多模视觉融合的无砟轨道结构隐性缺陷检测方法及系统

技术领域

本发明涉及基于计算机视觉的轨道缺陷检测技术领域，具体涉及一种多模视觉融合的无砟轨道结构隐性缺陷检测方法及系统。

背景技术

高速铁路无砟轨道结构在列车荷载、循环温度荷载等复杂环境长期作用下，轨道板、填充层以及板间结构的裂缝、离缝、开裂破损等隐性缺陷逐渐显现，如未及时发现、修整，其可诱发轨道涨板、不平顺加剧等显性病害，对高速行车安全和舒适性造成威胁，同时会降低无砟轨道结构服役耐久性

高速铁路无砟轨道结构隐性缺陷具有高突发性、随机分布性，当前以大型高速检测车周期性动检+人工肉眼结合小型检测仪”的既有轨道检测体系对显著病害具有良好检测效果，但对所提隐性缺陷的检测及诊断能力不足，长期处于“病显就医”管养模式，难以对隐性缺陷实现早发现、早诊治。此外，已有基于弹性波、空气超声耦合技术、激光扫描技术、红外成像等多种新型隐性缺陷检测技术也有报道，但全部为处于试验研究阶段的单一手段的检测方法，且检测“速度-精度相互制约”技术瓶颈难以突破，难以满足无砟轨道隐性缺陷工务快速精准检测工程化需求。

发明内容

本发明的目的在于提供一种对隐性缺陷实现快速、精准检测识别的多模视觉融合的无砟轨道结构隐性缺陷检测方法及系统，以解决上述背景技术中存在的至少一项技术问题。

为了实现上述目的，本发明采取了如下技术方案：

一方面，本发明提供一种多模视觉融合的无砟轨道结构隐性缺陷检测方法，包括：

获取无砟轨道结构的二维图像数据；

基于二维图像，对无砟轨道结构层间及板间的裂缝、共面离缝进行精准识别和量化分析。同时对板间结构破损、填充层表面脱空掉块、填充层-底座板之间的异面离缝进行初步定位和辨识；

提取初步辨识的破损掉块和异面离缝对应的空间点云数据；

基于空间点云数据，判断初步辨识的破损掉块和异面离缝是否为误判，得到最终的缺陷检测结果。

可选的，对二维图像数据进行图片滤波去噪、图像增强、阈值化处理预处理操作，采用深度学习算法进行图像裂纹识别以及尺寸量化，结合图像设定的无砟轨道覆盖区域和图中裂纹分布位置先验知识，实现对轨道板、板间结构及填充层表面裂缝、轨道板-填充层层间共面离缝、轨道板-板间结构表面板间离缝的精准辨识和尺寸测量。

可选的，对无砟轨道上表面及侧面的二维图像数据先进行形态学图像处理，后提取图像特征，结合灰度异常区域分割出异常块状区域并根据此二值图像测量面积，结合相机对无砟轨道的覆盖区域以及图像中异常块状区域分布位置，实现轨道板及板间结构表面破损掉块、填充层脱空掉块的初步图像识别。

可选的，对分割后的二值化图像拟采用基于关键点的尺寸测量，通过计算分段后每一部分的外接矩形垂线得到裂缝的最大宽度，对填充层-底座板层间异面离缝是否存在进行初步图像识别。

可选的，若初步辨识中识别隐性缺陷为填充层脱空掉块或板间结构侧面破损掉块时，调取对应里程处的空间点云数据进行三维重构，计算得到结构异常体积形态，进行脱空掉块、破损掉块缺陷精准辨识和量化分析，若分析判定为无破损掉块，则纠正初步辨识结果为误判。

可选的，若初步辨识中识别隐性缺陷为填充层-底座板层间异面离缝时，再调取对应里程处得空间点云数据进行三维重构，根据沿路线纵向空间点云相对垂向和横向深度数据层，实现对异面离缝事件的离缝事件的精准识别和异面离缝高度测量，若分析判定为无异面离缝，则初步辨识结果为误判。

第二方面，本发明提供一种多模视觉融合的无砟轨道结构隐性缺陷检测系统，包括：

获取模块，用于获取无砟轨道结构的二维图像数据；

精准辨识模块，用于基于二维图像，对无砟轨道裂缝、共面离缝进行精准辨识和尺寸测量；

初步辨识模块，用于基于二维图像，对无砟轨道破损掉块、脱空掉块和异面离缝进行初步辨识

三维点云提取模块，用于提取初步辨识的破损掉块、脱空掉块和异面离缝对应的三维点云数据；

二次辨识模块，用于基于空间点云数据，判断初步辨识的破损掉块、脱空掉块和异面离缝是否为误判，得到最终的缺陷尺寸精准检测结果。

第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的多模视觉融合的无砟轨道结构隐性缺陷检测方法。

第四方面，本发明提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的多模视觉融合的无砟轨道结构隐性缺陷检测方法。

第五方面，本发明提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的多模视觉融合的无砟轨道结构隐性缺陷检测方法的指令。

本发明有益效果：利用计算机多模视觉融合处理技术，通过对2D图像和3D点云信息采集设备的合理融合，实现快速巡检条件下的无砟轨道隐性缺陷表观视觉信息采集，通过对图像和点云信息分级利用，满足无砟轨道结构多种典型隐性缺陷的准确辨识、定位及定量测量。

本发明附加方面的优点，将在下述的描述部分中更加明显的给出，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例所述的多模视觉信息融合的无砟轨道结构隐性缺陷快速精准分级检测策略技术逻辑图。

图2为本发明所述的2D图像和3D点云相机搭配布设及视觉采集范围横截面示意图。

其中，1-顶面2D相机阵列；2-顶面激光光源阵列；3-顶面LED光源阵列；4-侧面LED光源阵列；5-侧面激光光源阵列；6-侧面粗检3D相机；7-侧面2D相机阵列；8-侧面精检3D相机；9-填充层；10-底座板；11-基床表层。

具体实施方式

下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。

还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。

本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。

实施例1

本实施例1中，首先提供了一种多模视觉融合的无砟轨道结构隐性缺陷检测系统，包括：

获取模块，用于获取无砟轨道结构的二维图像数据；

精准辨识模块，用于基于二维图像，对无砟轨道裂缝、共面离缝进行精准辨识和尺寸测量；

初步辨识模块，用于基于二维图像，对无砟轨道破损掉块、脱空掉块和异面离缝进行初步辨识；

三维点云提取模块，用于提取初步辨识的破损掉块、脱空掉块和异面离缝对应的空间点云数据；

二次辨识模块，用于基于空间点云数据，判断初步辨识的破损掉块、脱空掉块和异面离缝是否为误判，得到最终的缺陷尺寸精准检测结果。

本实施例1中，利用上述的系统，实现了多模视觉融合的无砟轨道结构隐性缺陷检测方法，包括：

利用获取模块获取无砟轨道结构的二维图像数据；

利用精准辨识模块，用于基于二维图像，对无砟轨道裂缝、共面离缝进行精准辨识和尺寸测量；

利用初步辨识模块，用于基于二维图像，对无砟轨道破损掉块、脱空掉块和异面离缝进行初步辨识；

利用三维点云提取模块提取初步辨识的破损掉块和异面离缝对应的空间点云数据；

最后，利用二次辨识模块，用于基于空间点云数据，判断初步辨识的破损掉块、脱空掉块和异面离缝是否为误判，得到最终的缺陷尺寸精准检测结果。

其中，若初步辨识中识别隐性缺陷为填充层脱空掉块或板间结构侧面破损掉块时，调取对应里程处的空间点云数据进行三维重构，计算结构异常体积形态，进行脱空掉块、破损掉块缺陷确认和量化分析，若分析判定为无破损掉块，则初步辨识结果为误判。若初步辨识中识别隐性缺陷为填充层-底座板层间异面离缝时，调取对应里程处得空间点云数据进行三维重构，计算相邻点云的相对异常空间位置信息，实现异面离缝事件的精准辨识和离缝高度测量，若分析判定为无异面离缝，则纠正初步辨识结果为误判。

对二维图像数据进行图片滤波去噪、图像增强、阈值化处理预处理操作，采用深度学习算法进行图像裂纹识别以及尺寸量化，结合图像的无砟轨道覆盖区域和图中裂纹分布位置先验知识，实现对轨道板及板间结构表面裂缝、填充层裂缝、轨道板-填充层层间共面离缝、轨道板-板间结构表面板间离缝等隐性缺陷精准辨识和尺寸测量。

对无砟轨道上表面及侧面的二维图像数据先进行形态学图像处理，后提取图像特征，结合灰度异常区域分割出异常块状区域并根据此二值图像测量面积，结合相机对无砟轨道的覆盖区域以及图像中异常块状区域分布位置，实现轨道板及板间结构表面破损掉块、填充层脱空掉块的初步图像识别。对分割后的二值化图像拟采用基于关键点的尺寸测量，通过计算分段后每一部分的外接矩形垂线得到裂缝的最大宽度，对填充层-底座板层间异面离缝是否存在进行初步图像识别。

本实施例1中，由商用铁路轨道轻型快速移动平台上安装计轴器和测速器，分别进行检测速度和里程的实时检测。移动平台固定的轨道板顶面2D相机阵列、激光光源阵列、LED光源阵列共同组成顶面视觉信息采集模块(获取模块)，图像采集范围覆盖轨道板的横向宽度范围，实现移动条件下对轨道板及板间结构上表面补光、二维图像信息采集；平台侧面固定的LED光源、激光光源、2D相机组成侧面图像检测模块，其中2D相机完成图像采集范围垂向覆盖轨道板顶面边线至底座板顶面边缘，在快速移动条件下采集侧面轨道板、填充层及板间结构二维图像信息；同时，侧面视觉检测模块中的3D相机采集范围与2D相机相同，完成轨道板、填充层、板间结构侧面空间点云数据采集；3D相机采集范围垂向覆盖填充层-底座板层间异面边线位置，实现该异面位置的空间点云数据采集。

实施例2

本实施例2中，提供了一种多模视觉信息融合的无砟轨道结构隐性缺陷快速精准分级检测策略，该策略融合2D图像视觉和3D空间点云等多模态视觉技术优势，借助图像数据和空间点云数据的合理搭配和分级利用，满足无砟轨道结构多模视觉数据的快速采集，且实现无砟轨道结构多种隐性缺陷特征精准测量，有效避免了检测资源浪费和目标重叠，克服了既有单一检测手段对无砟轨道结构隐性缺陷检测“速度-精度”相互制约的技术瓶颈，该检测方法可有效填补高速铁路对无砟轨道结构隐性缺陷的快速精准工务巡检需求。

如图1、图2所示，本实施例2提供的多模视觉信息融合的无砟轨道结构隐性缺陷快速精准分级检测策略实现了无砟轨道结构表观隐性缺陷的快速精准检测，包括以下技术步骤来实现：

步骤一：快速巡检里程和时速计算。由铁路小型快速移动平台安装的计轴器和测速器进行巡检速度和里程信息的实时计算存储。

步骤二：无砟轨道结构2D图像和3D点云数据的快速采集。如图2中，基床表层11位于最底部，基床表层11上为底座板10，底座板10上设置填充层9；移动平台固定的轨道板顶面2D相机阵列1、顶面激光光源阵列2、顶面LED光源阵列3共同组成顶面视觉信息采集模块，图像采集范围覆盖轨道板的横向宽度范围，实现移动条件下对轨道板及板间结构上表面补光、二维图像信息采集；平台侧面固定的侧面LED光源4、侧面激光光源5、侧面2D相机7组成侧面图像检测模块，其中侧面2D相机7完成图像采集范围垂向覆盖轨道板顶面边线至底座板顶面边缘，在快速移动条件下采集侧面轨道板、填充层及板间结构二维图像信息；同时，侧面粗检3D相机6采集范围与侧面2D相机7相同，完成轨道板、填充层、板间结构侧面空间点云数据采集；侧面精检3D相机8采集范围垂向覆盖填充层-底座板层间异面边线位置，实现该异面位置的空间点云数据采集。

步骤三：基于2D图像的无砟轨道裂缝、共面离缝精准检测，并初步识别破损掉块和异面离缝。对顶面检测模块和侧面视觉检测模块采集的2D图像数据进行图片增强、灰度化、滤波去噪、阈值化处理等预处理操作，随后采用U型网络对图像进行语义分割，以识别裂纹并为尺寸精准量化提供基础，结合相机对无砟轨道的覆盖区域以及图像中裂纹分布位置，实现对轨道板及板间结构上表面和侧面裂缝、填充层裂缝、轨道板-填充层层间离缝、轨道板-板间结构上表面和侧面板间离缝、轨道板及板间结构上表面及侧面破损掉块平面尺寸的精准识别，记录缺陷事件的时间及里程信息，对填充层-底座板层间异面离缝存在与否进行初步图像识别，记录缺陷事件检测时间及里程信息；

对侧面视觉检测模块2D图像数据进行上述图像预处理、形态学图像处理后提取图像特征，结合基于Canny边缘检测算法的结果，进行图像灰度异常块状区域轮廓面积精准量化，结合相机对无砟轨道的覆盖区域以及图像中异常块状区域分布位置，对填充层及板间结构侧面掉块破损存在与否进行初步图像识别，记录缺陷事件检测时间及里程信息；

若2D图像信息识别未发现上述离缝、裂缝、破损掉块事件发生，则进入步骤五。

步骤四：基于3D点云的无砟轨道破损掉块体积形态及层间异面离缝的精准识别量化。为确保检测速度和精度同步提高，避免检测目标重叠和检测资源浪费，仅需提取步骤三初步识别缺陷事件的对应里程空间点云数据作进一步检测。当步骤三识别隐性缺陷为填充层脱空掉块或板间结构侧面破损掉块时，调取侧面粗检3D相机6采集的对应里程3D点云数据进行三维重构，并计算结构异常体积和空间形态，达到脱空掉块、破损掉块缺陷二次确认和量化分析目的，若判定为无破损掉块，则纠正步骤三中的隐性缺陷初步识别为误判。当步骤三识别隐性缺陷为填充层-底座板层间异面离缝时，调用对应里程侧面精检3D相机8精检点云数据进行三维重构，沿铁路线路横纵向的空间点位置信息，实现异面离缝的精准辨识和离缝高度的定量测量，若识别结果为无异面离缝，则纠正步骤三中的隐性缺陷初步识别为误判。

步骤五：根据检测设定的检测里程或时间，判定检测行为是否终止，满足条件则终止，否则返回步骤三，循环上述缺陷识别过程，直至满足终止条件。

实施例3

本实施例3中，以CRTSII型板式无砟轨道为例，提供了一种多模视觉信息融合的无砟轨道结构隐性缺陷快速精准分级检测策略。该分级检测策略具体实施步骤如下：

步骤一：快速巡检里程和时速计算。由铁路轻型快速移动平台安装的计轴器和测速器进行巡检速度和里程信息的实时计算存储。移动速度最高满足40km/h。

步骤二：无砟轨道结构2D图像和3D点云数据的快速采集。移动平台上固定由8台2D相机组成顶面2D相机阵列1、2个激光光源组成顶面激光光源阵列2，2个LED光源阵列组成顶面LED光源阵列3，共同组成的轨道板顶面2D图像信息采集模块，2D相机和激光光源实现对轨道板和板间结构上表面图像信息采集，LED光源实现40km移动下对轨道板及板间结构上表面图像补光；平台两侧分别固定有1个侧面LED光源4、1个侧面激光光源、1个侧面粗检3D相机6、1个侧面2D相机7、1个侧面精检3D相机8组成侧面视觉检测模块，侧面LED光源4为侧面2D相机7和侧面粗检3D相机6、侧面精检3D相机8的视觉信息采集补光，其中，2D相机视野范围垂向不小于230mm，满足轨道板、填充层及宽窄接缝侧面高分辨率图像信息采集，图像像素分辨率达到4000×3000，满足裂缝0.2mm和共面离缝0.3mm的检测精度。

设置侧面精检3D相机8的垂向采集视野范围仅覆盖填充层-底座板异面边界附近空间点云数据，侧面粗检3D相机6采集轨道板、板间结构、填充层9侧面空间点云数据。需说明的是，为弥补2D相机可识别异面开裂缺陷但难以精准量化的技术瓶颈，同时兼顾高速数据采集，设置侧面精检3D相机8的垂向视野范围50mm，垂向点数不小于355点，对应分辨率优于0.1mm，满足细小异面层间离缝精准检测需求，因此称为3D精检相机。侧面粗检3D相机6采集范围垂向覆盖不小于230mm，对应分辨率优于0.65mm，满足轨道板、板间结构、填充层侧面缺陷优于1mm3的缺损掉块或脱空检测空间点云数据快速采集，相比3D相机(8)，检测分辨率有所降低，因此称为粗检3D相机。

步骤三：基于2D图像的无砟轨道裂缝、共面离缝精准检测，并初步识别破损掉块和异面离缝

为解决单目相机镜头畸变的影响，首先标定相机内外参及畸变系数，对采集的上表面及侧面2D图像数据进行畸变校正，后开展双边滤波去噪处理和阈值化处理、对上表面及侧面2D图像数据进行图像二值化处理：利用最大类间方差算法，对上述步骤二得到的图片进行阈值分割，计算最优的阈值，对灰度图像的像素点大于阈值的像素值变为255，小于阈值的像素值变为0，从而得到最优的二值化图像。

随后采用U型语义分割深度学习网络进行无砟轨道结构裂纹和离缝进行智能辨识，结合图像的无砟轨道覆盖区域和图中裂纹分布位置，对轨道板及板间结构上表面和侧面裂缝、填充层裂缝、轨道板-填充层层间共面离缝、轨道板-板间结构上表面和侧面板间离缝的精准量化。对填充层-底座板层间异面离缝是否存在进行初步图像识别，记录隐性缺陷事件类别及位置信息。

结合传统的图像处理方法得到最终结果，具体操作为通过开操作和闭操作等形态学图像并行处理和Canny边缘检测算法提取图像中结构边缘及异常块状区域边缘轮廓特征，再通过主特征提取，自动去除杂乱的无用结构边缘信息，从而检测图像异常块状区域边缘轮廓面积和形态特征，结合图像对应的无砟轨道部位及异常区域在图像中的位置，实现轨道板及板间结构表面(上表面和侧面)破损掉块、填充层脱空掉块缺陷类型的初步图像识别，记录隐性缺陷事件类别及位置信息。

若2D图像信息识别未发现上述离缝、裂缝、破损掉块事件发生，则进入步骤五。

步骤四：基于3D点云的无砟轨道破损掉块体积形态及层间异面离缝的精准识别量化。为确保检测速度和精度同步提高，避免检测目标重叠和检测资源浪费，仅需提取步骤三初步识别缺陷事件的对应里程空间点云数据作进一步检测。步骤三识别为填充层或板间结构侧面破损掉块时，调取侧面粗检3D相机6采集的对应里程3D点云数据进行三维重构，计算结构异常体积、空间形态计算以进一步识别破损掉块缺陷，若判定为无破损掉块，则纠正步骤四初步识别记录事件为误判。步骤三初步识别为填充层-底座板层间异面离缝时，调用对应里程侧面精检3D相机8的3D点云数据进行三维重构，计算点云在深度及高度方向的空间位置信息，对异面离缝事件及离缝高度精准识别，若判定为异面离缝不存在，则纠正初步识别事件为误判。

步骤五：根据检测设定的检测里程或时间，判定检测行为是否终止，满足条件则终止，否则返回步骤三，循环上述缺陷识别过程，直至满足终止条件。

实施例4

本实施例4提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的多模视觉融合的无砟轨道结构隐性缺陷检测方法，该方法包括：

获取无砟轨道结构的二维图像数据；

基于二维图像，对无砟轨道裂缝、共面离缝进行精准辨识和尺寸测量；

基于二维图像，对无砟轨道破损掉块、脱空掉块和异面离缝进行初步辨识；

提取初步辨识的破损掉块和异面离缝对应的空间点云数据；

基于空间点云数据，判断初步辨识的破损掉块、脱空掉块和异面离缝是否为误判，得到最终的缺陷尺寸精准检测结果。

实施例5

本实施例5提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的多模视觉融合的无砟轨道结构隐性缺陷检测方法，该方法包括：

获取无砟轨道结构的二维图像数据；

基于二维图像，对无砟轨道裂缝、共面离缝进行精准辨识和尺寸测量；

基于二维图像，对无砟轨道破损掉块、脱空掉块和异面离缝进行初步辨识；

提取初步辨识的破损掉块和异面离缝对应的空间点云数据；

基于空间点云数据，判断初步辨识的破损掉块、脱空掉块和异面离缝是否为误判，得到最终的缺陷尺寸精准检测结果。

实施例6

本实施例6提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的多模视觉融合的无砟轨道结构隐性缺陷检测方法的指令，该方法包括：

获取无砟轨道结构的二维图像数据；

基于二维图像，对无砟轨道裂缝、共面离缝进行精准辨识和尺寸测量；

基于二维图像，对无砟轨道破损掉块、脱空掉块和异面离缝进行初步辨识；

提取初步辨识的破损掉块和异面离缝对应的空间点云数据；

基于空间点云数据，判断初步辨识的破损掉块、脱空掉块和异面离缝是否为误判，得到最终的缺陷尺寸精准检测结果。

综上所述，本发明实施例所述的多模视觉融合的无砟轨道结构隐性缺陷检测方法及系统，采用计算机视觉处理技术，对快速巡检采集的2D图像和3D点云等多模视觉数据进行分级利用，首先通过2D图像对轨道板、板间结构的上表面离缝和裂缝、轨道板、板间结构、填充层侧面裂缝、层间共面离缝进行精准辨识和量化。同时对填充层-底座板层间异面离缝、填充层脱空掉块、侧面板间结构破损掉块进行初步识别和定位；随后，对2D图像初步识别缺陷对应里程处的3D点云数据进行提取和三维重构，实现异面层间离缝尺寸，填充层脱空掉块、侧面板间结构破损掉块体积和形态的精准识别和定量测量。

本发明所提多模视觉融合的无砟轨道结构隐性缺陷快速精准分级检测策略，融合多模检测手段技术优势，克服单一检测手段速度-精度相互制约的技术瓶颈，通过计算机视觉技术对快速巡检多模视觉数据分层处理分析，精准检测与智能识别无砟轨道结构表观隐性缺陷。该策略适用于多种类型无砟轨道结构，具有检测精度和效率高，功能拓展性强等特点，可服务于快速工务巡检下的无砟轨道隐性缺陷“早发现、早诊断”作业需求，填补当前尚无无砟轨道结构隐性缺陷快速精准工务巡检的技术空白。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。