[发明专利]钢轨伤损检测方法

说明书

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。

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。