【技术实现步骤摘要】
本专利技术涉及钢轨检测，尤其涉及一种多传感器融合的钢轨廓形识别方法及装置。
技术介绍
1、本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
2、钢轨廓形检测过程中，如果列车在正线行驶，则激光采集光条形态比较一致。但实际检测过程中，当列车经过道岔或其它受干扰区域时，激光条纹形态由于钢轨表面光照反射、异物干扰以及轨道结构渐变等干扰因素将呈现不同的廓形形态，如图1所示，图1中(a)：钢轨激光断面廓形；图1中(b)：正线上理想廓形；图1中(c)：形状变化廓形；图1中(d)：光照影响廓形；图1中(d)：噪声干扰廓形。列车行车环境下，由于受到随机噪声、标定误差、车体扰动和采集设备自身等诸多因素的影响，实测的轮廓数据中存在大量不确定的噪声干扰，特别是当轨头存在油污，轨腰被道砟掩埋时，测量数据存在较大的误差，即产生与实际测量结果相悖的离群值，严重影响测量结果。因此，如何在高速车载动态行车环境下快速准确地识别非正常廓形，是钢轨廓形检测和分析首先要解决的关键问题。在钢轨廓形检测任务...
【技术保护点】
1.一种多传感器融合的钢轨廓形识别方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，将每一深度神经网络模型的预测概率转换为质量函数作为一个融合候选因子，包括：按照如下公式将每一深度神经网络模型的预测概率转换为质量函数作为一个融合候选因子：
3.如权利要求2所述的方法，其特征在于，所述公式的终止条件是：
4.如权利要求1所述的方法，其特征在于，假设辨别帧FoD记为Ω，Ω是FoD，FoD的幂集为2Ω，幂集包含所有可能出现的待识别钢轨廓形状态，KIBM由下式定义：
5.如权利要求4所述的方法，其特征在于，根据实...
【技术特征摘要】
1.一种多传感器融合的钢轨廓形识别方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，将每一深度神经网络模型的预测概率转换为质量函数作为一个融合候选因子，包括：按照如下公式将每一深度神经网络模型的预测概率转换为质量函数作为一个融合候选因子：
3.如权利要求2所述的方法，其特征在于，所述公式的终止条件是：
4.如权利要求1所述的方法，其特征在于，假设辨别帧fod记为ω，ω是fod，fod的幂集为2ω，幂集包含所有可能出现的待识别钢轨廓形状态，kibm由下式定义：
5.如权利要求4所述的方法，其特征在于，根据实际检测任务动态确定生成kibm的核函数。
6.如权利要求1所述的方法，其特征在于，gaussian-kibm)假设m1、m2是两组质量函数，ω是fod，则gaussian-kibm下述公式定义：
7.如权利要求1所述的方法，其特征在于，所述多传感器融合的钢轨廓形识别模型的工作过程包括：
8.如权利要求7所述的方法，其特征在于，基于kibm确定每一传感器的可信度，包括：...
【专利技术属性】
技术研发人员：王胜春，王宁，韩强，王昊，赵鑫欣，王乐，任盛伟，刘俊博，
申请(专利权)人：中国铁道科学研究院集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。