CN109828026A - 一种高速轨道缺陷并行超声波成像检测及其智能学习方法 - Google Patents
一种高速轨道缺陷并行超声波成像检测及其智能学习方法 Download PDFInfo
- Publication number
- CN109828026A CN109828026A CN201910113259.XA CN201910113259A CN109828026A CN 109828026 A CN109828026 A CN 109828026A CN 201910113259 A CN201910113259 A CN 201910113259A CN 109828026 A CN109828026 A CN 109828026A
- Authority
- CN
- China
- Prior art keywords
- split
- screw hole
- hurt
- detection
- study
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于超声波成像的高速轨道缺陷并行检测及其智能学习方法,主要包括高速轨道伤损并行检测和智能参数学习两部分。高速轨道伤损检测主要是利用伤损所在区域、伤损形状特征、伤损颜色、伤损大小、以及伤损所在位置、伤损所占区域比例、伤损离散程度等,构建数学模型,并根据其内在逻辑关系设计检测算法,通过主线程与分线程进行合理布局,针对各个伤损及时进行多线程并行运算。智能学习是针对不同的伤损模块,进行模糊学习,优化接头面积最小阈值、接头高占比最小阈值、核伤面积最小阈值、红色水平裂距离最高阈值、上下裂距离最低阈值、延长下裂长度最低阈值、轨底横裂与接头距离最低阈值等关键筛选参数,使其性能不断提升,增强系统的鲁棒性,适应不同环境下,高准确率的要求。
Description
技术领域
本发明涉及高速轨道检测领域,尤其涉及一种基于超声波成像的高速轨道缺陷并行检测及其智能学习方法。
背景技术
高速轨道交通是现代城市和区域运行协调发展的大动脉,是国家社会和经济发展的重要基础设施和产业,在改善我国民生环境中发挥极其重要的作用,高速轨道的结构性能和质量直接影响高铁的运行安全,铁轨内部的伤损检测对铁路设施和高铁安全运行具有重大意义。轨道伤损是影响高铁及轨道交通运行安全性的重要因素。超声波因其穿透力强、灵敏度高、指向性好、适用面广等优点而被广泛应用于钢轨类探伤检测中。本发明在智能探伤小车基础上,利用超声成像结果,设计相关算法,对伤损信息进行识别,提高检测效率,降低高速轨道维护成本,促进高速轨道检测智能化的发展。
发明内容
本发明实施例所要解决的技术问题在于,提供一种高速轨道缺陷并行超声波成像检测及其智能学习方法。可提高高速轨道超声成像检测的准确率及效率。
为了解决上述技术问题,本发明实施例提供了一种基于超声波成像的高速轨道缺陷并行超声波成像检测方法,包括:
接头的检测:所述接头为红、绿、蓝三种颜色的超声成像,具有最小面积阈值,在轨头区域高占比具有最低阈值;
焊筋的检测:所述焊筋为红色、蓝色超声成像,具有最小面积阈值;
核伤检测:包括红色核伤、绿色核伤、蓝色核伤,其通过通道分离得到伤损图像,同时具有最小面积阈值;
红色水平裂的检测:所述红色水平裂是单色组成,需进行通道分离得到伤损图像,伤损倾斜角度为零,伤损和螺孔成像位置之间有最高距离阈值,
蓝色螺孔上下裂、绿色螺孔上下裂的检测:所述蓝色螺孔上下裂、绿色螺孔上下裂均为单色组成,需进行通道分离,上裂和螺孔成像之间水平距离Δx大于上裂和螺孔成像之间的垂直距离Δy,即(Δx>Δy);下裂和螺孔成像之间的垂直距离Δy大于下裂和螺孔成像之间的水平距离Δx,即(Δx<Δy);
蓝色螺孔延长下裂、绿色螺孔延长下裂的检测,所述蓝色螺孔延长下裂、绿色螺孔延长下裂均为单色成像,需进行通道分离得到伤损图像,延长下裂长度有最低阈值;
蓝色螺孔倒打下裂、绿色螺孔倒打下裂的检测,所述蓝色螺孔倒打下裂、绿色螺孔倒打下裂均为单色成像,与接头的水平距离有最高阈值;
轨底横裂的检测,所述轨底横裂为蓝、绿双色成像,成像结果为“八”字型;
轨底纵列检测:所述轨底纵列为红色单色成像,轨底纵列为倾斜角度为0 度,长度有最低阈值;
所述红色水平裂、绿色螺孔上下裂、蓝色螺孔上下裂、绿色螺孔延长下裂、蓝色螺孔延长下裂、绿色螺孔倒打下裂、蓝色螺孔倒打下裂通过线程拆分进行多线程并行检测;所述轨底横裂、轨底纵列通过线程拆分进行多线程并行检测。
相应地,本发明实施例还提供了一种基于超声波成像的高速轨道缺陷并行检测的智能学习方法,包括以下步骤:
进行初始化,产生csv表格;
接头的检测学习,包括面积的学习、高占比的学习,面积的学习存储在第一CSV表格中,如果学习出的接头面积大于csv表格中设定的值,则对初始值上调,得到面积阈值S1,存入第一csv表格中,如果学习得到的接头面积小于 csv表格中设定的值,通过接头面积进行下调,得到面积阈值S1,存入第一csv 表格中,循环上述步骤得到n个参数,当n<10时,取S1,S2……Sn中的最小值储存在CSV表格中;
红色核伤、蓝色核伤、绿色核伤的检测学习:红色核伤学习结果存储在第四 csv表格中,蓝色核伤学习结果存储在第王csv表格中,绿色核伤学习结果存储在第六csv表格中,同时分别对csv表格对应存储的数据进行更新;
红色水平裂的检测学习:所述红色水平裂的学习,为伤损与螺孔之间距离的学习,当伤损如果学习得到的距离大于csv表格中距离阈值,则对学习得到的距离略微上调,得到新的距离阈值L1,存入第七csv表格中,如果学习得到的伤损距离小于csv表格中得到的值,通过于csv表格中得到的值进行下调,得到距离阈值L1,存入第七csv表格中,学习n次,得到n个参数,当n<10时,取 L1,L2……Ln中的最大值储存在CSV表格中;
绿色螺孔下裂、蓝色螺孔下裂的检测学习:所述绿色螺孔下裂、蓝色螺孔下裂的学习是伤损和螺孔距离的学习,当伤损学习得到的距离大于csv表格中距离阈值时,则对学习得到的距离上调,进而得到新的距离阈值L1,存入第九csv 表格中,如果学习出的伤损距离小于csv表格中得到的值,通过对csv表格中取得的值进行下调,得到距离阈值L1,存入第九csv表格中,学习n次,得到n 个参数,当n<10时,取L1,L2……Ln中的最大值储存在CSV表格中;
绿色螺孔延长下裂、蓝色螺孔延长下裂的检测学习:所述绿色螺孔延长下裂、蓝色螺孔延长下裂的学习是对伤损长度的学习,通过优化延长下裂长度的最低阈值以提高伤损检测准确率;
轨底横裂的检测学习,通过调节的轨底横裂与接头的最低距离阈值,减少接头附近的误判。
实施本发明实施例,具有如下有益效果:本发明结构严谨,设计科学,能够克服人工检测带来的错判、误判、效率低、成本高等缺点,能够满足不同条件下,高速度、高准确率的要求,又具有很好的抗干扰能力。
附图说明
图1为无伤损超声成像图;
图2为各种伤损超声成像图;
图3并行检测及智能学习方法图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
下面结合附图1、2、3及实施例对本发明作进一步的描述。
检测时,图2中,1和2中间为接头,有红、绿、蓝三种颜色构成,高占比(接头占轨头区域比例)有最低阈值,接头面积也有最低阈值。蓝色核伤1、红色核伤2的面积有最低阈值,红色核伤、蓝色核伤(包括绿色核伤)检测时并行执行。绿色上裂3,蓝色上裂4中,其上裂和螺孔成像之间水平距离Δx大于上裂和螺孔成像之间的垂直距离Δy,即(Δx>Δy)。绿色下裂5、绿色延长下裂 5、蓝色下裂6、蓝色延长下裂6中,下裂和螺孔成像之间的垂直距离Δy大于下裂和螺孔成像之间的水平距离Δx,即(Δx<Δy)。延长下裂的长度有最低阈值,同时下裂、延长下裂的出现都会使伤损离散度变大。红色水平裂7倾斜角接近0 度,与螺孔上端的距离有最高阈值。蓝色倒打下裂8、绿色倒打下裂9只会出现在接头附近,与接头的水平距离有最高阈值。红色螺孔水平裂、绿色螺孔上下裂、蓝色螺孔上下裂、绿色螺孔延长下裂、蓝色螺孔延长下裂、绿色螺孔倒打下裂、蓝色螺孔倒打下裂通过线程拆分进行多线程并行检测。轨底横裂10为蓝、绿双色成像,能够通过通道分离,蓝绿通道合并得到其伤损图像,完全成像结果为“八”字型,左边为绿色,右边为蓝色。轨底纵列11为倾角为零,可通过区域分割,通道分离,查找其最小外接矩形、判断长度,筛选出轨底纵裂。经过验证,在对2000*400bmp的图片进行检测时,采用上述检测算法,准确率达到98%以上,速度为0.2 ̄0.3秒。
学习时,输入超声成像图片,可以针对不同的区域进行分别学习,接头的学习包括面积的学习、高占比的学习,面积的学习存储在CSV表格1中,当进行某次学习时,如果学习得到的接头面积大于csv表格(总)中设定的值,则对初始值略微上调,得到面积阈值S1,存入csv表格1中,如果学习得到的接头面积小于csv表格(总)中设定的值,通过接头面积进行略微下调,得到面积阈值S1,存入csv表格1中,这样过程可以学习n次,得到n个参数,当n<10时,取S1,S2……Sn中的最小值储存在CSV表格(总)中。当n=10次时,如果进行第十一次学习,CSV表格1会删除最早那一次的学习结果,并在后面添加最新一次的学习结果,系统会取S1、S2……S10更新后的面积最小阈值储存在CSV 表格中。同理,高占比(接头高度占轨头区域的比例)学习与上述相同,结果存储在csv表格2当中,并对csv表格(总)中的相应位置的数据进行更新。红色核伤、蓝色核伤、绿色核伤的学习均为面积的学习,学习方法与上述接头的学习方法相同,从而改进核伤的筛选参数,得到更加精准的学习参数,红色核伤学习结果存储在csv表格4中,蓝色核伤学习结果存储在csv表格5中,绿色核伤学习结果存储在csv表格6中,同时分别对csv表格(总)对应存储的数据进行更新。所述红色水平裂的学习,为伤损与螺孔之间距离的学习,当伤损如果学习得到的距离大于csv表格(总)中设定的值,则对学习得到的距离略微上调,得到新的距离阈值L1,存入csv表格7中,如果学习得到的接头距离小于 csv表格(总)中得到的值,通过于csv表格(总)中得到的值进行略微下调,得到距离阈值L1,存入csv表格7中,这样过程可以学习n次,得到n个参数,当n<10时,取L1,L2……Ln中的最大值储存在CSV表格(总)中。当n=10 次时,如果进行第十一次学习,CSV表格7会删除最早那一次的学习结果,并在后面添加最新一次的学习结果,系统会取L1、L2……L10更新后的距离最大阈值储存在CSV表格(总)中。绿色螺孔延长下裂、蓝色螺孔延长下裂的学习是对伤损长度的学习,学习方式和上述学习方式相同,通过优化延长下裂长度的最低阈值,来提高伤损检测准确率。同理,轨底横裂的学习,是调节的轨底横裂与接头的最低距离阈值,减少接头附近的误判。
最后,学习参数更新后,系统通过调用csv表格(总)中的强化后参数,来检测新的超声成像图片。即使图片有一些变化,系统参数也会跟着调整,增强了系统的鲁棒性。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (2)
1.一种基于超声波成像的高速轨道缺陷并行超声波成像检测方法,其特征在于,包括:
接头的检测:所述接头为红、绿、蓝三种颜色的超声成像,具有最小面积阈值,在轨头区域高占比具有最低阈值;
焊筋的检测:所述焊筋为红色、蓝色超声成像,具有最小面积阈值;
核伤检测:包括红色核伤、绿色核伤、蓝色核伤,其通过通道分离得到伤损图像,同时具有最小面积阈值;
红色水平裂的检测:所述红色水平裂是单色组成,需进行通道分离得到伤损图像,伤损倾斜角度为零,伤损和螺孔成像位置之间有最高距离阈值,
蓝色螺孔上下裂、绿色螺孔上下裂的检测:所述蓝色螺孔上下裂、绿色螺孔上下裂均为单色组成,需进行通道分离,上裂和螺孔成像之间水平距离Δx大于上裂和螺孔成像之间的垂直距离Δy,即(Δx>Δy);下裂和螺孔成像之间的垂直距离Δy大于下裂和螺孔成像之间的水平距离Δx,即(Δx<Δy);
蓝色螺孔延长下裂、绿色螺孔延长下裂的检测,所述蓝色螺孔延长下裂、绿色螺孔延长下裂均为单色成像,需进行通道分离得到伤损图像,延长下裂长度有最低阈值;
蓝色螺孔倒打下裂、绿色螺孔倒打下裂的检测,所述蓝色螺孔倒打下裂、绿色螺孔倒打下裂均为单色成像,与接头的水平距离有最高阈值;
轨底横裂的检测,所述轨底横裂为蓝、绿双色成像,成像结果为“八”字型;
轨底纵列检测:所述轨底纵列为红色单色成像,轨底纵列为倾斜角度为0度,长度有最低阈值;
所述红色水平裂、绿色螺孔上下裂、蓝色螺孔上下裂、绿色螺孔延长下裂、蓝色螺孔延长下裂、绿色螺孔倒打下裂、蓝色螺孔倒打下裂通过线程拆分进行多线程并行检测;所述轨底横裂、轨底纵列通过线程拆分进行多线程并行检测。
2.一种基于超声波成像的高速轨道缺陷并行检测的智能学习方法,其特征在于,包括以下步骤:
进行初始化,产生csv表格;
接头的检测学习,包括面积的学习、高占比的学习,面积的学习存储在第一CSV表格中,如果学习出的接头面积大于csv表格中设定的值,则对初始值上调,得到面积阈值S1,存入第一csv表格中,如果学习得到的接头面积小于csv表格中设定的值,通过接头面积进行下调,得到面积阈值S1,存入第一csv表格中,循环上述步骤得到n个参数,当n<10时,取S1,S2……Sn中的最小值储存在CSV表格中;
红色核伤、蓝色核伤、绿色核伤的检测学习:红色核伤学习结果存储在第四csv表格中,蓝色核伤学习结果存储在第王csv表格中,绿色核伤学习结果存储在第六csv表格中,同时分别对csv表格对应存储的数据进行更新;
红色水平裂的检测学习:所述红色水平裂的学习,为伤损与螺孔之间距离的学习,当伤损如果学习得到的距离大于csv表格中距离阈值,则对学习得到的距离略微上调,得到新的距离阈值L1,存入第七csv表格中,如果学习得到的伤损距离小于csv表格中得到的值,通过于csv表格中得到的值进行下调,得到距离阈值L1,存入第七csv表格中,学习n次,得到n个参数,当n<10时,取L1,L2……Ln中的最大值储存在CSV表格中;
绿色螺孔下裂、蓝色螺孔下裂的检测学习:所述绿色螺孔下裂、蓝色螺孔下裂的学习是伤损和螺孔距离的学习,当伤损学习得到的距离大于csv表格中距离阈值时,则对学习得到的距离上调,进而得到新的距离阈值L1,存入第九csv表格中,如果学习出的伤损距离小于csv表格中得到的值,通过对csv表格中取得的值进行下调,得到距离阈值L1,存入第九csv表格中,学习n次,得到n个参数,当n<10时,取L1,L2……Ln中的最大值储存在CSV表格中;
绿色螺孔延长下裂、蓝色螺孔延长下裂的检测学习:所述绿色螺孔延长下裂、蓝色螺孔延长下裂的学习是对伤损长度的学习,通过优化延长下裂长度的最低阈值以提高伤损检测准确率;
轨底横裂的检测学习,通过调节的轨底横裂与接头的最低距离阈值,减少接头附近的误判。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910113259.XA CN109828026B (zh) | 2019-02-13 | 2019-02-13 | 一种高速轨道缺陷并行超声波成像检测及其智能学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910113259.XA CN109828026B (zh) | 2019-02-13 | 2019-02-13 | 一种高速轨道缺陷并行超声波成像检测及其智能学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109828026A true CN109828026A (zh) | 2019-05-31 |
CN109828026B CN109828026B (zh) | 2021-09-10 |
Family
ID=66863655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910113259.XA Active CN109828026B (zh) | 2019-02-13 | 2019-02-13 | 一种高速轨道缺陷并行超声波成像检测及其智能学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109828026B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581814A (zh) * | 2020-05-07 | 2020-08-25 | 南京航空航天大学 | 基于差分涡流的高速轨道缺陷检测系统的参数设计方法 |
CN112147221A (zh) * | 2020-09-22 | 2020-12-29 | 济南大学 | 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0798569A1 (en) * | 1996-03-29 | 1997-10-01 | TOKIMEC Inc. | Connected region extracting method and apparatus of B scope image |
CN1828285A (zh) * | 2006-04-10 | 2006-09-06 | 朱彤 | 钢轨探伤仪和应用该钢轨探伤仪的钢轨探伤系统 |
CN101692071A (zh) * | 2009-10-12 | 2010-04-07 | 东峰国检(北京)科技有限公司 | 超声波探伤仪的分屏显示方案 |
CN104198592A (zh) * | 2014-07-24 | 2014-12-10 | 河南科技大学 | 一种用于超声相控阵楔块中脉冲声场的测量方法 |
CN106114554A (zh) * | 2016-07-14 | 2016-11-16 | 南京拓控信息科技股份有限公司 | 一种列车车轮随动式智能探伤系统及方法 |
CN108088908A (zh) * | 2017-12-18 | 2018-05-29 | 广东汕头超声电子股份有限公司 | 一种钢轨焊缝的网格化超声成像检测的方法 |
CN109212033A (zh) * | 2018-08-20 | 2019-01-15 | 汕头大学 | 一种高速轨道内部伤损的超声图像检测方法 |
-
2019
- 2019-02-13 CN CN201910113259.XA patent/CN109828026B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0798569A1 (en) * | 1996-03-29 | 1997-10-01 | TOKIMEC Inc. | Connected region extracting method and apparatus of B scope image |
CN1828285A (zh) * | 2006-04-10 | 2006-09-06 | 朱彤 | 钢轨探伤仪和应用该钢轨探伤仪的钢轨探伤系统 |
CN101692071A (zh) * | 2009-10-12 | 2010-04-07 | 东峰国检(北京)科技有限公司 | 超声波探伤仪的分屏显示方案 |
CN104198592A (zh) * | 2014-07-24 | 2014-12-10 | 河南科技大学 | 一种用于超声相控阵楔块中脉冲声场的测量方法 |
CN106114554A (zh) * | 2016-07-14 | 2016-11-16 | 南京拓控信息科技股份有限公司 | 一种列车车轮随动式智能探伤系统及方法 |
CN108088908A (zh) * | 2017-12-18 | 2018-05-29 | 广东汕头超声电子股份有限公司 | 一种钢轨焊缝的网格化超声成像检测的方法 |
CN109212033A (zh) * | 2018-08-20 | 2019-01-15 | 汕头大学 | 一种高速轨道内部伤损的超声图像检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581814A (zh) * | 2020-05-07 | 2020-08-25 | 南京航空航天大学 | 基于差分涡流的高速轨道缺陷检测系统的参数设计方法 |
CN112147221A (zh) * | 2020-09-22 | 2020-12-29 | 济南大学 | 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109828026B (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106225787B (zh) | 一种无人机视觉定位方法 | |
CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
CN105788142B (zh) | 一种基于视频图像处理的火灾检测系统及检测方法 | |
CN108009591A (zh) | 一种基于深度学习的接触网关键部件识别方法 | |
CN104504388B (zh) | 一种路面裂缝识别和特征提取算法及系统 | |
CN108898085A (zh) | 一种基于手机视频的道路病害智能检测方法 | |
CN109460753A (zh) | 一种检测水上漂浮物的方法 | |
CN106340044B (zh) | 摄像机外参自动标定方法及标定装置 | |
CN113223035B (zh) | 笼养鸡智能巡检系统 | |
CN109493320A (zh) | 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备 | |
CN106910186A (zh) | 一种基于cnn深度学习的桥梁裂缝检测定位方法 | |
CN104537651B (zh) | 一种路面图像中裂缝比例检测方法及系统 | |
CN105844621A (zh) | 一种印刷品质量检测方法 | |
CN109828026A (zh) | 一种高速轨道缺陷并行超声波成像检测及其智能学习方法 | |
CN107218894A (zh) | 一种快速稳定的亚像素级精度器件厚度检测方法 | |
CN111985499B (zh) | 一种基于计算机视觉的高精度桥梁表观病害识别方法 | |
CN114219687B (zh) | 融合人机视觉的施工安全隐患智能识别方法 | |
CN1993708B (zh) | 图像处理设备和方法以及摄像设备 | |
CN108662977A (zh) | 一种耐火砖几何尺寸测量方法 | |
CN105741276A (zh) | 一种船舶水线提取方法 | |
CN110298292A (zh) | 基于规则多边形物体角点检测的高精度实时抓取检测方法 | |
CN112964712A (zh) | 一种快速检测沥青路面状态的方法 | |
CN109087305A (zh) | 一种基于深度卷积神经网络的裂缝图像分割方法 | |
CN115063579A (zh) | 基于二维图像和三维点云投影的列车定位销松动检测方法 | |
CN109916912A (zh) | 一种铁轨扣件病害检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |