一种列车外观激光三维扫描检测方法与流程

1.本发明涉及视觉检测领域，更具体地，涉及一种列车外观激光三维扫描检测方法。

背景技术：

2.列车作为现代社会中常用的一种交通工具，为现代人们的出行提供了便利，对社会发展起到重要作用。而作为一种常用的交通工具，列车的安全运行显得至关重要，所以列车需要在每趟或每天进行例行的安全检测。例行的安全检测步骤繁杂、检测频率高，自动化的安全检测是相关领域的重点研究对象。
3.列车具有较为复杂的结构和较多的关键零部件(受电弓、转向架)，而列车的运行过程中可能会因为环境、零件老化、人为操作等多种状况而引起车体的异常，如，异物漂落至车顶上、关键零部件缺失、变形或零部件位置发生变化等；而异物的干扰、关键零部件的缺失以及位置变化等都会对列车的安全运行产生影响。因此，在例行的安全检测中，列车外观的检查是必不可少的重要环节。
4.现有技术中，较为常见的列车外观检测方法是利用相机拍摄经过车辆，获得图像，并通过人工或计算机软件对图像进行识别。当采用人工方式进行检测时，容易因视觉疲劳或图案不全面而遗漏车体的异常特征；当采用计算机软件自动识别时，需要满足高标准的图像拍摄要求以及采用精确的识别算法才能对车体的异常特征进行识别，而复杂的现场环境和列车外观常常导致图像识别错误，并不能给出准确的检测结果。
5.激光雷达是一种利用激光来实现精确测距的传感器。激光雷达发出激光脉冲，这些脉冲遇到周围物体会被反射回来，通过测量激光到达每个物体和返回物体所需的时间，可以计算出物体的精确距离。激光雷达每秒发出成千上万个脉冲，通过收集这些距离测量值(距离点)，可以构建被扫描物体的外观模型。

技术实现要素：

6.本发明旨在克服上述现有技术至少一项的不足，提供一种列车外观激光三维扫描检测方法，用于解决列车外观检测时异常情况识别准确率低的问题。
7.本发明采取的技术方案是，一种列车外观激光三维扫描检测方法，包括以下步骤：
8.s1.使用激光雷达扫描列车，并获得列车外观的三维点数据集合；
9.s2.沿扫描方向，按第一间距将三维点数据集合划分为若干列第一数据块i(i为正整数)；
10.s3.沿扫描方向的垂直方向，按第二间距将每列第一数据块i再次划分为若干行第二数据块ij(i、j为正整数)；
11.s4.将每个第二数据块ij分别进行三维点的距离分布统计；
12.s5.第一次扫描获得若干个第二数据块aij，第二次扫描获得若干个第二数据块bij，若第二数据块bij与第二数据块aij的三维点距离分布的变化幅度小于阈值，则第二数据块ij对应的列车区域的外观无变化。
13.本方案中，使用激光雷达对列车外观进行扫描，获取其三维点数据，并进一步基于三维点数据进行异常情况的识别。由于三维点数据是距离数据，相比于传统的图像识别技术，列车外观的颜变化、图案变化和表面污渍附着，以及现场光照条件均不会对激光雷达获取列车外观的三维点数据造成干扰，从而从数据来源的角度保证了异常情况识别的准确性。
14.再者，本方案通过对一定空间范围内的三维点进行距离值分布统计，比较前后两次的三维点距离分布，实现列车外观上异常情况的识别。在一定空间范围内，若列车外观上出现零部件的结构变形、缺失和相对位置变化等形位变化，以及表面附着具有一定体积的异物，对应该位置扫描得到的三维点的距离值就会发生变化，则该空间范围内的三维点距离分布也相应发生变化。即，三维点距离分布与列车外观情况相对应，三维点距离分布发生变化，则表明列车外观发生异常情况。三维点距离分布可以是数量分布，也可以是概率分布。相比传统的图像识别技术，本方案不需要先对三维点数据集合进行特征识别，再对针对特征进行前后比对判断；而是直接对比一定空间范围内的三维点距离分布，进而得出该空间范围是否发生异常情况。由于本方案仅进行三维点的统计和对比计算，简化了运算、判断过程，减少了干扰因素，进而从判断方法的角度提升了异常情况识别的速度和准确性。此外，在考虑外界其他因素干扰的情况下，当三维点距离分布的变化幅度大于阈值时，才表明列车外观发生了异常。
15.其次，本方案将扫描得到的三维点数据集合按网格化(第一间距和第二间距)切割划分为若干个第二数据块ij后，再进行三维点的距离分布统计。一方面，三维点距离分布只能判断出一定空间范围是否发生异常情况，并不能给出具体位置；对列车的整体外观进行网格化划分，恰好能确认异常情况的发生区域。以列车的扫描开始端为基准，通过第二数据块ij的编号ij、第一间距和第二间距，即可定位到发生异常情况的列车外观区域。另一方面，基于三维点的距离分布统计，统计的空间范围越小，则其对变化的灵敏度越高，检测异物的分辨率越高。例如，一个20mm
×
10mm的异物在2000mm
×
10000mm的范围内占比为0.01％，而在200mm
×
100mm的范围内占比为1％。显然，在出现相同的异物变化时，200mm
×
100mm范围的三维点距离分布的变化幅度较大，则异常情况更容易被发现。因此，较小范围的第二数据块ij可以提升异常情况识别的灵敏度或分辨率。
16.优选地，步骤s4前，对所述第一数据块i或所述第二数据块ij进行三维点的插补或拟合处理，使其三维点密度相同。在步骤s1中，使用激光雷达扫描列车时，由于两者的相对运动速度难以保持不变，沿扫描方向，不同位置获得的三维点密度不同，前后两次在相同位置上获得的三维点密度也不同。第二数据块ij的三维点密度相同，则能够统一距离值分布统计的标准，有利于提升获得的三维点距离分布的准确性，进一步提升异常情况识别的准确性。其次，本方案以设定的固定值，对三维点密度稀疏的位置进行插补点处理，对三维点密度密集的位置进行拟合点处理。插补或拟合处理可以在步骤s1或步骤s2或步骤s3后进行。
17.本方案中，按激光雷达与列车的相对运动关系，可有多种扫描的方式。可以是，列车固定，2d激光雷达或3d激光雷达在列车表面扫过。也可以是，2d激光雷达或3d激光雷达固定，列车从其扫描区域通过。
18.优选地，步骤s1中，所述列车在轨道上行驶，所述激光雷达固定在轨道的外侧；列
车从激光雷达的扫描区域中通过，从而获得列车外观的三维点数据集合。激光雷达固定、列车运动的方式，可以节省激光雷达的运动部件，可以实现列车的在线检测。
19.本方案中，步骤s1获得的三维点数据集合可以是构建好的列车外观的三维模型，步骤s2至步骤s5针对三维模型的三维点进行统计判断。激光雷达扫描列车，并将原始扫描的帧数据、以及速度或位置数据传输给建模模块，进而实现三维模型的构建。
20.优选地，步骤s1获得的三维点数据集合也可以是原始扫描的帧数据，步骤s2至步骤s5直接对帧数据的三维点进行统计判断。由于取消了列车外观的建模过程，加快了三维点数据集合的获取速度和减少了数据干扰因素，有利于进一步提升异常情况识别的速度和准确性。
21.采用帧数据时，由于帧数据本身缺失基准坐标，无法得到三维点数据对应的真实长度。因此，具体还包括传感器，所述列车从所述激光雷达的扫描区域中通过的同时，使用传感器触发获取一组包含了列车前进每一个第一间距距离对应的时刻ti(i为正整数)的时间戳集合。任意相邻的两个时间戳之间的三维点数据的长度为第一间距。进而在步骤s2中，通过若干个时间戳将帧数据进行分割，即可实现按第一间距将三维点数据集合划分为若干列第一数据块i。
22.进一步，所述传感器为车轮传感器，若干个车轮传感器依次排布在所述轨道上；若干个车轮传感器用于在所述列车驶过时产生一组包含了前后顺序的触发信号。若干个车轮传感器大致按第一间距依次排布在轨道上，列车的车轮依次驶过车轮传感器时，则若干个车辆传感器产生的触发信号包含了第一间距的信息。一组触发信号通过时钟记录，即可得到上述要求的一组时间戳集合。
23.优选地，所述第一间距或所述第二间距为300mm至900mm。三维点数据集合为三维模型时，第一间距和第二间距可根据列车外观的检测位置、要求，以及设备的运算处理能力，在上述范围内选择。第一间距和第二间距越小，则检测过程中网格化和判断过程的运算量越大，异常情况识别的灵敏度或分辨率越高。三维点数据集合为帧数据时，第一间距在上述范围内选择，可以有效避免因列车速度波动带来的扫描失真，进一步从数据来源的角度保证了异常情况识别的准确性。列车在驶过激光雷达扫描时，速度难免会出现波动，但由于列车的惯性和加减速度大小的限制，列车在驶过小范围内的速度基本保持不变。即，列车在小范围距离内的行驶可视为匀速运动。通过反复实验测试可得，第一间距的范围应在300mm至900mm之间。
24.优选地，所述激光雷达的扫描频率不小于500hz。
25.优选地，若干个所述激光雷达分别布置在列车截面的左上角、右上角、左下角、右下角和正下方，激光雷达的扫描区域覆盖列车的车顶和走行部。其中，左上角和右上角的激光雷达分别从左右两侧完成列车车顶部分的外观扫描，包括受电弓、制冷设备等关键零部件；左下角、右下角和正下方的激光雷达分别从左右侧和下方完成列车车底的外观扫描，包括转向架等关键零部件。
26.可选地，还包括第二相机，第二相机并列设置在所述激光雷达的一侧，第二相机用于在所述列车驶过时同步获得一组列车外观的图像集合。
27.可选地，还包括步骤s6.若第二数据块ij对应的列车区域的外观发生变化，则向用户发出报警信息，并同时推送对应位置的图像用于人工确认。
28.本方案中，第二相机作为激光雷达的补充，用于实现人工辅助诊断。第二相机平行并列在激光雷达的一侧，第二相机的视角范围覆盖激光雷达扫描的列车外观。第二相机可以采用上述的时间戳作为确认拍摄部位位置的标记。当识别到某一个第二数据块ij对应的区域出现异常情况时，先通过其编号i到对应的时间戳，再通过时间戳从图像集合中到涉及第一数据块i区域的图像，最后将图像发送给用户，让用户二次确认是否发生了异常。
29.可选地，还包括第三相机，第三相机设置在列车的两侧，第三相机用于在所述列车驶过时同步获得一组列车的侧面外观的图像集合。对于列车的侧面外观，由于存在玻璃窗户，激光雷达将无法正常工作，因而改用传统的图像识别技术。第三相机和激光雷达相辅相成，共同实现列车360
°
外观的检测。
30.与现有技术相比，本发明的有益效果为：
31.本方案使用激光雷达对列车外观进行扫描，避免了列车外观的颜变化、图案变化和表面污渍附着，以及现场光照条件带来的干扰，从数据来源的角度保证了异常情况识别的准确性。本方案通过对比一定空间范围内的三维点距离分布，简化了运算、判断过程，减少了干扰因素，进而从判断方法的角度提升了异常情况识别的速度和准确性。本方案通过将扫描得到的三维点数据集合进行网格化处理，提升异常情况识别的灵敏度或分辨率。本方案通过传感器触发得到时间戳集合，进而可以直接使用原始扫描的帧数据作为三维点数据集合进行统计判断，进一步提升异常情况识别的速度和准确性。
附图说明
32.图1为本发明实施例1的俯视示意图。
33.图2为本发明实施例1的列车截面示意图。
34.图3为本发明实施例1的三维点数据集合网格化处理示意图。
35.图4为本发明实施例1的第二数据块a11示意图。
36.图5为本发明实施例1的第二数据块a11的三维点距离分布图。
37.图6为本发明实施例1的第二数据块b11示意图。
38.图7为本发明实施例1的第二数据块b11的三维点距离分布图。
39.图8为本发明实施例1的时间戳划分帧数据的原理图。
40.标号说明：受电弓11、转向架12、激光雷达30、第二相机42、第三相机43、车轮传感器50。
具体实施方式
41.本发明附图仅用于示例性说明，不能理解为对本发明的限制。为了更好说明以下实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
42.实施例1
43.如图1、图2所示，本实施例为一种列车外观激光三维扫描检测方法，包括以下步骤：
44.s1.使用激光雷达扫描列车，并获得列车外观的三维点数据集合；
45.s2.沿扫描方向，按第一间距将三维点数据集合划分为若干列第一数据块i(i为正
整数)；
46.s3.沿扫描方向的垂直方向，按第二间距将每列第一数据块i再次划分为若干行第二数据块ij(i、j为正整数)；
47.s4.将每个第二数据块ij分别进行三维点的距离分布统计；
48.s5.第一次扫描获得若干个第二数据块aij，第二次扫描获得若干个第二数据块bij，若第二数据块bij与第二数据块aij的三维点距离分布的变化幅度小于阈值，则第二数据块ij对应的列车区域的外观无变化。
49.本方案中，使用激光雷达对列车外观进行扫描，获取其三维点数据，并进一步基于三维点数据进行异常情况的识别。由于三维点数据是距离数据，相比于传统的图像识别技术，列车外观的颜变化、图案变化和表面污渍附着，以及现场光照条件均不会对激光雷达获取列车外观的三维点数据造成干扰，从而从数据来源的角度保证了异常情况识别的准确性。
50.再者，本方案通过对一定空间范围内的三维点进行距离值分布统计，比较前后两次的三维点距离分布，实现列车外观上异常情况的识别。在一定空间范围内，若列车外观上出现零部件的结构变形、缺失和相对位置变化等形位变化，以及表面附着具有一定体积的异物，对应该位置扫描得到的三维点的距离值就会发生变化，则该空间范围内的三维点距离分布也相应发生变化。即，三维点距离分布与列车外观情况相对应，三维点距离分布发生变化，则表明列车外观发生异常情况。三维点距离分布可以是数量分布，也可以是概率分布。相比传统的图像识别技术，本方案不需要先对三维点数据集合进行特征识别，再对针对特征进行前后比对判断；而是直接对比一定空间范围内的三维点距离分布，进而得出该空间范围是否发生异常情况。由于本方案仅进行三维点的统计和对比计算，简化了运算、判断过程，减少了干扰因素，进而从判断方法的角度提升了异常情况识别的速度和准确性。此外，在考虑外界其他因素干扰的情况下，当三维点距离分布的变化幅度大于阈值时，才表明列车外观发生了异常。
51.如图3所示，本方案将扫描得到的三维点数据集合按网格化(第一间距和第二间距)切割划分为若干个第二数据块ij后，再进行三维点的距离分布统计。一方面，三维点距离分布只能判断出一定空间范围是否发生异常情况，并不能给出具体位置；对列车的整体外观进行网格化划分，恰好能确认异常情况的发生区域。以列车的扫描开始端为基准，通过第二数据块ij的编号ij、第一间距和第二间距，即可定位到发生异常情况的列车外观区域。另一方面，基于三维点的距离分布统计，统计的空间范围越小，则其对变化的灵敏度越高，检测异物的分辨率越高。例如，一个20mm
×
10mm的异物在2000mm
×
10000mm的范围内占比为0.01％，而在200mm
×
100mm的范围内占比为1％。显然，在出现相同的异物变化时，200mm
×
100mm范围的三维点距离分布的变化幅度较大，则异常情况更容易被发现。因此，较小范围的第二数据块ij可以提升异常情况识别的灵敏度或分辨率。
52.本实施例中，如图4至图7所示，以第二数据块11为例继续说明上述判断过程。图4和图6分别为第一次和第二次在列车外观的局部区域获得的三维点数据集合的可视化图像，图中的线段由若干带有距离值的三维点构成。图5和图7分别为第一次和第二次获得的第二数据块11的三维点距离分布。当该局部区域出现附着一定体积的异物(正方体)时，其第二数据块的三维点距离分布相应发生变化。通过判断变化幅度，即可识别出该局部区域
发生了异常情况。
53.优选地，步骤s4前，对所述第一数据块i或所述第二数据块ij进行三维点的插补或拟合处理，使其三维点密度相同。在步骤s1中，使用激光雷达扫描列车时，由于两者的相对运动速度难以保持不变，沿扫描方向，不同位置获得的三维点密度不同，前后两次在相同位置上获得的三维点密度也不同。第二数据块ij的三维点密度相同，则能够统一距离值分布统计的标准，有利于提升获得的三维点距离分布的准确性，进一步提升异常情况识别的准确性。其次，本方案以设定的固定值，对三维点密度稀疏的位置进行插补点处理，对三维点密度密集的位置进行拟合点处理。插补或拟合处理可以在步骤s1或步骤s2或步骤s3后进行。
54.优选地，步骤s1中，所述列车在轨道上行驶，所述激光雷达固定在轨道的外侧；列车从激光雷达的扫描区域中通过，从而获得列车外观的三维点数据集合。激光雷达固定、列车运动的方式，可以节省激光雷达的运动部件，可以实现列车的在线检测。
55.本方案中，步骤s1获得的三维点数据集合可以是构建好的列车外观的三维模型，步骤s2至步骤s5针对三维模型的三维点进行统计判断。激光雷达扫描列车，并将原始扫描的帧数据、以及速度或位置数据传输给建模模块，进而实现三维模型的构建。
56.优选地，步骤s1获得的三维点数据集合也可以是原始扫描的帧数据，步骤s2至步骤s5直接对帧数据的三维点进行统计判断。由于取消了列车外观的建模过程，加快了三维点数据集合的获取速度和减少了数据干扰因素，有利于进一步提升异常情况识别的速度和准确性。
57.如图8所示，采用帧数据时，由于帧数据本身缺失基准坐标，无法得到三维点数据对应的真实长度。因此，具体还包括传感器，所述列车从所述激光雷达的扫描区域中通过的同时，使用传感器触发获取一组包含了列车前进每一个第一间距距离对应的时刻ti(i为正整数)的时间戳集合。任意相邻的两个时间戳之间的三维点数据的长度为第一间距。进而在步骤s2中，通过若干个时间戳将帧数据进行分割，即可实现按第一间距将三维点数据集合划分为若干列第一数据块i。
58.进一步，所述传感器为车轮传感器，若干个车轮传感器依次排布在所述轨道上；若干个车轮传感器用于在所述列车驶过时产生一组包含了前后顺序的触发信号。若干个车轮传感器大致按第一间距依次排布在轨道上，列车的车轮依次驶过车轮传感器时，则若干个车辆传感器产生的触发信号包含了第一间距的信息。一组触发信号通过时钟记录，即可得到上述要求的一组时间戳集合。
59.优选地，所述第一间距或所述第二间距为300mm至900mm。三维点数据集合为三维模型时，第一间距和第二间距可根据列车外观的检测位置、要求，以及设备的运算处理能力，在上述范围内选择。第一间距和第二间距越小，则检测过程中网格化和判断过程的运算量越大，异常情况识别的灵敏度或分辨率越高。三维点数据集合为帧数据时，第一间距在上述范围内选择，可以有效避免因列车速度波动带来的扫描失真，进一步从数据来源的角度保证了异常情况识别的准确性。列车在驶过激光雷达扫描时，速度难免会出现波动，但由于列车的惯性和加减速度大小的限制，列车在驶过小范围内的速度基本保持不变。即，列车在小范围距离内的行驶可视为匀速运动。通过反复实验测试可得，第一间距的范围应在300mm至900mm之间。
60.优选地，所述激光雷达的扫描频率不小于500hz。
61.优选地，若干个所述激光雷达分别布置在列车截面的左上角、右上角、左下角、右下角和正下方，激光雷达的扫描区域覆盖列车的车顶和走行部。其中，左上角和右上角的激光雷达分别从左右两侧完成列车车顶部分的外观扫描，包括受电弓、制冷设备等关键零部件；左下角、右下角和正下方的激光雷达分别从左右侧和下方完成列车车底的外观扫描，包括转向架等关键零部件。
62.可选地，还包括第二相机，第二相机并列设置在所述激光雷达的一侧，第二相机用于在所述列车驶过时同步获得一组列车外观的图像集合。
63.可选地，还包括步骤s6.若第二数据块ij对应的列车区域的外观发生变化，则向用户发出报警信息，并同时推送对应位置的图像用于人工确认。
64.本方案中，第二相机作为激光雷达的补充，用于实现人工辅助诊断。第二相机平行并列在激光雷达的一侧，第二相机的视角范围覆盖激光雷达扫描的列车外观。第二相机可以采用上述的时间戳作为确认拍摄部位位置的标记。当识别到某一个第二数据块ij对应的区域出现异常情况时，先通过其编号i到对应的时间戳，再通过时间戳从图像集合中到涉及第一数据块i区域的图像，最后将图像发送给用户，让用户二次确认是否发生了异常。
65.可选地，还包括第三相机，第三相机设置在列车的两侧，第三相机用于在所述列车驶过时同步获得一组列车的侧面外观的图像集合。对于列车的侧面外观，由于存在玻璃窗户，激光雷达将无法正常工作，因而改用传统的图像识别技术。第三相机和激光雷达相辅相成，共同实现列车360
°
外观的检测。
66.显然，本发明的上述实施例仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

技术特征：

1.一种列车外观激光三维扫描检测方法，其特征在于，包括以下步骤：s1.使用激光雷达扫描列车，并获得列车外观的三维点数据集合；s2.沿扫描方向，按第一间距将三维点数据集合划分为若干列第一数据块i(i为正整数)；s3.沿扫描方向的垂直方向，按第二间距将每列第一数据块i再次划分为若干行第二数据块ij(i、j为正整数)；s4.将每个第二数据块ij分别进行三维点的距离分布统计；s5.第一次扫描获得若干个第二数据块aij，第二次扫描获得若干个第二数据块bij，若第二数据块bij与第二数据块aij的三维点距离分布的变化幅度小于阈值，则第二数据块ij对应的列车区域的外观无变化。2.根据权利要求1所述的一种列车外观激光三维扫描检测方法，其特征在于，步骤s1中，所述列车在轨道上行驶，所述激光雷达固定在轨道的外侧；列车从激光雷达的扫描区域中通过，从而获得列车外观的三维点数据集合。3.根据权利要求2所述的一种列车外观激光三维扫描检测方法，其特征在于，还包括传感器，所述列车从所述激光雷达的扫描区域中通过的同时，使用传感器触发获取一组包含了列车前进每一个第一间距距离对应的时刻ti(i为正整数)的时间戳集合。4.根据权利要求3所述的一种列车外观激光三维扫描检测方法，其特征在于，所述传感器为车轮传感器，若干个车轮传感器依次排布在所述轨道上；若干个车轮传感器用于在所述列车驶过时产生一组包含了前后顺序的触发信号。5.根据权利要求1所述的一种列车外观激光三维扫描检测方法，其特征在于，步骤s4前，对所述第一数据块i或所述第二数据块ij进行三维点的插补或拟合处理，使其三维点密度相同。6.根据权利要求1所述的一种列车外观激光三维扫描检测方法，其特征在于，所述第一间距或所述第二间距为300mm至900mm。7.根据权利要求1所述的一种列车外观激光三维扫描检测方法，其特征在于，所述激光雷达的扫描频率不小于500hz。8.根据权利要求2所述的一种列车外观激光三维扫描检测方法，其特征在于，若干个所述激光雷达分别布置在列车截面的左上角、右上角、左下角、右下角和正下方，激光雷达的扫描区域覆盖列车的车顶和走行部。9.根据权利要求2至8任一所述的一种列车外观激光三维扫描检测方法，其特征在于，还包括第二相机，第二相机并列设置在所述激光雷达的一侧，第二相机用于在所述列车驶过时同步获得一组列车外观的图像集合。10.根据权利要求9所述的一种列车外观激光三维扫描检测方法，其特征在于，还包括步骤s6.若第二数据块ij对应的列车区域的外观发生变化，则向用户发出报警信息，并同时推送对应位置的图像用于人工确认。

技术总结

本发明涉及视觉检测领域，公开了一种列车外观激光三维扫描检测方法。该方法包括以下步骤：S1.使用激光雷达扫描列车，并获得列车外观的三维点数据集合；S2.沿扫描方向，按第一间距将三维点数据集合划分为若干列第一数据块i；S3.沿扫描方向的垂直方向，按第二间距将每列第一数据块i再次划分为若干行第二数据块ij；S4.将每个第二数据块ij分别进行三维点的距离分布统计；S5.第一次扫描获得若干个第二数据块Aij，第二次扫描获得若干个第二数据块Bij，若第二数据块Bij与第二数据块Aij的三维点距离分布的变化幅度小于阈值，则第二数据块ij对应的列车区域的外观无变化。本方案用于解决列车外观检测时异常情况识别准确率低的问题。车外观检测时异常情况识别准确率低的问题。车外观检测时异常情况识别准确率低的问题。