CN110320285A - 一种基于超声波信号的钢轨缺陷识别方法、系统及电子设备 - Google Patents
一种基于超声波信号的钢轨缺陷识别方法、系统及电子设备 Download PDFInfo
- Publication number
- CN110320285A CN110320285A CN201910614902.7A CN201910614902A CN110320285A CN 110320285 A CN110320285 A CN 110320285A CN 201910614902 A CN201910614902 A CN 201910614902A CN 110320285 A CN110320285 A CN 110320285A
- Authority
- CN
- China
- Prior art keywords
- steel rail
- defect
- ultrasonic signal
- signal
- rail defect
- 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.)
- Pending
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
- B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
- B61K9/08—Measuring installations for surveying permanent way
- B61K9/10—Measuring installations for surveying permanent way for detecting cracks in rails or welds thereof
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4427—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with stored values, e.g. threshold values
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明提供一种基于超声波信号的钢轨缺陷识别方法,该方法通过获取一检测钢轨缺陷的超声波信号图,所述超声波信号图包括多个具有钢轨的深度信息及宽度信息的信号点,将所述超声波信号图输入至多个RGB通道中,将输出的多张图像进行特征加强后进行叠加,获得叠加图像,基于预设的矩形框和所述叠加图像,对初始识别神经网络进行训练,获得钢轨缺陷识别神经网络。通过多个RGB通道对所述超声波信号进行处理,以获得所述缺陷对应的信号点以确定缺陷的轮廓,并基于预设的矩形框将所述缺陷对应的多个信号点进行定位,以识别所述缺陷的位置和类型,具有识别缺陷更准确、识别效率较高的优点。
Description
【技术领域】
本发明涉及钢轨缺陷计算机识别领域,特别涉及一种基于超声波信号的钢轨缺陷识别方法、系统及电子设备。
【背景技术】
超声波钢轨探伤是目前常用的钢轨缺陷检测方式,运用超声波探伤仪对钢轨进行缺陷检测。
但在现有的超声波钢轨探伤方法中,通常是基于超声波探伤仪对钢轨发射的超声波波形图进行分析,但因钢轨中的一些正常结构也会反射超声,形成密集的回波图形,比如:螺栓孔、钢轨接头、孔、导线孔,导致误报频发,准确率不足。
【发明内容】
为了克服目前现有基于超声波信号的钢轨缺陷识别方法中准确率不足的问题,本发明提供一种基于超声波信号的钢轨缺陷识别方法。
本发明为解决上述技术问题,提供一技术方案如下:一种基于超声波信号的钢轨缺陷识别方法,包括如下步骤:步骤S1:获取一检测钢轨缺陷的超声波信号图,所述超声波信号图包括多个具有钢轨的深度信息及宽度信息的信号点,多个所述信号点组成至少一个钢轨缺陷;步骤S2:将所述超声波信号图输入至多个RGB通道中,获得多张信号图像,将每一信号图像进行预处理,获得多张特征加强图像,将多张特征加强图像叠加,获得叠加图像;及步骤S3:提供反映真实缺陷的矩形框,并将叠加图像及所述矩形框输入至一初始识别神经网络进行训练,获得钢轨缺陷识别神经网络,所述钢轨缺陷识别神经网络可基于输入的超声波信号图识别钢轨缺陷。
优选地,上述步骤S2具体包括如下步骤:步骤S21:将所述多个信号点输入至8个RGB通道中,获得8张信号图像;及步骤S22:将每一信号图像的每一信号点进行在深度方向上进行扩展,获得8张特征加强图,将多张特征加强图像叠加,获得叠加图像。
优选地,上述步骤S3与步骤S4之间还包括:步骤S100:将每一特征加强图分割为多张分割图像,相邻两张分割图像的重叠区域的宽度对应为钢轨缺陷的最大宽度。
优选地,上述步骤S3具体包括如下步骤:步骤S31:基于多种类型的真实缺陷的尺寸,设计对应尺寸的矩形框;步骤S32:获取一初始识别神经网络,将所述初始识别神经网络中的RGB通道数量增加到8个RGB通道;步骤S33:将多张分割图像及所述矩形框输入至所述初始识别神经网络中;步骤S34:所述初始识别神经网络基于多个信号点的深度信息及宽度信息组成的信号尺寸信息,在对应信号点的位置定位与真实尺寸信息匹配的矩形框;及步骤S35:所述初始识别神经网络学习所述矩形框的生成过程,训练获得所述钢轨缺陷识别神经网络,所述钢轨缺陷识别神经网络可基于输入的多个信号点识别钢轨缺陷。
优选地,上述步骤S43具体包括如下步骤:步骤S341:所述初始识别神经网络基于多个信号点对应的信号尺寸信息,在对应信号点的位置生成对应类型的矩形框;及步骤S342:根据多个信号点的信号尺寸信息,对所述矩形框的尺寸进行调整,以将多个信号点置于所述矩形框内。
优选地,上述步骤S1具体包括如下步骤:步骤S11:在钢轨上按照预设距离对钢轨进行检测,获得预设距离间隔下的多个超声波信号;及步骤S12:将多个超声波信号中的回波能量超过阈值的记录作为信号点,获得具有钢轨的深度信息及宽度信息对应多个信号点的超声波信号图。
本发明提供一种基于超声波信号的钢轨缺陷识别系统,包括:信号获取单元,用于获取一检测钢轨缺陷的超声波信号图,所述超声波信号图包括多个具有钢轨的深度信息及宽度信息的信号点,多个所述信号点组成至少一个钢轨缺陷;图像处理单元,用于将所述超声波信号图输入至多个RGB通道中,获得多张信号图像,将每一信号图像进行预处理,获得多张特征加强图像,将多张特征加强图像叠加,获得叠加图像;及模型训练单元,用于提供反映真实缺陷的矩形框,并将叠加图像及所述矩形框输入至一初始识别神经网络进行训练,获得钢轨缺陷识别神经网络,所述钢轨缺陷识别神经网络可基于输入的超声波信号图识别钢轨缺陷。
优选地,所述图像处理单元还包括:通道处理单元,将所述多个信号点输入至8个RGB通道中,获得8张信号图像;及信号扩展单元,用于将每一信号图像的每一信号点进行在深度方向上进行扩展,获得8张特征加强图,将多张特征加强图像叠加,获得叠加图像。
优选地,还包括:图像分割单元,用于将每一特征加强图分割为多张分割图像,相邻两张分割图像的重叠区域的宽度对应为钢轨缺陷的最大宽度。
本发明还提供一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被设置为运行时执行上述任一项中所述的基于超声波信号的钢轨缺陷识别方法;所述处理器被设置为通过所述计算机程序执行上述任一项中所述的基于超声波信号的钢轨缺陷识别方法。
与现有技术相比,本发明提供的一种基于超声波信号的钢轨缺陷识别方法,具有以下优点:
1、在基于超声波信号的钢轨缺陷计算机识别领域中,通过多个RGB通道对所述超声波信号进行处理,以获得所述缺陷对应的信号点以确定缺陷的轮廓,并基于预设的矩形框将所述缺陷对应的多个信号点进行定位,以识别所述缺陷的位置和类型,具有识别缺陷更准确、识别效率较高的优点。进一步,本发明提供的一种基于超声波信号的钢轨缺陷识别方法使得探测到的多个超声波信号点通过连续的信号点显示出钢轨缺陷的轮廓,改变了超声波信号图中缺陷的显示方式,避免了超声波波形图中出现的易混淆的相似图形造成的误报问题,提高了钢轨缺陷识别的准确率。同时,基于矩形框识别钢轨缺陷的类别和位置,提高了钢轨缺陷识别的效率。
2、通过8个RGB通道对所述超声波信号进行处理,以获得8张信号图像,基于对8张信号图像进行叠加后对钢轨缺陷识别神经网络进行训练,使得检测获得的所有超声波信号点通过8个RGB通道显示在一超声波信号图中,以显示出钢轨缺陷的轮廓,准确获得钢轨缺陷的类型,提高钢轨缺陷识别的准确度。
3、将每一信号图像的每一信号点进行在深度方向上进行扩展,使得钢轨中具有较小裂痕的缺陷在深度方向上进行扩展,以便于神经网络的识别,提高缺陷的识别准确度。
4、通过将每一特征加强图分割为多张分割图像,以降低同时对输入整张图像的计算量,提高计算效率。进一步地,将所述特征加强图进行有重叠的分割,使相邻两张分割图像的重叠区域的宽度对应为钢轨缺陷的最大宽度,避免将一个缺陷对应的多个信号点进行分割,提高了缺陷识别的准确度。
5、通过基于检测到的多个信号点的信号尺寸信息,所述矩形框对尺寸进行微调,以将多个信号点置于所述矩形框内,提高对缺陷对应的多个信号点的识别准确度。
6、将多个超声波信号中的回波能量超过阈值的记录作为信号点,使得超声波图像中记录缺陷对应的信号点,将正常无缺陷的钢轨部分去除,降低了钢轨缺陷识别神经网络对信号点的计算量,提高识别效率。
【附图说明】
图1为本发明第一实施例提供的一种基于超声波信号的钢轨缺陷识别方法的整体流程图。
图2为本发明第一实施例提供的一种基于超声波信号的钢轨缺陷识别方法的一种变形实施流程图。
图3为本发明第一实施例提供的一种基于超声波信号的钢轨缺陷识别方法的步骤S1的细节流程图。
图4为本发明第一实施例提供的一种基于超声波信号的钢轨缺陷识别方法的步骤S1中步骤S12的信号点的生成示意图。
图5为本发明第一实施例提供的一种基于超声波信号的钢轨缺陷识别方法的步骤S2的细节流程图。
图6为本发明第一实施例提供的一种基于超声波信号的钢轨缺陷识别方法的步骤S2中步骤S22的信号点扩展的生成示意图。
图7为本发明第一实施例提供的一种基于超声波信号的钢轨缺陷识别方法的步骤S3的细节流程图。
图8为本发明第一实施例提供的一种基于超声波信号的钢轨缺陷识别方法的步骤S3中步骤S34的矩形框定位过程的示意图。
图9为本发明第一实施例提供的一种基于超声波信号的钢轨缺陷识别方法的步骤S34的细节流程图。
图10为本发明第二实施例提供的一种基于超声波信号的钢轨缺陷识别系统的模块图。
图11为本发明第二实施例提供的一种基于超声波信号的钢轨缺陷识别系统中图像处理单元的模块图。
图12为本发明第三实施例提供的一种电子设备的模块图。
附图标记说明:
1、信号获取单元;2、图像处理单元;3、模型训练单元;4、图像分割单元;
21、通道处理单元;22、信号扩展单元;
10、存储器;20、处理器;
【具体实施方式】
为了使本发明的目的,技术方案及优点更加清楚明白,以下结合附图及实施实例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1,本发明第一实施例提供一种基于超声波信号的钢轨缺陷识别方法,包括以下步骤:
步骤S1:获取一检测钢轨缺陷的超声波信号,所述超声波信号包括多个具有钢轨的深度信息及宽度信息的信号点,多个所述信号点组成至少一个钢轨缺陷。
可以理解,所述超声波信号为多个离散的点值,每一点值表示的是超声波回波点在钢轨截面上的具体位置,也即每一点包括了在钢轨截面上的深度信息及宽度信息。
步骤S2:将所述超声波信号图输入至多个RGB通道中,获得多张信号图像,将每一信号图像进行预处理,获得多张特征加强图像,将多张特征加强图像叠加,获得叠加图像。
可以理解,所述超声波信号为24通道信号,也即需要通过24通道进行对超声波信号的处理,在本实施例中,通过设置8个RGB通道对超声波信号进行处理,以将多个离散的超声波信号点值进行图像处理。
步骤S3:提供反映真实缺陷的矩形框,并将叠加图像及所述矩形框输入至一初始识别神经网络进行训练,获得钢轨缺陷识别神经网络,所述钢轨缺陷识别神经网络可基于输入的超声波信号图识别钢轨缺陷。
可以理解,所述矩形框的尺寸对应为多种类型的钢轨缺陷尺寸,也即针对一真实钢轨缺陷的尺寸,对应设置一矩形框,以将识别到的不同类型的缺陷进行分类。
可以理解,所述轨缺陷识别神经网络经过训练后,可基于获得的超声波信号对应的24通道RGB图像中多个信号尺寸信息,在识别出的缺陷生成对应尺寸的矩形框,以识别出多种类型的钢轨缺陷。
请参阅图2,可选地,上述步骤S2与步骤S3之间还包括:
步骤S100:将每一特征加强图分割为多张分割图像,相邻两张分割图像的重叠区域的宽度对应为钢轨缺陷的最大宽度。
可以理解,在步骤S100中,将每一特征加强图分割为多张分割图像,以降低同时对输入整张图像的计算量,提高计算效率。进一步地,将所述特征加强图进行有重叠的分割,使相邻两张分割图像的重叠区域的宽度对应为钢轨缺陷的最大宽度,避免将一个缺陷对应的多个信号点进行分割,提高了缺陷识别的准确度。
请参阅图3,步骤S1:获取一检测钢轨缺陷的超声波信号图,所述超声波信号图包括多个具有钢轨的深度信息及宽度信息的信号点,多个所述信号点组成至少一个钢轨缺陷。步骤S1具体包括步骤S11~S12:
步骤S11:在钢轨上按照预设距离对钢轨进行检测,获得预设距离间隔下的多个超声波信号;及
步骤S12:将多个超声波信号中的回波能量超过阈值的记录作为信号点,获得具有钢轨的深度信息及宽度信息对应多个信号点的超声波信号图。
可以理解,在步骤S11中,所述预设距离为在钢轨方向上单位距离发射的超声波,例如,检测的钢轨长度为5米,预设距离为0.5米,则钢轨上每0.5米发射一超声波信号,共获得10个超声波信号点值。
可以理解,在步骤S12中,当检测的钢轨中出现缺陷时,超声波在缺陷位置提前反射,增加了回波能量,根据预先设置的阈值,将超声波回波中能量超过阈值的信号点进行记录,将未超过阈值的信号点归零处理,使得超声波信号图中留下具有缺陷特征的多个信号点。例如,在本实施例中,如图4所示,x轴方向为宽度方向(也即钢轨方向),y轴方向为深度方向,也即图3为钢轨方向的侧视图,图中所示曲线L为回波能量超过阈值的多个连续信号点连接形成(图中4个点P为部分组成的点),多个连续的信号点组成一缺陷的轮廓及缺陷的裂纹方向。
可以理解,步骤S11~S12仅为该实施例的一种实施方式,其实施方式并不限定于步骤S11~S12。
请参阅图5,步骤S2:将所述超声波信号图输入至8个RGB通道中,获得8张信号图像,将每一张信号图像进行预处理,获得多张特征加强图像。步骤S2具体包括步骤S21~S22:
步骤S21:将所述多个信号点输入至8个RGB通道中,获得8张信号图像;及
步骤S22:将每一信号图像的每一信号点进行在深度方向上进行扩展,获得8张特征加强图,将多张特征加强图像叠加,获得叠加图像。
可以理解,在步骤S21中,将所述多个信号点输入至8个RGB通道中,使得神经网络将RGB通过的数量增加为8个,也即将原有具有处理RGB数据的3通道增加为24通道,以通过8个RGB通道同时处理超声波信号图。
可以理解,在步骤S22中,所述超声波信号图中,由于部分缺陷的裂痕较小,使得在深度方向上出现的信号点较少,导致在超声波信号图中的显示并不明显,使得神经网络不易识别,可通过对每一信号点进行在深度方向上进行扩展,以将每一缺陷对应的多个信号点增加深度特征,以便于识别。例如,在本实施例中,可通过每一信号点对应的像素值在深度方向上进行增加,使得每一缺陷对应的多个信号点在深度方向上具有更大深度的特征,例如,如图6所示,原图4中的一缺陷A对应的多个信号点进行扩展后,扩大深度方向上的特征,获得缺陷B。
可以理解,步骤S21~S22仅为该实施例的一种实施方式,其实施方式并不限定于步骤S21~S22。
请参阅图7,步骤S3:提供反映真实缺陷的矩形框,并将叠加图像及所述矩形框输入至一初始识别神经网络进行训练,获得钢轨缺陷识别神经网络,所述钢轨缺陷识别神经网络可基于输入的超声波信号图识别钢轨缺陷。步骤S4具体包括步骤S41~S44:
步骤S31:基于多种类型的真实缺陷的尺寸,设计对应尺寸的矩形框;
步骤S32:获取一初始识别神经网络,将所述初始识别神经网络中的RGB通道数量增加到8个RGB通道;
步骤S33:将多张分割图像及所述矩形框输入至所述初始识别神经网络中;
步骤S34:所述初始识别神经网络基于多个信号点的深度信息及宽度信息组成的信号尺寸信息,在对应信号点的位置定位与真实尺寸信息匹配的矩形框;及
步骤S35:所述初始识别神经网络学习所述矩形框的生成过程,训练获得所述钢轨缺陷识别神经网络,所述钢轨缺陷识别神经网络可基于输入的多个信号点识别钢轨缺陷。
可以理解,在步骤S32中,所述初始识别神经网络为可进行图像识别的基础识别网络,所述初始识别神经网络可基于输入的图像,对输入的图像内的物体进行特征识别。
可以理解,在步骤S32中,将所述初始识别神经网络中的RGB通道数量增加到8个RGB通道,以将所述初始识别神经网络可将超声波信号的24通道图像全部基于RGB通道进行处理,以将超声波图像内多个信号点具有更清楚的特征,提高钢轨缺陷检测的准确度。
可以理解,在步骤S34中,所述信号尺寸信息为多个信号点对应组成的一缺陷尺寸,该缺陷尺寸包括深度信息及宽度信息,例如,如图8中所示,多个信号点经过像素扩展后对应的缺陷B,在缺陷B位置生成了一矩形框T,矩形框T中的多个像素点在宽度方向和深度方向上组成了缺陷B的宽度尺寸和深度尺寸,则定位的矩形框T具有对应的宽度尺寸和深度尺寸。
可以理解,在步骤S34中,所述初始识别神经网络经过学习矩形框的生成过程,经过多次迭代后,训练获得所述钢轨缺陷识别神经网络,所述钢轨缺陷识别神经网络可基于输入的多个信号点识别钢轨缺陷。
可以理解,步骤S31~S35仅为该实施例的一种实施方式,其实施方式并不限定于步骤S31~S35。
请参阅图9,上述步骤S34还包括步骤S341~S342:
步骤S341:所述初始识别神经网络基于多个信号点对应的信号尺寸信息,在对应信号点的位置生成对应类型的矩形框;及
步骤S342:根据多个信号点的信号尺寸信息,所述矩形框对尺寸进行微调,以将多个信号点置于所述矩形框内。
可以理解,在步骤S342中,多个信号点组成的任一缺陷尺寸在测量时具有误差,也即在步骤S31中预先获取的多种真实缺陷的真实尺寸信息与超声波测量获得的信号尺寸信息在尺寸上有误差,则所述矩形框可根据测量获得的信号尺寸信息进行尺寸微调,在多次迭代更新后获得新的矩形框,以将多个信号点置于所述矩形框内。
可以理解,步骤S341~S342仅为该实施例的一种实施方式,其实施方式并不限定于步骤S341~S342。
请参阅图10,本发明第二实施例还提供一种基于超声波信号的钢轨缺陷识别系统,该基于超声波信号的钢轨缺陷识别系统可以包括:
信号获取单元1,用于获取一检测钢轨缺陷的超声波信号图,所述超声波信号图包括多个具有钢轨的深度信息及宽度信息的信号点,多个所述信号点组成至少一个钢轨缺陷;
图像处理单元2,用于将所述超声波信号图输入至多个RGB通道中,获得多张信号图像,将每一信号图像进行预处理,获得多张特征加强图像,将多张特征加强图像叠加,获得叠加图像;及
模型训练单元3,用于提供反映真实缺陷的矩形框,并将叠加图像及所述矩形框输入至一初始识别神经网络进行训练,获得钢轨缺陷识别神经网络,所述钢轨缺陷识别神经网络可基于输入的超声波信号图识别钢轨缺陷。
请继续参阅图10,所述一种基于超声波信号的钢轨缺陷识别系统还包括:
图像分割单元4,用于将每一特征加强图分割为多张分割图像,相邻两张分割图像的重叠区域的宽度对应为钢轨缺陷的最大宽度。
请参阅图11,所述图像处理单元2还包括:
通道处理单元21,将所述多个信号点输入至8个RGB通道中,获得8张信号图像;及
信号扩展单元22,用于将每一信号图像的每一信号点进行在深度方向上进行扩展,获得8张特征加强图,将多张特征加强图像叠加,获得叠加图像。
具体地,本发明第二实施例提供的一种基于超声波信号的钢轨缺陷识别系统适用于铁路钢轨中的超声波探伤检测系统中,该系统用于通过8个RGB通道对所述超声波信号进行处理,并基于预设的矩形框将所述缺陷对应的多个信号点进行定位,以识别所述缺陷的位置和类型,具有识别缺陷更准确、识别效率较高的优点。
请参阅图12,本发明第三实施例提供一种用于实施上述基于超声波信号的钢轨缺陷识别方法的电子设备,所述电子设备包括存储器10和处理器20,所述存储器10中存储有运算机程序,所述运算机程序被设置为运行时执行上述任一项基于超声波信号的钢轨缺陷识别方法实施例中的步骤。所述处理器20被设置为通过所述运算机程序执行上述任一项基于超声波信号的钢轨缺陷识别方法实施例中的步骤。
可选地,在本实施例中,上述电子设备可以位于运算机网络的多个网络设备中的至少一个网络设备。
具体地,所述电子设备为铁路钢轨中的超声波探伤的检测设备中,该电子设备用于通过8个RGB通道对所述超声波信号进行处理,并基于预设的矩形框将所述缺陷对应的多个信号点进行定位,以识别所述缺陷的位置和类型,具有识别缺陷更准确、识别效率较高的优点。
与现有技术相比,本发明提供的一种基于超声波信号的钢轨缺陷识别方法,具有以下优点:
1、在基于超声波信号的钢轨缺陷计算机识别领域中,通过多个RGB通道对所述超声波信号进行处理,以获得所述缺陷对应的信号点以确定缺陷的轮廓,并基于预设的矩形框将所述缺陷对应的多个信号点进行定位,以识别所述缺陷的位置和类型,具有识别缺陷更准确、识别效率较高的优点。进一步,本发明提供的一种基于超声波信号的钢轨缺陷识别方法使得探测到的多个超声波信号点通过连续的信号点显示出钢轨缺陷的轮廓,改变了超声波信号图中缺陷的显示方式,避免了超声波波形图中出现的易混淆的相似图形造成的误报问题,提高了钢轨缺陷识别的准确率。同时,基于矩形框识别钢轨缺陷的类别和位置,提高了钢轨缺陷识别的效率。
2、通过8个RGB通道对所述超声波信号进行处理,以获得8张信号图像,基于对8张信号图像进行叠加后对钢轨缺陷识别神经网络进行训练,使得检测获得的所有超声波信号点通过8个RGB通道显示在一超声波信号图中,以显示出钢轨缺陷的轮廓,准确获得钢轨缺陷的类型,提高钢轨缺陷识别的准确度。
3、将每一信号图像的每一信号点进行在深度方向上进行扩展,使得钢轨中具有较小裂痕的缺陷在深度方向上进行扩展,以便于神经网络的识别,提高缺陷的识别准确度。
4、通过将每一特征加强图分割为多张分割图像,以降低同时对输入整张图像的计算量,提高计算效率。进一步地,将所述特征加强图进行有重叠的分割,使相邻两张分割图像的重叠区域的宽度对应为钢轨缺陷的最大宽度,避免将一个缺陷对应的多个信号点进行分割,提高了缺陷识别的准确度。
5、通过基于检测到的多个信号点的信号尺寸信息,所述矩形框对尺寸进行微调,以将多个信号点置于所述矩形框内,提高对缺陷对应的多个信号点的识别准确度。
6、将多个超声波信号中的回波能量超过阈值的记录作为信号点,使得超声波图像中记录缺陷对应的信号点,将正常无缺陷的钢轨部分去除,降低了钢轨缺陷识别神经网络对信号点的计算量,提高识别效率。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。
在该计算机程序被处理器执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机存储器可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机存储器例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。
计算机存储器的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读信号介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括信号获取单元、图像处理单元、矩形框获取单元及模型训练单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,图像处理单元还可以被描述为“将所述超声波信号图输入至8个RGB通道中,获得8张信号图像,将每一张信号图像进行预处理,获得多张特征加强图像”。
作为另一方面,本申请还提供了一种计算机存储器,该计算机存储器可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机存储器承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取一检测钢轨缺陷的超声波信号图,所述超声波信号图包括多个具有钢轨的深度信息及宽度信息的信号点,多个所述信号点组成至少一个钢轨缺陷,将所述超声波信号图输入至8个RGB通道中,获得8张信号图像,将每一张信号图像进行预处理,获得多张特征加强图像,基于预先获取的多种真实缺陷的真实尺寸信息,设计与不同真实缺陷的真实尺寸信息对应的多种类型的矩形框,将多张特征加强图像及所述矩形框输入至一初始识别神经网络进行训练,所述初始识别神经网络基于多个信号点的深度信息及宽度信息组成的信号尺寸信息,在对应信号点的位置生成与真实尺寸信息匹配的矩形框,获得钢轨缺陷识别神经网络,所述钢轨缺陷识别神经网络可基于输入的多个信号点识别钢轨缺陷。
以上仅为本发明较佳实施例而已,并不用以限制本发明,凡在本发明原则之内所作的任何修改,等同替换和改进等均应包含本发明的保护范围之内。
Claims (10)
1.一种基于超声波信号的钢轨缺陷识别方法,其特征在于:包括如下步骤:
步骤S1:获取一检测钢轨缺陷的超声波信号图,所述超声波信号图包括多个具有钢轨的深度信息及宽度信息的信号点,多个所述信号点组成至少一个钢轨缺陷;
步骤S2:将所述超声波信号图输入至多个RGB通道中,获得多张信号图像,将每一信号图像进行预处理,获得多张特征加强图像,将多张特征加强图像叠加,获得叠加图像;
步骤S3:提供反映真实缺陷的矩形框,并将叠加图像及所述矩形框输入至一初始识别神经网络进行训练,获得钢轨缺陷识别神经网络,所述钢轨缺陷识别神经网络可基于输入的超声波信号图识别钢轨缺陷。
2.如权利要求1中所述基于超声波信号的钢轨缺陷识别方法,其特征在于:上述步骤S2具体包括如下步骤:
步骤S21:将所述多个信号点输入至8个RGB通道中,获得8张信号图像;及
步骤S22:将每一信号图像的每一信号点进行在深度方向上进行扩展,获得8张特征加强图,将多张特征加强图像叠加,获得叠加图像。
3.如权利要求1中所述基于超声波信号的钢轨缺陷识别方法,其特征在于:上述步骤S3与步骤S4之间还包括:
步骤S 100:将每一特征加强图分割为多张分割图像,相邻两张分割图像的重叠区域的宽度对应为钢轨缺陷的最大宽度。
4.如权利要求1中所述基于超声波信号的钢轨缺陷识别方法,其特征在于:上述步骤S3具体包括如下步骤:
步骤S31:基于多种类型的真实缺陷的尺寸,设计对应尺寸的矩形框;
步骤S32:获取一初始识别神经网络,将所述初始识别神经网络中的RGB通道数量增加到8个RGB通道;
步骤S33:将多张分割图像及所述矩形框输入至所述初始识别神经网络中;
步骤S34:所述初始识别神经网络基于多个信号点的深度信息及宽度信息组成的信号尺寸信息,在对应信号点的位置定位与真实尺寸信息匹配的矩形框;及
步骤S35:所述初始识别神经网络学习所述矩形框的生成过程,训练获得所述钢轨缺陷识别神经网络,所述钢轨缺陷识别神经网络可基于输入的多个信号点识别钢轨缺陷。
5.如权利要求3中所述基于超声波信号的钢轨缺陷识别方法,其特征在于:上述步骤S43具体包括如下步骤:
步骤S 341:所述初始识别神经网络基于多个信号点对应的信号尺寸信息,在对应信号点的位置生成对应类型的矩形框;及
步骤S 342:根据多个信号点的信号尺寸信息,对所述矩形框的尺寸进行调整,以将多个信号点置于所述矩形框内。
6.如权利要求1中所述基于超声波信号的钢轨缺陷识别方法,其特征在于:上述步骤S1具体包括如下步骤:
步骤S11:在钢轨上按照预设距离对钢轨进行检测,获得预设距离间隔下的多个超声波信号;及
步骤S12:将多个超声波信号中的回波能量超过阈值的记录作为信号点,获得具有钢轨的深度信息及宽度信息对应多个信号点的超声波信号图。
7.一种基于超声波信号的钢轨缺陷识别系统,其特征在于,包括:
信号获取单元,用于获取一检测钢轨缺陷的超声波信号图,所述超声波信号图包括多个具有钢轨的深度信息及宽度信息的信号点,多个所述信号点组成至少一个钢轨缺陷;
图像处理单元,用于将所述超声波信号图输入至多个RGB通道中,获得多张信号图像,将每一信号图像进行预处理,获得多张特征加强图像,将多张特征加强图像叠加,获得叠加图像;及
模型训练单元,用于提供反映真实缺陷的矩形框,并将叠加图像及所述矩形框输入至一初始识别神经网络进行训练,获得钢轨缺陷识别神经网络,所述钢轨缺陷识别神经网络可基于输入的超声波信号图识别钢轨缺陷。
8.如权利要求7中所述基于超声波信号的钢轨缺陷识别系统,其特征在于,所述图像处理单元还包括:
通道处理单元,将所述多个信号点输入至8个RGB通道中,获得8张信号图像;及
信号扩展单元,用于将每一信号图像的每一信号点进行在深度方向上进行扩展,获得8张特征加强图。
9.如权利要求7中所述基于超声波信号的钢轨缺陷识别系统,其特征在于,还包括:
图像分割单元,用于将每一特征加强图分割为多张分割图像,相邻两张分割图像的重叠区域的宽度对应为钢轨缺陷的最大宽度。
10.一种电子设备,包括存储器和处理器,其特征在于:所述存储器中存储有计算机程序,所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述基于超声波信号的钢轨缺陷识别方法;
所述处理器被设置为通过所述计算机程序执行所述权利要求1至6任一项中所述基于超声波信号的钢轨缺陷识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910614902.7A CN110320285A (zh) | 2019-07-08 | 2019-07-08 | 一种基于超声波信号的钢轨缺陷识别方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910614902.7A CN110320285A (zh) | 2019-07-08 | 2019-07-08 | 一种基于超声波信号的钢轨缺陷识别方法、系统及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110320285A true CN110320285A (zh) | 2019-10-11 |
Family
ID=68121563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910614902.7A Pending CN110320285A (zh) | 2019-07-08 | 2019-07-08 | 一种基于超声波信号的钢轨缺陷识别方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110320285A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110988140A (zh) * | 2019-11-25 | 2020-04-10 | 西南交通大学 | 一种正交异性钢桥面板疲劳裂纹智能识别方法 |
CN111080615A (zh) * | 2019-12-12 | 2020-04-28 | 创新奇智(重庆)科技有限公司 | 基于卷积神经网络的pcb缺陷检测系统及检测方法 |
CN112149693A (zh) * | 2020-10-16 | 2020-12-29 | 上海智臻智能网络科技股份有限公司 | 轮廓识别模型的训练方法和目标对象的检测方法 |
CN112816557A (zh) * | 2019-11-18 | 2021-05-18 | 中国商用飞机有限责任公司 | 一种缺陷检测方法、装置、设备和存储介质 |
CN112817049A (zh) * | 2020-12-28 | 2021-05-18 | 中海油田服务股份有限公司 | 一种声波时差的计算方法 |
CN112903813A (zh) * | 2021-01-14 | 2021-06-04 | 北京安铁软件技术有限公司 | 一种铁路轨道超声自动探伤方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1161679A1 (en) * | 1999-02-18 | 2001-12-12 | Colorado State University Research Foundation | Meat imaging system for palatability and yield prediction |
CN107290428A (zh) * | 2017-06-23 | 2017-10-24 | 上海新跃联汇电子科技有限公司 | 基于深度学习的超声波铁轨探伤小车系统及其控制方法 |
CN107316042A (zh) * | 2017-07-18 | 2017-11-03 | 盛世贞观(北京)科技有限公司 | 一种绘画图像检索方法及装置 |
CN109409413A (zh) * | 2018-09-28 | 2019-03-01 | 贵州大学 | X射线乳腺肿块影像自动分类方法 |
-
2019
- 2019-07-08 CN CN201910614902.7A patent/CN110320285A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1161679A1 (en) * | 1999-02-18 | 2001-12-12 | Colorado State University Research Foundation | Meat imaging system for palatability and yield prediction |
CN107290428A (zh) * | 2017-06-23 | 2017-10-24 | 上海新跃联汇电子科技有限公司 | 基于深度学习的超声波铁轨探伤小车系统及其控制方法 |
CN107316042A (zh) * | 2017-07-18 | 2017-11-03 | 盛世贞观(北京)科技有限公司 | 一种绘画图像检索方法及装置 |
CN109409413A (zh) * | 2018-09-28 | 2019-03-01 | 贵州大学 | X射线乳腺肿块影像自动分类方法 |
Non-Patent Citations (1)
Title |
---|
曾攀: "基于计算机视觉的受电弓滑板磨耗图像的识别", 《无线互联科技》, 30 April 2016 (2016-04-30) * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112816557A (zh) * | 2019-11-18 | 2021-05-18 | 中国商用飞机有限责任公司 | 一种缺陷检测方法、装置、设备和存储介质 |
CN110988140A (zh) * | 2019-11-25 | 2020-04-10 | 西南交通大学 | 一种正交异性钢桥面板疲劳裂纹智能识别方法 |
CN110988140B (zh) * | 2019-11-25 | 2021-10-01 | 西南交通大学 | 一种正交异性钢桥面板疲劳裂纹智能识别方法 |
CN111080615A (zh) * | 2019-12-12 | 2020-04-28 | 创新奇智(重庆)科技有限公司 | 基于卷积神经网络的pcb缺陷检测系统及检测方法 |
CN111080615B (zh) * | 2019-12-12 | 2023-06-16 | 创新奇智(重庆)科技有限公司 | 基于卷积神经网络的pcb缺陷检测系统及检测方法 |
CN112149693A (zh) * | 2020-10-16 | 2020-12-29 | 上海智臻智能网络科技股份有限公司 | 轮廓识别模型的训练方法和目标对象的检测方法 |
CN112817049A (zh) * | 2020-12-28 | 2021-05-18 | 中海油田服务股份有限公司 | 一种声波时差的计算方法 |
CN112817049B (zh) * | 2020-12-28 | 2022-08-02 | 中海油田服务股份有限公司 | 一种声波时差的计算方法 |
CN112903813A (zh) * | 2021-01-14 | 2021-06-04 | 北京安铁软件技术有限公司 | 一种铁路轨道超声自动探伤方法 |
CN112903813B (zh) * | 2021-01-14 | 2023-03-14 | 北京安铁软件技术有限公司 | 一种铁路轨道超声自动探伤方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110320285A (zh) | 一种基于超声波信号的钢轨缺陷识别方法、系统及电子设备 | |
CN109410218A (zh) | 用于生成车辆损伤信息的方法和装置 | |
CN106443802A (zh) | 一种基于形态学滤波的电成像储层缝洞体的定量表征方法及系统 | |
US20140200452A1 (en) | User interaction based image segmentation apparatus and method | |
CN109359676A (zh) | 用于生成车辆损伤信息的方法和装置 | |
CN103279744B (zh) | 基于多尺度三模式纹理特征的仿造指纹检测方法和系统 | |
US10592870B2 (en) | System and method to analyze and detect anomalies in vehicle service procedures | |
CN113705412B (zh) | 基于深度学习的多源数据融合的轨道状态检测方法及装置 | |
CN110348522A (zh) | 一种图像检测识别方法及系统、电子设备、图像分类网络优化方法及系统 | |
CN113092972B (zh) | 基于非接触式超声波传感器的局放类型识别方法和装置 | |
CN103278864A (zh) | 洞缝型储层的地质特征参数及分布的测定方法及装置 | |
CN108734296A (zh) | 优化监督学习的训练数据的方法、装置、电子设备和介质 | |
CN109545027B (zh) | 一种实训台、乘务员仿真实训方法及装置 | |
CN108509921A (zh) | 用于生成信息的方法和装置 | |
Avila et al. | Bayesian restoration of audio signals degraded by impulsive noise modeled as individual pulses | |
Lal et al. | Accurate estimation of glottal closure instants and glottal opening instants from electroglottographic signal using variational mode decomposition | |
CN109145752A (zh) | 用于评估对象检测和跟踪算法的方法、装置、设备和介质 | |
CN110232339A (zh) | 一种基于对比度的弱监督时序动作定位评价方法及系统 | |
Nayyar et al. | Damage detection based on output-only measurements using cepstrum analysis and a baseline-free frequency response function curvature method | |
CN113916990A (zh) | 一种钢轨伤损全息识别系统 | |
Yarra et al. | A mode-shape classification technique for robust speech rate estimation and syllable nuclei detection | |
CN108280388A (zh) | 训练面部检测模型的方法和装置以及面部检测方法和装置 | |
CN112287884A (zh) | 一种考试异常行为检测方法、装置及计算机可读存储介质 | |
Zita et al. | Videokymogram analyzer tool: human–computer comparison | |
Ji et al. | Uncertainty-guided learning for improving image manipulation detection |
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 |