CN113720910B - 一种基于超声波信号的钢轨缺陷智能检测方法及系统 - Google Patents

Abstract

本发明提供一种基于超声波信号的钢轨缺陷智能检测方法及系统，包括：步骤S1，基于既有线路的超声波信号解析出各个位置中各个通道超声波信号的信息；步骤S2，去除超声波信号数据中的噪声，提取出有效的超声波信号；步骤S3，对有效的超声波信号进行框选处理，得到单个超声波回波群数据集，并构建出所有超声波回波群的集合，以所有超声波回波群的集合为基础计算其信号密度比，通过过滤获取有效的单个超声波回波群数据集；步骤S4，对有效的单个超声波回波群数据集进行伤损缺陷分类；步骤S5，进行专家系统处理，得到伤损缺陷列表。本发明能够大幅度提高钢轨缺陷的智能化检测过程，有效提升了其工作效率和准确程度，并且还能够降低人力成本。

Description

一种基于超声波信号的钢轨缺陷智能检测方法及系统

技术领域

本发明涉及一种钢轨缺陷检测方法，尤其涉及一种基于超声波信号的钢轨缺陷智能检测方法，并涉及采用了该基于超声波信号的钢轨缺陷智能检测方法的钢轨缺陷智能检测系统。

背景技术

在钢轨大型探伤车硬件已经逐渐成熟的基础上，基于信号处理和计算机视觉技术相关的钢轨伤损缺陷定位技术相对滞后，导致数据采集回来后，人工干预率高，劳动强度大，易遗漏钢轨伤损缺陷相关问题。并且随着钢轨伤损缺陷检测周期长，导致伤损不断发生，可能造成影响列车安全行驶的严重事故。因此，高效、快捷并且准确地进行钢轨伤损缺陷检测就具备十分重要的意义。

目前，钢轨伤损缺陷的普遍确认过程如下，大型钢轨探伤车在作业周期内在主要轨道线路上行驶，在探伤数据采集任务结束后，由回放员对于采集到的数据进行人工全线回放。一方面，由于回放员对于钢轨伤损缺陷的认知等方面不同，存在明显的经验差别；同时由于操作疲劳等因素，也会造成明显钢轨伤损缺陷漏检。另一方面，回放员对于采集数据全线回放，周期过长，明显影响钢轨伤损缺陷检出的时效性。

发明内容

本发明所要解决的技术问题是需要提供一种去噪效果明显，伤损缺陷检出率高，快捷且准确的基于超声波信号的钢轨缺陷智能检测方法，在此基础上，还进一步提供采用了该基于超声波信号的钢轨缺陷智能检测方法的钢轨缺陷智能检测系统。

对此，本发明提供一种基于超声波信号的钢轨缺陷智能检测方法，包括以下步骤：

步骤S1，基于既有线路的超声波信号数据解析出各个位置中各个通道超声波信号的信息，所述超声波信号的信息包括钢轨轨头位置信号、钢轨轨腰位置信号以及钢轨轨底位置信号；

步骤S2，去除超声波信号数据中的噪声，提取出有效的超声波信号；

步骤S3，对有效的超声波信号进行框选处理，得到单个超声波回波群数据集，并构建出所有超声波回波群的集合，以所有超声波回波群的集合为基础计算其信号密度比，通过过滤获取有效的单个超声波回波群数据集；

步骤S4，对有效的单个超声波回波群数据集进行伤损缺陷分类；

步骤S5，对伤损缺陷分类后的结果进行专家系统处理，得到伤损缺陷列表。

本发明的进一步改进在于，所述步骤S2包括以下子步骤：

步骤S201，将超声波信号x(t)经过指数平滑函数p_i来判断各个位置中各个通道C_j的超声波信号的噪声分布，C_j指的是原始超声波回波信号中第j组通道的信号回波点；

步骤S202，对各个位置中各个通道C_j的超声波信号计算其周期性特征；

步骤S203，对于每一个周期性特征的超声波信号进行预设周期性阈值的过滤，得到各个位置中各个通道C_j有效的超声波信号；

本发明的进一步改进在于，所述步骤S3包括以下子步骤：

步骤S301，根据去噪处理后得到各个位置中各个通道C_j有效的超声波信号构建n个样本的无标注数据集X，n为无标注数据集X的样本个数；

步骤S302，根据无标注数据集X进行无监督学习的聚类框选，根据各个超声波信号之间的相似度和距离进行框选，得到单个超声波回波群数据集的一个子集D₁；

步骤S303，根据无标注数据集X进行预设距离规则的框选，分别计算各个位置各个通道之间超声波信号点的横向距离c_i和纵向距离v_i，通过所述预设距离的筛选，得到单个超声波回波群数据集的一个子集D₂；

步骤S304，根据去噪处理得到各个位置中各个通道C_j有效的超声波信号，基于Anchor机制框选单个超声波回波群数据集的一个子集D₃；

步骤S305，根据步骤S302至步骤S304分别得到的单个超声波回波群数据集的子集，构建出所有超声波回波群的框选集合D；

步骤S306，计算框选集合D各个框的信号密度比SDR；

步骤S307，根据预设框选阈值对所述信号密度比SDR进行过滤，去除对应的冗余框和重复框，得到有效的单个超声波回波群数据集D′。

本发明的进一步改进在于，在步骤S301得到无标注数据集X后，判断是否转换成图像数据，若是，则通过图像转换得到二维图像数据后，分别跳转至所述步骤S303和步骤S304；若否，则直接跳转至步骤S302，直到完成步骤S302至步骤S304，将单个超声波回波群数据集的各个子集输入至步骤S305中。

本发明的进一步改进在于，所述步骤S301中，通过矩阵构建n个样本的无标注数据集X；其中，矩阵的每一行对应一个特征，矩阵的每一列对应一个样本，矩阵元素x_ij表示第i个样本的第j个特征属性值，i和j均为循环序号，j＝1,2,3,...,m，i＝1,2,3,...,n，n表示无标注数据集X的样本个数，m表示每个样本的特征向量维度。

本发明的进一步改进在于，所述步骤S302中，通过集合D₁＝{d₁,d₂,d₃,....,d_g}表示单个超声波回波群数据集的子集D₁，d表示单个超声波回波群数据，g表示聚类框选中框的个数；所述步骤S303中，通过集合D₂＝{d₁,d₂,d₃,....,d_r}表示单个超声波回波群数据集的子集D₂，r表示预设距离规则框选中框的个数；所述步骤S304中，通过集合D₃＝{d₁,d₂,d₃,....,d_k'}表示单个超声波回波群数据集的子集D₃，k'表示基于Anchor机制框选中框的个数；所述步骤S305中，通过集合D＝{D₁∪D₂∪D₃}＝{d₁,d₂,d₃,...,d_g+r+k'}表示所有超声波回波群的框选集合D。

本发明的进一步改进在于，所述步骤S306中，通过公式计算框选集合D各个框的信号密度比SDR，其中，l'＝(1,2,3,...,g+r+k')，area(d_l')表示第l'个超声波回波群所覆盖的面积，count(c_l')表示是第l'个超声波回波群所有通道信号点的总数，d_l'表示的是第l'个超声波回波群,c_l'表示第l'个超声波回波群中的通道信号点。

本发明的进一步改进在于，所述步骤S4对有效的单个超声波回波群数据集进行伤损缺陷分类的过程为：将单个超声波回波群数据集D′的数据输入至多层网络模型中进行训练与测试，经过多层网络模型提取的特征进行伤损缺陷分类，多层网络模型包括卷积层、池化层、残差模块、降采样残差模块和全连接层。

本发明的进一步改进在于，所述步骤S5包括以下子步骤：

步骤S501，基于时序序列分析的异形伤损检出中，确定钢轨中重点部位，记录重点部位在钢轨的位置p，获取重点部位前后范围d内底波消失呈现的出波序列[lb₁,lb₂,…,lb_n]；

步骤S502，对底波消失序列进行切断，得到底波消失区域；

步骤S503，遍历符合底纹消失阈值的底波消失区域，获得伤损缺陷列表。

本发明还提供一种基于超声波信号的钢轨缺陷智能检测系统，采用了如上所述的基于超声波信号的钢轨缺陷智能检测方法，并包括：

数据准备模块，基于既有线路的超声波信号数据解析出各个位置中各个通道超声波信号的信息，所述超声波信号的信息包括钢轨轨头位置信号、钢轨轨腰位置信号以及钢轨轨底位置信号；

去噪处理模块，用于去除超声波信号数据中的噪声，提取出有效的超声波信号；

框选处理和信号转换模块，用于对有效的超声波信号进行框选处理，得到单个超声波回波群数据集，并构建出所有超声波回波群的集合，以所有超声波回波群的集合为基础计算其信号密度比，通过过滤获取有效的单个超声波回波群数据集；

伤损缺陷分类模块，对有效的单个超声波回波群数据集进行伤损缺陷分类；

专家系统处理模块，对伤损缺陷分类后的结果进行专家系统处理，得到伤损缺陷列表。

与现有技术相比，本发明的有益效果在于：首先在步骤S2中通过超声波信号的周期性特征实现噪声信号的去除，可以很好的解决超声波信号中出现较多杂波的情况，即可以过滤掉大部分噪声信号，也能够很好地保留所有包括了伤损缺陷的超声波信号，对于伤损缺陷检出的召回率有大幅度的提升。然后，在步骤S3中通过多种策略的选框机制分别提取超声波信号中通道相关性、位置相关性以及控件相关性更强的超声波回波群，能够更全面的框选出伤损缺陷的区域，从而为伤损缺陷分类提供更加全面且精准的数据依据。最后，还采用了深度神经网络等多层网络模型进行有效的单个超声波回波群数据集进行伤损缺陷分类，优选采用了基于卷积运算和残差模块的混合特征提取方式，解决了信号特征退化问题，可以更有效且全面地提取所有超声波信号相关的特征信息，进而大幅提升伤损缺陷的检出率，本发明能够大幅度提高钢轨缺陷的智能化检测过程，有效提升了其工作效率和准确程度，并且还能够降低人力成本。

附图说明

图1是本发明一种实施例的工作流程示意图；

图2是本发明一种实施例的详细工作流程示意图。

具体实施方式

下面结合附图，对本发明的较优的实施例作进一步的详细说明。

如图1所示，本例提供一种基于超声波信号的钢轨缺陷智能检测方法，包括以下步骤：

步骤S1，基于既有线路的超声波信号数据D01解析出各个位置中各个通道超声波信号的信息，所述超声波信号的信息包括钢轨轨头位置信号、钢轨轨腰位置信号以及钢轨轨底位置信号；

步骤S2，去除超声波信号数据D01中的噪声，提取出有效的超声波信号D02；

步骤S3，对有效的超声波信号D02进行框选处理，得到单个超声波回波群数据集D03，并构建出所有超声波回波群的集合，以所有超声波回波群的集合为基础计算其信号密度比，通过过滤获取有效的单个超声波回波群数据集D04；

步骤S4，对有效的单个超声波回波群数据集D04进行伤损缺陷分类；

步骤S5，对伤损缺陷分类后的结果进行专家系统处理，得到伤损缺陷列表。

更为具体的，如图2所示，本例所述步骤S1为数据准备步骤，通过超声检测得到各个位置中各个通道超声波信号D01即可。本例所述步骤S2中，先根据钢轨轨头位置信号、钢轨轨腰位置信号以及钢轨轨底位置信号分别进行去噪处理。

以轨头位置信号x(t)为例，根据指数平滑函数p_i来判断周期k的周期性特征，t表示时间，其计算公式如下：s_i＝α(x_i-p_i-k)+(1-α)(s_i-1+t_i-1)。其中，s_i是时间步长i上经过指数平滑函数p_i处理后的值，简称当前平滑值；i为时间步长的循环序号，x_i是实际信号在这个时间步长上的实际数据，即第i个样本；t_i是当前平滑值s_i和上一个平滑值s_i-1的差，即平滑变化值，也就是说，当前信号趋势较上一个时间步长里平滑信号改变了多少。α是预先设置的参数，α参数是0和1之间的任意值；j是循环序号，取值为0-i之间。其递进关系如下：

上述信号趋势的平滑变化值t_i，其公式如下：t_i＝β(s_i-s_i-1)+(1-β)t_i-1

其中，β参数的取值范围在0和1之间的任意值，可以理解为，对t_i的处理类似于一次平滑指数法中的当前平滑值s_i，即对信号趋势也需要做一个平滑，临近的趋势权重大。

根据信号趋势的平滑变化值t_i，进一步得计算以周期为k的一个周期性特征，计算公式如下：p_i＝γ(x_i-s_i)+(1-γ)p_i-k。其中，p_i是平滑函数，表述为当前周期受上一周期的影响，也就是说，当一个信号序列在每个固定的时间周期中出现某种重复模式，而这样的一个重复时间周期成为噪声区间，简称为噪声。γ参数的取值范围在0和1之间的任意值。

然后对得到周期性特征p_i经过预设周期性阈值的过滤，求得各个位置中各个通道的噪声区间，所述预设周期性阈值指的是预先设定的周期性特征的阈值，该预设周期性阈值的取值是个动态值，和γ参数以及前一周期的超声波回波数据周期相关，实际操作中通常考虑2个周期范围内的周期性数据联合γ参数计算的基准，以此设为默认的预设周期性阈值；当然，在实际应用中，可以根据实际情况和需求进行自定义设置和修改。进而去除各个位置中各个通道C_j的噪声区间的信号，得到各个位置中各个通道C_j的有效的超声波信号D02。

因此，本例所述步骤S2优选包括以下子步骤：

步骤S201，将超声波信号x(t)经过指数平滑函数p_i来判断各个位置中各个通道C_j的超声波信号的噪声分布，C_j指的是原始超声波回波信号中第j组通道的信号回波点，本例中j取自然数，代表循环序号；

步骤S202，对各个位置中各个通道C_j的超声波信号计算其周期性特征；

步骤S203，对于每一个周期性特征的超声波信号进行预设周期性阈值的过滤，得到各个位置中各个通道C_j有效的超声波信号D02。

本例所述步骤S3优选包括步骤S301至步骤S307。

本例所述步骤S301中，根据去噪处理后得到各个位置中各个通道C_j有效的超声波信号D02构建n个样本的无标注数据集X，n为无标注数据集X的样本个数；本例所述步骤S301优选通过矩阵构建n个样本的无标注数据集X；其中，矩阵的每一行对应一个特征，矩阵的每一列对应一个样本，矩阵元素x_ij表示第i个样本的第j个特征属性值，i和j均为循环序号，j＝1,2,3,...,m，i＝1,2,3,...,n，n表示无标注数据集X的样本个数，m表示每个样本的特征向量。

本例所述步骤S302中，根据无标注数据集X进行无监督学习的聚类，根据各个超声波信号之间的相似度和距离进行框选，将n个样本的无标注数据集X分类成k个不同的类或簇中，得到单个超声波回波群数据集的一个子集D₁。k指的是最终聚类的类别数。

本例通过k个类G₁,G₂,...,G_k形成对无标注数据集X的划分，其中 用C表示划分，一个划分对应着一个聚类结果，即为一个目标框。通过损失函数的最小化将集合X的划分C选取出最优的划分C^*。首先采用欧式距离平方作为信号间的距离d(x_i,x_j)，公式如下：/>x_i指的是第i个样本，x_j指的是第j个样本，x_ki指的是样本x_i的第k个指标，x_kj指的是样本x_j的第k个指标。

根据信号间的距离d(x_i,x_j)计算信号间的损失函数Loss(C)，即样本与其所属类的中心点之间的距离，计算方式如下：式中/> 表示的是第l个类的均值或中心，Loss(C)也可理解为信号间相同类的相似度。

根据信号间相同类的相似度计算最优划分C^*，计算方式如下：式中min表示的损失函数的最小值。也就是说，最相似的信号将被聚到同类中，进而得到单个超声波回波群的集合之一，即单个超声波回波群数据集的子集D₁。

根据无标注数据集X进行预设距离规则的框选，分别计算各个位置各个通道之间超声波信号点的横向距离c_i和纵向距离v_i，通过所述预设距离的筛选，得到单个超声波回波群数据集的一个子集D₂；

本例所述步骤S303，根据无标注数据集X进行预设距离规则的框选，所述预设距离规则的框选指的是超声波信号的横向距离和纵向距离分别小于预先设置的横向距离阈值和纵向距离阈值，则进行框选；本例分别计算各个位置各个通道之间超声波信号点的横向距离c_i和纵向距离v_i，计算公式如下：c_i＝|horizontal(x_i)-horizontal(x_j)|，v_i＝|depth(y_i)-depth(y_j)|，计算得到超声波信号点的横向距离c_i和纵向距离v_i之后，选择横向距离和纵向距离分别小于预先设置的横向距离阈值和纵向距离阈值的超声波信号点，以此原则得到单个超声波回波群数据集的一个子集D₂。其中，横向距离阈值和纵向距离阈值分别为针对超声波信号点的横向距离c_i和纵向距离v_i所预先设置的距离阈值，横向距离c_i和纵向距离v_i所预先设置的距离阈值根据出波位置进行设置，一般分别选择出波位置上最大的目标的横向宽度和纵向深度分别作为横向距离阈值和纵向距离阈值，horizontal(x_i)指的是样本x_i的横坐标，horizontal(x_j)指的是样本x_j的横坐标，depth(y_i)指的是样本x_i的纵坐标，depth(y_j)指的是样本x_j的纵坐标。

本例所述步骤S304，根据去噪处理得到各个位置中各个通道C_j有效的超声波信号D02，基于Anchor机制框选单个超声波回波群数据集的一个子集D₃；更为具体的，本例根据各个位置中各个通道C_j的有效的超声波信号D02构建的二维图像数据，以输入图像的每个通道信号像素点为中心生成多个大小和比例不同的边界框，即为目标框。以输入图像的高度h，宽度为w为例，生成以二维图像每个通道像素点为中心的不同尺寸的Anchor。根据预设尺寸s∈(0,1]，宽高比r＞0，得出Anchor框的宽度和高度分别为和/>最后，经过Anchor框的宽度和高度以及宽高比阈值的筛选，选取尺寸符合Anchor框的宽度和高度要求，且宽高比达到宽高比阈值范围内(不小于0.5)的超声波信号，进而得到单个超声波回波群的集合之一，所述宽高比阈值为预先设定的宽度和高度之间的比例阈值，默认取值不小于0.5，可以根据实际情况和需要进行自定义设置和调整。

本例所述步骤S305，根据步骤S302至步骤S304分别得到的单个超声波回波群数据集的子集，构建出所有超声波回波群的框选集合D。其中，本例所述步骤S302中，通过集合D₁＝{d₁,d₂,d₃,....,d_g}表示单个超声波回波群数据集的子集D₁，d表示单个超声波回波群数据，g表示聚类框选中框的个数；所述步骤S303中，通过集合D₂＝{d₁,d₂,d₃,....,d_r}表示单个超声波回波群数据集的子集D₂，r表示预设距离规则框选中框的个数；所述步骤S304中，通过集合D₃＝{d₁,d₂,d₃,....,d_k'}表示单个超声波回波群数据集的子集D₃，k'表示基于Anchor机制框选中框的个数；所述步骤S305中，通过集合D＝{D₁∪D₂∪D₃}＝{d₁,d₂,d₃,...,d_g+r+k'}表示所有超声波回波群的框选集合D。

本例所述步骤S306，计算框选集合D各个框的信号密度比SDR；更为具体的，本例所述步骤S306中，优选通过公式计算框选集合D各个框的信号密度比SDR，其中，l'＝(1,2,3,...,g+r+k')，area(d_l')表示第l'个超声波回波群所覆盖的面积，count(c_l')表示是第l'个超声波回波群所有通道信号点的总数，d_l'表示的是第个l'超声波回波群,c_l'表示第l'个超声波回波群中的通道信号点。

本例所述步骤S307，根据预设框选阈值对所述信号密度比SDR进行过滤，去除对应的冗余框和重复框，得到有效的单个超声波回波群数据集D′。所述信号密度比阈值为预先设定的信号密度比SDR的阈值，所述信号密度比阈值的取值范围通常取[0.5,1]，也可以根据实际情况和需求进行自定义设置和调整；当所述信号密度比SDR符合所述信号密度比阈值的取值范围时，即可进行框选，保证了尽可能多的信号出波被框选。

如图2所示，本例在步骤S301得到无标注数据集X后，优选先判断是否转换成图像数据，若是，则通过图像转换得到二维图像数据后，分别跳转至所述步骤S303和步骤S304；若否，则直接跳转至步骤S302，直到完成步骤S302至步骤S304，将单个超声波回波群数据集的各个子集输入至步骤S305中。也就是说，本例的步骤S302是不需要进行图像转换即可进行的，而步骤S303和步骤S304则是经过了图像转换，进而针对不同的超声波信号进行不同的框选，保证了钢轨缺陷的检测准确率高且针对性强，所述图像转换采用常用的图像转换方式即可。

本例所述步骤S4对有效的单个超声波回波群数据集进行伤损缺陷分类的过程为：将单个超声波回波群数据集D′的数据输入至多层网络模型中进行训练与测试，经过多层网络模型提取的特征进行伤损缺陷分类，多层网络模型包括卷积层、池化层、残差模块、降采样残差模块和全连接层。

本例所述步骤S4根据所述步骤S3得到的超声波回波群，即为伤损缺陷分类的目标框，将其转换为三维图像数据输入到多层网络模型中进行训练与测试。经过多层网络模型提取的特征进行伤损缺陷分类。为了避免在特征提取的过程中，随着网络深度的增加而导致的特征信息退化的情况，本例在多层网络模型中加入了残差模块，通过Shortcut(快捷连接)同等映射来解决特征信息退化问题。因此本实例设计了伤损缺陷分类网络R34，以此得到伤损缺陷分类模型。其网络架构包括以下构建层：第一个构建层，包括一个普通卷积层和最大池化层；第二个构建层，包括3个残差模块；第三个构建层，包括降采样残差模块和3个残差模块；第四个构建层，包括降采样残差模块和5个残差模块；第五个构建层，包括降采样残差模块和2个残差模块；第六个构建层，包括平均池化层、全连接层和Softmax层。

其中，残差模块中的计算公式表示成如下：y_layer＝x_layer+F(x_layer,W_layer)，x_layer+1＝f(y_layer)，x_layer和x_layer+1分别表示第layer个和第layer+1个残差模块的输入，F为残差函数，f为激活函数，y_layer为残差模块的输出，W_layer为残差模块输入的权重参数，该权重参数W_layer在设定好残差模块时会根据训练损失自动调整。基于上式，本例可以求得从浅层到深层L的学习特征，公式如下：由上述的得出的学习特征经过Softmax分类器进行分类，即可输出伤损缺陷结果。

本例所述步骤S5在步骤S4得到的伤损缺陷结果的基础上，使用专家系统进一步确定钢轨伤损缺陷的位置及类别，包括基于时序序列分析的异形伤损检出方法及伤损缺陷目标联合评价方法。本例所述步骤S5包括以下子步骤：

步骤S501，基于时序序列分析的异形伤损检出中，确定钢轨中重点部位，记录重点部位在钢轨的位置p，获取重点部位前后范围d内底波消失呈现的出波序列[lb₁,lb₂,…,lb_n]；

步骤S502，对底波消失序列进行切断，得到底波消失区域；

步骤S503，遍历符合底纹消失阈值的底波消失区域，获得伤损缺陷列表。

更为具体的，本例在步骤S5中基于时序序列分析的异形伤损检出，在步骤S4中确定钢轨中重点部位，记录重点部位在钢轨的位置p，获取重点部位前后范围d内底波消失呈现的出波序列[lb₁,lb₂,…,lb_n]，lb_n为第n个样本的底波消失的回波信号，根据不同的伤损类型，重点部位的前后范围d可自行设置和调整。

本例所述步骤S502通过公式b_locate＝[p₁,p₂,…,p_m]对底波消失序列进行切断，找出明显的疑似伤损区域，其中，b_locate表示疑似伤损区域列表的集合，p_m＝[lb_n1,lb_n2,…,lb_nk]为切割的疑似伤损区域，其中，lb_nk为第k个疑似伤损区域获取的有用回波信号序列，lb_nk-lb_nk-1≤t_gap，t_gap为宽度切分阈值；t_gap根据不同重点部位，设定不同的值，可以根据实际情况进行修改和调整。

从疑似伤损区域列表的集合b_locate的序列中选出长度超过l_ler的段，l_ler为预先设置的底波消失区域的阈值，l_ler根据不同伤损的确定伤损条件，设定不同的值。本例所述步骤S503遍历b_locat中符合阈值的底波消失区域，获得疑似伤损的时间序列列表[[x_ch1,y_ch1],[x_ch2,y_ch2],…,[x_chn,y_chn]]，以此结果输出伤损缺陷列表，x_chn为第n个时间位上回波信号的横坐标，y_chn为第n个时间位上回波信号的纵坐标。如果事件序列元素满足x_ch*-x_ch*-1≤th₁并且满足y_ch*-y_ch*-1≤th₂，th₁和th₂分别为时序判断的间隔阈值，根据不同伤损判断条件，可设置不同值，则下一时刻的出波在伤损趋势范围内，可以认为是伤损的一部分。以此确定连续出波且有明显走向趋势的伤损，进而避免了步骤S4中由于缺少数据或环境特殊遗漏掉的异形伤损，再进一步提高准确度。

在此基础上，本例还进一步设计了伤损缺陷目标联合评价方法，利用上下文的目标信息辅助伤损判断。具体实施步骤如下：

步骤S504，确定当前伤损的位置，从步骤S501至步骤S503中确定当前伤损位置前后范围g_th内的其他目标，g_th按照不同目标位置取值不同，例如轨头范围取整根轨的长度设定g_th；

步骤S505，设置初始伤损评价s_obj，不同伤损类别具有不同初始伤损评价；该初始伤损评价s_obj可以根据实际情况进行自定义设置和调整；

步骤S506，根据步骤S504获取到的其他目标，若存在，则伤损得分预增分为s_con＝1；

步骤S507，通过公式设置贡献转移矩阵W_ij，即在不同伤损之间确定当前伤损的贡献度，由于当前伤损不与自身作比较，因此矩阵对角线元素为0。

步骤S508，通过公式计算当前伤损最终评分s_final，评分越高，则表示为真正伤损的可能性越大，进而能够更进一步地降低最后输出结果的误报可能，进一步完善伤损缺陷列表。

本例还提供一种基于超声波信号的钢轨缺陷智能检测系统，采用了如上所述的基于超声波信号的钢轨缺陷智能检测方法，并包括：

数据准备模块，基于既有线路的超声波信号数据解析出各个位置中各个通道超声波信号的信息，所述超声波信号的信息包括钢轨轨头位置信号、钢轨轨腰位置信号以及钢轨轨底位置信号；

去噪处理模块，用于去除超声波信号数据中的噪声，提取出有效的超声波信号；

框选处理和信号转换模块，用于对有效的超声波信号进行框选处理，得到单个超声波回波群数据集，并构建出所有超声波回波群的集合，以所有超声波回波群的集合为基础计算其信号密度比，通过过滤获取有效的单个超声波回波群数据集；

伤损缺陷分类模块，对有效的单个超声波回波群数据集进行伤损缺陷分类；

专家系统处理模块，对伤损缺陷分类后的结果进行专家系统处理，得到伤损缺陷列表。

综上所述，本例首先在步骤S2中通过超声波信号的周期性特征实现噪声信号的去除，可以很好的解决超声波信号中出现较多杂波的情况，即可以过滤掉大部分噪声信号，也能够很好地保留所有包括了伤损缺陷的超声波信号，对于伤损缺陷检出的召回率有大幅度的提升。然后，在步骤S3中通过多种策略的选框机制分别提取超声波信号中通道相关性(步骤S302)、位置相关性(步骤S303)以及控件相关性(步骤S304)更强的超声波回波群，能够更全面的框选出伤损缺陷的区域，从而为伤损缺陷分类提供更加全面且精准的数据依据。最后，还采用了深度神经网络等多层网络模型进行有效的单个超声波回波群数据集进行伤损缺陷分类，优选采用了基于卷积运算和残差模块的混合特征提取方式，解决了信号特征退化问题，可以更有效且全面地提取所有超声波信号相关的特征信息，进而大幅提升伤损缺陷的检出率，本发明能够大幅度提高钢轨缺陷的智能化检测过程，有效提升了其工作效率和准确程度，并且还能够降低人力成本。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (6)

1.一种基于超声波信号的钢轨缺陷智能检测方法，其特征在于，包括以下步骤：

步骤S1，基于既有线路的超声波信号数据解析出各个位置中各个通道超声波信号的信息，所述超声波信号的信息包括钢轨轨头位置信号、钢轨轨腰位置信号以及钢轨轨底位置信号；

步骤S2，去除超声波信号数据中的噪声，提取出有效的超声波信号；

步骤S3，对有效的超声波信号进行框选处理，得到单个超声波回波群数据集，并构建出所有超声波回波群的集合，以所有超声波回波群的集合为基础计算其信号密度比，通过过滤获取有效的单个超声波回波群数据集；

步骤S4，对有效的单个超声波回波群数据集进行伤损缺陷分类；

步骤S5，对伤损缺陷分类后的结果进行专家系统处理，得到伤损缺陷列表；

所述步骤S3包括以下子步骤：

步骤S301，根据去噪处理后得到各个位置中各个通道C_j有效的超声波信号构建n个样本的无标注数据集X，n为无标注数据集X的样本个数；

步骤S302，根据无标注数据集X进行无监督学习的聚类框选，根据各个超声波信号之间的相似度和距离进行框选，得到单个超声波回波群数据集的一个子集D₁；

步骤S303，根据无标注数据集X进行预设距离规则的框选，分别计算各个位置各个通道之间超声波信号点的横向距离c_i和纵向距离v_i，通过所述预设距离的筛选，得到单个超声波回波群数据集的一个子集D₂；

步骤S304，根据去噪处理得到各个位置中各个通道C_j有效的超声波信号，基于Anchor机制框选单个超声波回波群数据集的一个子集D₃；

步骤S305，根据步骤S302至步骤S304分别得到的单个超声波回波群数据集的子集，构建出所有超声波回波群的框选集合D；

步骤S306，计算框选集合D各个框的信号密度比SDR；

步骤S307，根据预设框选阈值对所述信号密度比SDR进行过滤，去除对应的冗余框和重复框，得到有效的单个超声波回波群数据集D′；

在步骤S301得到无标注数据集X后，判断是否转换成图像数据，若是，则通过图像转换得到二维图像数据后，分别跳转至所述步骤S303和步骤S304；若否，则直接跳转至步骤S302，直到完成步骤S302至步骤S304，将单个超声波回波群数据集的各个子集输入至步骤S305中；

所述步骤S302中，通过集合D₁＝{d₁,d₂,d₃,....,d_g}表示单个超声波回波群数据集的子集D₁，d表示单个超声波回波群数据，g表示聚类框选中框的个数；所述步骤S303中，通过集合D₂＝{d₁,d₂,d₃,....,d_r}表示单个超声波回波群数据集的子集D₂，r表示预设距离规则框选中框的个数；所述步骤S304中，通过集合D₃＝{d₁,d₂,d₃,....,d_k'}表示单个超声波回波群数据集的子集D₃，k'表示基于Anchor机制框选中框的个数；所述步骤S305中，通过集合D＝{D₁∪D₂∪D₃}＝{d₁,d₂,d₃,...,d_g+r+k'}表示所有超声波回波群的框选集合D；

所述步骤S306中，通过公式计算框选集合D各个框的信号密度比SDR，其中，l'＝(1,2,3,...,g+r+k')，area(d_l')表示第l'个超声波回波群所覆盖的面积，count(c_l')表示是第l'个超声波回波群所有通道信号点的总数，d_l'表示的是第个l'超声波回波群,c_l'表示第l'个超声波回波群中的通道信号点。

2.根据权利要求1所述的基于超声波信号的钢轨缺陷智能检测方法，其特征在于，所述步骤S2包括以下子步骤：

步骤S201，将超声波信号x(t)经过指数平滑函数p_i来判断各个位置中各个通道C_j的超声波信号的噪声分布，C_j指的是原始超声波回波信号中第j组通道的信号回波点；

步骤S202，对各个位置中各个通道C_j的超声波信号计算其周期性特征；

步骤S203，对于每一个周期性特征的超声波信号进行预设周期性阈值的过滤，得到各个位置中各个通道C_j有效的超声波信号。

3.根据权利要求1所述的基于超声波信号的钢轨缺陷智能检测方法，其特征在于，所述步骤S301中，通过矩阵构建n个样本的无标注数据集X；其中，矩阵的每一行对应一个特征，矩阵的每一列对应一个样本，矩阵元素x_ij表示第i个样本的第j个特征属性值，i和j均为循环序号，j＝1,2,3,...,m，i＝1,2,3,...,n，n表示无标注数据集X的样本个数，m表示每个样本的特征向量维度。

4.根据权利要求1至3任意一项所述的基于超声波信号的钢轨缺陷智能检测方法，其特征在于，所述步骤S4对有效的单个超声波回波群数据集进行伤损缺陷分类的过程为：将单个超声波回波群数据集D′的数据输入至多层网络模型中进行训练与测试，经过多层网络模型提取的特征进行伤损缺陷分类，多层网络模型包括卷积层、池化层、残差模块、降采样残差模块和全连接层。

5.根据权利要求1至3任意一项所述的基于超声波信号的钢轨缺陷智能检测方法，其特征在于，所述步骤S5包括以下子步骤：

步骤S501，基于时序序列分析的异形伤损检出中，确定钢轨中重点部位，记录重点部位在钢轨的位置p，获取重点部位前后范围内底波消失呈现的出波序列[lb₁,lb₂,…,lb_n]；

步骤S502，对底波消失序列进行切断，得到底波消失区域；

步骤S503，遍历符合底纹消失阈值的底波消失区域，获得伤损缺陷列表。

6.一种基于超声波信号的钢轨缺陷智能检测系统，其特征在于，采用了如权利要求1至5任意一项所述的基于超声波信号的钢轨缺陷智能检测方法，并包括：

数据准备模块，基于既有线路的超声波信号数据解析出各个位置中各个通道超声波信号的信息，所述超声波信号的信息包括钢轨轨头位置信号、钢轨轨腰位置信号以及钢轨轨底位置信号；

去噪处理模块，用于去除超声波信号数据中的噪声，提取出有效的超声波信号；

框选处理和信号转换模块，用于对有效的超声波信号进行框选处理，得到单个超声波回波群数据集，并构建出所有超声波回波群的集合，以所有超声波回波群的集合为基础计算其信号密度比，通过过滤获取有效的单个超声波回波群数据集；

伤损缺陷分类模块，对有效的单个超声波回波群数据集进行伤损缺陷分类；

专家系统处理模块，对伤损缺陷分类后的结果进行专家系统处理，得到伤损缺陷列表。