劉沅明，張 雷

（株洲時(shí)代電子技術(shù)有限公司，湖南 株洲 412007）

0 引言

在經(jīng)濟(jì)高速發(fā)展的過(guò)程中，鐵路運(yùn)輸扮演著極其重要的角色，而對(duì)軌道線路進(jìn)行快速保養(yǎng)和維護(hù)，確保軌道運(yùn)輸安全、舒適與暢通，已經(jīng)成為鐵路運(yùn)輸高速、安全發(fā)展的決定性因素之一。隨著科技的發(fā)展，將更高效、更智能的自動(dòng)化檢測(cè)技術(shù)應(yīng)用于軌道維護(hù)是軌道交通行業(yè)現(xiàn)代化升級(jí)的必然趨勢(shì)。在對(duì)搗固車的技術(shù)升級(jí)中，軌枕的精準(zhǔn)檢測(cè)是實(shí)現(xiàn)智能自動(dòng)化搗固作業(yè)的前提。利用圖像識(shí)別、激光和雷達(dá)測(cè)距等新技術(shù)對(duì)目標(biāo)進(jìn)行非接觸、實(shí)時(shí)、動(dòng)態(tài)檢測(cè)識(shí)別已成為現(xiàn)階段檢測(cè)技術(shù)的發(fā)展趨勢(shì)[1]。軌道主要由鋼軌、軌枕、道砟等相關(guān)部件組合而成，鋼軌、軌枕和固定扣件分布密集，排列規(guī)律、均勻且?guī)缀翁攸c(diǎn)鮮明。特別是軌枕，其排列均勻，軌枕間距大致相等，軌枕上表面相對(duì)平整且軌枕外形基本一致，道砟與軌枕紋理區(qū)別明顯。單一使用圖像識(shí)別技術(shù)檢測(cè)目標(biāo)，準(zhǔn)確性易受到光照、環(huán)境等因素的影響；而在軌道交通的施工中，檢測(cè)需要極高的準(zhǔn)確性，否則可能會(huì)造成事故，影響鐵路正常通行[2]。因此，可以根據(jù)軌道的特征信息，通過(guò)不同傳感器相結(jié)合方式進(jìn)行檢測(cè)識(shí)別。

目前國(guó)內(nèi)外的鐵路檢測(cè)系統(tǒng)有軌道巡檢系統(tǒng)[3]、軌道視覺(jué)檢測(cè)系統(tǒng)(track vision inspection system，TVIS )[4]、激光裂紋測(cè)量系統(tǒng)(laser crack measurement system，LCMS )[5]等，但大都是多功能集中式結(jié)構(gòu)。在對(duì)已有車型的智能化升級(jí)時(shí)，通常要求基本不改變?cè)嚱Y(jié)構(gòu)，因此在軌枕檢測(cè)方面，有必要開發(fā)一套分布式模塊化結(jié)構(gòu)的小型檢測(cè)裝置。為此，本文提出一種將圖像識(shí)別、激光雷達(dá)測(cè)距和位移檢測(cè)相結(jié)合的多維傳感器數(shù)據(jù)融合算法來(lái)提升非接觸檢測(cè)的精度和速度；同時(shí)采用基于傳統(tǒng)圖像分割方法的軌枕檢測(cè)實(shí)現(xiàn)方案，在保證性能的同時(shí)擁有硬件配置要求低、體積小、模塊化等優(yōu)點(diǎn)。實(shí)驗(yàn)結(jié)果驗(yàn)證了該檢測(cè)算法在軌枕智能檢測(cè)識(shí)別的準(zhǔn)確性和有效性。

1 圖像識(shí)別

圖像識(shí)別就是針對(duì)軌枕和道砟的不同特征，利用外圍設(shè)備獲取目標(biāo)圖像，再由計(jì)算機(jī)根據(jù)像素分布有效提取目標(biāo)的形態(tài)、亮度、顏色等特征信息，完成對(duì)目標(biāo)的分割與判別。

1.1 圖像分割

將圖像識(shí)別應(yīng)用在軌枕檢測(cè)上，主要工作是如何有效地將軌枕從圖像中分割提取出來(lái)，即圖像分割。每一幅圖像都可以用二元函數(shù)f(x,v)來(lái)表示，量化函數(shù)的特征取值，能夠得到二維坐標(biāo)系下的離散函數(shù)f(i,j)。此離散函數(shù)即數(shù)字圖像的一般形式，可以用式(1)數(shù)學(xué)模型表示。

式中：M×N——圖像的大小；(i,j)——圖像上的像素坐標(biāo)，在灰度圖像中，f(i,j)是圖像中對(duì)應(yīng)像素的灰度量化值[6]。

通常圖像分割是指把一幅圖像中不同的特征區(qū)域劃分出來(lái)，同一區(qū)域中的像素特性相似，不同區(qū)域間像素點(diǎn)區(qū)別較大。實(shí)際應(yīng)用中，通常是提取需要的特征區(qū)域。在進(jìn)行圖像分割時(shí)，注意要點(diǎn)為輪廓連續(xù)性、運(yùn)算量、非閾值化以及過(guò)度分割[7-8]。實(shí)際使用時(shí)，需要根據(jù)分割圖像的特征、分割的側(cè)重點(diǎn)等實(shí)際需求來(lái)選擇最優(yōu)的算法。但基于對(duì)軌枕檢測(cè)的實(shí)時(shí)性處理要求以及軌道軌枕圖像相對(duì)統(tǒng)一和固定的特點(diǎn)，傳統(tǒng)圖像分割方法對(duì)設(shè)備性能、配置等要求更低，相對(duì)更有應(yīng)用優(yōu)勢(shì)。因此，本檢測(cè)系統(tǒng)的圖像識(shí)別部分主要問(wèn)題是如何確定二值圖像的分割閾值和有效防止出現(xiàn)局部最優(yōu)現(xiàn)象。

1.2 基于CFOA算法的圖像分割

軌枕圖像分割主要考慮圖像曝光不均衡導(dǎo)致的分割誤差。果蠅優(yōu)化算法 (fruit fly optimization algorithm，F(xiàn)OA)由于遍歷性不強(qiáng)，易出現(xiàn)局部最優(yōu)問(wèn)題；混沌增強(qiáng)果蠅優(yōu)化算法（chaotic-enhanced fruit fly optimization algorithm，CFOA）[9]充分利用混沌序列的遍歷性來(lái)提高FOA的全局優(yōu)化性能；將CFOA與聚類分割技術(shù)結(jié)合，即利用CFOA優(yōu)化聚類的圖像分割算法，可以提升對(duì)曝光不均衡圖像的分割效果。CFOA算法流程如圖1所示。

圖1 CFOA流程Fig.1 Flow chart of CFOA

1.2.1 初始化算法參數(shù)

在初始化過(guò)程中，利用式(2)所示混沌序列進(jìn)行分配和調(diào)度，可增加全局搜索解的多樣性。

式中：Ui,Li——隨機(jī)變量取值的范圍；M(·)——混沌序列；X_axisi，Y_axisi——圖像像素點(diǎn)位置。

1.2.2 搜索尋優(yōu)過(guò)程

在搜索最優(yōu)值的過(guò)程中，針對(duì)多模式的局部最優(yōu)和過(guò)早收斂的問(wèn)題，采用混沌優(yōu)化技術(shù)來(lái)解決隨機(jī)方向和距離的局限性問(wèn)題：

式中：Xi,Yi——隨機(jī)搜索過(guò)程中像素點(diǎn)位置；R(k)——搜索半徑函數(shù)；k——迭代數(shù)。

R(k)可利用式(4)求出：

式中：kmax——最大迭代數(shù)；——多尺度因子，與迭代數(shù)成反相關(guān)。

在迭代初期，較大的R(k)可以增加全局搜索解的多樣性；而在最終迭代中，較小的R(k)可以提升全局解的多樣性，通過(guò)對(duì)的微調(diào)探索能強(qiáng)化解決方案。

1.2.3 調(diào)整距離(Di)與判斷值(Si)

當(dāng)Di較大時(shí)，會(huì)使Si相對(duì)較小，此時(shí)易出現(xiàn)局部收斂與最優(yōu)現(xiàn)象。為了有效解決此問(wèn)題，需對(duì)距離和判定值的公式進(jìn)行優(yōu)化，以最大限度地?cái)U(kuò)大搜索范圍[5]：

1.3 評(píng)價(jià)指標(biāo)與算法驗(yàn)證

通過(guò)使用經(jīng)典的聚類分割算法、K均值聚類算法（K-means clustering algorithm，K-means）[10]、多目標(biāo)優(yōu)化遺傳算法（multi-objective genetic algorithm，MOGA ）[11]與CFOA算法對(duì)加入噪聲的square圖像進(jìn)行分割處理，選擇調(diào)整蘭德指數(shù)（adjusted rand index, ARI）[12]和聚類準(zhǔn)確率（clustering accuracy,CA）[13]這兩個(gè)常用的分割質(zhì)量評(píng)價(jià)指標(biāo)來(lái)判定分割結(jié)果的好壞。圖2示出同一噪聲圖像經(jīng)過(guò)不同算法分割處理后的效果對(duì)比。表1是3種算法處理結(jié)果的對(duì)比。從表1可以看出，隨著噪聲因子的增強(qiáng)，CA和ARI均逐漸變小，圖像分割質(zhì)量不斷下降，而CFOA指標(biāo)最優(yōu)，證明了該算法的優(yōu)越性。

圖2 二值圖處理效果對(duì)比Fig.2 Comparison of binary image processing effects

表1 3種算法處理結(jié)果對(duì)比Tab.1 Comparison of processing results among the three algorithms

2 激光軌枕檢測(cè)與位移檢測(cè)

2.1 激光檢測(cè)

鐵路軌枕大致相同且分布規(guī)律、均勻，利用激光雷達(dá)測(cè)距在軌枕上表面與道砟上表面檢測(cè)數(shù)據(jù)出現(xiàn)的平滑度差異的規(guī)律性，可以分別識(shí)別出軌枕與道砟。由于搗固車在作業(yè)過(guò)程中存在液力制動(dòng)、搗固振動(dòng)等干擾因素，會(huì)致使安裝在搗固車車體上的激光雷達(dá)傳感器的檢測(cè)輸出中伴隨有這些噪聲；同時(shí)搗固車在作業(yè)工作過(guò)程還存在其他高頻和低頻噪聲，都會(huì)對(duì)檢測(cè)數(shù)據(jù)的平滑度和規(guī)律性造成影響。智能自動(dòng)化搗固作業(yè)必須基于對(duì)軌枕和道砟等數(shù)據(jù)的及時(shí)準(zhǔn)確測(cè)量，所以濾波處理是獲取準(zhǔn)確有效的軌枕判斷數(shù)據(jù)的關(guān)鍵環(huán)節(jié)。從道砟和軌枕的結(jié)構(gòu)可知，軌枕表面相對(duì)平整，道砟表面非常不平整，而激光檢測(cè)所需的數(shù)據(jù)都是有效信號(hào)，所以在保證這兩類信號(hào)有效的前提下消除其他高低頻噪聲成為保證數(shù)據(jù)有效的關(guān)鍵，此時(shí)選擇合適的濾波算法成為關(guān)鍵環(huán)節(jié)。

利用低通濾波器的特性，在保留數(shù)據(jù)本身特點(diǎn)的前提下濾除高頻干擾；同時(shí)又要有效防止突然出現(xiàn)的振動(dòng)對(duì)檢測(cè)數(shù)據(jù)的影響，并且不能出現(xiàn)過(guò)大的濾波時(shí)延。針對(duì)這些要求，本文根據(jù)信號(hào)波動(dòng)的實(shí)際情況對(duì)低通濾波器的濾波權(quán)重系數(shù)進(jìn)行動(dòng)態(tài)調(diào)整。當(dāng)信號(hào)變化較大時(shí)，增大濾波系數(shù)的權(quán)重值；當(dāng)信號(hào)趨于平緩時(shí)，及時(shí)減小濾波系數(shù)的權(quán)重值，使得濾波時(shí)間響應(yīng)加速[14]。改進(jìn)后的低通濾波器的傳遞函數(shù)為：

式中：ω—— 角頻率；fz—— 低通濾波器的截止頻率[14]，該值的大小影響信號(hào)通過(guò)的頻率大小。

當(dāng)信號(hào)頻率f遠(yuǎn)小于fz時(shí)，則A(ω)=1，此時(shí)信號(hào)可完整通過(guò)而不受衰減的影響；而當(dāng)信號(hào)頻率f遠(yuǎn)大于fz時(shí)，則A(ω)<1，此時(shí)信號(hào)會(huì)受到衰減。一階數(shù)字低通濾波器算法如下：

式中：Ts——采樣周期；Xk，Yk——算法的輸入和輸出的離散化值。

為了使濾波器能夠根據(jù)輸入信號(hào)的變化實(shí)時(shí)地調(diào)整濾波系數(shù)的權(quán)重值，從而自動(dòng)調(diào)整濾波作用的強(qiáng)弱，需對(duì)式(8)中的截止頻率進(jìn)行修正。依據(jù)輸入信號(hào)的波動(dòng)情況來(lái)對(duì)濾波器中的截止頻率fz進(jìn)行實(shí)時(shí)動(dòng)態(tài)調(diào)整，其修改后的表達(dá)式如下：

式中：β——輸入信號(hào)前后兩次采樣值的變化量；α——將β進(jìn)行濾波處理后得到的相對(duì)平滑的變化量。

當(dāng)β突然變大時(shí)，α在短時(shí)間內(nèi)保持不變，此時(shí)fz變小，濾波效果加強(qiáng)，輸出信號(hào)能夠快速跟蹤輸入信號(hào)；而當(dāng)β突然變小時(shí)，α在短時(shí)間內(nèi)保持不變，fz變大，濾波時(shí)延作用減弱，輸出信號(hào)能夠更好地逼近真實(shí)情況[7]。修改后的濾波算法的傳遞函數(shù)為

通過(guò)式(6)～式(10)所述濾波算法，不僅能夠有效消除因高頻、低頻振動(dòng)產(chǎn)生的相關(guān)噪聲，同時(shí)還能消除由于搗固頭上下運(yùn)動(dòng)引發(fā)的劇烈振動(dòng)而產(chǎn)生的突變干擾，從而保證激光雷達(dá)測(cè)距數(shù)據(jù)的準(zhǔn)確平穩(wěn)性。

2.2 位移檢測(cè)

智能化搗固作業(yè)不僅僅需要檢測(cè)出軌枕并判斷數(shù)量，同時(shí)也需要檢測(cè)軌枕間的間距和軌枕寬度，從而來(lái)控制搗固車的位移以及精準(zhǔn)搗固下搞。位移檢測(cè)主要考慮如何有效測(cè)量出車輪的運(yùn)動(dòng)距離和剎車距離，實(shí)際工作時(shí)，由于搗固車行駛速度較慢，剎車距離較短，可以根據(jù)現(xiàn)場(chǎng)線路實(shí)際工況進(jìn)行一定程度的補(bǔ)償處理來(lái)修正二值圖像在與激光檢測(cè)數(shù)據(jù)進(jìn)行數(shù)據(jù)融合時(shí)的位移數(shù)據(jù)。本方案中位移檢測(cè)主要利用車輪編碼器測(cè)量搗固車的運(yùn)動(dòng)位移，即搗固車向前的行駛位移。

3 多維數(shù)據(jù)融合

利用所獲取的圖像和激光輸出數(shù)據(jù)并結(jié)合搗固車的行駛位移數(shù)據(jù)，將這3種數(shù)據(jù)通過(guò)數(shù)據(jù)融合算法最終得到實(shí)時(shí)有效且準(zhǔn)確的軌枕數(shù)據(jù)。多維傳感器數(shù)據(jù)融合的主要目的在于補(bǔ)償因單一傳感器檢測(cè)數(shù)據(jù)偏差引起的檢測(cè)誤差，通過(guò)多維傳感器數(shù)據(jù)的互補(bǔ)融合，得到最佳的檢測(cè)結(jié)果。數(shù)據(jù)融合本質(zhì)上也是一種濾波操作，最終目的都是得到一個(gè)準(zhǔn)確的檢測(cè)結(jié)果[15]。

本文提出的數(shù)據(jù)融合算法是，首先利用卡爾曼濾波將圖像分割后的數(shù)據(jù)與激光測(cè)距的數(shù)據(jù)進(jìn)行數(shù)據(jù)融合濾波處理，得到有效的激光測(cè)距數(shù)據(jù)；然后再結(jié)合位移數(shù)據(jù)、軌枕間距與軌枕本身特征數(shù)據(jù)信息，最終確定軌枕檢測(cè)結(jié)果。圖3示出數(shù)據(jù)融合處理流程。

圖3 數(shù)據(jù)融合處理流程圖Fig.3 Flow chart of the data fusion processing

卡爾曼濾波是一種用于線性時(shí)變系統(tǒng)的自回歸濾波算法，能夠從觀測(cè)到的一系列系統(tǒng)輸入輸出的測(cè)量數(shù)據(jù)中，對(duì)系統(tǒng)的狀態(tài)進(jìn)行最優(yōu)估計(jì)，其估算精度通常高于基于單一觀測(cè)方法的[8]。同時(shí)，其僅需利用當(dāng)前觀測(cè)值和先驗(yàn)估計(jì)值及非確定性矩陣，無(wú)須更多的歷史數(shù)據(jù)。算法處理過(guò)程中，所使用的數(shù)據(jù)都包含各種噪聲和干擾，通過(guò)計(jì)算估計(jì)誤差的最小化協(xié)方差來(lái)獲得最優(yōu)狀態(tài)估計(jì)。本文將這種優(yōu)化處理方式用于對(duì)數(shù)據(jù)的濾波處理?？柭鼮V波器處理步驟如下：

式中：A，Ak——系統(tǒng)矩陣，A=Ak；B——控制輸入矩陣；H——預(yù)測(cè)模型矩陣；Kk——濾波權(quán)重；Pk|k-1——k-1時(shí)刻預(yù)估誤差協(xié)方差矩陣；Pk——k時(shí)刻預(yù)估誤差協(xié)方差矩陣；Q——過(guò)程噪聲協(xié)方差矩陣；R——測(cè)量噪聲協(xié)方差矩陣；I——單位矩陣[16]。

對(duì)于非線性系統(tǒng)，通常使用離散化的卡爾曼濾波算法，圖4示出卡爾曼濾波算法流程。該算法由預(yù)測(cè)階段和校正階段組成。預(yù)測(cè)階段，即對(duì)預(yù)測(cè)狀態(tài)估計(jì)計(jì)算和對(duì)相關(guān)誤差的協(xié)方差矩陣進(jìn)行計(jì)算；而校正階段，利用卡爾曼增益加權(quán)對(duì)測(cè)量相關(guān)項(xiàng)進(jìn)行校正估計(jì)[16]。

圖4 卡爾曼濾波算法流程Fig.4 Flow chart of Kalman filter algorithm

4 實(shí)驗(yàn)驗(yàn)證

為了驗(yàn)證所提方案的有效性和實(shí)用性，本文將其應(yīng)用于大型養(yǎng)路機(jī)械搗固車智能化自動(dòng)搗固作業(yè)的軌枕檢測(cè)系統(tǒng)中。

本文的數(shù)據(jù)融合檢測(cè)算法方案主要由兩個(gè)模塊化檢測(cè)模塊組成，即獲取圖像的采集模塊與激光測(cè)距模塊。其中包含對(duì)3組數(shù)據(jù)的處理：第一組是利用分割算法對(duì)采集得到的原始圖像進(jìn)行圖像分割處理；第二組是對(duì)激光測(cè)距的原始數(shù)據(jù)進(jìn)行濾波處理；第三組是利用卡爾曼濾波融合圖像識(shí)別與激光測(cè)距濾波后的數(shù)據(jù)，最終輸出綜合檢測(cè)結(jié)果。在既有搗固車上安裝了根據(jù)本方案設(shè)計(jì)的裝置，并開展了現(xiàn)場(chǎng)施工驗(yàn)證。具體硬件平臺(tái)構(gòu)成如圖5所示。

圖5 試驗(yàn)硬件平臺(tái)Fig.5 Test hardware platform

4.1 圖像識(shí)別

采用本文提出的圖像分割算法對(duì)軌枕圖像進(jìn)行分割處理，以驗(yàn)證分割算法在軌枕識(shí)別檢測(cè)中的可行性。通過(guò)對(duì)二值圖的分割，可以判定軌枕位置為高光區(qū)域，得到位移軸向上的軌枕區(qū)域。圖6 為軌道軌枕的原始圖，圖7為經(jīng)過(guò)分割算法處理后的二值化圖像。對(duì)圖7中不同區(qū)域進(jìn)行位移軸向處理，可得到二值分割區(qū)域，由于軌枕相對(duì)道砟的亮度較高，得到的二值分割區(qū)域中，白色區(qū)域表示軌枕，黑色區(qū)域表示道砟。

圖6 軌枕原始圖Fig.6 Raw image of sleeper

圖7 處理后的二值圖Fig.7 Processed binary image

4.2 激光測(cè)距

激光測(cè)距儀在軌枕上檢測(cè)的距離值相對(duì)偏差較小，而在道砟上檢測(cè)輸出的數(shù)據(jù)相對(duì)波動(dòng)較大，但兩者都會(huì)因車輛走行、搗固頭振動(dòng)與夯拍器上下運(yùn)動(dòng)及停止等動(dòng)作產(chǎn)生噪聲。激光測(cè)量的原始輸出數(shù)據(jù)如圖8所示。根據(jù)軌枕和道砟表面特性的區(qū)別來(lái)判定軌枕，需先進(jìn)行濾波去噪，但同時(shí)應(yīng)避免濾波過(guò)度造成無(wú)法區(qū)分軌枕與道砟。圖9示出原始數(shù)據(jù)經(jīng)過(guò)濾波處理后得到的數(shù)據(jù)圖，可以看出，濾波后的數(shù)據(jù)更清晰地反映了道砟和軌枕的檢測(cè)數(shù)據(jù)平滑度，能更好地分辨軌枕和道砟。

圖8 激光測(cè)距原始數(shù)據(jù)Fig.8 Raw data of laser ranging

圖9 濾波后距離數(shù)據(jù)Fig.9 Filtered range data

4.3 數(shù)據(jù)融合判定軌枕

通過(guò)圖像識(shí)別的二值化分割處理可以得到軌枕的區(qū)域，激光測(cè)距數(shù)據(jù)濾波后也能用于判定軌枕的區(qū)域，再結(jié)合位移的距離，即通過(guò)三者的數(shù)據(jù)融合可更準(zhǔn)確地判定軌枕區(qū)域，最終輸出確定的軌枕位置信號(hào)。如圖10所示，輸出為1表示此處是軌枕，0表示此處為道砟。通過(guò)一段1 km軌道的檢測(cè)結(jié)果顯示，本方案能夠準(zhǔn)確地檢測(cè)出軌枕與道砟區(qū)域。將檢測(cè)結(jié)果與實(shí)際測(cè)量的數(shù)據(jù)對(duì)比，結(jié)果顯示，在正常的搗固速度下，錯(cuò)誤率小于0.5%，軌枕頂面寬度的檢測(cè)偏差在1 cm范圍內(nèi)（允許范圍為2 cm），驗(yàn)證了本文所提融合檢測(cè)算法方案的有效性。

圖10 軌枕檢測(cè)輸出信號(hào)Fig.10 Sleeper detection output signal

5 結(jié)語(yǔ)

本文圍繞搗固車智能化自動(dòng)搗固控制系統(tǒng)的軌枕識(shí)別檢測(cè)問(wèn)題展開了相關(guān)研究，并提出了一種基于圖像與激光多維數(shù)據(jù)融合的軌枕檢測(cè)方案。首先，采用一種優(yōu)越的CFOA與聚類分割相結(jié)合方法對(duì)圖像進(jìn)行分割，減小了因曝光不均衡導(dǎo)致的局部分割誤差。然后，設(shè)計(jì)了一種改進(jìn)型自適應(yīng)低通濾波器對(duì)激光雷達(dá)測(cè)距數(shù)據(jù)進(jìn)行處理，有效增強(qiáng)了激光測(cè)距對(duì)相關(guān)噪聲和瞬時(shí)停頓的抗干擾能力，進(jìn)一步提高了軌枕檢測(cè)的可靠性[17]。為了解決單一傳感器檢測(cè)的局限性問(wèn)題并提高檢測(cè)系統(tǒng)的冗余性，設(shè)計(jì)了一種基于卡爾曼濾波的多維數(shù)據(jù)融合算法，提高了檢測(cè)精度和穩(wěn)定性。最后，通過(guò)裝車考核及現(xiàn)場(chǎng)測(cè)試，驗(yàn)證了本方案檢測(cè)算法的準(zhǔn)確性和可靠性。

本方案受限于實(shí)際硬件檢測(cè)條件，在數(shù)據(jù)融合時(shí)，其同步點(diǎn)的位移數(shù)據(jù)僅由編碼輪獲得，準(zhǔn)確度容易受影響，會(huì)造成檢測(cè)誤差，后續(xù)將通過(guò)增加其他傳感器(如：加速度計(jì))同時(shí)進(jìn)行檢測(cè)方式，以獲取更準(zhǔn)確的位移數(shù)據(jù)。目前，該軌枕檢測(cè)方案在道砟檢測(cè)部分只是針對(duì)其分布區(qū)域進(jìn)行相關(guān)的檢測(cè)，沒(méi)有對(duì)道砟區(qū)域的實(shí)際道砟量值進(jìn)行精確檢測(cè)。后續(xù)將優(yōu)化激光檢測(cè)數(shù)據(jù)濾波算法，以便在相同的硬件條件下獲得更準(zhǔn)確的道砟量數(shù)據(jù)，為后期智能化補(bǔ)砟提供準(zhǔn)確依據(jù)。