利用基于LiDAR的3D建模和几何分析技术，提升铁路塌陷洞的检测与特征识别能力

《Pattern Recognition Letters》：Enhanced railway sinkhole detection and characterization using LiDAR-based 3D modeling and geometric analysis

基于LiDAR点云数据的铁路塌陷检测方法研究，通过对比倒置高斯、圆锥和圆柱三种几何模型，验证倒置高斯模型在参数优化后检测精度达61%，召回率90%。创新性提出通过地形分割与模型拟合相结合的检测框架，并开发合成数据集生成方法。

　　

摘要

本文探讨了利用LiDAR（光检测与测距）点云数据对铁路基础设施中的天坑进行建模的复杂问题。在之前利用数字高程模型（DEM）进行天坑检测的研究基础上，本研究评估了多种几何模型——反高斯模型、圆锥模型和圆柱模型——以确定它们在准确表示天坑结构方面的有效性。结果发现反高斯模型最为准确。研究重点是通过识别和微调对检测性能影响最大的参数来优化该模型，从而显著提高了检测精度，精度从55%提升到了61%，同时召回率达到了90%。所提出的方法通过提供精确、可扩展且稳健的天坑检测机制增强了铁路安全性，未来的改进方向包括生成用于深度学习模型训练的合成数据集，以进一步提升检测能力。

引言

天坑对铁路基础设施构成严重威胁，可能导致轨道变形、列车脱轨以及高昂的维护成本。近期多起铁路事故表明，未被发现的天坑会对铁路网络造成严重影响。2024年3月，英国坎布里亚郡发生的一起列车脱轨事件就是由轨道下方形成的天坑引起的，这引发了安全方面的担忧[1]。同样，在赞比亚，由于一次大型天坑事件，恩多拉-萨卡尼亚铁路线不得不关闭，这凸显了在高风险区域进行主动监测的必要性[2]。这些事件凸显了开发高效检测方法以降低风险和确保运营安全的紧迫性。

遥感和地理空间分析技术已被广泛用于解决这一问题，其中利用LiDAR点云数据生成的DEM能够提供高分辨率的地形表示。然而，现有的检测方法存在一些局限性，限制了其在铁路环境中的应用。基于图像梯度分析和地形曲率检测的传统方法虽然可以有效识别凹陷区域，但常常会出现过度分割和误报问题，需要大量的后期处理。更先进的遥感技术（如InSAR（干涉合成孔径雷达）虽然能够提供关于地面逐渐变形的有用信息，但仍不适用于铁路环境中常见的突发地形坍塌情况。基于深度学习分割模型的数据驱动方法也被用于自动化天坑检测，但这些方法需要大量的标注数据集，而在铁路应用中，真实天坑的发生频率较低。

本研究在ISPR’2024会议上提出的先前工作[3]基础上进行了扩展，当时对天坑检测方法进行了初步评估。测试了一种分水岭分割方法，该方法能够在没有标注数据的情况下识别凹陷区域。然而，该方法对用于过滤浅层凹陷的高度阈值的敏感性表明其缺乏通用性，限制了其在铁路环境中的应用。此外，由于真实天坑案例的稀缺性，数据驱动方法难以直接应用，因为它们需要大规模的标注数据集进行有效训练。为了解决这一问题，我们转向研究天坑的几何特性，以建立更稳健的检测框架，并促进合成数据集的生成，以支持未来的基于学习的方法。

为此，我们开发了一个利用几何建模的检测框架，用于系统地识别和描述铁路天坑。评估了三种模型——反高斯模型、圆锥模型和圆柱模型，其中反高斯模型被证明最为准确。选定该模型后，将其应用于整个点云数据，构建了一个天坑检测器，系统地扫描地形以寻找匹配的凹陷区域。该检测器将地形分割成重叠的分析窗口，并应用优化的参数拟合技术。通过微调关键参数并引入道砟区掩膜，将搜索范围聚焦在相关区域，排除植被带来的干扰。后期处理使精度从0.5470提升到了0.6100，召回率和F1分数分别达到了0.9000和0.7500。通过定义最优的几何表示方法，本研究不仅提高了检测精度，还实现了人工天坑案例的生成，为未来的深度学习应用提供了支持。

章节摘录

现有的天坑检测方法

已经开发出多种天坑检测方法，这些方法采用了不同的计算策略和数据来源。这些方法大致可以分为基于深度学习的方法、基于InSAR的时空分析方法以及专用检测系统。每种方法根据数据可用性、分辨率和实时监测能力具有各自的优缺点。

深度学习已被广泛用于自动化天坑检测，特别是

天坑类型和几何形态概述

基于上述分析，我们选择了与观察到的形态特征相匹配的几何模型。在常用的模型中，反高斯模型、圆柱模型和圆锥模型特别适合表示天坑的多样性。每种模型对应特定的形态特征：例如，反高斯模型能够很好地捕捉到溶解型天坑的渐进性凹形轮廓

铁路天坑检测的建模结果与评估

本节分为三个部分。第一部分介绍了用于测试和评估的数据集。第二部分比较了三种常用天坑检测模型的性能，包括反高斯模型、圆柱模型和圆锥模型。基于这些比较结果，我们选择了最合适的模型来开发凹陷检测系统。第三部分分析了影响检测性能的关键参数

结论

本研究提出了一种利用基于LiDAR的DEM检测铁路基础设施中天坑的方法。在回顾了现有模型后，通过统计分析选择了反高斯模型，因为它最能准确反映铁路天坑的特征。该检测系统通过将地形分割成重叠窗口并将模型拟合到最低海拔点来扫描DEM数据。

为了提高性能，我们进行了全局敏感性分析（GSA），调整了相关关键参数

CRediT作者贡献声明

Maryem Bouali：撰写 – 审稿与编辑、初稿撰写、可视化、验证、软件开发、方法论设计、研究实施、资金筹集、形式化分析、数据整理、概念构思。Fakhreddine Ababsa：撰写 – 审稿与编辑、验证、项目监督、方法论设计。Muhammad Ali Sammuneh：撰写 – 审稿与编辑、验证、项目监督、方法论设计。Rani El Meouche：验证、项目监督。Bahar Salavati：资源提供

利益冲突声明

作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。

致谢

本研究是在ESTP的“建筑与基础设施的数字孪生”研究课题的支持下进行的，并得到了SNCF Réseau的合作伙伴支持。作者衷心感谢所有为这项研究提供帮助的人士。

补充材料：合成天坑生成

为了支持天坑检测的数据增强工作的可重复性和未来研究，我们提供了使用反高斯模型在DEM中生成合成天坑的高级伪代码。生成过程避免了边界问题