来源：期刊VIP网 时间：
作者：何宇强;何占元;丁有康;施文杰;王晓凯;
单位：国能朔黄铁路发展有限责任公司;北京铁科特种工程技术有限公司;中国铁道科学研究院集团有限公司铁道建筑研究所;
摘要：针对铁路点云测量成果自动化分类识别问题，提出了一种基于多尺度深度学习和特征增强技术的铁路线路设施识别方法，研究构建了多尺度点云深度学习模型PointNet++MSG(Multi-Scale Grouping)，并结合对比度受限自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization,CLAHE）技术，提高点云数据的自动化分类精度。采用PointNet、PointNet++和PointNet++MSG三种模型，分别对原始特征与特征增强后的数据进行对比分析。结果表明，结合特征增强技术的深度学习模型能够显著提高识别精度和交并比，特别是在复杂几何结构和边界细节的捕捉方面表现尤为突出。其中，多尺度点云深度学习模型PointNet++MSG结合特征增强技术后在各类线路设施的识别中表现最佳，准确率达到了95%以上，尤其在隧道壁、轨道板、扣件等复杂场景中表现优异，有效减少了因点云质量参差不齐而导致的分类误差。相比之下，PointNet和PointNet++结合特征增强后在性能上有所提升，但效果与PointNet++MSG差距较大。多尺度特征提取与特征增强技术的结合是提升点云数据处理效果的重要手段，可为铁路设施的智能检测和运维管理提供有效技术支撑。
关键词：铁路点云;;线路设施;;深度学习;;多尺度特征;;PointNet++MSG;;识别;;准确率
基金资助：国能朔黄铁路发展有限责任公司技术开发项目[朔其他(2023)517号]
