CN111855825B - 基于bp神经网络的轨头核伤识别方法及系统 - Google Patents
基于bp神经网络的轨头核伤识别方法及系统 Download PDFInfo
- Publication number
- CN111855825B CN111855825B CN202010598093.8A CN202010598093A CN111855825B CN 111855825 B CN111855825 B CN 111855825B CN 202010598093 A CN202010598093 A CN 202010598093A CN 111855825 B CN111855825 B CN 111855825B
- Authority
- CN
- China
- Prior art keywords
- display data
- neural network
- training
- nuclear
- rail
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本公开提供了一种基于BP神经网络的轨头核伤检测方法及系统,通过对采集的B显数据进行简单的适当分割;并对B显数据样本集进行解压、解析和恢复;使用颜色标记法区分样本集中的轨头核伤和正常回波;建立基于BP神经网络的轨头核伤检测模型;通过训练集进行神经网络的学习,优化网络结构和参数,获取权重参数表;将待识别的B显数据输入检测模型中,输出钢轨轨头核伤的伤损位置信息。
Description
技术领域
本公开涉及铁路系统钢轨无损检测下的超声波探伤技术领域,特别涉及一种基于BP神经网络的轨头核伤识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
铁路运营安全性是国家的战略问题。铁路运营速度的提高,对安全性和可靠性提出了更高的要求,尤其是铁路养护检测工作尤为重要;为了保障铁路运输的安全与畅通,提高运营效率,为整个国民经济服务,必须保持设备的完好率,对关键设备的状态进行实时监控,尤其是火车的承载体——钢轨;铁路中的钢轨在长期使用过程中,由于疲劳发生剥离、斑脱、裂纹、断裂及其它影响其性能的钢轨伤损;在高速铁路系统中,高速列车产生的长期碰撞、挤压等作用更加突出,裂纹出现的概率以及裂纹扩展的速度都会提高,如不及时检测并采取安全措施,裂纹在后续持续作用的外力下极易扩展,从而造成断轨,甚至列车脱轨等重大事故;因此钢轨伤损的检测是掌握钢轨安全状态的关键技术,是保障高铁安全运行必不可少的条件。
发明人发现,现阶段的铁路钢轨探伤工作中,大多数都是通过超声波探伤车在线路上采集数据,然后再将采集的损伤信息以B扫描的形式直接在终端显示,通过探伤人员来判断钢轨是否存在缺陷,如果存在可疑的伤损会下发复检通知给现场探伤人员,复检核查后确定伤损再进行后续修复处理;这种工作方式非常依赖操作人员的探伤经验和解读能力,伤轨的检出率与设备操作员的专业水平有很大关系,而且从探伤数据中找出伤损位置的这个过程需要消耗很多时间,这与目前我国铁路线路的快速增长形成了重要矛盾。
发明内容
本公开为了解决上述问题,提出了一种基于BP神经网络的轨头核伤识别方法及系统,针对超声波B显数据进行了解压、解析和恢复,以此作为神经网络的输入,利用神经网络可以自动提取特征的特性,建立了基于BP神经网络的轨头核伤检测模型,能够实现钢轨伤损的快速检测。
根据本公开实施例的第一个方面,提供了一种基于BP神经网络的轨头核伤检测方法,包括:
利用超声波探伤车采集一定数量的B显数据样本,构建训练数据集;
对训练数据集中的B显数据进行分割,保证训练数据集中的轨头核伤样本和正常回波样本分布均匀;
对B显数据样本进行解压、解析以及恢复处理,并对处理后的B线数据样本进行存储;
使用颜色标记法对训练样本中的轨头核伤和正常回波进行标记;
构建基于BP神经网络的轨头核伤检测模型,通过所述训练数据集进行训练;
采集待识别的轨头B显数据,经恢复处理后输入训练好的模型,输出钢轨伤损的位置信息。
进一步的,所述对采集的B显数据样本进行解压、解析以及恢复,具体包括,将探伤车采集的加密处理后的B显数据处理为1-9通道按脉冲时序分布的数字矩阵,处理过程通过移位遍历将不同通道恢复为多字节表示,获得恢复后的B线数据样本。
根据本公开实施例的第二个方面,提供了一种基于BP神经网络的轨头核伤检测系统,包括:
训练集构建模块,用于利用超声波探伤车采集一定数量的B显数据样本,构建训练数据集;
样本预处理模块,用于对训练数据集中的B显数据进行分割,保证训练数据集中的轨头核伤样本和正常回波样本分布均匀;对B显数据样本进行解压、解析以及恢复处理,并对处理后的B线数据样本进行存储;使用颜色标记法对训练样本中的轨头核伤和正常回波进行标记;
模型构建模块,用于构建基于BP神经网络的轨头核伤检测模型,通过所述训练数据集进行训练;
轨头核伤识别模块,用于通过采集待识别的轨头B显数据,经恢复处理后输入训练好的模型,输出钢轨伤损的位置信息。
根据本公开实施例的第三个方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现所述的基于BP神经网络的轨头核伤识别方法及系统。
根据本公开实施例的第四个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的基于BP神经网络的轨头核伤识别方法及系统。
与现有技术相比,本公开的有益效果是:
(1)本公开所述方案通过对探伤车B显数据进行了解压、解析和恢复,还原了B显图像的原始信息,使得数据中的特征信息更丰富,并且恢复后的序列数据更容易被计算机直接处理;通过神经网络的模型实现特征的自动提取,解决了B显数据中钢轨伤损回波形式多样化、回波信号的确切表达式很难得出等问题;
(2)随着轨头核伤样本数据的逐渐丰富,伤损检测模型的识别能力还可以继续增强,伤损的检出率也可以进一步提高;本公开所述方案能够适用于各种超声波探伤设备,具有极强的鲁棒性,解决了现有技术中严重依赖操作人员的探伤经验和解读能力的问题,有效提升了轨头核伤识别的精确度和效率。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本公开实施例一所述的基于BP神经网络的轨头核伤识别方法的流程图;
图2为本公开实施例一中所述的探伤车检测到轨头核伤时B显数据生成的原理图;
图3为本公开实施例一中所述的轨头核伤的B显图像与其对应的稀疏矩阵示意图;
图4为本公开实施例一中所述的Relu函数图像;
图5(a)、图5(b)、图5(c)以及图5(d)分别为本公开实施例一中所述的样本集中B显图像中轨头核伤的示意图;
图6为本公开实施例一种所述的训练模型时代价函数的收敛图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一:
本实施例的目的是提供一种基于BP神经网络的轨头核伤识别方法。
一种基于BP神经网络的轨头核伤检测方法,对探伤数据中的轨头核伤检测,包括下述步骤:
(1)准备一定数量的B显数据组成样本集,将样本集按8:2的比例分为训练集和测试集;
(2)采集的所有B显数据进行简单的适当分割;
(3)对B显数据样本集进行解压、解析和恢复;
(4)使用颜色标记法区分样本集中的轨头核伤和正常回波;
(5)建立基于BP神经网络的轨头核伤检测模型;
(6)用训练集进行神经网络的学习,优化网络结构和参数,获取权重参数表。将测试集的B显数据输入检测模型中,输出钢轨伤损的位置信息,在测试集中检验BP神经网络对轨头核伤的检测准确率。
步骤(1)中,准备一定数量的B显数据组成样本集,具体为:
在济南铁路局济南工务段辖区泰安标定线,使用RT18-D型双轨式钢轨超声波探伤车采集含有5000个轨头核伤和5000个正常回波的B显数据作为数据样本集,如图1。选择样本集中的80%作为训练集,剩余的20%作为测试集。
步骤(2)中,具体为:
使用超声波钢轨探伤车回放软件中的“截取片段”功能,分割一下样本集中的B显数据,使样本集中的轨头核伤回波和正常回波分布的更均匀些,方便模型的训练,增强模型的泛化能力;目前的探伤工作,探伤数据是以B显图像的形式呈现在回放软件上,含有钢轨伤损的回波和正常回波具有不同的形态,然后探伤人员通过B显图像观察钢轨伤损存在与否,截取和分割是指利用回放软件中的数据裁切功能从一段连续的数据中截取其中一段并单独保存的操作;分割截取的原因:有回波的探伤数据(包括正常的和含有伤损的)在采集的数据文件中是离散分布的,其中存在大量空值数据即钢轨中没有回波的片段,因此在制作数据集时,我们将含有伤损回波的数据片段和正常回波的数据片段从中截取出来,这相当于从冗余数据中采集样本,最终是将这两者制作成正负样本提供给模型训练。
步骤(3)中,具体为:
图2为探伤设备检测到轨头核伤时候的示意图。当探头发射的超声波脉冲遇到伤损裂纹、有缝接口、或者螺孔等介质中断的时候,会反射回波,反射信号被超声波传感器接收放大,与探头闸门的阈值进行比较,如果回波的电压幅值超过当前探头闸门的阈值,反射信号会被记录为有效字节,探伤设备随着车轮滚动而依次记录回波中的有效信号,经过一系列绘图处理形成了B显图像。
直接获取的B显数据是被探伤设备生产商加密、处理过的,正常情况下只能通过B扫图像查看。本公开将探伤车采集的B显数据进行解压、解析和恢复,把它处理成1-9通道按脉冲时序分布的数字矩阵,并以16进制的格式存储在excel文件中,经过处理的B显数据可以直接作为神经网络的输入,完成钢轨伤损检测模型的训练目标;所述1-9通道的数据是通过所述探伤设备的9个超声波探头采集而来,左右轨共18个通道,所述探头设置如图2,9个探头以不同角度和方向检测钢轨的不同部位,如图3所示,其中1-6通道是70°探头检测的轨头部分,轨头核伤也只会出现在这6个通道的数据中,7-8通道是37°探头检测的轨腰、轨底部分;9通道是垂直0°,用来校正探伤轮是否水平耦合钢轨,保证探伤工作的标准化作业。
下面举例说明如何恢复原始B显数据。探伤车采集的B显数据在内存中存储格式如下:
每一个脉冲下,B扫描数据开始的前4个字节是脉冲计数,中间是通道号+掩码+数据的方式,最后以FF结束。其中,脉冲计数代表采样时间顺序,通道号代表检测钢轨伤损信息的不同超声波探头,掩码代表了数据在采样点中的位置,数据中若某一位是0,表明这是个有效信号,需要进行绘图,bit是1表示无回波,不需要进行绘,这样B显图像其实就是一个18个通道叠加的二进制稀疏矩阵,如图3。
数据文件因为考虑到减小文件大小和节省存储空间,对原始的B扫数据做了一定压缩处理,绘图前需要恢复出通道的原始数据出来。例如,1-6通道我们要恢复成6个字节,7-8通道恢复成15个字节,9通道恢复成10个字节,这个过程需要进行移位遍历。7-9通道采样的字节数大于8,我们可以定义一个ushort的值0x8000,1-6通道采样字节数小于8,可以定义uchar的值0x80做移位控制。
08通道即左轨9通道,我们先定义一个10个字节的数组,初始值均为0xff,其中掩码40 00表明了有效数据的位置(声程),PC是小端模式,读取后的值是00 40,将0x8000从0开始,依次与00 40进行按位与操作,如果结果不为0,表示该位有一个数据,然后右移一位,继续与操作。上面的数据依次按位与,直到第10次结果不为0,表明0xE7是第10个数据。掩码中bit为1的位,都对应一个数据。
11通道即右轨的9通道,其掩码读取后是00 80,将0x8000依次进行按位与,然后右移一位,到第9次时不为0,表示第9位有一个有效数据0x3F。
这样两个通道恢复出的原始数据就是这样:
08通道:0xff 0xff 0xff 0xff 0xff 0xff 0xff 0xff 0xff 0xe7
11通道:0xff 0xff 0xff 0xff 0xff 0xff 0xff 0xff 0x9f 0xff
9通道10个字节的原始数据就这样恢复出来了,每个字节8bit,相当于采样的80个点。
同理,7-8通道需要定义一个15字节的数组,和上面9通道的一样,也是将0x8000与掩码进行按位与,然后右移一位,恢复成15个字节的原始数据:
10(右轨8通道):0xff 0xff 0xff 0xff 0xff 0xff 0xff 0xff 0xff 0xff 0xff0xff 0xff 0xff 0x3f,15个字节*8bit,相当于采样120个点。
1-6通道定义一个6字节的数组,将0x80与掩码进行按位与,然后右移一位,恢复成6个字节的原始数据。6字节*8bit,相当于采样48个点。
1-9通道的所有数据恢复完后,按照脉冲计数上的时间顺序,把16进制数字表示的回波信息格式化输出,存储在excel文件上,读取数据时,按照检测伤损类型的需要,取对应通道的数据即可。例如本公开检测的轨头核伤类钢轨伤损,只需要读取1-6通道的数据即可。
上述B显数据的解压、解析和恢复过程,以计算机指令的方式编辑为一个模块,使用时可以直接把数据加载到该模块中输出excel文件。
步骤(4)中,具体为:
神经网络属于监督学习,监督式学习很重要的一步就是要“告诉模型哪些数据是正确答案”,网络模型的训练过程也是有目的性的学习过程。在本公开中,对照探伤车回放软件中的B显图像,对excel中的B显数据,使用字体颜色标记将轨头核伤的序列和正常回波的序列区分开来,没有回波的序列数据为空值,加载数据时将空值用单一字符填充。在模型加载数据时,使BP神经网络模型正确的区分正负样本,有目的性的提取轨头核伤的特征,达到监督式学习的目的;
这里使用颜色标记法是人工识别,在B显图像上含有钢轨伤损的回波和正常回波是具有比较明显的形态区别的,探伤人员也是依据回波的形态判断伤损的,解析处理过的B显数据是以16进制的数字串储存在excel文件中的,它们虽然与B显图像形式不同,但是回波信息和对应的脉冲计数都是完全一致的,本质上是一样的信息和特征,仅仅是表达形式的不同;
颜色标记法的具体方式为:同样一段数据放在回放软件上是B显图像,解析处理后也是excel文件中16进制的数字串,我们通过B显图像确认哪些回波是伤损,哪些是回波是正常的,利用excel软件的不同字体颜色在16进制数字序列上打上标签,以区分正负样本。
步骤(5)中,具体为:
超声波B扫数据不同伤损类型存在通道分布的特点,因此可以针对不同类型伤损,设计不同的神经网络结构,并分别进行训练。本公开针对1-6通道的轨头核伤,设计了以下神经网络:
①输入层节点数。输入层节点数取决于输入向量的维数。在我们解析恢复后的超声波B扫数据中,轨头核伤相关信息存在于1-6通道中,而1-6通道中每个脉冲计数下的B扫数据由6个十六进制的数字组成,我们使用10进制数字替换后,也就是12个数字组成。经过多次试验,我们最终选择15个序列作为伤损识别的一个单位,这样神经网络的输入节点数为:12x15=180。
②输出层节点数。输出层神经元的个数同样需要从实际问题中得到的抽象模型来确定。这里我们输出的结果是钢轨伤损的存在与否,因此输出层采用1个输出节点,0代表B扫数据正常,1则代表存在此类伤损。
③神经网络隐含层数。BP神经网络可以包含1个到多个隐含层。不过理论上已经可以证明,单个隐含层的网络可通过适当增加神经元节点个数实现任意非线性映射。对于大部分场合,单个隐含层就可满足需求。但如果样本较多,增加1个隐含层可明显减小网络规模。在本公开中我们选用了单个隐含层。
④隐含层节点数。隐含层节点数对BP神经网络的性能有很大影响。一般较多的隐含层节点数可以带来更好的性能,但可能导致训练时间过长。这里隐藏层节点的个数我们使用经验公式给出:其中m和n是输入层和输出层神经元的数量,a是介于[0,10]的数,本公开中隐藏层的节点数选18。
⑤激活函数选择。引入激活函数是非常重要的一步,其目的是在模型中引入非线性。如果没有激活函数,那么无论你的神经网络有多少层,最终都是一个线性映射,单纯的线性映射无法解决线性不可分问题。这里我们选择引入Relu函数,f(u)=max(0,u),函数图像如图4。
这里由于我们输出结果是二元分类,因此u=1。Relu函数计算简单,可以加快模型速度,它的输出结果不是1,就是0,只有两种。同样的,基于BP神经网络的轨头核伤检测模型输出的就是对输入B显数据的预测结果。假设输出的结果接近1,那么判定为含有轨头核伤的数据,并将伤损数据对应的脉冲计数输出即伤损的位置信息;相应的,最终的输出结果接近0那么表示这是正常的B扫数据,无须返回位置信息。
⑥初始权值确定。BP神经网络采用迭代更新的方式确定权值,并且需要一个初始值,但是过大过小都会影响输出结果,这里初始值我们选取正态分布的值进行初始化。
⑦代价函数的选择.在网络模型中,我们需要通过代价函数来衡量预测输出值和实际值有多接近。
假设训练集一共有m个样本,
y表示原训练样本中的实际值,也就是标准答案
i表示第i个样本,
hθ表示用参数θ和x预测出来的y值。
整个模型需要通过训练学习,找到让代价函数J最低的权重参数,当J最低时,也就是模型拟合、预测能力最好的时候,推导出总代价函数:
步骤(6)中,具体为:
训练和测试的数据来自于RT18-D型双轨式钢轨超声波探伤车,在济南工务段辖区线路采集。一共采集了5000多个B扫数据样本,其中含有轨头核伤1100多个。轨头核伤在B扫图像的示意图如图5(a)、图5(b)、图5(c)以及图5(d)中所示,B扫图像中1-6通道的回波处于上半部分,其中轨头核伤使用白色方框标出,该范围内未标出的是正常回波。
进一步地,训练过程,可以由图6看出,代价函数随着计算次数的增加迅速减小并收敛,也就意味着训练集样本中的实际值和模型的预测值之差随着模型的训练越来越小,模型的预测能力逼近实际值,大约训练到11000次以后,停止了训练,模型训练完成。
实验中还将BP神经网络模型在300个样本测试集上进行检验,选取阈值为0.55时,识别伤损序列的准确率达到90.81,阈值为0.65时,伤损序列的识别准确率达到了95.13%,提高阈值的同时,误检率也会提高,筛选出的疑似伤损数量就会增大,因此需要谨慎选择合适的阈值,保证准确率的同时,减少疑似伤损的数量。
进一步地,为了验证该网络模型对于轨头核伤的识别能力,另取济南工务段辖区禹城标定线B显数据样本100个,其中含有轨头核伤的样本20个,正常回波的样本数量为80个,检验中直接记录模型的输出值,检验结果随机抽取其中20个样本统计如下:
表1.20个随机抽取的检验样本
从检验结果可以看出,基于BP神经网络的轨头核伤检测模型的预测值和样本实际值完全一致。后期经过多次检验和测试,只要合适的设定阈值,就可以准确的检测到轨头核伤。
实施例二:
本实施例的目的是提供了一种基于BP神经网络的轨头核伤识别系统。
为了实现上述目的,本实施例提供了一种基于BP神经网络的轨头核伤识别系统,包括:
训练集构建模块,用于利用超声波探伤车采集一定数量的B显数据样本,构建训练数据集;
样本预处理模块,用于对训练数据集中的B显数据进行分割,保证训练数据集中的轨头核伤样本和正常回波样本分布均匀;对B显数据样本进行解压、解析以及恢复处理,并对处理后的B线数据样本进行存储;使用颜色标记法对训练样本中的轨头核伤和正常回波进行标记;
模型构建模块,用于构建基于BP神经网络的轨头核伤检测模型,通过所述训练数据集进行训练;
轨头核伤识别模块,用于通过采集待识别的轨头B显数据,经恢复处理后输入训练好的模型,输出钢轨伤损的位置信息。
实施例三:
本实施例的目的是提供一种电子设备。
一种电子设备,包括超声波探伤车、存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,包括:
利用超声波探伤车采集一定数量的B显数据样本,构建训练数据集;
对采集的B显数据样本进行分割,保证B显数据中的轨头核伤样本和正常回波样本分布均匀;
对B显数据样本集进行解压、解析以及恢复处理,并对处理后的B线数据样本进行存储;
使用颜色标记法对训练样本中的轨头核伤和正常回波进行标记;
构建基于BP神经网络的轨头核伤检测模型,通过所述训练数据集进行训练;
将待识别的B显数据样本输入训练好的模型,输出钢轨伤损的位置信息。
实施例四:
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤,包括:
利用超声波探伤车采集一定数量的B显数据样本,构建训练数据集;
对采集的B显数据样本进行分割,保证B显数据中的轨头核伤样本和正常回波样本分布均匀;
对B显数据样本集进行解压、解析以及恢复处理,并对处理后的B线数据样本进行存储;
使用颜色标记法对训练样本中的轨头核伤和正常回波进行标记;
构建基于BP神经网络的轨头核伤检测模型,通过所述训练数据集进行训练;
将待识别的B显数据样本输入训练好的模型,输出钢轨伤损的位置信息。
上述实施例提供的一种基于BP神经网络的轨头核伤识别方法及系统完全可以实现,具有广阔应用前景。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (9)
1.一种基于BP神经网络的轨头核伤检测方法,其特征在于,包括下述步骤:
利用钢轨探伤车采集一定数量的B显数据样本,构建训练数据集;
对训练数据集中的B显数据进行分割,保证训练数据集中的轨头核伤样本和正常回波样本分布均匀;
对B显数据样本进行解压、解析以及恢复处理,并对处理后的B显数据样本进行存储;所述对采集的B显数据样本进行解压、解析以及恢复,具体包括,将探伤车采集的加密处理后的B显数据处理为1-9通道按脉冲时序分布的数字矩阵,处理过程通过移位遍历将不同通道恢复为多字节表示,获得恢复后的B显数据样本;
将探伤车采集的B显数据进行解压、解析和恢复,处理成1-9通道按脉冲时序分布的数字矩阵,并以16进制的格式存储,经过处理的B显数据可以直接作为神经网络的输入,完成钢轨伤损检测模型的训练目标;
使用颜色标记法对训练样本中的轨头核伤和正常回波样本进行标记;
构建基于BP神经网络的轨头核伤检测模型,通过所述训练数据集进行训练;
采集待识别的轨头B显数据,经恢复处理后输入训练好的模型,输出钢轨伤损的位置信息。
2.如权利要求1所述的一种基于BP神经网络的轨头核伤检测方法,其特征在于,对训练数据集中B显数据进行分割,所述分割的步骤如下:
使用超声波钢轨探伤车回放软件中的截取片段功能,对所述训练数据集中的B显数据进行分割,使样本集中的轨头核伤回波和正常回波分布均匀,增强模型的泛化能力。
3.如权利要求1所述的一种基于BP神经网络的轨头核伤检测方法,其特征在于,使用颜色标记方法将轨头核伤的序列和正常回波的序列区分开,没有回波的序列数据为空值,所述空值用单一字符填充;通过轨头核伤序列和正常回波序列的区分标记,保证神经网络模型的训练过程中能够对正负样本进行准确区分,有目的性的提取轨头核伤的特征,达到监督式学习的目的。
5.如权利要求1所述的一种基于BP神经网络的轨头核伤检测方法,其特征在于,所述钢轨探伤车采用RT18-D型双轨式钢轨超声波探伤车。
6.一种基于BP神经网络的轨头核伤检测系统,其特征在于,包括:
训练集构建模块,用于利用超声波探伤车采集一定数量的B显数据样本,构建训练数据集;
样本预处理模块,用于对训练数据集中的B显数据进行分割,保证训练数据集中的轨头核伤样本和正常回波样本分布均匀;对B显数据样本进行解压、解析以及恢复处理,并对处理后的B显数据样本进行存储;使用颜色标记法对训练样本中的轨头核伤和正常回波进行标记;所述对采集的B显数据样本进行解压、解析以及恢复,具体包括,将探伤车采集的加密处理后的B显数据处理为1-9通道按脉冲时序分布的数字矩阵,处理过程通过移位遍历将不同通道恢复为多字节表示,获得恢复后的B显数据样本;
将探伤车采集的B显数据进行解压、解析和恢复,处理成1-9通道按脉冲时序分布的数字矩阵,并以16进制的格式存储,经过处理的B显数据可以直接作为神经网络的输入,完成钢轨伤损检测模型的训练目标;
模型构建模块,用于构建基于BP神经网络的轨头核伤检测模型,通过所述训练数据集进行训练;
轨头核伤识别模块,用于通过采集待识别的轨头B显数据,经恢复处理后输入训练好的模型,输出钢轨伤损的位置信息。
7.如权利要求6所述的基于BP神经网络的轨头核伤检测系统,其特征在于,所述系统还包括,告警模块,用于在识别出待测轨头损伤的位置信息时,产生相应的警示信号。
8.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-5任一项所述的基于BP神经网络的轨头核伤检测方法。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-5任一项所述的基于BP神经网络的轨头核伤检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010598093.8A CN111855825B (zh) | 2020-06-28 | 2020-06-28 | 基于bp神经网络的轨头核伤识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010598093.8A CN111855825B (zh) | 2020-06-28 | 2020-06-28 | 基于bp神经网络的轨头核伤识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111855825A CN111855825A (zh) | 2020-10-30 |
CN111855825B true CN111855825B (zh) | 2023-02-07 |
Family
ID=72988556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010598093.8A Active CN111855825B (zh) | 2020-06-28 | 2020-06-28 | 基于bp神经网络的轨头核伤识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111855825B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113254875B (zh) * | 2021-04-23 | 2022-11-22 | 四川中测仪器科技有限公司 | 一种磁轭式磁粉探伤机提升力测量方法 |
CN114323838A (zh) * | 2021-12-06 | 2022-04-12 | 包头钢铁(集团)有限责任公司 | 一种探伤报警钢轨的分析方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3637146B2 (ja) * | 1996-05-20 | 2005-04-13 | 株式会社トキメック | 被検査体傷判定方法及び装置 |
JP4500391B2 (ja) * | 1999-11-29 | 2010-07-14 | 東京計器株式会社 | 超音波探傷画像表示方法及び超音波探傷画像表示装置 |
ITVE20070044A1 (it) * | 2007-07-06 | 2009-01-07 | Tecnogamma S P A | Metodo ed apparecchiatura per l'ispezione dinamica non a contatto delle rotaie ferroviarie. |
CN102530028B (zh) * | 2012-01-19 | 2014-07-30 | 重庆安谐新能源技术有限公司 | 铁路轨道实时监测系统及其数据处理方法 |
CN102854249A (zh) * | 2012-09-28 | 2013-01-02 | 北京交通大学 | 一种受控式多通道超声波探伤装置及其方法 |
CN103077267B (zh) * | 2012-12-28 | 2015-06-24 | 电子科技大学 | 一种基于改进bp神经网络的参量声源建模方法 |
CN106274978A (zh) * | 2016-08-22 | 2017-01-04 | 合肥德泰科通测控技术有限公司 | 钢轨探伤车智能化对中系统 |
CN107242882A (zh) * | 2017-06-05 | 2017-10-13 | 上海瓴舸网络科技有限公司 | 一种b超显示辅助设备及其控制方法 |
US11078631B2 (en) * | 2017-11-30 | 2021-08-03 | Sperry Rail Holdings, Inc. | System and method for inspecting a rail using machine learning |
CN108956787B (zh) * | 2018-06-13 | 2021-04-06 | 西安理工大学 | 一种基于神经网络的钢轨损伤检测方法 |
CN110967409A (zh) * | 2018-09-29 | 2020-04-07 | 东莞灵虎智能科技有限公司 | 一种基于多通道超声波探伤原始数据特征提取与识别方法 |
CN109858408B (zh) * | 2019-01-17 | 2021-01-19 | 西安交通大学 | 一种基于自编码器的超声信号处理方法 |
CN110782443B (zh) * | 2019-10-23 | 2023-04-07 | 四川大学 | 一种铁路轨道缺陷检测方法和系统 |
-
2020
- 2020-06-28 CN CN202010598093.8A patent/CN111855825B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111855825A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111855810B (zh) | 一种基于循环神经网络的轨底伤损识别方法及系统 | |
CN111855825B (zh) | 基于bp神经网络的轨头核伤识别方法及系统 | |
CN112647965B (zh) | 一种适用于tbm掘进隧道实时预测卡机的方法及系统 | |
CN112858473B (zh) | 一种基于特征融合的道岔尖轨伤损状态监测方法 | |
Xu et al. | Rail defect detection method based on recurrent neural network | |
Mechefske et al. | Fault detection and diagnosis in low speed rolling element bearings Part II: The use of nearest neighbour classification | |
Zhang et al. | Deep learning algorithms for structural condition identification with limited monitoring data | |
CN114581764B (zh) | 基于深度学习算法的地下结构裂纹病害判别方法 | |
CN112308855A (zh) | 钢轨伤损识别模型生成装置、伤损检测装置及系统 | |
CN112147221B (zh) | 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及系统 | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
CN113640380A (zh) | 钢轨伤损检测多级分类方法及系统 | |
CN112465027A (zh) | 钢轨伤损检测方法 | |
Simula et al. | Process monitoring and visualization using self-organizing maps | |
CN112215307B (zh) | 一种应用机器学习自动检测地震仪器信号异常的方法 | |
CN116776267B (zh) | 一种用于桥梁施工控制的无监督数据处理方法及系统 | |
Fakhri et al. | Road crack detection using gaussian/prewitt filter | |
CN117191956A (zh) | 一种基于声发射的钛合金应力腐蚀损伤分类方法及装置 | |
CN115479949B (zh) | 一种基于大数据的桥梁安全监测预警方法及系统 | |
CN116773654A (zh) | 一种基于周向导波的管道缺陷智能检测装置及检测方法 | |
CN111160490A (zh) | 一种基于多时间序列的深度学习危岩变形预测方法及装置 | |
Xu et al. | Rail defect detection method based on BP neural network | |
CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
CN115065556B (zh) | 一种基于图对比学习的日志恶意行为检测方法及系统 | |
CN113742731A (zh) | 一种面向代码漏洞智能检测的数据收集方法 |
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 |