的点为潜在侵限点；其中，v
k，s
为第一点云坐标，为标准点云坐标，m为标准点云坐标的序号，s为公里标，k为第一点云坐标的序号。11.根据权利要求7至10中任一项所述的检测装置，其特征在于，所述处理模块，还用于：触发所述车辆以测试速度至少一次运行在所述站台隧道区域，将获取到的所述站台隧道区域的多个第三视频数据作为所述预配置的标准视频数据；其中，所述测试速度小于所述正常行驶速度。12.根据权利要求11所述的检测装置，其特征在于，所述处理模块，还用于：利用深度学习网络对所述标准视频数据进行训练，以获取标准特征向量；则所述处理模块包括：编码器子模块，用于利用多层卷积神经网络，对所述第二视频数据进行特征提取，以获取所述第二视频数据的特征向量；自注意力子模块，用于分别获取所述特征向量的通道权重和空间像素权重，并分别利用所述通道权重和空间像素权重对所述特征向量进行加权处理，以获取通道加权后的特征向量和空间加权后的特征向量；动态原型学习子模块，用于将所述通道加权后的特征向量和空间加权后的特征向量相乘，获取加权后的特征向量，并与所述标准特征向量进行相似度计算，以获取所述加权后的
特征向量的相似度权重；所述动态原型学习子模块，还用于利用所述相似度权重对所述标准特征向量进行加权处理，以获取加权后的标准特征向量；解码器子模块，用于对所述加权后的标准特征向量进行视频重建，并将重建后的视频数据与所述标准视频数据进行比对，以获取所述第二视频数据对应的损失值。13.一种地铁检测车，其特征在于，包括：如权利要求7至12中任一项所述的检测装置以及车体。

技术总结
本申请提供一种侵限检测方法、检测装置及地铁检测车，该方法包括：在车辆以正常行驶速度运行在站台隧道区域时，获取该站台隧道区域的多个第一点云坐标和多个第一视频数据；将多个第一点云坐标与预配置的标准点云坐标进行比对，以确定该站台隧道区域内的潜在侵限点；从多个第一视频数据中，获取与该潜在侵限点对应的第二视频数据，并将该第二视频数据与预配置的标准视频数据进行比对，以获取该第二视频数据对应的损失值；在确定该损失值大于损失阈值时，确定该潜在侵限点处发生了侵限故障。解决了现有技术难以准确检测在站台隧道区域的屏蔽门处是否发生了侵限故障的问题。屏蔽门处是否发生了侵限故障的问题。屏蔽门处是否发生了侵限故障的问题。


技术研发人员：刘斌 陈龙 陈辉华 易兆祥 米文扬 刘君
受保护的技术使用者：中国铁建股份有限公司
技术研发日：2023.03.02
技术公布日：2023/9/23