[发明专利]一种基于深度学习的钢轨裂纹定量涡流检测方法和装置以及设备

说明书

本发明公开了一种基于深度学习的钢轨裂纹定量涡流检测方法和装置以及设备，包括：采集裂纹涡流响应，建立第一信号曲线；计算裂纹倾角，并对称化转换第一信号曲线，输出第二信号曲线；将第二信号曲线导入垂直裂纹深度学习模型，基于分析结果重构斜裂纹并确定斜裂纹深度和宽度。为了使垂直裂纹信号曲线数据集训练出的深度学习模型能用于斜裂纹的定量检测，将不对称的斜裂纹信号曲线对称化转换成对称曲线。在获得斜裂纹的对称化信号曲线后，使用训练好的垂直裂纹深度学习模型对对称信号曲线的数据进行反演，获得斜裂纹的剖面轮廓曲线，进而计算斜裂纹的宽度和垂直深度。

技术领域

本发明涉及钢轨裂纹检测技术领域，尤其涉及一种基于深度学习的钢轨裂纹定量涡流检测方法和装置以及设备。

背景技术

钢轨作为列车轨道的最重要的组成部分，由轨头、轨腰和轨底三部分组成。钢轨主要起到支撑机车车轮和引导车轮前进的作用，为车轮提供连续且阻力很小的滚动表面，直接承受来自车轮的压力。高速铁路的钢轨要满足高稳定性、表面平顺、良好的弹性和便于维护等要求。目前，已发现高铁在多年营运过程中累积了许多损伤。据统计，高铁损伤近一半发生在钢轨表面，这些损伤在沿横向发展后会造成钢轨的断裂，是严重危害人身安全的隐患。

长年累月，这种大载荷、高接触频率造成钢轨踏面出现不同程度的损伤。踏面的浅表层缺陷有裂纹、掉块、擦伤、锈蚀等。其中，裂纹的扩展对钢轨的危害最为严重。在周期性大载荷的作用下，裂纹继续扩展会使踏面出现剥离掉块甚至使钢轨断裂。根据裂纹与踏面法向夹角的不同，可以将钢轨踏面裂纹分为垂直裂纹和斜裂纹两种。不同倾角的裂纹扩展后将造成不同范围的损伤区域。在钢轨裂纹检测过程中，检测仪器会采集到大量的检测信号，深度学习技术可以实现损伤识别和定量检测，从而帮助检测人员根据具体裂纹深度对不同损伤级别的钢轨段采取相应的维护措施。深度学习基于大量的特征数据，对深度学习模型(目前以深度神经网络为主)进行训练，使得完成训练的模型能够实现数据的准确分类或相关参数的定量计算。

现有技术中利用深度学习对裂纹进行定量评估，需要建立垂直裂纹和斜裂纹的深度学习模型，分别用于垂直裂纹和斜裂纹的定量评估。建立两种深度学习模型，需要花费较多的时间，若直接将垂直裂纹的深度学习模型用于斜裂纹宽度和深度的定量计算，则无法得到正确的裂纹宽度和深度值。申请人提出一种可以解决上述问题的基于深度学习的钢轨裂纹定量涡流检测方法和装置以及设备。

发明内容

有鉴于此，本发明提出一种基于深度学习的钢轨裂纹定量涡流检测方法和装置以及设备，利用垂直裂纹数据集训练所得的深度学习模型对转换后的斜裂纹信号曲线进行反演，并结合斜裂纹的倾角，获得斜裂纹剖面轮廓曲线，进而获得斜裂纹的宽度和深度。

采用涡流检测的方法检测垂直裂纹得到的信号曲线是对称曲线，检测斜裂纹得到的信号曲线是非对称曲线。本发明中，采用对称化转换公式，将斜裂纹的信号曲线转换为对称曲线，使之适用于垂直裂纹深度学习模型。

一方面，本发明提供一种基于深度学习的钢轨裂纹定量涡流检测方法，所述方法包括：采集裂纹涡流响应，建立第一信号曲线；计算裂纹倾角，并对称化转换所述第一信号曲线，输出第二信号曲线；将所述第二信号曲线导入垂直裂纹深度学习模型进行计算，基于计算结果重构斜裂纹并确定斜裂纹深度和宽度。

另一方面，本发明提供一种基于深度学习的钢轨裂纹定量涡流检测装置，包括：

采集模块，用于采集裂纹涡流响应，建立第一信号曲线；

对称化转换模块，用于计算裂纹倾角，并对称化转换所述第一信号曲线，输出第二信号曲线；

深度学习模块，用于将所述第二信号曲线导入垂直裂纹深度学习模型进行计算，基于计算结果重构斜裂纹并确定斜裂纹深度和宽度。