本发明提出一种铁路轨道、轨道板状态多维智能监测方法及系统，监测方法包括：S1多维智能监测系统获取铁轨和轨道板的表面温度，测量铁轨的距离并转化为铁轨偏心距离，获取观测图像；S2将表面温度、铁轨偏心距离传输给控制模块，并将观测图像传输给处理模块，处理模块结合深度学习网络和视觉检测技术计算出轨道板位移和轨道爬移；S3将表面温度、铁轨偏心距离以及轨道板位移、轨道爬移测量结果封装并传输到管理中心；S4管理中心对各监测点位进行温度、位移态势分析，推送铁路轨道、轨道板异常位移报警。该多维智能监测方法和系统实现了对铁路轨道、轨道板状态的综合、长期、智能监测，提高了铁路运行的安全性。
1.一种铁路轨道、轨道板状态多维智能监测方法，其特征在于，包括：S1、多维智能监测系统获取铁轨和轨道板的表面温度、测量铁轨的距离并转化为铁轨偏心距离，以及获取观测图像；
S2、将步骤S1获取的表面温度、铁轨偏心距离传输给多维智能监测系统的控制模块，并且将步骤S1获取的观测图像传输给多维智能监测系统的处理模块，处理模块结合多任务深度学习网络和视觉检测技术计算出轨道板位移和轨道爬移，所述步骤S2中计算轨道板位移和轨道爬移的方法具体包括：S21、采用图像超分辨和对比度增强，提升图像分辨率，达到高精度测量的目的；
S22、针对轨道板位移和轨道爬移监测场景和计算特点，设计包含目标检测、图像分割和关键点检测分支的多任务深度学习网络，目标检测分支进行标尺包围框检测，图像分割分支进行标尺掩码像素级定位，关键点检测分支进行标尺角点的检测和定位，采用图像分割方法定位出安装在观测位置处的、作为参照物的标尺的边界位置，获取观测标尺掩码图像，同时，进行关键点检测，配合掩码图像的角点，获取标尺初始参考点像素坐标，并获取巡检时刻的标尺参考点像素坐标，计算出位移观测参考点水平、竖直方向像素坐标的位移；
S23、结合旋转机构转动和标尺的标准尺寸，对相机进行标定，使用标尺图像替代棋盘格式标定板进行标定，通过控制旋转机构转动改变相机与测量面之间的相对位置得到各个观测位置的标定图像，进行相机内参数、畸变参数和外参数的求解，得到相机内参数，再将像素坐标位移转化为世界坐标位移，从而计算标尺实际位移；
S3、将表面温度、铁轨偏心距离以及轨道板位移、轨道爬移测量结果封装并传输到管理中心；
S4、管理中心对各监测点位进行温度、位移态势分析，推送铁路轨道、轨道板异常位移报警，同时，对各监测点位的位移发展情况和报警次数进行月季年统计分析，并结合监测区段内所有监测点位的监测信息，形成行车计划建议和保养维护建议。
2.根据权利要求1所述的监测方法，其特征在于，所述步骤S21具体包括：设计观测标尺边缘和角点对比度增强的超分辨网络，为使超分辨后的图像与目标图像具有相同的对比度和纹理，采用图像不同特征通道之间的相关性衡量图像纹理，即：其中， 和 分别为图像第i通道和第j通道的特征；
为使目标图像相关性和生成图像相关性之间的差异最小化，用于图像超分辨和对比度增强训练的损失函数为：
其中， 为网络预测的超分辨图像，为监督图像， 为图像纹理特征的通道数目。
3.根据权利要求2所述的监测方法，其特征在于，所述步骤S21的图像超分辨训练数据采用如下两种方法生成：
（2）分别使用低分辨率的子码流和高分辨率的主码流采集图像，作为输入图像和监督图像。
4.根据权利要求1所述的监测方法，其特征在于，所述步骤S22中用于网络训练的损失函数为：
其中， 和 分别为目标框类别和目标框坐标损失， 为用于关键点训练的损失函数：
其中， 表示标尺的N个关键点，R为实域， ， 为网络最后一层的输出， 为网络最后一层的输入，W为权重；
监测设备安装后，获取标尺初始参考点像素坐标 ， ,其中N为参考点的个数，系统定时对轨道、轨道板状态巡检，获取巡检时刻的标尺参考点像素坐标，计算对应参考点水平、竖直方向像素坐标的位移 和 ：。
5.根据权利要求1所述的监测方法，其特征在于，所述步骤S23具体包括：得到的相机内参数：相机焦距 、光学中心坐标 和畸变参数，畸变参数包括径向畸变参数 和 ，切向畸变参数 和 ，进行实际位移的计算，使用相机内参数，先将像素坐标位移 转化为世界坐标位移：
6.根据权利要求1所述的监测方法，其特征在于，所述步骤S4具体包括：S41、获取监测实时图像；
S42、对于轨道板，计算轨道板绝对位移，以及轨道板‑过渡板相对位移、轨道板‑路基封闭层相对位移；对于轨道，计算轨道绝对爬移，以及轨道‑轨道板相对爬移；
S44、对于轨道板，判断轨道板‑过渡板相对位移、轨道板‑路基封闭层相对位移其中一个是否超过报警阈值T2；对于轨道，判断轨道‑轨道板相对爬移是否超过报警阈值T3；
S45、如连续M次测量S43～S44都满足，推送轨道爬移或轨道板位移报警，否则记录巡检记录，并根据温度、位移态势，将轨道板位移区分为各种报警类型；
S46、对一段时间内各监测点位的位移发展情况和报警次数进行统计分析，并结合监测区段内所有点位监测信息，形成行车计划建议和保养维护建议。
7.一种采用如权利要求1所述的铁路轨道、轨道板状态多维智能监测方法的监测系统，其特征在于，包括：
测量组件，所述测量组件包括红外测温设备、激光测距设备、图像传感器和近红外补光灯，所述红外测温设备测量铁轨和轨道板的表面温度，所述激光测距设备测量铁轨距离并转化为铁轨偏心距离，所述图像传感器在低照度时切换到夜晚模式并触发所述近红外补光灯开启；
控制组件，所述控制组件包括控制模块和处理模块，所述处理模块接收所述图像传感器采集的观测图像，结合多任务深度学习网络和视觉检测技术计算轨道板位移和轨道爬移，所述图像传感器、补光灯和激光测距传感器设置在同一旋转平台上，所述旋转平台设置多个预置点位，在工作时旋转至观测位置，在休眠时旋转至躲藏位置；
通信组件，所述控制模块通过该通信组件将表面温度、铁轨偏心距离以及轨道板位移、轨道爬移测量结果传输至管理中心；
8.根据权利要求7所述的监测系统，其特征在于，所述供电组件包括太阳能电池板、太阳能控制器，具有直流供电接口，提供太阳能电池板供电、直流供电和蓄电池供电模式。
一种铁路轨道、轨道板状态多维智能监测方法及系统
技术领域
[0001] 本发明涉及一种铁路轨道、轨道板状态多维智能监测方法及系统，属于铁路轨道、轨道板安全监测领域。
背景技术
[0002] 在温度、列车制动和混凝土收缩等载荷作用下，铁路轨道、轨道板承担复杂的横向力和纵向力。当因高温导致轨道板胀板达到3mm以上，且线路高低或方向偏差超过 3mm，应
及时安排整治，以免发生行车安全隐患；当前多由防护员、巡线员在天窗时间对铁路轨道爬
移、轨道板位移、过渡板与支承层连接部位接缝大小及变形情况、过渡板与轨道板相对位
移、支承层与轨道板相对位移等参数进行人工测量和核验，该方法费时费力、主观性强，且
记录数据多为纸质化、碎片化，不利于全生命周期数据整理及后续分析。
[0003] 铁路轨道旁设备安装空间有限，对监测设备尺寸、防护性能等有较高的要求，且现场存在列车振动、雨雾、风雪、泥污等干扰，普通视频监测、光纤光栅技术和加速度位移传感
等监测手段在进行现场施工时，存在现场取电困难、施工难度大、硬件和施工成本高等问
题，设计新的监测方案和系统，以对铁路轨道、轨道板状态进行综合、长期、智能的监测，依
然具有较大的需求和探索空间。
发明内容
[0004] 为解决现有技术存在的不足，本发明提出一种铁路轨道、轨道板状态多维智能监测方法及系统，其通过多维度的智能监测设备获取铁轨和轨道板处的多种参数，并计算出
轨道板位移和轨道爬移，从而实现自动化监控和报警。
[0005] 为实现上述目的，本发明采用如下的技术方案：
[0006] 本发明的铁路轨道、轨道板状态多维智能监测方法，包括：
[0007] S1、多维智能监测系统获取铁轨和轨道板的表面温度、测量铁轨的距离，并转化为铁轨偏心距离，以及获取观测图像；
[0008] S2、将步骤S1获取的表面温度、铁轨偏心距离传输给多维智能监测系统控制模块，并且将步骤S1获取的观测图像传输给多维智能监测系统处理模块，处理模块结合深度学习
网络和视觉检测技术计算出轨道板位移和轨道爬移；
[0009] S3、将表面温度、铁轨偏心距离以及轨道板位移、轨道爬移测量结果封装传输到管理中心；
[0010] S4、管理中心对各监测点位进行温度、位移态势分析，推送铁路轨道、轨道板异常位移报警，同时，对各监测点位的位移发展情况和报警次数进行月季年统计分析，并结合监
测区段内所有监测点位的监测信息，形成行车计划建议和保养维护建议。
[0011] 在一个实施方式中，在观测位置安装高精度观测标尺，作为轨道板位移、轨道爬移测量的参考点。
[0012] 在一个实施方式中，步骤S2中，处理模块计算轨道板位移、轨道爬移具体包括：
[0013] S21、采用图像超分辨和对比度增强，提升图像分辨率，达到高精度测量的目的；
[0014] S22、采用图像分割方法定位出标尺的边界位置，获取观测标尺掩码图像，同时，进行关键点检测，配合掩码图像的角点，计算位移观测参考点的坐标；
[0015] S23结合旋转机构转动和标尺的标准尺寸，计算相机参数自标定和标尺实际位移。
[0016] 在一个实施方式中，步骤S21具体包括：设计观测标尺边缘和角点对比度增强的超分辨网络，为使超分辨后的图像与目标图像具有相同的对比度和纹理，采用图像不同特征
通道之间的相关性衡量图像纹理，即：
[0017] Gij(I)＝φi·φj
[0018] 其中，φi和φj分别为图像第i通道和第j通道的特征；
[0019] 为使目标图像相关性和生成图像相关性之间的差异最小化，用于图像超分辨和对比度增强训练的损失函数为：
[0020]
[0021] 其中，I为网络预测的超分辨图像，为监督图像，c为图像纹理特征的通道数目。
[0022] 在一个实施方式中，步骤S21的图像超分辨训练数据采用如下两种方法生成：
[0023] (1)双三次插值图像退化方法合成；
[0024] (2)分别使用低分辨率的子码流和高分辨率的主码流采集图像，作为输入图像和监督图像。
[0025] 在一个实施方式中，步骤S22具体包括：
[0026] 针对轨道板位移和轨道爬移监测场景和计算特点，设计包含目标检测、图像分割和关键点检测分支的多任务深度学习网络，目标检测分支进行标尺包围框检测，图像分割
分支进行标尺掩码像素级定位，关键点检测分支进行标尺角点的检测和定位，用于网络训
练的损失函数为：
[0027] L＝Lcls+Lbox+Lmask+Lkeypoint
[0028] 其中，Lcls和Lbox分别为目标框类别和目标框坐标损失，Lkeypoint为用于关键点训练的损失函数：
[0029]
[0030] 其中，yi∈R表示标尺的N个关键点，R为实域，i＝1，....N，f(xi；W)为网络最后一层的输出，xi为网络最后一层的输入，W为权重；
[0031] 监测设备安装后，获取标尺初始参考点像素坐标(xri，yri)，i＝1，...，N，其中 N为参考点的个数，系统定时对轨道、轨道板状态巡检，获取巡检时刻的标尺参考点像素坐标
(xci，yci)，计算对应参考点水平、竖直方向像素坐标的位移dpx和dpy：
[0032]
[0033]
[0034] 在一个实施方式中，步骤S23具体包括：
[0035] 获取标尺参考点像素坐标的位移后，为计算世界坐标的位移，对相机进行标定，使用标尺图像替代棋盘格标定板进行标定，通过控制旋转机构转动改变相机与测量面之间的
相对位置得到标定图像，进行相机内参数、畸变参数和外参数的求解，得到相机内参数：相
机焦距fx/fy、光学中心坐标cx/cy和畸变参数，畸变参数包括径向畸变参数k1和k2，切向畸变
参数p1和p2，
[0036] 进行实际位移的计算，使用相机内参数，先将像素坐标位移(dpx，dpy)转化为相机坐标位移：
[0037]
[0038] 使用标定出的畸变参数对相机坐标位移进行畸变较正。
[0039] 在一个实施方式中，步骤S4具体包括：
[0040] S41、获取监测实时图像；
[0041] S42、对于轨道板，计算轨道板绝对位移，以及轨道板‑过渡板相对位移、轨道板‑ 路基封闭层相对位移；对于轨道，计算轨道绝对爬移，以及轨道‑轨道板相对爬移；
[0042] S43、判断轨道板绝对位移是否超过报警阈值T1；
[0043] S44、对于轨道板，判断轨道板‑过渡板相对位移、轨道板‑路基封闭层相对位移其中一个是否超过报警阈值T2；对于轨道，判断轨道‑轨道板相对爬移是否超过报警阈值T3；
[0044] S45、如连续M次测量S43～S44都满足，推送轨道爬移或轨道板位移报警，否则记录巡检记录，并根据温度、位移态势，将轨道板位移区分为各种报警类型；
[0045] S46、对一段时间内各监测点位的位移发展情况和报警次数进行统计分析，并结合监测区段内所有点位监测信息，形成行车计划建议和保养维护建议。
[0046] 本发明还提出一种采用如前的铁路轨道、轨道板状态多维智能监测方法的监测系统，包括：
[0047] 测量组件，测量组件包括红外测温设备、激光测距设备、图像传感器和近红外补光灯，红外测温设备测量铁轨和轨道板的表面温度，激光测距设备测量铁轨距离并转化为铁
轨偏心距离，图像传感器在低照度时切换到夜晚模式并触发近红外补光灯开启；
[0048] 控制组件，控制组件包括控制模块和处理模块，处理模块接收图像传感器采集的观测图像，结合深度学习网络和视觉检测技术计算轨道板位移和轨道爬移，图像传感器、补
光灯和激光测距传感器设置在同一旋转平台上，所述旋转平台设置多个预置点位，在工作
时旋转至观测位置，在休眠时旋转至躲藏位置；
[0049] 通信组件，控制模块通过该通信组件将表面温度、铁轨偏心距离以及轨道板位移、轨道爬移测量结果传输至管理中心；
[0050] 供电组件，用于向监测系统提供电源。
[0051] 在一个实施方式中，供电组件包括太阳能电池板、太阳能控制器，具有直流供电接口，提供太阳能电池板供电、直流供电和蓄电池供电模式。
[0052] 本发明的多维智能监测方法和监测系统和具有如下有益效果：
[0053] (1)本发明结合红外测温、激光测距、视觉测量多种智能传感技术，通过设计具备电源管理控制、自动规避恶劣天气干扰、系统休眠/唤醒、自动控制相机工作姿态等功能的
监测设备，进行图像、轨道/轨道板温度、大气温度、轨道板位移和轨道爬移等多维数据的感
知和测量，并实现异常位移的报警和报警等级分类。
[0054] (2)在位移测量算法方面，首先采用超分辨网络提升原始图像的分辨率，并以图像多通道的特征相关性差异作为训练的损失函数，进行网络参数的优化；然后，为排除轨道、
轨道板复杂背景的干扰，设计具有目标检测、分割和关键点检测分支的多任务学习深度网
络，进行标尺位置的包围框检测、像素级分割和标尺参考点的检测，进而进行位移的计算和
测量；最后，使用观测标尺图像替代棋盘格标定板进行相机参数的标定，通过控制旋转机构
转动改变相机与测量面之间的相对位置来得到不同的参考图像，进行相机内参数、畸变参
数和外参数的求解，以进行轨道爬移、轨道板位移的计算。
[0055] (3)在位移报警逻辑方面，结合轨道/轨道板温度和位移相互影响、轨道/轨道板绝对位移和轨道、轨道板、支承层、路基位移相互位移，对轨道板异常状态进行及时预警，结合
多点位监测信息对区段内铁路轨道、轨道板健康状态进行综合分析，降低对现场巡检人员
的要求，缩短维护检修所需时间，增强检修的作业效率，提高列车运行安全系数。
附图说明
[0056] 下面结合附图对本发明作进一步描写和阐述。
[0057] 图1是本发明首选实施方式的铁路轨道、轨道板状态多维智能监测系统的示意图。
[0058] 图2是图1中监测系统的处理模块计算铁路轨道、轨道板位移的流程图。
[0059] 图3是本发明监测方法的轨道板竖向位移报警逻辑示意图。
具体实施方式
[0060] 下面将结合附图、通过对本发明的优选实施方式的描述，更加清楚、完整地阐述本发明的技术方案。
[0061] 如图1所示，本发明首选实施方式的一种铁路轨道、轨道板状态多维智能监测系统包括：测量组件1、控制组件、通信组件3、供电组件4。
[0062] 测量组件1包括红外测温设备、激光测距设备、图像传感器和近红外补光灯。红外测温设备测量铁轨和轨道板的表面温度，其通过旋转机构控制角度。激光测距设备测量铁
轨距离并转化为铁轨偏心状态的变化，即偏心距离。图像传感器具有自动感光功能，在低照
度时切换到夜晚模式并触发所述近红外补光灯开启。近红外补光灯采用人眼不可见的
940nm波长，实现图像在白天和夜晚时间的正常采集和实用。
[0063] 控制组件包括控制模块21和处理模块22。其中，控制模块21即为控制电路，处理模块22即为嵌入式图像分析核心板，其嵌入式图像分析硬件为AI核心板，该处理模块接收图
像传感器采集的观测图像，结合深度学习网络和视觉检测技术进行轨道板板位移和轨道爬
移的测量，并将测量参数传输到控制电路。
[0064] 图像传感器、补光灯和激光测距传感器设置在同一旋转平台上，水平旋转角度为 0‑180°，可通过预置点位设置，在工作时旋转至观测位置，在休眠时旋转至躲藏位置。控制
电路与旋转机构、传感器通信，测温传感器和激光测距传感器的输出信号经控制电路转换
为网络协议信号，并连同轨道板位移和轨道爬移测量结果打包成数据包，经网络传输到管
理中心，数据包协议格式如下表所示：
[0065]1 2 3 4 5 6 7 8 9 10 11 12
[0066] 1.数据头
[0067] 2.采集日期
[0068] 3.采集时间
[0069] 4.采集点位
[0070] 5.轨道板温度
[0071] 6.轨道温度
[0072] 7.轨道板横向位移
[0073] 8.轨道板竖向位移
[0074] 9.轨道爬移横向
[0075] 10.轨道爬移竖向
[0076] 11.轨道距离(偏心)
[0077] 12.数据尾
[0078] 通信组件3包括4G无线路由器和交换机设备，支持互联网或局域网有线网络、无线连接两种通信模式。控制模块通过该通信组件将表面温度、铁轨偏心距离以及轨道板位移、
轨道爬移测量结果传输至管理中心。
[0079] 供电组件4包括太阳能电池板、太阳能控制器，预留12V直流供电接口，提供太阳能电池板供电、直流供电和蓄电池供电多种供电模式，方便多种电源形式的接入，实现设备短
期工作、长期稳定工作、利用清洁能源工作多种模式，并集成电源管理模块，实现电量有效
控制和使用。
[0080] 上述多维智能监测设备由供电组件、通信组件、测量组件和控制处理组件组成，能实现轨道及轨道板位移、轨道及轨道板温度、大气温度、轨道偏心测量功能，同时具备电源
管理控制、自动规避恶劣天气干扰、系统休眠/唤醒、自动控制相机工作姿态等功能，实现数
据采集的自动化、智能化，并保障数据的高可靠性。
[0081] 本发明还提出一种铁路轨道、轨道板状态多维智能监测方法，该监测方法包括如下步骤：
[0082] 步骤S1、多维智能监测系统获取铁轨和轨道板的表面温度、测量铁轨的距离并转化为铁轨偏心距离，以及获取观测图像；
[0083] 步骤S2、将步骤S1获取的表面温度、铁轨偏心距离传输给控制模块；以及，将步骤S1获取的观测图像传输给处理模块，处理模块结合深度学习网络和视觉检测技术计算出轨
道板位移和轨道爬移；
[0084] 步骤S3、将表面温度、铁轨偏心距离以及轨道板位移、轨道爬移测量结果封装并传输到管理中心；
[0085] 步骤S4、管理中心对各监测点位进行温度、位移态势分析，推送铁路轨道、轨道板异常位移报警，同时，对各监测点位的位移发展情况和报警次数进行月季年统计分析，并结
合监测区段内所有监测点位的监测信息，形成行车计划建议和保养维护建议。
[0086] 具体地，在计算铁路轨道爬移和轨道板位移时，考虑到铁路轨道、轨道板表面形态复杂且多变，无统一的参考点可供位移的对比计算，直接进行测量将导致算法复杂度高、泛
化性能差，通过在观测位置安装高精度观测标尺，结合深度学习图像分割和视觉测量技术，
进行标尺位置的分割和标尺参考点的定位，以标尺参考点位移代表轨道、轨道板位置的位
移。
[0087] 图像分析核心板采集图像并进行轨道爬移和轨道板位移的计算，视觉测量中图像分辨率是测量精度的保证，越高精度的测量对图像分辨率的需求越高，一般通过配置高分
辨率相机满足测量需求，但这将带来成像模组尺寸变大、功率增大、成本提高，不利于设备
安装和集成。
[0088] 如图2所示，为了避免成像模组外形尺寸较大，不利于设备安装和集成，本发明采用如下方法来计算铁路轨道、轨道板位移，该计算方法包括如下步骤：
[0089] 步骤S21、通过采用图像超分辨和对比度增强技术提升图像分辨率，达到高精度测量的目的；
[0090] 步骤S22、为精确测量轨道爬移、轨道板位移，采用图像分割的方法定位出标尺边界位置，获取观测标尺掩码图像，同时，为提高参考点定位精度，进行标尺关键点检测，配合
掩码图像的角点，进行位移观测参考点坐标的计算；
[0091] 步骤S23、最后，结合旋转机构和标尺标准尺寸，进行相机参数自标定和实际位移的计算。
[0092] 具体地，在步骤S21的图像超分辨和对比度增强中，位移观测标尺边缘和角点反映了标尺定位、关键点检测的关键信息，而边缘和角点属于低层语义信息，设计针对边缘和角
点对比度增强的超分辨网络，超分辨后的图像要求与目标图像有相同的对比度和纹理，使
用图像不同特征通道之间的相关性衡量图像纹理，即：
[0093] Gij(I)＝φi·φj
[0094] 其中，φi和φj分别为图像第i通道和第j通道的特征，分别由RGB颜色空间和 HSV颜色空间的六通道灰度共生矩阵表示，是一个L×L的矩阵，L为灰度级，量化为 32位。
[0095] 用于图像超分辨和对比度增强训练的损失函数要求最小化目标图像相关性和生成图像相关性之间的差异：
[0096]
[0097] 图像超分辨的训练数据采用两种方法生成，分别是：(1)双三次插值(bicubicinterpolation)图像退化方法合成；(2)分别使用低分辨率的子码流和高分辨率的主码流
采集图像，作为输入图像和监督图像。实际使用时，采集高分辨率的主码流图像，作为超分
辨网络的输入，得到2倍上采样的超分辨输出图像。
[0098] 在步骤S22的图像分割标尺定位和关键点检测中，观测标尺参考点定位和位移测量将以超分辨的图像作为输入，为精确测量轨道爬移、轨道板位移，采用图像分割的方法定
位出标尺边界位置，获取观测标尺掩码图像，并结合关键点检测技术，进行标尺参考点的定
位。
[0099] 设计包含目标检测、分割和关键点检测分支的多任务深度学习网络，目标检测分支进行标尺包围框检测，分割分支进行标尺掩码像素级定位，关键点检测分支进行标尺角
点的检测和定位，用于网络训练的损失函数为：
[0100] L＝Lcls+Lbox+Lmask+Lkeypoint
[0101] 其中，Lcls和Lbox分别为目标框类别和目标框坐标损失，Lmask为标尺掩码分割损失函数，Lkeypoint为用于关键点迭代训练的损失函数：
[0102]
[0103] 其中，yi∈R表示标尺的N个关键点，R为实域，i＝1，...，N，f(xi；W)为网络最后一层的输出，xi为网络最后一层的输入，W为权重。
[0104] 监测设备安装后，获取标尺初始参考点像素坐标(xri，yri)，i＝1，...，N，其中 N为参考点的个数。系统定时对轨道、轨道板状态巡检，获取巡检时刻的标尺参考点像素坐标
(xci，yci)，计算对应参考点水平、竖直方向像素坐标的位移dpx和dpy：
[0105]
[0106]
[0107] 在步骤S23的位移观测标尺实际位移计算中，获取标尺参考点像素坐标的位移后，为计算世界坐标的位移，对相机进行标定，得到相机内参数(相机焦距fx/fy、光学中心坐标
cx/cy)和畸变参数(径向畸变参数k1，k2，切向畸变参数p1和p2)。
[0108] 相机内参数矩阵A有5个参数，通用的张正友标定法需要最少拍摄三幅棋盘格标定板进行参数的求解。铁路场景安装设备一般为天窗时间，现场拍摄可操作性不高，且对安装
人员有比较高的要求，本发明使用标尺图像替代棋盘格标定板进行标定，通过控制旋转机
构改变相机与测量面之间的相对位置来得到F个不同的图像，形成2F 个等式，进行相机内
参数、畸变参数和外参数的求解。
[0109] 进行实际位移的计算，使用相机内参数，先将像素坐标位移(dpx，dpy)转化为相机坐标位移：
[0110]
[0111] 使用标定出的畸变参数对相机坐标位移进行畸变较正，得到标尺实际位移：
[0112]
[0113] 其中，r2＝x′2+y′2。
[0114] 计算得到铁路轨道爬移、轨道板位移量后，根据位移病害等级和维护保养建议，超过1mm位移进行3级报警，超过2mm进行2级报警，超过3mm进行1级报警。
[0115] 具体地，铁路轨道爬移、轨道板位移报警及等级分类判断包括如下步骤：
[0116] 步骤S41、获取监测实时图像；
[0117] 步骤S42、对于轨道板，计算轨道板绝对位移，以及轨道板‑过渡板相对位移、轨道板‑路基封闭层相对位移；对于轨道，计算轨道绝对爬移，以及轨道‑轨道板相对爬移；
[0118] 步骤S43、判断绝对位移是否超过报警阈值T1；
[0119] 步骤S44、对于轨道板，判断轨道板‑过渡板相对位移、轨道板‑路基封闭层相对位移其中一个是否超过报警阈值T2；对于轨道，判断轨道‑轨道板相对爬移是否超过报警阈值
T3；
[0120] 步骤S45、如连续M次测量S43～S44都满足，推送轨道爬移或轨道板位移报警，否则记录巡检记录，并根据温度、位移态势，将轨道板位移区分为高温胀板、低温收缩等报警类
型；
[0121] S46、对一段时间内各监测点位的位移发展情况和报警次数进行统计分析，并结合监测区段内所有点位监测信息，形成行车计划建议和保养维护建议。
[0122] 如图3所示，为轨道板竖向位移报警逻辑示意图。
[0123] 上述具体实施方式仅仅对本发明的优选实施方式进行描述，而并非对本发明的保护范围进行限定。在不脱离本发明设计构思和精神范畴的前提下，本领域的普通技术人员
根据本发明所提供的文字描述、附图对本发明的技术方案所作出的各种变形、替代和改进，
均应属于本发明的保护范畴。本发明的保护范围由权利要求确定。
