CN113450324A - 一种钢轨内部缺陷长度分析方法及系统 - Google Patents

一种钢轨内部缺陷长度分析方法及系统 Download PDF

Info

Publication number
CN113450324A
CN113450324A CN202110697969.9A CN202110697969A CN113450324A CN 113450324 A CN113450324 A CN 113450324A CN 202110697969 A CN202110697969 A CN 202110697969A CN 113450324 A CN113450324 A CN 113450324A
Authority
CN
China
Prior art keywords
defect
sets
steel rail
internal
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.)
Granted
Application number
CN202110697969.9A
Other languages
English (en)
Other versions
CN113450324B (zh
Inventor
张飞
樊志辉
冉皓
周忠涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Century Dongfang Communication Equipment Co ltd
Original Assignee
Beijing Century Dongfang Communication Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Century Dongfang Communication Equipment Co ltd filed Critical Beijing Century Dongfang Communication Equipment Co ltd
Priority to CN202110697969.9A priority Critical patent/CN113450324B/zh
Publication of CN113450324A publication Critical patent/CN113450324A/zh
Application granted granted Critical
Publication of CN113450324B publication Critical patent/CN113450324B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30236—Traffic on road, railway or crossing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Geometry (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明提供一种钢轨内部缺陷长度分析方法及系统。该钢轨内部缺陷长度分析方法包括：获取钢轨内部缺陷的多组有效伤损图像信息；基于所获取的多组有效伤损图像信息，测量与多组有效伤损图像数据相对应的多组第一缺陷长度数据；基于所测量的多组第一缺陷长度数据，利用拔靴算法，确定钢轨内部缺陷的多组第二缺陷长度数据，以及基于利用拨靴算法确定的钢轨内部缺陷的多组第二缺陷长度数据，评估钢轨内部缺陷以及钢轨内部缺陷的动态变化趋势。

Description

一种钢轨内部缺陷长度分析方法及系统
技术领域
本发明涉及超声波轨道探伤领域，尤其涉及一种钢轨内部缺陷长度分析方法及系统。
背景技术
钢轨是铁路运输的基础，钢轨是轨道结构的重要部件，直接承受机车、车辆、列车荷载和冲击，并将其传布于轨枕及各扣件。钢轨强度和状态直接关系到铁路运输的安全、平稳和畅通，因此确保钢轨全断面运营状态良好是保证铁路运输长期健康运营的重要措施。
现有技术中普遍运用相对灵敏度法和绝对灵敏度法两种方法来对钢轨内部缺陷长度进行测量。
然而，在运用相对灵敏度法的情况下，操作者主观因素对探伤结果影响较大，并且操作误差较大，所测量的指示长度可能大于实际缺陷长度，最重要的是其无法实现自动化探伤。而在运用绝对灵敏度法的情况下，通常有表面接触误差大、回波高度影响大的问题。此外，现有技术中测量钢轨缺陷的方法通常都是单次测长，偶然性比较大，而且当缺陷长度处于一个较长的时间轴里时，各个缺陷的尺寸也在不断发生变化，从而导致无法静态准确测出缺陷的长度和动态预知缺陷随时间的变化趋势。
发明内容
本发明提供一种钢轨内部缺陷长度分析方法及系统，用以解决现有技术中无法静态准确测出缺陷的长度和动态预知缺陷随时间的变化趋势的缺陷，实现了诸如以下的功能：静态准确测出缺陷的长度，并且动态预知缺陷随时间的变化趋势。
具体地，本发明实施例提供了以下技术方案：
第一方面，本发明的实施例提供一种钢轨内部缺陷长度分析方法，包括：
S1：获取钢轨内部缺陷的多组有效伤损图像信息；
S2：基于所获取的多组有效伤损图像信息，测量与多组有效伤损图像数据相对应的多组第一缺陷长度数据；
S3：基于所测量的多组第一缺陷长度数据，利用拔靴算法，确定钢轨内部缺陷的多组第二缺陷长度数据，以及
S4：基于利用拨靴算法确定的钢轨内部缺陷的多组第二缺陷长度数据，评估钢轨内部缺陷以及钢轨内部缺陷的动态变化趋势。
进一步地，该钢轨内部缺陷长度分析方法还包括：
基于所测量的多组第一缺陷长度数据，利用拔靴算法，确定钢轨内部缺陷的多组第二缺陷长度数据包括：
S31：对所测量的多组第一缺陷长度数据进行抽样；
S32：在抽样之后，放回所抽样的数据；
S33：在放回之后，再次对多组第一缺陷长度数据进行抽样；以及
S34：在反复抽样并放回之后，将抽样所得的多组数据汇总成多组第二缺陷长度数据。
进一步地，该钢轨内部缺陷长度分析方法还包括：
获取钢轨内部缺陷的多组有效伤损图像信息包括：
基于里程标标记和图像相似度算法，从多个伤损图像数据信息之中选择多组有效伤损图像数据信息。
进一步地，该钢轨内部缺陷长度分析方法还包括：
基于所获取的多组有效伤损图像信息，测量与多组有效伤损图像数据相对应的多组第一缺陷长度数据包括：
S21：选择数据参考点，以及
S22：基于所选择的数据参考点，测量与多组有效伤损图像数据相对应的第一缺陷长度数据。
进一步地，该钢轨内部缺陷长度分析方法还包括：
基于利用拨靴算法确定的钢轨内部缺陷的第二缺陷长度数据，评估钢轨内部缺陷以及钢轨内部缺陷的动态变化趋势包括：
S41：将利用拨靴算法确定的钢轨内部缺陷的第二缺陷长度数据标示在时间轴上，以及
S42：评估分析时间轴上的钢轨内部缺陷以及钢轨内部缺陷的变化趋势。
第二方面，本发明的实施例还提供一种钢轨内部缺陷长度分析系统，包括：
图像模块，用于获取钢轨内部缺陷的多组图像数据信息；
测量模块，用于基于所获取的多组有效伤损图像信息，测量与多组有效伤损图像数据相对应的多组第一缺陷长度数据；
确定模块，用于基于所测量的多组第一缺陷长度数据，利用拔靴算法，确定所述钢轨内部缺陷的多组第二缺陷长度数据；以及
评估模块，用于基于利用拨靴算法确定的钢轨内部缺陷的多组第二缺陷长度数据，评估钢轨内部缺陷以及所述钢轨内部缺陷的动态变化趋势。
由上面技术方案可知，本发明实施例提供的一种钢轨内部缺陷长度分析方法及系统，其能够静态准确测出钢轨内部缺陷的长度，并且动态预知钢轨内部缺陷随时间的变化趋势。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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他的附图。
图1为本发明一实施例提供的钢轨内部缺陷长度分析方法的整体流程图；
图2为本发明一实施例提供的得到第一缺陷长度数据的方法的流程图；
图3为本发明一实施例提供的利用拔靴算法，得到所述钢轨内部缺陷的多组第二缺陷长度数据的方法的流程图；
图4为本发明一实施例提供的评估所述钢轨内部缺陷的动态变化趋势的的方法的流程图；以及
图5是本发明的一实施例提供的钢轨内部缺陷长度分析系统的结构示意图。
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，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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他实施例，都属于本发明保护的范围。
在本实施例中，本发明使用的各种术语或短语具有本领域普通技术人员公知的一般含义，即便如此，本发明仍然希望在此对这些术语或短语作更详尽的说明和解释。如果本文涉及的术语和短语有与公知含义不一致的，则以本发明所表述的含义为准；并且如果在本申请中没有定义，则其具有本领域普通技术人员通常理解的含义。
现有技术中，在对钢轨缺陷长度进行测量时通常都是单次测长，偶然性比较大，而且当缺陷长度处于一个较长的时间轴里时，各个缺陷的尺寸也在不断发生变化。
针对于此，第一方面，本发明的一实施例提出一种钢轨内部缺陷长度分析方法，其旨在静态准确测出缺陷的长度并动态预知缺陷随时间的变化趋势。
下面结合图1描述本发明的钢轨内部缺陷长度分析方法。
图1为本发明一实施例提供的钢轨内部缺陷长度分析方法的整体流程图。
在本实施例中，需要说明的是，该钢轨内部缺陷长度分析方法，包括：
S1：获取钢轨内部缺陷的多组有效伤损图像信息；
S2：基于所获取的多组有效伤损图像信息，测量与多组有效伤损图像数据相对应的多组第一缺陷长度数据；
S3：基于所测量的多组第一缺陷长度数据，利用拔靴算法，确定所述钢轨内部缺陷的多组第二缺陷长度数据，以及
S4：基于利用拔靴算法确定的钢轨内部缺陷的多组第二缺陷长度数据，评估钢轨内部缺陷以及钢轨内部缺陷的动态变化趋势。
具体地，钢轨缺陷也可以被称为钢轨损伤，其类型包括但不限于：压溃、侧磨、波磨和剥离等。更具体地，就超声波钢轨探伤方面而言，钢轨内部缺陷可以包括但不限于以下示例：钢轨核伤、钢轨接头部位伤损、钢轨水平裂纹、钢轨垂直裂纹(钢轨纵向裂纹)、钢轨轨底裂纹、钢轨焊缝缺陷等。然而，本发明的实施例并不限于此，本领域普通技术人员可以根据作业环境和作业内容来确定更多的钢轨内部缺陷。
在本实施例中，需要说明的是，该钢轨内部缺陷长度分析方法，包括：获取钢轨内部缺陷的多组有效伤损图像信息包括：基于里程标标记和图像相似度算法，从多个伤损图像数据信息之中选择多组有效伤损图像数据信息。
具体地，里程标标记可以指示该缺陷相对整个钢轨的具体空间位置。更具体地，具体地，里程标标记可以指示线路区间、标桩等。
具体地，图像相似度算法包括但不限于诸如以下的算法：aHash(均值哈希)、dHash(差值哈希)、pHash(感知哈希)或者SIFT(图片局部描述子)算法。然而，本发明的实施例并不限于此，在不脱离本发明的精神和范围的情况下，本领域普通技术人员可以根据作业需求来运用其它不同的图像相似度算法。
在该实施例中，在确定伤损图像数据信息的里程标标记相同之后，再基于图像相似度算法，从多个伤损图像数据信息之中选择相似度较高的多组有效伤损图像数据信息。具体地，当相似度大于80％时，则确定相似度较高。然而，本发明的实施例并不限于此，在不脱离本发明的精神和范围的情况下，本领域普通技术人员可以根据作业需求来调整图像相似度程度。
下面结合图2进一步描述本发明的钢轨内部缺陷长度分析方法。
图2为本发明一实施例提供的得到第一缺陷长度数据的方法的流程图。
在本实施例中，需要说明的是，该钢轨内部缺陷长度分析方法，包括：基于所获取的多组有效伤损图像信息，测量与多组有效伤损图像数据相对应的多组第一缺陷长度数据包括：
S21：选择数据参考点，以及
S22：基于所选择的数据参考点，测量与多组有效伤损图像数据相对应的第一缺陷长度数据。
具体地，通过确定里程标标记起始像素X坐标来选择数据参考点。
具体地，基于所选择的数据参考点，运用绝对灵敏度测量方法，测量较短时间段内的一组缺陷长度数据X1、X2、X3、……、Xn(即，第一缺陷长度数据)。
具体地，作为时间相对概念，“较短时间段”可以指相对于“较长时间段(如下文所述)”更短的时间段。例如，“较短时间段”可以是一个月、三个月、半年，“较长时间段(如下文所述)”可以是半年、一年、一年半。但显而易见地本发明的实施例并不限于此，在不脱离本发明的精神和范围的情况下，本领域普通技术人员可以根据实际作业需要定义更长或更短的时间段，以获得所需要的第一缺陷长度数据和第二缺陷长度数据(如下文所述)。
下面结合图3进一步描述本发明的钢轨内部缺陷长度分析方法。
图3为本发明一实施例提供的利用拔靴算法，得到所述钢轨内部缺陷的多组第二缺陷长度数据的方法的流程图。
在本实施例中，需要说明的是，该钢轨内部缺陷长度分析方法，包括：基于所测量的多组第一缺陷长度数据，利用拔靴算法，确定钢轨内部缺陷的多组第二缺陷长度数据包括：
S31：对所测量的多组第一缺陷长度数据进行抽样；
S32：在抽样之后，放回所抽样的数据；
S33：在放回之后，再次对多组第一缺陷长度数据进行抽样；以及
S34：在反复抽样并放回之后，将抽样所得的多组数据汇总成多组第二缺陷长度数据。
具体地，作为时间相对概念，“较长时间段”可以指相对于“较短时间段(如上文所述)”更长的时间段。例如，“较长时间段”可以是半年、一年、一年半，“较短时间段(如上文所述)”可以是一个月、三个月、半年。但显而易见地本发明的实施例并不限于此，在不脱离本发明的精神和范围的情况下，本领域普通技术人员可以根据实际作业需要定义更长或更短的时间段，以获得所需要的第一缺陷长度数据(如上文所述)和第二缺陷长度数据。
具体地，由于在某个时间节点只能针对某一个位置的钢轨内部缺陷取到有限组的数据，因此如果将结果放在一个较长的时间轴上来观察，则钢轨内部的缺陷尺寸也会随时间发生变化，从而影响到测量缺陷或伤损分布结果的精确性，在这种情况下，通过使用少量样本得到样本分布的方法能够更加精确地测量钢轨内部缺陷的分布情况。
更具体地，通过使用少量样本得到样本分布的方法可以是拔靴法。作为一种统计学的估计方法，其实质是对观测信息进行再抽样，进而对总体的分布特性进行统计推断。因为该方法充分利用所给定的观测信息，不需要模型其它的假设和/或增加新的观测，并且具有稳健性和效率高的特点，所以在本发明的实施例中运用拔靴法能够更精确地统计分析钢轨内部缺陷在较长时间段的分布情况。
当然，使用少量样本得到样本分布的方法还可以是除拔靴法之外的其他方法。
在该实施例中，运用拔靴法，通过对所统计的少量样本进行取样后放回，再取样再放回的方法得到多组(例如1000组)数据之后，绘制其分布图。具体地，可以在得到1000组数据之后，绘制其分布图，但显而易见地本发明的实施例并不限于此，本领域普通技术人员可以根据实际作业需要进行更多或更少次数的取样循环，以获得满足要求的钢轨内部缺陷的分布图。
在该实施例中，通过对比实际分布图与经拨靴运算后的分布图，可以验证拨靴法的精确度。
在该实施例中，通过钢轨内部缺陷的数据分布图，可以获得钢轨内部缺陷的长度，并且还可以获得钢轨内部缺陷的属于哪种类型的数据分布，进而得出数学期望值。
下面结合图4进一步描述本发明的钢轨内部缺陷长度分析方法。
图4为本发明一实施例提供的评估所述钢轨内部缺陷的动态变化趋势的方法的流程图。
在本实施例中，需要说明的是，该钢轨内部缺陷长度分析方法，包括：基于利用拔靴算法确定的钢轨内部缺陷的第二缺陷长度数据，评估钢轨内部缺陷以及钢轨内部缺陷的动态变化趋势包括：
S41：将利用拔靴算法确定的钢轨内部缺陷的第二缺陷长度数据标示在时间轴上，以及
S42：评估分析时间轴上的钢轨内部缺陷以及钢轨内部缺陷的变化趋势。
具体地，通过时间轴上标示的钢轨内部缺陷的第二缺陷长度数据，可以评估长时间段内的缺陷长度的变化趋势，以为钢轨内部缺陷修复作业提供更精确的数据支撑。
具体地，通过对特定钢轨内部缺陷的评估，可以定量类比钢轨其它缺陷随时间的变化趋势，以为钢轨内部缺陷修复作业提供更精确的数据支撑。
基于同样的发明构思，另一方面，本发明的一实施例提出一种钢轨内部缺陷长度分析系统。
下面结合图5对本发明提供的钢轨内部缺陷长度分析系统进行描述，下文描述的钢轨内部缺陷长度分析系统与上文描述的钢轨内部缺陷长度分析方法可相互对应参照。
图5是本发明的一实施例提供的钢轨内部缺陷长度分析系统的结构示意图。
在本实施例中，需要说明的是，该钢轨内部缺陷长度分析系统1，包括：图像模块10，用于获取钢轨内部缺陷的多组图像数据信息；测量模块20，用于基于所获取的多组有效伤损图像信息，测量与多组有效伤损图像数据相对应的多组第一缺陷长度数据；确定模块30，用于基于所测量的多组第一缺陷长度数据，利用拔靴算法，确定钢轨内部缺陷的多组第二缺陷长度数据；以及评估模块40，用于基于利用拔靴算法确定的钢轨内部缺陷的多组第二缺陷长度数据，评估钢轨内部缺陷以及钢轨内部缺陷的动态变化趋势。
由于本发明实施例提供的钢轨内部缺陷长度分析系统可以用于执行上述实施例所述的钢轨内部缺陷长度分析方法，其工作原理和有益效果类似，故此处不再详述，具体内容可参见上述实施例的介绍。
在本实施例中，需要说明的是，本发明实施例的系统中的各个模块可以集成于一体，也可以分离部署。上述模块可以合并为一个模块，也可以进一步拆分成多个子模块。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外，在本发明中，参考术语“实施例”、“本实施例”、“又一实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种钢轨内部缺陷长度分析方法，其特征在于，包括：
获取所述钢轨内部缺陷的多组有效伤损图像信息；
基于所获取的所述多组有效伤损图像信息，测量与所述多组有效伤损图像数据相对应的多组第一缺陷长度数据；
基于所测量的所述多组第一缺陷长度数据，利用拔靴算法，确定所述钢轨内部缺陷的多组第二缺陷长度数据，以及
基于利用所述拨靴算法确定的所述钢轨内部缺陷的所述多组第二缺陷长度数据，评估所述钢轨内部缺陷以及所述钢轨内部缺陷的动态变化趋势。
2.根据权利要求1所述的钢轨内部缺陷长度分析方法，其特征在于，基于所测量的所述多组第一缺陷长度数据，利用拔靴算法，确定所述钢轨内部缺陷的多组第二缺陷长度数据包括：
对所测量的所述多组第一缺陷长度数据进行抽样；
在抽样之后，放回所抽样的数据；
在放回之后，再次对所述多组第一缺陷长度数据进行抽样；以及
在反复抽样并放回之后，将抽样所得的多组数据汇总成所述多组第二缺陷长度数据。
3.根据权利要求1所述的钢轨内部缺陷长度分析方法，其特征在于，获取所述钢轨内部缺陷的多组有效伤损图像信息包括：
基于里程标标记和图像相似度算法，从多个伤损图像数据信息之中选择所述多组有效伤损图像数据信息。
4.根据权利要求1所述的钢轨内部缺陷长度分析方法，其特征在于，基于所获取的所述多组有效伤损图像信息，测量与所述多组有效伤损图像数据相对应的多组第一缺陷长度数据包括：
选择数据参考点，以及
基于所选择的所述数据参考点，测量与所述多组有效伤损图像数据相对应的第一缺陷长度数据。
5.根据权利要求1所述的钢轨内部缺陷长度分析方法，其特征在于，基于利用所述拨靴算法确定的所述钢轨内部缺陷的所述第二缺陷长度数据，评估所述钢轨内部缺陷以及所述钢轨内部缺陷的动态变化趋势包括：
将利用所述拨靴算法确定的所述钢轨内部缺陷的所述第二缺陷长度数据标示在时间轴上，以及
评估分析所述时间轴上的所述钢轨内部缺陷以及所述钢轨内部缺陷的变化趋势。
6.一种钢轨内部缺陷长度分析系统，其特征在于，包括：
图像模块，用于获取钢轨内部缺陷的多组图像数据信息；
测量模块，用于基于所获取的所述多组有效伤损图像信息，测量与所述多组有效伤损图像数据相对应的多组第一缺陷长度数据；
确定模块，用于基于所测量的所述多组第一缺陷长度数据，利用拔靴算法，确定所述钢轨内部缺陷的多组第二缺陷长度数据；以及
评估模块，用于基于利用所述拨靴算法确定的所述钢轨内部缺陷的所述多组第二缺陷长度数据，评估所述钢轨内部缺陷以及所述钢轨内部缺陷的动态变化趋势。
CN202110697969.9A 2021-06-23 2021-06-23 一种钢轨内部缺陷长度分析方法及系统 Active CN113450324B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110697969.9A CN113450324B (zh) 2021-06-23 2021-06-23 一种钢轨内部缺陷长度分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110697969.9A CN113450324B (zh) 2021-06-23 2021-06-23 一种钢轨内部缺陷长度分析方法及系统

Publications (2)

Publication Number Publication Date
CN113450324A true CN113450324A (zh) 2021-09-28
CN113450324B CN113450324B (zh) 2024-07-02

Family

ID=77812351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110697969.9A Active CN113450324B (zh) 2021-06-23 2021-06-23 一种钢轨内部缺陷长度分析方法及系统

Country Status (1)

Country Link
CN (1) CN113450324B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101893580A (zh) * 2010-06-10 2010-11-24 北京交通大学 基于数字图像的钢轨表面缺陷检测方法
KR20120110537A (ko) * 2011-03-29 2012-10-10 현대제철 주식회사 연속주조공정상 내부결함 평가지수 선정방법 및 그를 이용한 내부결함 분석방법
CN105092705A (zh) * 2015-08-28 2015-11-25 哈尔滨工业大学（威海） 一种钢轨缺陷的多模态信号检测方法及装置
CN112229800A (zh) * 2020-12-14 2021-01-15 湖南大学 非接触式铁路桥梁状况综合检测方法和系统
CN112330591A (zh) * 2020-09-30 2021-02-05 中国铁道科学研究院集团有限公司 少样本学习的钢轨表面缺陷检测方法及装置
CN112595775A (zh) * 2020-11-07 2021-04-02 西南交通大学 道岔钢轨伤损辨识方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101893580A (zh) * 2010-06-10 2010-11-24 北京交通大学 基于数字图像的钢轨表面缺陷检测方法
KR20120110537A (ko) * 2011-03-29 2012-10-10 현대제철 주식회사 연속주조공정상 내부결함 평가지수 선정방법 및 그를 이용한 내부결함 분석방법
CN105092705A (zh) * 2015-08-28 2015-11-25 哈尔滨工业大学（威海） 一种钢轨缺陷的多模态信号检测方法及装置
CN112330591A (zh) * 2020-09-30 2021-02-05 中国铁道科学研究院集团有限公司 少样本学习的钢轨表面缺陷检测方法及装置
CN112595775A (zh) * 2020-11-07 2021-04-02 西南交通大学 道岔钢轨伤损辨识方法
CN112229800A (zh) * 2020-12-14 2021-01-15 湖南大学 非接触式铁路桥梁状况综合检测方法和系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN113450324B (zh) 2024-07-02

Similar Documents

Publication Publication Date Title
Martin et al. Ultrasonic tomography of grouted duct post-tensioned reinforced concrete bridge beams
Žnidarič et al. Improved accuracy and robustness of bridge weigh-in-motion systems
Truong-Hong et al. Framework for bridge inspection with laser scanning
Adhikari et al. A study of image-based element condition index for bridge inspection
Safa et al. Rail corrosion forensics using 3D imaging and finite element analysis
CN106053256A (zh) 一种岩体结构面抗剪强度指标计算的方法
CN104655639A (zh) 一种能准确获取裂缝特征的路面裂缝检测方法和系统
CN113450324B (zh) 一种钢轨内部缺陷长度分析方法及系统
KR101557308B1 (ko) 외관조사망도 작성 오류 검색 기능을 갖는 외관조사망도에 근거한 구조물의 손상물량 자동 집계 방법이 구현된 컴퓨터 판독가능한 기록매체
Wang et al. Macro-crack initiation life for orthotropic steel decks considering weld heterogeneity and random traffic loading
Nasimifar et al. The available approaches for using traffic speed deflectometer data at network level pavement management system
Mehdi et al. Analysis of structural and surface deteriorations of a flexible pavement, based on inspection results using the MCA method
Strauss et al. Shear performance mechanism description using digital image correlation
Catbas et al. Fleet health monitoring of large populations: Aged concrete T-beam bridges in Pennsylvania
Tsai et al. A cost-effective and objective full-depth patching identification method using 3D sensing technology with automated crack detection and classification
Haynes et al. Prestressing steel reinforcement wire bond index number
Koch et al. Machine vision techniques for condition assessment of civil infrastructure
Lima et al. Methodology to assess airport pavement condition using GPS, laser, video image and GIS
Abraldes et al. Use of polar coordinates for improving the measurement of resistant cross-sections of existing timber elements combining laser scanner and drilling resistance tests
Shi et al. Automated change diagnosis of single-column-pier bridges based on 3d imagery data
Hindersmann et al. Monitoring–pilot study duraBASt‐bridge
Alfelor et al. Track degradation assessment using gage restraint measurements
Saad et al. Development of a Fatigue Life Assessment Model for Pairing Fatigue Damage Prognoses with Bridge Management Systems
Nihei et al. Remaining life estimation by fatigue damage sensor
Hain et al. Estimation of the residual bearing capacity of corrosion damaged bridge beams using 3D scanning and finite element analysis

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 102600 Beijing Daxing District Zhongguancun Science and Technology Park Daxing Biomedical Industry Base, No. 1 Building, 21 Tianrong Street

Applicant after: Beijing Century Oriental Zhihui Technology Co.,Ltd.

Address before: 102600 Beijing Daxing District Zhongguancun Science and Technology Park Daxing Biomedical Industry Base, No. 1 Building, 21 Tianrong Street

Applicant before: BEIJING CENTURY DONGFANG COMMUNICATION EQUIPMENT Co.,Ltd.

GR01 Patent grant