CN112465027A - 钢轨伤损检测方法 - Google Patents
钢轨伤损检测方法 Download PDFInfo
- Publication number
- CN112465027A CN112465027A CN202011354927.7A CN202011354927A CN112465027A CN 112465027 A CN112465027 A CN 112465027A CN 202011354927 A CN202011354927 A CN 202011354927A CN 112465027 A CN112465027 A CN 112465027A
- Authority
- CN
- China
- Prior art keywords
- damage
- sample
- neural network
- identification model
- convolutional neural
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 268
- 238000001514 detection method Methods 0.000 title claims abstract description 109
- 229910000831 Steel Inorganic materials 0.000 title abstract description 54
- 239000010959 steel Substances 0.000 title abstract description 54
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 71
- 238000013135 deep learning Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims description 64
- 238000012360 testing method Methods 0.000 claims description 40
- 238000003860 storage Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 34
- 238000010586 diagram Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 22
- 238000011176 pooling Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 12
- 230000001965 increasing effect Effects 0.000 abstract description 5
- 239000000523 sample Substances 0.000 description 102
- 238000005457 optimization Methods 0.000 description 33
- 230000000694 effects Effects 0.000 description 8
- 230000003902 lesion Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 239000003086 colorant Substances 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011897 real-time detection Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 229910000997 High-speed steel Inorganic materials 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000280 densification Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种钢轨伤损检测方法，车载计算机对数据文件进行解析和伤损识别后显示存储识别结果，并将伤损样本和识别结果发送至样本库服务器。地面计算机对数据文件进行解析和伤损识别后显示存储识别结果，并将伤损样本和识别结果传输至样本库服务器。样本库服务器进行样本库管理，深度学习工作站根据样本库服务器中的选定样本优化伤损识别模型，并升级车载或地面计算机中的伤损识别模型。伤损识别模型基于卷积神经网络生成，输入卷积神经网络的图像为N个通道叠加而成且带有方向的RGB重构图像。本发明能解决现有钢轨伤损识别方式的网络输入直接采用物理图像或自定义图像，造成通道信息丢失或错误，增加机器学习难度和不准确性的技术问题。
Description
技术领域
本发明涉及轨道工程机械技术领域，尤其是应用于铁路路轨超声检测的钢轨伤损检测方法。
背景技术
当前，随着铁路运输的大力发展，我国的铁路建设里程与日俱增，铁路行车高密度化、高速度化以及重载化逐渐成为现代铁路的主要特点，铁路钢轨的结构性能和健康状态对于确保铁路运输的安全性至关重要。铁路钢轨在列车长期高速、高密度的行驶过程中，容易产生各种各样的疲劳裂纹及磨损，这些前期伤损随着时间的推移，还会进一步持续发展，达到一定期限后，可以发展成为重伤，从而导致钢轨断裂，造成破坏性较大的安全事故。因此，对钢轨进行快速、准确的伤损检测、识别具有十分重要的意义。
目前，大型高速钢轨探伤车的一种伤损识别模式是：基于固定规则的软件判伤配合人工回放的方法。由于检测软件的判伤原理是基于固定的决策树规则，在实际使用过程中不能很好地适应伤损的所有变化形式，因此存在误报率高、参考度低的技术问题。当软件检测完毕后，还需要人工回放一遍软件检测结果，这样既降低了效率，也容易因人工疲劳、人员经验差异等因素影响最后的判别结果。
在软件判伤的基础上，目前国内外的专家学者也提出一些改进方法，如基于传统机器学习算法的钢轨伤损识别方法，寻求用机器的自学习能力克服采用固定规则识别伤损带来的弊端，如中国发明申请CN110246134A就公开了一种基于机器学习算法的钢轨伤损分类装置。但是传统机器学习算法也存在一定的局限性，其识别效果的好坏依赖于特征提取算法和分类器分类模型选择是否恰当。通常，特征提取算法和分类模型的选择主要取决于人为判定，因此具有片面性，尤其是特征提取算法，若是提取的特征不够用来表示样本，或是无针性地提取了过多机器不需要学习的特征，则会导致最终的识别效果不理想。
一些学者在传统机器学习算法上进行改进，将深度学习算法应用于此领域，采用B型图截图(即物理图像)作为智能学习网络的输入。但是，若图像中某些回波点的位置、深度一样，则会重叠在一起，机器难以学习到重叠部分回波点的通道信息，就会造成通道信息丢失，并且直接采用物理图像容易受图像分辨率的影响，降低机器学习的准确率。
此外，还有学者对上述智能算法进行改进，提出将智能学习网络的输入由物理图像变为自定义图像，即采用不同像素值代表不同的通道，如：以“0”表示黑色背景(无回波)、以“-2”表示R45(后向45°通道)、以“2”表示F45(前向45°通道)。但是会出现：若R45回波点与F45回波点出现在同一位置、深度下，则像素值叠加后为0，也就是该自定义图像将R45和F45的重合位置处理成了背景色(即叠加后的像素值与已定义的像素值相同)，丢失了该位置的通道信息，并且机器仅从像素叠加值上学习，并不能准确地学习到像素叠加值是由哪几种通道的回波点像素值叠加而成。
发明内容
有鉴于此，本发明的目的在于提供一种钢轨伤损检测方法，以解决现有钢轨识别伤损方式存在的网络输入直接采用物理图像或自定义图像，造成通道信息丢失或错误，增加机器学习难度和不准确性的技术问题。
为了实现上述发明目的，本发明具体提供了一种钢轨伤损检测方法的技术实现方案，钢轨伤损检测方法，包括以下步骤：
检测计算机与车载计算机共享数据文件，所述车载计算机对数据文件进行解析和伤损识别后，将识别结果以B型图的形式显示于第一显示模块中，并存储在第一存储模块中。所述车载计算机将伤损样本和伤损识别结果发送至样本库服务器中。
所述检测计算机与地面计算机共享数据文件，所述地面计算机对数据文件进行解析和伤损识别后，将识别结果以B型图的形式显示在第二显示模块中，并存储在第二存储模块中。
所述地面计算机将伤损样本和伤损识别结果传输至样本库服务器中，所述样本库服务器实现样本库管理功能。
深度学习工作站根据所述样本库服务器中的选定样本进行伤损识别模型的优化，当伤损识别模型测试通过后，对所述车载计算机及地面计算机中的伤损识别模型进行升级。
所述伤损识别模型基于卷积神经网络生成，输入所述卷积神经网络的图像为N个通道叠加而成且带有方向的RGB重构图像。
本发明还具体提供了另一种钢轨伤损检测系统的技术实现方案，钢轨伤损检测方法，包括以下步骤：
检测计算机对数据文件进行解析和伤损识别后，将识别结果以B型图的形式显示于第一显示模块中，并存储在第一存储模块中。所述检测计算机将伤损样本和伤损识别结果发送至样本库服务器中，样本库服务器实现样本库管理功能。
深度学习工作站根据所述样本库服务器中的选定样本进行伤损识别模型的优化，当伤损识别模型测试通过后，对所述检测计算机中的伤损识别模型进行升级。
所述伤损识别模型基于卷积神经网络生成，输入所述卷积神经网络的图像为N个通道叠加而成且带有方向的RGB重构图像。
本发明还具体提供了第三种钢轨伤损检测系统的技术实现方案，钢轨伤损检测方法，包括以下步骤：
检测计算机与车载计算机共享数据文件，所述车载计算机对数据文件进行解析和伤损识别后，将识别结果以B型图的形式显示于第一显示模块中，并存储在第一存储模块中。所述车载计算机将伤损样本和伤损识别结果发送至样本库服务器中，样本库服务器实现样本库管理功能。
深度学习工作站根据所述样本库服务器中的选定样本进行伤损识别模型的优化，当伤损识别模型测试通过后，对所述车载计算机中的伤损识别模型进行升级。
所述伤损识别模型基于卷积神经网络生成，输入所述卷积神经网络的图像为N个通道叠加而成且带有方向的RGB重构图像。
本发明还具体提供了第四种钢轨伤损检测系统的技术实现方案，钢轨伤损检测方法，包括以下步骤：
检测计算机与地面计算机共享数据文件，所述地面计算机对数据文件进行解析和伤损识别后，将识别结果以B型图的形式显示在第二显示模块中，并存储在第二存储模块中。所述地面计算机将伤损样本和伤损识别结果传输至样本库服务器中，样本库服务器实现样本库管理功能。深度学习工作站根据所述样本库服务器中的选定样本进行伤损识别模型的优化，当伤损识别模型测试通过后，对所述地面计算机中的伤损识别模型进行升级。所述伤损识别模型基于卷积神经网络生成，输入所述卷积神经网络的图像为N个通道叠加而成且带有方向的RGB重构图像。
进一步的，所述深度学习工作站中的伤损识别模型生成过程包括以下步骤：
S21)对单个回波点群数据文件进行解析，提取单个回波点群包括位置、深度、通道及速度在内的信息；
S22)根据步骤S21)获取的单个回波点群包括位置、深度及通道在内的信息生成单幅重构图像并将其输出至卷积神经网络；
S24)利用卷积神经网络对步骤S22)生成的单幅重构图像进行训练和测试；
S25)经过步骤S24)的训练和测试，输出伤损识别模型。
进一步的，所述步骤S24)包括：
随机选取设定比例的每类伤损样本输入卷积神经网络用于进行所述伤损识别模型的训练，余下比例的该类伤损样本用于伤损识别模型的测试。训练过程包括以下步骤：
前向传播阶段：从单幅重构图像的训练样本集中取出一个伤损样本及其所对应的类别标签值，将该伤损样本输入至所述卷积神经网络，卷积神经网络中的卷积核权重都被随机初始化，然后再计算相应的实际输出标签值。
后向传播阶段：计算实际输出标签值与理想输出标签值的差值，然后按照极小化误差方法反向传播调整权重矩阵。
对训练样本集中的所有伤损样本重复前向传播阶段和后向传播阶段后，判断是否满足预设的指标要求，如不满足则返回前向传播阶段，继续迭代。如满足则训练结束。
训练完成后，将测试样本集输入至卷积神经网络中，并得到卷积神经网络的输出结果，将该结果与对应的类别标签比较，以测试卷积神经网络的分类准确率。
进一步的，所述伤损识别模型的生成过程还包括以下步骤：
S23)对单幅重构图像进行数据增强处理，生成增强的单幅重构图像并输出至卷积神经网络。
进一步的，在所述步骤S24)中，利用卷积神经网络进行分类的过程包括以下步骤：
对输入的单幅重构图像进行若干次交替的卷积及池化运算。当进行某一层的卷积运算时，利用该层的卷积核从左往右、从上往下依次扫描前一层的输入图像或特征图，对其进行卷积运算，再经过激活函数后得到当前层的特征图。当进行某一层的池化运算时，先将卷积操作后的特征图分割成不重叠的区域，然后分别计算这些区域内的最大值或平均值，并采用该值代替所在区域的值。将经过多次卷积及池化操作后形成的多组特征图组合为一组特征图，根据特征图进行分类并输出伤损分类结果。
进一步的，所述车载计算机及地面计算机中的伤损识别模型检测过程包括以下步骤：
S31)对一次探伤作业的整体数据文件进行解析，提取文件中所有记录的回波点群包括位置、深度、通道及速度在内的信息；
S32)根据步骤S31)提取的信息形成重构图像片段，一次探伤作业产生的整体数据文件只形成一个重构图像片段；
S33)通过设置一定步距的滑窗自动切割步骤S32)形成的图像片段，并将切割后的重构图像片段集输出至伤损识别模型；
S34)所述伤损识别模型根据输入的重构图像片段集获取初步的伤损识别结果；
S35)对步骤S34)获取的伤损识别结果进行冗余、重叠去除处理后得到针对该次探伤作业的伤损识别结果。
进一步的，N个通道对应N种带不同方向及不同RGB值的箭头，且相邻两个通道方向的夹角为360°/N。当存在多个回波点出现在同一位置、同一深度时，则RGB值分别叠加，形成区别于前述N种通道RGB值的新的合成颜色，且方向箭头仍保留各自原始通道的方向。
通过实施上述本发明提供的钢轨伤损检测方法的技术方案，具有如下有益效果：
(1)本发明钢轨伤损检测方法，输入卷积神经网络的图像采用N个通道叠加而成且带有方向的RGB重构图像，当存在多个回波点出现在同一位置、同一深度时，则RGB值分别相加，形成区别于前述N种通道颜色的新的合成颜色，且方向箭头仍保留各自原始通道的方向箭头，不但不受图像分辨率的影响，而且能够解决现有钢轨伤损识别方式存在的网络输入直接采用物理图像或自定义图像，造成通道信息丢失或错误，增加机器学习难度和不准确性的技术问题，大幅提升了机器学习的准确性和可操作性；
(2)本发明钢轨伤损检测方法，能够解决现有系统整体可实施性不强的技术问题，实现钢轨伤损离线检测和实时检测，能够做到集智能识别功能、样本库管理功能和模型优化功能于一体，深度学习工作站可随时利用样本库服务器中的选定样本进行模型优化，当测试通过后可存储模型，并通过网络或移动存储设备对车载端或地面端中的智能识别模块进行升级，同时可以在任意模型基础上进一步训练和优化，在低成本优势下能够不断优化检测效果，解放人力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的实施例。
图1是钢轨探伤B型图生成原理示意图；
图2是图1中通道F0/R0及FLER/RLER的B型显示界面示意图；
图3是基于本发明方法的钢轨伤损识别模型生成装置的结构组成示意框图；
图4是基于本发明方法的钢轨伤损分类网络架构的原理示意框图；
图5是基于本发明钢轨伤损检测方法的单孔重构图像示意图；
图6是基于本发明方法的钢轨伤损检测装置一种具体实施例的结构组成示意框图；
图7是本发明钢轨伤损检测方法一种具体实施例中伤损识别模型生成过程的程序流程图；
图8是本发明钢轨伤损检测方法一种具体实施例中伤损识别模型检测过程的程序流程图；
图9是基于本发明方法的钢轨伤损检测系统一种具体实施例的系统结构组成框图；
图10是基于本发明方法的钢轨伤损检测系统另一种具体实施例的系统结构组成框图；
图11是基于本发明方法的钢轨伤损检测系统第三种具体实施例的系统结构组成框图；
图12是基于本发明方法的钢轨伤损检测系统第四种具体实施例的系统结构组成框图；
图中：1-钢轨，2-螺孔，3-探轮，4-超声晶片，10-车载端，11-检测计算机，12-车载计算机，13-路由器，14-第一显示模块，15-第一存储模块，20-地面端，21-地面计算机，22-样本库服务器，23-深度学习工作站，24-第二显示模块，25-第二存储模块，100-钢轨伤损分类网络，101-输入层，102-第一卷积层，103-第一池化层，104-第二卷积层，105-第二池化层，106-全连接层，107-分类器，108-输出层，200-钢轨伤损识别模型生成装置，201-第一数据解析单元，202-重构图像生成单元，203-数据增强单元，204-伤损识别模型，300-钢轨伤损检测装置，301-第二数据解析单元，302-重构图像片段生成单元，303-重构图像片段切割单元，304-伤损识别单元，400-钢轨伤损检测系统。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件上，它可以直接在另一个元件上或者间接设置在另一个元件上；当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至另一个元件上。
需要理解的是，术语“长度”、“宽度”、“上”、下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”、“若干个”的含义是两个或两个以上，除非另有明确具体的限定。
须知，本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本申请可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本申请所能产生的功效及所能达成的目的下，均应仍落在本申请所揭示的技术内容能够涵盖的范围内。
如附图1至附图12所示，给出了本发明钢轨伤损检测方法的具体实施例，下面结合附图和具体实施例对本发明作进一步说明。
实施例1
以0°通道的超声晶片4检测钢轨轨腰处的螺孔2为例，其B型图(超声波探伤截面图的一种显示方式，能够显示被检钢轨纵截面图像并指示钢轨中超声反射体的大致尺寸和相对位置；其中，横坐标表示伤损所处的里程位置，纵坐标表示伤损在轨面下的深度)生成原理如附图1所示。其中，如图中A所示为钢轨1的轨头位置，如B所示为轨腰位置，如C所示为轨底位置，如D1、D2、D3、D4、E1及E2所示分别为初始脉冲、界面波、伤损回波、轨底反射回波、0°监视闸门(MON)阈值及0°底波监视闸门(LER)阈值。探轮3中的0°超声晶片经激励后发射初始脉冲，经由钢轨的表面进入钢轨1，若钢轨1中无障碍物，则超声晶片4的超声波将会穿过轨头、轨腰，并抵达钢轨底部，并为其所反射。当钢轨1中存在障碍物，如螺孔2时，超声波遇其反射，并被超声晶片4接收，经由数据处理后，伤损回波的电压幅值若超过系统设置的0°监视闸门阈值，则会存储该回波信息并以回波点的形式显示在B型图的显示界面上，如附图2中通道F0/R0所示。与此同时，由于螺孔2的阻挡，轨底反射回波的电压幅值小于0°底波监视闸门阈值，从而在钢轨底部形成了底波消失，这也将被记录并显示在B型显示界面上，如附图2中通道FLER/RLER所示。
在本实施例中，B型图对应的后台文件为二进制格式的数据文件，该数据文件记录了B型图上回波点的位置、深度、通道和速度等信息。其中，通道信息为1个24位的二进制数，每1位代表1个通道，当该位的值为1时，说明对应的通道有伤损信号，若多种通道出现在同一位置、深度时，则该位置深度的24位二进制数对应通道位上均置1，具体通道定义如下表1所示。由于B型图只记录20个通道，因此24位的二进制数中后4位不作定义。
表1通道定义
如附图3所示，一种基于本发明方法的钢轨伤损识别模型生成装置200的实施例，具体包括：
第一数据解析单元201，对二进制格式的单个回波(点)群数据文件进行解析，提取单个回波(点)群包括位置、深度、通道及速度在内的信息；
重构图像生成单元202，根据单个回波点群包括位置、深度及通道在内的信息生成单幅重构图像；
钢轨伤损分类网络100，利用卷积神经网络对单幅重构图像进行训练和测试，并输出伤损识别模型204。
输入卷积神经网络的图像为N个通道叠加而成且带有方向的RGB重构图像。彩色图像的每个像素通常是由红(R)、绿(G)、蓝(B)三个分量来表示，每个分量均介于(0，255)之间。
作为本实施例的进一步改进，钢轨伤损识别模型生成装置200还包括数据增强单元203，数据增强单元203对重构图像生成单元202输出的单幅重构图像进行数据增强处理(采用位置变换、添加噪音等数据增强手段)，生成增强的单幅重构图像并输出至钢轨伤损分类网络100进行训练和测试。最后，获得稳定的伤损识别模型204。通过数据增强处理能够进一步增强伤损识别模型204的鲁棒性。
伤损识别模型生成装置200的设计目的源于传统机器学习识别算法采用人工设计特征存在以下缺点：1)伤损识别、判断费时费力，为了达到更好的效果需要使用大量的特征；2)需要依赖专业的知识、经验和直觉，这在有些专业领域难以实现；3)难以设计多层特征。因此，特征的数量和质量成为传统特征识别算法的瓶颈。随着深度学习算法的快速发展，其突出的优点就是能够挖掘目标的浅层至深层特征，这符合机器自学习特征而不是人工设计特征的需求。而在众多深度神经网络模型中，由于卷积神经网络(CNN，ConvolutionNeural Networks)避免了复杂的特征提取且对于网络输入为多维图像时表现出明显的优势，因此本实施例中钢轨伤损分类网络100基于CNN进行设计，以此得到伤损识别模型204。
本实施例设计的CNN架构主要包括以下结构：输入层101、卷积层、池化层、全连接层106及输出层108。输入层为224×224×3的RGB重构图像。每个卷积层包含多个可学习的卷积核，用这些卷积核从左往右、从上往下依次扫描前一层的输入图像/特征图，对其进行卷积运算，再经过激活函数后得到当前层的特征图。池化层即先将卷积操作后的特征图分割成不重叠的区域，然后分别计算这些区域内的最大值或平均值，用该值代替所在区域的值，以此实现聚合特征，减少运算量的作用。全连接层即将经过多次卷积池化后形成的多组特征图组合为一组特征图，并传送至softmax分类器。输出层即输出伤损分类结果。如附图4所示，钢轨伤损分类网络100进一步包括依次相连的输入层101、第一卷积层102、第一池化层103、第二卷积层104、第二池化层105、全连接层106、分类器107及输出层108。其中，输入层101为单幅重构图像。第一卷积层102及第二卷积层104均包含若干个可学习的卷积核，卷积核的具体数量可以根据伤损识别模型204的测试效果确定。该卷积核从左往右、从上往下依次扫描前一层的输入图像或特征图，对其进行卷积运算，再经过激活函数后得到当前层的特征图。第一池化层103及第二池化层105先将卷积操作后的特征图分割成不重叠的区域，然后分别计算这些区域内的最大值或平均值，并采用该值代替所在区域的值。全连接层106将经过多次卷积、池化操作后形成的多组特征图组合为一组特征图，并传输至分类器107。输出层108输出伤损分类结果。其中，卷积层和池化层的层数不局限于两层，均可以为三层以上。
在本实施例中，N个通道对应N种带不同方向及不同RGB值的箭头，且相邻两个通道方向的夹角为360°/N。当存在多个回波点出现在同一位置、同一深度时，则RGB值分别叠加，形成区别于前述N种通道RGB值的新的合成颜色，且方向箭头仍保留各自原始通道的方向。作为本实施例的一种具体应用，根据通道的数据格式以及结合CNN的输入条件，定义钢轨伤损分类网络100的输入图像为20个通道叠加而成的RGB重构图像。其中，20个通道对应20种带不同方向及不同RGB值的箭头，且相邻两个通道方向的夹角为18°。以单孔的RGB重构图像为例，构成单孔的相关通道为F0、F45、R45和R0，因此，其RGB重构图像只可能在F0、F45、R45和R0通道回波点对应的位置、深度上显示。如附图5所示，展示了一幅20×20×3的彩色RGB重构图像，其中F0、F45、R45和R0通道分别对应4种带有不同指定方向箭头的RGB颜色点(在此为了以示区分，采用不同线型代表不同的颜色)。如附图5的A点所示，若两个回波点出现在同一位置、同一深度时，则二者的RGB值分别相加，形成区别于上述20种通道颜色的新的合成颜色，方向箭头仍保留各自原始通道的方向箭头。若多个回波点出现在同一位置、同一深度时也与上述处理方式相同。
每一幅RGB重构图像都表示一个特定类型的样本，本实施例所涉及的样本类型如下表2所示，每个样本类型都由上表1中的部分通道或全部通道构成。
表2钢轨伤损样本类型
本实施例描述的钢轨伤损识别模型生成装置200采用基于钢轨伤损分类网络100的架构(CNN架构)，该架构包含了输入层101、输出层108，以及一定数量的卷积层、池化层及全连接层106。根据通道的数据格式以及结合CNN的输入条件，本实施例具体定义卷积神经网络的输入图像为20个通道叠加而成的RGB重构图像。其中，20个通道对应20种带不同方向及不同RGB值的箭头，且相邻两个通道方向的夹角为18°。当存在多个回波点出现在同一位置、同一深度时，则RGB值分别相加，形成区别于上述20种通道颜色的新的合成颜色，且方向箭头仍保留各自原始通道的方向箭头，不会导致通道信息丢失。
随机选取设定比例的每类伤损样本输入钢轨伤损分类网络100用于进行伤损识别模型204的训练，余下比例的该类伤损样本用于伤损识别模型204的测试。本实施例的样本集具体由上表2中的13类样本构成，每类样本的数量均相同，保证了数据的平衡化。作为本发明一种典型的具体实施例，分别随机选取每类样本数量的70％用于模型训练，30％用于模型测试。训练过程进一步包括：
第一阶段，前向传播阶段：从单幅重构图像的训练样本集中取出一个伤损样本X及其所对应的类别标签值YP，将该伤损样本X输入至钢轨伤损分类网络100，钢轨伤损分类网络100中的卷积核权重都被随机初始化，然后再计算相应的实际输出标签值OP。
第二阶段，后向传播阶段：计算实际输出标签值OP与理想输出标签值YP的差值，然后按照极小化误差方法反向传播调整权重矩阵。
第三阶段，对训练样本集中的所有伤损样本重复前向传播阶段和后向传播阶段后，判断是否满足预设的指标要求，如不满足则返回第一阶段(此时的权重已不再是随机初始化，而是沿用前一阶段的值)，继续迭代。如满足则训练结束。
训练完成后，将测试样本集输入至钢轨伤损分类网络100中，并得到钢轨伤损分类网络100的输出结果，将该结果与对应的类别标签比较，以测试钢轨伤损分类网络100的分类准确率。
本实施例描述的钢轨伤损识别模型生成装置采用深度学习技术实现钢轨伤损识别，自动对数据文件中的回波点进行空间分组和伤损分类，能够输出伤损类型、位置、大小等信息。
实施例2
在本实施例中，钢轨伤损检测装置300实际是对探伤车每次作业产生的二进制整体数据文件进行伤损识别，而非对单个的回波(点)群数据文件进行伤损识别。如附图6所示，一种基于本发明方法的钢轨伤损检测装置300的实施例，具体包括：
第二数据解析单元301，对一次探伤作业的二进制格式的整体数据文件进行解析，提取文件中所有记录的回波(点)群包括位置、深度、通道及速度在内的信息；
重构图像片段生成单元302，根据第二数据解析单元301提取的信息形成RGB重构图像片段，一次探伤作业产生的二进制格式的整体数据文件只形成一个RGB重构图像片段；
重构图像片段切割单元303，通过设置一定步距的滑窗自动切割RGB重构图像片段，并将切割后的重构图像片段集输出至基于卷积神经网络生成的伤损识别模型204，获取初步的伤损识别结果；输入卷积神经网络的图像为N个通道叠加而成且带有方向的RGB重构图像；
伤损识别单元304，对初步的伤损识别结果进行冗余、重叠去除处理后得到针对该次探伤作业的伤损识别结果。因为滑窗是连续切割，所以存在一些回波(点)群显示不全的RGB重构图像，其识别结果无意义，需要剔除。经过算法去除冗余、重叠的初始识别结果后，即可得到针对该次作业的伤损识别结果。
在本实施例中，N个通道对应N种带不同方向及不同RGB值的箭头，且相邻两个通道方向的夹角为360°/N。当存在多个回波点出现在同一位置、同一深度时，则RGB值分别叠加，形成区别于前述N种通道RGB值的新的合成颜色，且方向箭头仍保留各自原始通道的方向。
实施例3
如附图9所示，一种基于本发明方法的钢轨伤损检测系统400的实施例，用于实现钢轨伤损离线检测，并具体包括：车载端10及地面端20。车载端10进一步包括检测计算机11、车载计算机12、路由器13、第一显示模块14及第一存储模块15。地面端20进一步包括地面计算机21、样本库服务器22、深度学习工作站23、第二显示模块24及第二存储模块25。
一种基于该系统的本发明钢轨伤损检测方法的实施例，具体包括以下步骤：
检测计算机11通过路由器13与车载计算机12共享二进制格式的数据文件，车载计算机12对数据文件进行解析和自动伤损识别后，将识别结果以B型图的形式显示于第一显示模块14中，并存储在第一存储模块15中。车载操作员在回放时可对错误或遗漏的伤损识别结果进行标注和修改。车载计算机12通过网络或移动存储设备将伤损样本和伤损识别结果发送至样本库服务器22中。
检测计算机11通过网络或移动存储设备与地面计算机21共享二进制格式的数据文件，地面计算机21对数据文件进行解析和自动伤损识别后，将识别结果以B型图的形式显示在第二显示模块24中，并存储在第二存储模块25中。
地面操作员在回放时可对错误或遗漏的伤损识别结果进行标注和修改。地面计算机21通过网络将伤损样本和伤损识别结果传输至样本库服务器22中。样本库服务器22用于实现样本库包括浏览、搜索、筛选、分类、删除、编辑、批量生成数据在内的管理功能。
深度学习工作站23与样本库服务器22相连，并能随时根据样本库服务器22中的选定样本进行伤损识别模型204的优化。当伤损识别模型204测试通过后可对其进行存储，并通过网络或移动存储设备对车载计算机12及地面计算机21中的伤损识别模型204进行升级。
深度学习工作站23是一种建立有钢轨伤损识别模型的高性能计算机。经过实际验证时，若发现新模型存在问题时，模型优化模块可以回滚到指定历史模型，并且模型优化模块可以在任意模型基础上进一步训练和优化模型。
其中，伤损识别模型204基于卷积神经网络生成，输入卷积神经网络的图像为N个通道叠加而成且带有方向的RGB重构图像。
本实施例描述的基于离线检测的钢轨伤损检测方法通过高配置的深度学习工作站23及其内部的模型优化模块实现模型优化功能。模型优化模块可随时利用样本库服务器22的管理模块中的选定样本进行模型优化，当测试通过后可存储模型，并通过网络或移动存储设备对车载计算机12及地面计算机21中的伤损识别模型204进行升级。本实施例描述的钢轨伤损检测方法能够实现智能识别、样本库管理及模型优化三大功能。
实施例4
当伤损识别模型的检测速度达到探伤车的最高检测速度时，可以将伤损识别模型204直接集成在检测计算机11中，实现钢轨伤损实时检测。如附图10所示，另一种基于本发明方法的钢轨伤损检测系统400的实施例，用于实现钢轨伤损在线检测，并具体包括：车载端10及地面端20。车载端10进一步包括检测计算机11、第一显示模块14及第一存储模块15。地面端20进一步包括样本库服务器22及深度学习工作站23。
一种基于该系统的本发明钢轨伤损检测方法的实施例，具体包括以下步骤：
检测计算机11对数据文件进行解析和自动伤损识别后，将识别结果以B型图的形式显示于第一显示模块14中，并存储在第一存储模块15中。车载操作员可实时/离线对错误或遗漏的伤损识别结果进行标注和修改。检测计算机11通过网络或移动存储设备将伤损样本和伤损识别结果发送至样本库服务器22中。
样本库服务器22用于实现样本库包括浏览、搜索、筛选、分类、删除、编辑、批量生成数据在内的管理功能。深度学习工作站23与样本库服务器22相连，并能随时根据样本库服务器22中的选定样本进行伤损识别模型204的优化。当伤损识别模型204测试通过后可对其进行存储，并通过网络或移动存储设备对检测计算机11中的伤损识别模型204进行升级。
其中，伤损识别模型204基于卷积神经网络生成，输入卷积神经网络的图像为N个通道叠加而成且带有方向的RGB重构图像。
本实施例描述的基于离线检测的钢轨伤损检测方法通过高配置的深度学习工作站23及其内部的模型优化模块实现模型优化功能。模型优化模块可随时利用样本库服务器22的管理模块中的选定样本进行模型优化，当测试通过后可存储模型，并通过网络或移动存储设备对检测计算机11中的伤损识别模型204进行升级。本实施例描述的钢轨伤损检测方法能够实现智能识别、样本库管理及模型优化三大功能。
实施例5
如附图11所示，第三种基于本发明方法的钢轨伤损检测系统400的实施例，用于实现钢轨伤损离线检测，并具体包括：车载端10及地面端20。车载端10进一步包括检测计算机11、车载计算机12、路由器13、第一显示模块14及第一存储模块15。地面端20进一步包括样本库服务器22及深度学习工作站23。
一种基于该系统的本发明钢轨伤损检测方法的实施例，具体包括以下步骤：
检测计算机11通过路由器13与车载计算机12共享数据文件，车载计算机12对数据文件进行解析和自动伤损识别后，将识别结果以B型图的形式显示于第一显示模块14中，并存储在第一存储模块15中。车载计算机12通过网络或移动存储设备将伤损样本和伤损识别结果发送至样本库服务器22中。
样本库服务器22用于实现样本库包括浏览、搜索、筛选、分类、删除、编辑、批量生成数据在内的管理功能。深度学习工作站23与样本库服务器22相连，并能随时根据样本库服务器22中的选定样本进行伤损识别模型204的优化。当伤损识别模型204测试通过后可对其进行存储，并通过网络或移动存储设备对车载计算机12中的伤损识别模型204进行升级。
其中，伤损识别模型204基于卷积神经网络生成，输入卷积神经网络的图像为N个通道叠加而成且带有方向的RGB重构图像。
本实施例描述的基于离线检测的钢轨伤损检测方法通过高配置的深度学习工作站23及其内部的模型优化模块实现模型优化功能。模型优化模块可随时利用样本库服务器22的管理模块中的选定样本进行模型优化，当测试通过后可存储模型，并通过网络或移动存储设备对车载计算机12中的伤损识别模型204进行升级。本实施例描述的钢轨伤损检测方法能够实现智能识别、样本库管理及模型优化三大功能。
实施例6
如附图12所示，第四种基于本发明方法的钢轨伤损检测系统400的实施例，用于实现钢轨伤损离线检测，并具体包括：车载端10及地面端20。车载端10进一步包括检测计算机11，地面端20进一步包括地面计算机21、样本库服务器22、深度学习工作站23、第二显示模块24及第二存储模块25。
一种基于该系统的本发明钢轨伤损检测方法的实施例，具体包括以下步骤：
检测计算机11通过网络或移动存储设备与地面计算机21共享数据文件，地面计算机21对数据文件进行解析和自动伤损识别后，将识别结果以B型图的形式显示在第二显示模块24中，并存储在第二存储模块25中。地面计算机21通过网络将伤损样本和伤损识别结果传输至样本库服务器22中。样本库服务器22用于实现样本库包括浏览、搜索、筛选、分类、删除、编辑、批量生成数据在内的管理功能。深度学习工作站23与样本库服务器22相连，并能随时根据样本库服务器22中的选定样本进行伤损识别模型204的优化。当伤损识别模型204测试通过后可对其进行存储，并通过网络对地面计算机21中的伤损识别模型204进行升级。
其中，伤损识别模型204基于卷积神经网络生成，输入卷积神经网络的图像为N个通道叠加而成且带有方向的RGB重构图像。
如附图7所示，在上述实施例3-6中，深度学习工作站23中的伤损识别模型204生成过程进一步包括以下步骤：
S21)对单个回波点群数据文件进行解析，提取单个回波点群包括位置、深度、通道及速度在内的信息；
S22)根据步骤S21)获取的单个回波点群包括位置、深度及通道在内的信息生成单幅重构图像并将其输出至卷积神经网络；
S24)利用卷积神经网络对步骤S22)生成的单幅重构图像进行训练和测试；
S25)经过步骤S24)的训练和测试，输出伤损识别模型204。
上述步骤S24)进一步包括：
随机选取设定比例的每类伤损样本输入卷积神经网络用于进行伤损识别模型204的训练，余下比例的该类伤损样本用于伤损识别模型204的测试；训练过程进一步包括以下步骤：
前向传播阶段：从单幅重构图像的训练样本集中取出一个伤损样本及其所对应的类别标签值，将该伤损样本输入至所述卷积神经网络，卷积神经网络中的卷积核权重都被随机初始化，然后再计算相应的实际输出标签值；
后向传播阶段：计算实际输出标签值与理想输出标签值的差值，然后按照极小化误差方法反向传播调整权重矩阵；
对训练样本集中的所有伤损样本重复前向传播阶段和后向传播阶段后，判断是否满足预设的指标要求，如不满足则返回前向传播阶段，继续迭代；如满足则训练结束；
训练完成后，将测试样本集输入至卷积神经网络中，并得到卷积神经网络的输出结果，将该结果与对应的类别标签比较，以测试卷积神经网络的分类准确率。
伤损识别模型204的生成过程还进一步包括以下步骤：
S23)对单幅重构图像进行数据增强处理，生成增强的单幅重构图像并输出至卷积神经网络。
在步骤S24)中，利用卷积神经网络进行分类的过程进一步包括以下步骤：
对输入的单幅重构图像进行若干次交替的卷积及池化运算。当进行某一层的卷积运算时，利用该层的卷积核从左往右、从上往下依次扫描前一层的输入图像或特征图，对其进行卷积运算，再经过激活函数后得到当前层的特征图。当进行某一层的池化运算时，先将卷积操作后的特征图分割成不重叠的区域，然后分别计算这些区域内的最大值或平均值，并采用该值代替所在区域的值。将经过多次卷积及池化操作后形成的多组特征图组合为一组特征图，根据特征图进行分类并输出伤损分类结果。
如附图8所示，车载计算机12及地面计算机21中的伤损识别模型204检测过程进一步包括以下步骤：
S31)对一次探伤作业的整体数据文件进行解析，提取文件中所有记录的回波点群包括位置、深度、通道及速度在内的信息；
S32)根据步骤S31)提取的信息形成重构图像片段，一次探伤作业产生的整体数据文件只形成一个重构图像片段；
S33)通过设置一定步距的滑窗自动切割步骤S32)形成的图像片段，并将切割后的重构图像片段集输出至伤损识别模型204；
S34)伤损识别模型204根据输入的重构图像片段集获取初步的伤损识别结果；
S35)对步骤S34)获取的伤损识别结果进行冗余、重叠去除处理后得到针对该次探伤作业的伤损识别结果。
N个通道对应N种带不同方向及不同RGB值的箭头，且相邻两个通道方向的夹角为360°/N。当存在多个回波点出现在同一位置、同一深度时，则RGB值分别叠加，形成区别于前述N种通道RGB值的新的合成颜色，且方向箭头仍保留各自原始通道的方向。
本发明具体实施例描述的基于离线检测的钢轨伤损检测方法通过高配置的深度学习工作站23及其内部的模型优化模块实现模型优化功能。模型优化模块可随时利用样本库服务器22的管理模块中的选定样本进行模型优化，当测试通过后可存储模型，并通过网络或移动存储设备对地面计算机21中的伤损识别模型204进行升级，能够实现智能识别、样本库管理及模型优化三大功能。
本发明具体实施例描述的钢轨伤损检测方法，将基于传统机器学习识别的伤损识别模式改为基于深度学习算法的识别模式，同时基于该算法设计了一套智能化钢轨伤损检测方法，通过不断迭代更新，达到强化检测效果的目的。本发明具体实施例通过对深度学习算法中卷积神经网络架构进行定制化的开发，既避免了人工选择特征，又实现了机器自学习的目的，解放人力的同时保证了识别准确性。本发明具体实施例还基于深度学习算法给出了离线钢轨伤损检测方法和实时钢轨伤损检测方法的技术实现方案，集智能识别功能、样本库管理功能和模型优化功能于一体，同时做到了系统结构精简、可操作性强。
通过实施本发明具体实施例描述的钢轨伤损检测方法的技术方案，能够产生如下技术效果：
(1)本发明具体实施例描述的钢轨伤损检测方法，输入卷积神经网络的图像采用N个通道叠加而成且带有方向的RGB重构图像，当存在多个回波点出现在同一位置、同一深度时，则RGB值分别相加，形成区别于前述N种通道颜色的新的合成颜色，且方向箭头仍保留各自原始通道的方向箭头，不但不受图像分辨率的影响，而且能够解决现有钢轨伤损识别方式存在的网络输入直接采用物理图像或自定义图像，造成通道信息丢失或错误，增加机器学习难度和不准确性的技术问题，大幅提升了机器学习的准确性和可操作性；
(2)本发明具体实施例描述的钢轨伤损检测方法，能够解决现有系统整体可实施性不强的技术问题，实现钢轨伤损离线检测和实时检测，能够做到集智能识别功能、样本库管理功能和模型优化功能于一体，深度学习工作站可随时利用样本库服务器中的选定样本进行模型优化，当测试通过后可存储模型，并通过网络或移动存储设备对车载端或地面端中的智能识别模块进行升级，同时可以在任意模型基础上进一步训练和优化，在低成本优势下能够不断优化检测效果，解放人力。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明的精神实质和技术方案的情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同替换、等效变化及修饰，均仍属于本发明技术方案保护的范围。
Claims (10)
1.一种钢轨伤损检测方法，其特征在于，包括以下步骤：
检测计算机(11)与车载计算机(12)共享数据文件，所述车载计算机(12)对数据文件进行解析和伤损识别后，将识别结果以B型图的形式显示于第一显示模块(14)中，并存储在第一存储模块(15)中；所述车载计算机(12)将伤损样本和伤损识别结果发送至样本库服务器(22)中；
所述检测计算机(11)与地面计算机(21)共享数据文件，所述地面计算机(21)对数据文件进行解析和伤损识别后，将识别结果以B型图的形式显示在第二显示模块(24)中，并存储在第二存储模块(25)中；
所述地面计算机(21)将伤损样本和伤损识别结果传输至样本库服务器(22)中，所述样本库服务器(22)实现样本库管理功能；
深度学习工作站(23)根据所述样本库服务器(22)中的选定样本进行伤损识别模型(204)的优化，当伤损识别模型(204)测试通过后，对所述车载计算机(12)及地面计算机(21)中的伤损识别模型(204)进行升级；
所述伤损识别模型(204)基于卷积神经网络生成，输入所述卷积神经网络的图像为N个通道叠加而成且带有方向的RGB重构图像。
2.一种钢轨伤损检测方法，其特征在于，包括以下步骤：
检测计算机(11)对数据文件进行解析和伤损识别后，将识别结果以B型图的形式显示于第一显示模块(14)中，并存储在第一存储模块(15)中；所述检测计算机(11)将伤损样本和伤损识别结果发送至样本库服务器(22)中，所述样本库服务器(22)实现样本库管理功能；
深度学习工作站(23)根据所述样本库服务器(22)中的选定样本进行伤损识别模型(204)的优化，当伤损识别模型(204)测试通过后，对检测计算机(11)中的伤损识别模型(204)进行升级；
所述伤损识别模型(204)基于卷积神经网络生成，输入所述卷积神经网络的图像为N个通道叠加而成且带有方向的RGB重构图像。
3.一种钢轨伤损检测方法，其特征在于，包括以下步骤：
检测计算机(11)与车载计算机(12)共享数据文件，所述车载计算机(12)对数据文件进行解析和伤损识别后，将识别结果以B型图的形式显示于第一显示模块(14)中，并存储在第一存储模块(15)中；所述车载计算机(12)将伤损样本和伤损识别结果发送至样本库服务器(22)中，所述样本库服务器(22)实现样本库管理功能；
深度学习工作站(23)根据所述样本库服务器(22)中的选定样本进行伤损识别模型(204)的优化，当伤损识别模型(204)测试通过后，对所述车载计算机(12)中的伤损识别模型(204)进行升级；
所述伤损识别模型(204)基于卷积神经网络生成，输入所述卷积神经网络的图像为N个通道叠加而成且带有方向的RGB重构图像。
4.一种钢轨伤损检测方法，其特征在于，包括以下步骤：
检测计算机(11)与地面计算机(21)共享数据文件，所述地面计算机(21)对数据文件进行解析和自动伤损识别后，将识别结果以B型图的形式显示在第二显示模块(24)中，并存储在第二存储模块(25)中；所述地面计算机(21)将伤损样本和伤损识别结果传输至样本库服务器(22)中，所述样本库服务器(22)实现样本库管理功能；深度学习工作站(23)根据所述样本库服务器(22)中的选定样本进行伤损识别模型(204)的优化，当伤损识别模型(204)测试通过后，对所述地面计算机(21)中的伤损识别模型(204)进行升级；所述伤损识别模型(204)基于卷积神经网络生成，输入所述卷积神经网络的图像为N个通道叠加而成且带有方向的RGB重构图像。
5.根据权利要求1至4中任一项所述的钢轨伤损检测方法，其特征在于，所述深度学习工作站(23)中的伤损识别模型(204)生成过程包括以下步骤：
S21)对单个回波点群数据文件进行解析，提取单个回波点群包括位置、深度、通道及速度在内的信息；
S22)根据步骤S21)获取的单个回波点群包括位置、深度及通道在内的信息生成单幅重构图像并将其输出至卷积神经网络；
S24)利用卷积神经网络对步骤S22)生成的单幅重构图像进行训练和测试；
S25)经过步骤S24)的训练和测试，输出伤损识别模型(204)。
6.根据权利要求5所述的钢轨伤损检测方法，其特征在于，所述步骤S24)包括：
随机选取设定比例的每类伤损样本输入卷积神经网络用于进行所述伤损识别模型(204)的训练，余下比例的该类伤损样本用于伤损识别模型(204)的测试；训练过程包括以下步骤：
前向传播阶段：从单幅重构图像的训练样本集中取出一个伤损样本及其所对应的类别标签值，将该伤损样本输入至所述卷积神经网络，卷积神经网络中的卷积核权重都被随机初始化，然后再计算相应的实际输出标签值；
后向传播阶段：计算实际输出标签值与理想输出标签值的差值，然后按照极小化误差方法反向传播调整权重矩阵；
对训练样本集中的所有伤损样本重复前向传播阶段和后向传播阶段后，判断是否满足预设的指标要求，如不满足则返回前向传播阶段，继续迭代；如满足则训练结束；
训练完成后，将测试样本集输入至卷积神经网络中，并得到卷积神经网络的输出结果，将该结果与对应的类别标签比较，以测试卷积神经网络的分类准确率。
7.根据权利要求6所述的钢轨伤损检测方法，其特征在于，所述伤损识别模型(204)的生成过程还包括以下步骤：
S23)对单幅重构图像进行数据增强处理，生成增强的单幅重构图像并输出至卷积神经网络。
8.根据权利要求6或7所述的钢轨伤损检测方法，其特征在于，在所述步骤S24)中，利用卷积神经网络进行分类的过程包括以下步骤：
对输入的单幅重构图像进行若干次交替的卷积及池化运算；当进行某一层的卷积运算时，利用该层的卷积核从左往右、从上往下依次扫描前一层的输入图像或特征图，对其进行卷积运算，再经过激活函数后得到当前层的特征图；当进行某一层的池化运算时，先将卷积操作后的特征图分割成不重叠的区域，然后分别计算这些区域内的最大值或平均值，并采用该值代替所在区域的值；将经过多次卷积及池化操作后形成的多组特征图组合为一组特征图，根据特征图进行分类并输出伤损分类结果。
9.根据权利要求1至8中任一项所述的钢轨伤损检测方法，其特征在于，所述车载计算机(12)及地面计算机(21)中的伤损识别模型(204)检测过程包括以下步骤：
S31)对一次探伤作业的整体数据文件进行解析，提取文件中所有记录的回波点群包括位置、深度、通道及速度在内的信息；
S32)根据步骤S31)提取的信息形成重构图像片段，一次探伤作业产生的整体数据文件只形成一个重构图像片段；
S33)通过设置一定步距的滑窗自动切割步骤S32)形成的图像片段，并将切割后的重构图像片段集输出至伤损识别模型(204)；
S34)所述伤损识别模型(204)根据输入的重构图像片段集获取初步的伤损识别结果；
S35)对步骤S34)获取的伤损识别结果进行冗余、重叠去除处理后得到针对该次探伤作业的伤损识别结果。
10.根据权利要求1至9中任一项所述的钢轨伤损检测方法，其特征在于：N个通道对应N种带不同方向及不同RGB值的箭头，且相邻两个通道方向的夹角为360°/N；当存在多个回波点出现在同一位置、同一深度时，则RGB值分别叠加，形成区别于前述N种通道RGB值的新的合成颜色，且方向箭头仍保留各自原始通道的方向。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011354927.7A CN112465027A (zh) | 2020-11-27 | 2020-11-27 | 钢轨伤损检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011354927.7A CN112465027A (zh) | 2020-11-27 | 2020-11-27 | 钢轨伤损检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112465027A true CN112465027A (zh) | 2021-03-09 |
Family
ID=74808898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011354927.7A Pending CN112465027A (zh) | 2020-11-27 | 2020-11-27 | 钢轨伤损检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112465027A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113808095A (zh) * | 2021-09-13 | 2021-12-17 | 合肥德泰科通测控技术有限公司 | 一种基于大数据的铁路钢轨智能伤损识别分析系统 |
| CN116039713A (zh) * | 2022-12-30 | 2023-05-02 | 合肥德泰科通测控技术有限公司 | 一种钢轨智能伤损识别管理系统 |
| CN117036234A (zh) * | 2023-05-09 | 2023-11-10 | 中国铁路广州局集团有限公司 | 混合钢轨超声波b显图谱伤损识别方法、系统和存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1600351A1 (en) * | 2004-04-01 | 2005-11-30 | Heuristics GmbH | Method and system for detecting defects and hazardous conditions in passing rail vehicles |
| CN105905132A (zh) * | 2016-05-24 | 2016-08-31 | 北京鹰路科技有限公司 | 一种轨道状态智能巡检装置和方法 |
| CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
| CN106919978A (zh) * | 2017-01-18 | 2017-07-04 | 西南交通大学 | 一种高铁接触网支撑装置零部件识别检测方法 |
| CN110210555A (zh) * | 2019-05-29 | 2019-09-06 | 西南交通大学 | 基于深度学习的钢轨鱼鳞伤损检测方法 |
| CN110320285A (zh) * | 2019-07-08 | 2019-10-11 | 创新奇智(青岛)科技有限公司 | 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 |
| CN110458807A (zh) * | 2019-07-09 | 2019-11-15 | 常州大学 | 一种铁路轨道缺陷机器视觉检测系统 |
| CN110738697A (zh) * | 2019-10-10 | 2020-01-31 | 福州大学 | 基于深度学习的单目深度估计方法 |
| CN111080597A (zh) * | 2019-12-12 | 2020-04-28 | 西南交通大学 | 一种基于深度学习的轨道扣件缺陷识别算法 |
| WO2020156348A1 (zh) * | 2019-01-31 | 2020-08-06 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
-
2020
- 2020-11-27 CN CN202011354927.7A patent/CN112465027A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1600351A1 (en) * | 2004-04-01 | 2005-11-30 | Heuristics GmbH | Method and system for detecting defects and hazardous conditions in passing rail vehicles |
| CN105905132A (zh) * | 2016-05-24 | 2016-08-31 | 北京鹰路科技有限公司 | 一种轨道状态智能巡检装置和方法 |
| CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
| CN106919978A (zh) * | 2017-01-18 | 2017-07-04 | 西南交通大学 | 一种高铁接触网支撑装置零部件识别检测方法 |
| WO2020156348A1 (zh) * | 2019-01-31 | 2020-08-06 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
| CN110210555A (zh) * | 2019-05-29 | 2019-09-06 | 西南交通大学 | 基于深度学习的钢轨鱼鳞伤损检测方法 |
| CN110320285A (zh) * | 2019-07-08 | 2019-10-11 | 创新奇智(青岛)科技有限公司 | 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 |
| CN110458807A (zh) * | 2019-07-09 | 2019-11-15 | 常州大学 | 一种铁路轨道缺陷机器视觉检测系统 |
| CN110738697A (zh) * | 2019-10-10 | 2020-01-31 | 福州大学 | 基于深度学习的单目深度估计方法 |
| CN111080597A (zh) * | 2019-12-12 | 2020-04-28 | 西南交通大学 | 一种基于深度学习的轨道扣件缺陷识别算法 |
Non-Patent Citations (2)
| Title |
|---|
| 孙次锁 等: "基于深度学习的钢轨伤损智能识别方法", 中国铁道科学, no. 5, 15 September 2018 (2018-09-15), pages 53 - 59 * |
| 王其昂 等: "基于卷积神经网络的高铁车轮损伤识别方法研究", 中国矿业大学学报, no. 4, 15 July 2020 (2020-07-15), pages 171 - 177 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113808095A (zh) * | 2021-09-13 | 2021-12-17 | 合肥德泰科通测控技术有限公司 | 一种基于大数据的铁路钢轨智能伤损识别分析系统 |
| CN116039713A (zh) * | 2022-12-30 | 2023-05-02 | 合肥德泰科通测控技术有限公司 | 一种钢轨智能伤损识别管理系统 |
| CN117036234A (zh) * | 2023-05-09 | 2023-11-10 | 中国铁路广州局集团有限公司 | 混合钢轨超声波b显图谱伤损识别方法、系统和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112308855A (zh) | 钢轨伤损识别模型生成装置、伤损检测装置及系统 | |
| CN112465027A (zh) | 钢轨伤损检测方法 | |
| CN110084304B (zh) | 一种基于合成数据集的目标检测方法 | |
| CN109871786A (zh) | 一种航班地面保障作业规范流程检测系统 | |
| CN107633267A (zh) | 一种高铁接触网支撑装置腕臂连接件紧固件识别检测方法 | |
| CN113920107A (zh) | 一种基于改进yolov5算法的绝缘子破损检测方法 | |
| CN112488025B (zh) | 基于多模态特征融合的双时相遥感影像语义变化检测方法 | |
| US11495022B2 (en) | Method for recognizing an object of a mobile unit | |
| US20220076404A1 (en) | Defect management apparatus, method and non-transitory computer readable medium | |
| JP7374847B2 (ja) | 切羽評価システム、切羽評価学習システム、切羽評価方法、切羽評価学習方法、コンピュータプログラム | |
| CN113111875A (zh) | 一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法 | |
| CN117975167B (zh) | 弱矿斑矿石分选方法、装置、可读存储介质及设备 | |
| CN115272830A (zh) | 一种基于深度学习的受电弓异物检测方法 | |
| CN107292039B (zh) | 一种基于小波聚类的uuv巡岸轮廓构建方法 | |
| CN116403124A (zh) | 一种基于DResNet-PointNet的三维点云围岩的结构面智能识别方法 | |
| CN115984186A (zh) | 基于多分辨率知识提取的精细产品图像异常检测方法 | |
| Yang et al. | Weld defect cascaded detection model based on bidirectional multi-scale feature fusion and shape pre-classification | |
| CN117078585A (zh) | 一种管道的缺陷损伤检测方法、装置、设备及介质 | |
| Gao et al. | OBM-CNN: a new double-stream convolutional neural network for shield pattern segmentation in ancient oracle bones | |
| CN116188449A (zh) | 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备 | |
| CN115620006A (zh) | 一种货物杂质含量检测方法、系统、装置与存储介质 | |
| CN115830509A (zh) | 一种基于视频流特征的智能化货车空厢识别审核方法 | |
| CN109785261A (zh) | 一种基于灰度体元模型的机载lidar三维滤波方法 | |
| CN115239733A (zh) | 裂缝检测方法、装置、终端设备以及存储介质 | |
| CN111612087B (zh) | 动车组teds系统图像特征字典生成方法 |
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 |