CN113447572B - 钢轨探伤方法、电子装置、钢轨探伤车及可读存储介质 - Google Patents
钢轨探伤方法、电子装置、钢轨探伤车及可读存储介质 Download PDFInfo
- Publication number
- CN113447572B CN113447572B CN202111021296.1A CN202111021296A CN113447572B CN 113447572 B CN113447572 B CN 113447572B CN 202111021296 A CN202111021296 A CN 202111021296A CN 113447572 B CN113447572 B CN 113447572B
- Authority
- CN
- China
- Prior art keywords
- damage
- flaw detection
- probability
- steel rail
- data
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural 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
- G06N3/04—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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0234—Metals, e.g. steel
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本申请涉及一种提出的一种钢轨探伤方法、电子装置、钢轨探伤车及可读存储介质,所述方法包括步骤:接收超声波探伤信号,并根据所述超声波探伤信号生成信号图像;调用钢轨伤损智能分析网络对所述信号图像进行特征识别操作,得到特征数据;根据所述特征数据判断钢轨是否存在伤损;若钢轨存在伤损,则根据所述特征数据输出对应的探伤信息。通过钢轨伤损智能分析网络对信号图像进行特征识别得到的特征数据判断钢轨是否存在伤损,无需人工参与判定,极大地提高了探伤效率以及准确率。
Description
技术领域
本申请涉及故障检测领域,尤其涉及一种钢轨探伤方法、电子装置、钢轨探伤车及可读存储介质。
背景技术
列车在铁轨上运行时,由于钢轨生产材料,工艺,轮子与钢轨之间的摩擦,钢轨产生了局部伤损,对列车的行驶和乘客生命财产安全造成了很大隐患。因此,需要对钢轨进行探伤以检测钢轨伤损;目前多采用人工回放超声波信号的方法探伤,进而通过人工分析数据来判断钢轨伤损情况;而这种方式存在检测效率低以及判定准确率低的问题。
发明内容
本申请提供了一种钢轨探伤方法、电子装置、钢轨探伤车及可读存储介质,旨在解决现有技术中人工判断钢轨伤损检测效率低以及判定准确率低的技术问题。
为了解决上述技术问题或者至少部分地解决上述技术问题,本申请提供了一种钢轨探伤方法,所述方法包括步骤:
接收超声波探伤信号,并根据所述超声波探伤信号生成信号图像;
调用钢轨伤损智能分析网络对所述信号图像进行特征识别操作,得到特征数据;
根据所述特征数据判断钢轨是否存在伤损;
若钢轨存在伤损,则根据所述特征数据输出对应的探伤信息。
可选地,所述根据所述特征数据判断钢轨是否存在伤损的步骤包括:
获取所述特征数据中的识别伤损概率以及伤损类别概率;
判断所述识别伤损概率是否大于预设伤损概率,且存在大于预设类别概率的伤损类别概率;
若所述识别伤损概率大于所述预设伤损概率,且存在大于所述预设类别概率的伤损类别概率,则确认钢轨存在伤损;
若所述识别伤损概率小于或等于所述预设伤损概率,或所有所述伤损类别概率均小于或等于所述预设类别概率,则确认钢轨不存在伤损。
可选地,所述根据所述特征数据输出对应的探伤信息的步骤包括:
获取所述特征数据中的伤损位置、伤损等级以及伤损类别;
输出包含所述伤损位置、所述伤损等级以及所述伤损类别的探伤信息。
可选地,所述根据所述特征数据输出对应的探伤信息的步骤包括:
生成与所述特征数据对应的伤损数据;
获取历史伤损记录,并判断所述历史伤损记录中是否存在与所述伤损数据匹配的数据;
若所述历史伤损记录中存在与所述伤损数据匹配的数据,则输出未发现伤损的探伤信息。
可选地,所述调用钢轨伤损智能分析网络对所述信号图像进行特征识别操作的步骤之前包括:
对所述信号图像进行数据处理操作,其中,所述数据处理操作包括数据清洗、数据集成、数据变换以及数据规约。
可选地,所述调用钢轨伤损智能分析网络对所述信号图像进行特征识别操作,得到特征数据的步骤包括:
将所述信号图像输入至所述钢轨伤损智能分析网络,并运行所述钢轨伤损智能分析网络得到所述特征数据;其中所述钢轨伤损智能分析网络包括第一分支网络、第二分支网络、第三分支网络以及连接各分支网络输出的特征拼接Filter Concat层;
第一分支网络包括依次连接的第一最大池化层、批标准化层以及第一卷积层;
第二分支网络包括依次连接的第二卷积层以及第三卷积层;
第三分支网络包括依次连接的编码器、第四卷积层、第五卷积层、第二最大池化层、解码器。
可选地,所述第三分支网络还包括注意力机制层;
所述注意力机制层设置在所述编码器与所述第四卷积层之间。
为实现上述目的,本发明还提供一种电子装置,所述电子装置包括:
第一接收模块,用于接收超声波探伤信号,并根据所述超声波探伤信号生成信号图像;
第一执行模块,用于调用钢轨伤损智能分析网络对所述信号图像进行特征识别操作,得到特征数据;
第一判断模块,用于根据所述特征数据判断钢轨是否存在伤损;
第一输出模块,用于若钢轨存在伤损,则根据所述特征数据输出对应的探伤信息。
可选地,所述第一判断模块包括:
第一获取单元,用于获取所述特征数据中的识别伤损概率以及伤损类别概率;
第一判断单元,用于判断所述识别伤损概率是否大于预设伤损概率,且存在大于预设类别概率的伤损类别概率;
第一执行单元,用于若所述识别伤损概率大于所述预设伤损概率,且存在大于所述预设类别概率的伤损类别概率,则确认钢轨存在伤损;
第二执行单元,用于若所述识别伤损概率小于或等于所述预设伤损概率,或所有所述伤损类别概率均小于或等于所述预设类别概率,则确认钢轨不存在伤损。
可选地,所述第一输出模块包括:
第二获取单元,用于获取所述特征数据中的伤损位置、伤损等级以及伤损类别;
第一输出单元,用于输出包含所述伤损位置、所述伤损等级以及所述伤损类别的探伤信息。
可选地,所述第一输出模块包括:
第一生成单元,用于生成与所述特征数据对应的伤损数据;
第三获取单元,用于获取历史伤损记录,并判断所述历史伤损记录中是否存在与所述伤损数据匹配的数据;
第三执行单元,用于若所述历史伤损记录中存在与所述伤损数据匹配的数据,则输出未发现伤损的探伤信息。
可选地,所述电子装置包括:
第二执行模块,用于对所述信号图像进行数据处理操作,其中,所述数据处理操作包括数据清洗、数据集成、数据变换以及数据规约。
可选地,所述第一执行模块包括:
第四执行单元,用于将所述信号图像输入至所述钢轨伤损智能分析网络,并运行所述钢轨伤损智能分析网络得到所述特征数据;其中所述钢轨伤损智能分析网络包括第一分支网络、第二分支网络、第三分支网络以及连接各分支网络输出的特征拼接FilterConcat层;
第一分支网络包括依次连接的第一最大池化层、批标准化层以及第一卷积层;
第二分支网络包括依次连接的第二卷积层以及第三卷积层;
第三分支网络包括依次连接的编码器、第四卷积层、第五卷积层、第二最大池化层、解码器。
可选地,所述第三分支网络还包括注意力机制层;
所述注意力机制层设置在所述编码器与所述第四卷积层之间。
为实现上述目的,本发明还提供一种钢轨探伤车,所述钢轨探伤车包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的钢轨探伤方法的步骤。
为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的钢轨探伤方法的步骤。
本发明提出的一种钢轨探伤方法、电子装置、钢轨探伤车及可读存储介质,接收超声波探伤信号,并根据所述超声波探伤信号生成信号图像;调用钢轨伤损智能分析网络对所述信号图像进行特征识别操作,得到特征数据;根据所述特征数据判断钢轨是否存在伤损;若钢轨存在伤损,则根据所述特征数据输出对应的探伤信息。通过钢轨伤损智能分析网络对信号图像进行特征识别得到的特征数据判断钢轨是否存在伤损,无需人工参与判定,极大地提高了探伤效率以及准确率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明钢轨探伤方法第一实施例的流程示意图;
图2为本发明钢轨探伤方法中钢轨伤损智能分析网络的结构示意图;
图3为本发明钢轨探伤车的模块结构示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本发明提供一种钢轨探伤方法,参照图1,图1为本发明钢轨探伤方法第一实施例的流程示意图,所述方法包括步骤:
步骤S10,接收超声波探伤信号,并根据所述超声波探伤信号生成信号图像;
超声波探伤信号可以为启动钢轨探伤模式后接收到的;具体地,还可以在接收探伤启动指令时开始向预设方向以及预设位置发出超声波信号,同时接收回波信号,即超声波探伤信号;并将超声波探伤信号转换为信号图像。
步骤S20,调用钢轨伤损智能分析网络对所述信号图像进行特征识别操作,得到特征数据;
RDIANet(Rail Defects Intelligent Analysis Net,钢轨伤损智能分析网络)根据信号图像的特征定制化地设计了特征提取网络和损失函数,卷积层的大小和激活函数,能够解决输入成批信号图像到卷积神经网络进行训练的速度和精度问题,使用这种网络训练模型不需要有很高算力和内存等的计算资源,在训练数据集上训练完后导出模型,即可应用到其他数据上,实现实时的超声波钢轨伤损检测。RDIANet识别信号图像后得到对应的特征数据。
步骤S30,根据所述特征数据判断钢轨是否存在伤损;
特征数据用以表征钢轨的伤损状态,可以根据特征数据判断钢轨是否存在伤损。
步骤S40,若钢轨存在伤损,则根据所述特征数据输出对应的探伤信息。
若钢轨不存在伤损,则不进行输出操作。
探伤信息用以表征伤损的情况,如伤损大小、位置等。
本实施例通过钢轨伤损智能分析网络对信号图像进行特征识别得到的特征数据判断钢轨是否存在伤损,无需人工参与判定,极大地提高了探伤效率以及准确率。
进一步地,在基于本发明的第一实施例所提出的本发明钢轨探伤方法第二实施例中,所述步骤S30包括步骤:
步骤S31,获取所述特征数据中的识别伤损概率以及伤损类别概率;
步骤S32,判断所述识别伤损概率是否大于预设伤损概率,且存在大于预设类别概率的伤损类别概率;
步骤S33,若所述识别伤损概率大于所述预设伤损概率,且存在大于所述预设类别概率的伤损类别概率,则确认钢轨存在伤损;
步骤S34,若所述识别伤损概率小于或等于所述预设伤损概率,或所有所述伤损类别概率均小于或等于所述预设类别概率,则确认钢轨不存在伤损。
识别伤损概率用以表征钢轨出现伤损的概率,伤损类别概率为多个,分别对应预设类别的概率,每个伤损类别概率表征伤损为对应的预设类别的概率。
本实施例中预设伤损概率设置为0.6;预设类别概率设置为0.7;需要说明的是,具体的预设伤损概率以及预设类别概率可以根据实际应用场景以及需要进行设置,在此不进行赘述。
当识别伤损概率小于或等于预设伤损概率时,则认为钢轨不存在伤损;而当伤损类别概率均小于或等于所述预设类别概率时,则认为无法准确判断伤损为何种类别,伤损特征不明显,即便识别伤损概率大于预设伤损概率,很大可能是出现误判断,因此认为钢轨不存在伤损。进一步地,当识别伤损概率大于预设伤损概率,且所有所述伤损类别概率均小于或等于所述预设类别概率时,可以发出警示信息,以提醒检测人员进行确认。
本实施例通过识别伤损概率以及伤损类别概率能够合理地判断伤损情况。
进一步地,在基于本发明的第一实施例所提出的本发明钢轨探伤方法第三实施例中,所述步骤S40包括步骤:
步骤S41,获取所述特征数据中的伤损位置、伤损等级以及伤损类别;
步骤S42,输出包含所述伤损位置、所述伤损等级以及所述伤损类别的探伤信息。
伤损位置为伤损出现在钢轨上的位置,可以通过里程进行表征;伤损等级为伤损的严重情况,具体可以通过伤损的面积、最大长度等进行判断;伤损类别为伤损对应的种类,如剥离掉块、磨耗、压溃、压陷等。
本实施例能够使检测人员清楚地了解钢轨的伤损情况。
进一步地,在基于本发明的第一实施例所提出的本发明钢轨探伤方法第四实施例中,所述步骤S40包括步骤:
步骤S43,生成与所述特征数据对应的伤损数据;
步骤S44,获取历史伤损记录,并判断所述历史伤损记录中是否存在与所述伤损数据匹配的数据;
步骤S45,若所述历史伤损记录中存在与所述伤损数据匹配的数据,则输出未发现伤损的探伤信息。
历史伤损记录中记载有所有已进行修复的上随对应的历史伤损数据。由于在对伤损进行修复操作之后,修复部分的钢轨能够修复伤损但是无法恢复到未伤损时的状态,因此,为了防止将已进行修复的部位重复识别为伤损,设置历史伤损记录,当检测到与历史伤损记录中的数据对应的伤损数据时,认为该伤损数据对应的部分已进行过伤损修复,不将其识别为伤损。
本实施例能够避免重复将已修复伤损的部位识别为伤损,提高检测的准确率。
进一步地,在基于本发明的第一实施例所提出的本发明钢轨探伤方法第五实施例中,在所述步骤S20之前包括步骤:
步骤S50,对所述信号图像进行数据处理操作,其中,所述数据处理操作包括数据清洗、数据集成、数据变换以及数据规约。
在数据挖掘中,海量的原始数据中存在着大量不完整、不一致、有异常的数据,严重影响到数据挖掘建模的执行效率,甚至可能导致挖掘结果的偏差,所以进行数据处理就显得尤为重要;其中:数据清洗主要是删除原始数据集中的无关数据、重复数据,平滑噪声数据,筛选掉与挖掘主题无关的数据,处理缺失值、异常值。自动剪切,清洗,高斯滤波去噪,并将其统一到一个相同的尺寸和比例上,对其进行归一化处理,也就是将其均值和方差统一到一个相对比较集中的范围内。清洗过后的数据指标体系(度量),维度尺寸,单位,频度一致。数据集成是把不同来源、格式、特点性质的数据在逻辑上或物理上有机地集中。数据变换主要找到数据的特征表示。数据归约是指在尽可能保持数据原貌的前提下,最大限度地精简数据量。
本实施例能够对信号图像进行优化。
进一步地,参见图2,在基于本发明的第一实施例所提出的本发明钢轨探伤方法第六实施例中,所述步骤S20包括步骤:
步骤S21,将所述信号图像输入至所述钢轨伤损智能分析网络,并运行所述钢轨伤损智能分析网络得到所述特征数据;其中所述钢轨伤损智能分析网络包括第一分支网络、第二分支网络、第三分支网络以及连接各分支网络输出的特征拼接Filter Concat层;
本实施例中的信号图像为513*513的三通道图像,对每一个通道减去各自的均值,除以方差,以归一化输入数据;
第一分支网络包括依次连接的第一最大池化层、批标准化层以及第一卷积层;
本实施例中第一最大池化层的最大池化大小为2*2,步幅为2,以减少参数量;批标准化层Batch Normalization解决输入数据发生偏移的影响,进行平移和缩放处理。引入了可学习重构的γ和β两个参数;训练γ和β两个参数让网络可以学习恢复出原始网络所要学习的特征分布;第一卷积层的核大小为1*1;
第二分支网络包括依次连接的第二卷积层以及第三卷积层;
第二卷积层的核大小为7*7;第三卷积层的核大小为1*1;归一化后的信号图像分别经过第二卷积层以及第三卷积层以对像素特征进行线性变换组合,而不改变输出大小。
第三分支网络包括依次连接的编码器Encoder、第四卷积层、第五卷积层、第二最大池化层、解码器Decoder。
把归一化后的信号图像经过编码器,编码器将输入信号图像序列转化成一个向量,并将信息压缩到这个向量中;第四卷积层的核大小为1*5,卷积核扩大通道数,使得模型更深更宽的同时,控制了计算量的增加规模;第五卷积层的核大小为5*1,特征图的空间分辨率单调递减,特征图的通道数单调递增,更大的深度和更小的卷积核能够起到隐式正则化的作用;第二最大池化层的最大池化大小为2*2,步幅为2,池化缩小了特征图的宽和高,在每个最大池化之后,相对于上一步卷积之前的通道数进行翻倍,重复经过第五卷积层以及第二最大池化层,直至通道数为512,通道数越多,就能够提取更多的信息,训练能收敛的情况下,通道数越多,效果也越好;解码器每一步都会选择性的从上一步的输出中挑选一个子集进行进一步处理,转化成输出数据,这样,在产生每一个输出的时候,都能够做到充分利用输入特征图中携带的信息。进一步地,每个卷积层后都有非线性RELU函数修正,小卷积的堆叠可以进行多个非线性修正。
进一步地,所述第三分支网络还包括注意力机制层Attention;
所述注意力机制层设置在所述编码器与所述第四卷积层之间。
设置Attention可以解决编码器中向量的定长问题,它在产生输出的时候,会产生一个“注意力范围”表示接下来输出的时候要重点关注信号图像中的哪些部分,然后根据关注的区域来产生下一个输出。
可以理解的是,需要通过训练来得到钢轨伤损智能分析网络,训练之前需要获取对应的数据,并对数据进行标注;本实施例中的数据标注主要包括:
第一阶段,进行有效的人工标注,标注信息包括伤损的轮廓位置,伤损的鉴定级别细分,伤损的大致原因,伤损的建议处理方式等。由人工标定,初步建立一个伤损数据的专家学习***,并初步完成伤损数据的典型图谱收集,分类,编纂工作。对于正常样本一般无需额外标注。
第二阶段,需要研究,设计和开发相关的数据标注工具,能够实现快速完成标注库的建立。标注工具能够有效,快速地通过鼠标、键盘等输入设备实现上述伤损数据库相关问题数据库的建立和标注。
第三阶段,随着项目的进展,训练的工作达到一定的进度,可以在标注工具中实现半自动化标注,既是先通过已有的训练结果,对当前图片进行粗糙的检测、分类,然后人工干预,对其进行确认或是修改,这样可以大大加速伤损数据库、人工标定工作的速度和效率。
可以理解的是,模型训练需要设置损失函数以衡量模型预测的好坏,本实施例中采用IOU损失函数。具体地,函数公式如下:
其中:LOSSIOU为损失函数,d(,)为欧式距离,A为预测框,Bgt为真实框,Actr为预测框中心点坐标,Bctr gt为真实框中心点坐标,l 为 A , B 最小包围框的对角线长度,y为伤损预测的y坐标,x为伤损预测框的x坐标,a为调和权重系数,t为预测框和真实框所在位置角度的参数。
其中:
其中:ygt为真实框的y坐标,xgt为真实框的x坐标;
其中:IOU为伤损预测框,真实框的交并比;
其中:
其中:Intersection(,)为交集计算,Union(,)为并集计算。
本实施例能够合理地构建准确率高的钢轨伤损智能分析网络。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
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根据上述实施例的方法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,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的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,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
本申请还提供一种用于实施上述钢轨探伤方法的电子装置,电子装置包括:
第一接收模块,用于接收超声波探伤信号,并根据所述超声波探伤信号生成信号图像;
第一执行模块,用于调用钢轨伤损智能分析网络对所述信号图像进行特征识别操作,得到特征数据;
第一判断模块,用于根据所述特征数据判断钢轨是否存在伤损;
第一输出模块,用于若钢轨存在伤损,则根据所述特征数据输出对应的探伤信息。
本电子装置通过钢轨伤损智能分析网络对信号图像进行特征识别得到的特征数据判断钢轨是否存在伤损,无需人工参与判定,极大地提高了探伤效率以及准确率。
需要说明的是,该实施例中的第一接收模块可以用于执行本申请实施例中的步骤S10,该实施例中的第一执行模块可以用于执行本申请实施例中的步骤S20,该实施例中的第一判断模块可以用于执行本申请实施例中的步骤S30,该实施例中的第一输出模块可以用于执行本申请实施例中的步骤S40。
进一步地,所述第一判断模块包括:
第一获取单元,用于获取所述特征数据中的识别伤损概率以及伤损类别概率;
第一判断单元,用于判断所述识别伤损概率是否大于预设伤损概率,且存在大于预设类别概率的伤损类别概率;
第一执行单元,用于若所述识别伤损概率大于所述预设伤损概率,且存在大于所述预设类别概率的伤损类别概率,则确认钢轨存在伤损;
第二执行单元,用于若所述识别伤损概率小于或等于所述预设伤损概率,或所有所述伤损类别概率均小于或等于所述预设类别概率,则确认钢轨不存在伤损。
进一步地,所述第一输出模块包括:
第二获取单元,用于获取所述特征数据中的伤损位置、伤损等级以及伤损类别;
第一输出单元,用于输出包含所述伤损位置、所述伤损等级以及所述伤损类别的探伤信息。
进一步地,所述第一输出模块包括:
第一生成单元,用于生成与所述特征数据对应的伤损数据;
第三获取单元,用于获取历史伤损记录,并判断所述历史伤损记录中是否存在与所述伤损数据匹配的数据;
第三执行单元,用于若所述历史伤损记录中存在与所述伤损数据匹配的数据,则输出未发现伤损的探伤信息。
进一步地,所述电子装置包括:
第二执行模块,用于对所述信号图像进行数据处理操作,其中,所述数据处理操作包括数据清洗、数据集成、数据变换以及数据规约。
进一步地,所述第一执行模块包括:
第四执行单元,用于将所述信号图像输入至所述钢轨伤损智能分析网络,并运行所述钢轨伤损智能分析网络得到所述特征数据;其中所述钢轨伤损智能分析网络包括第一分支网络、第二分支网络、第三分支网络以及连接各分支网络输出的Filter Concat层;
第一分支网络包括依次连接的第一最大池化层、批标准化层以及第一卷积层;
第二分支网络包括依次连接的第二卷积层以及第三卷积层;
第三分支网络包括依次连接的编码器、第四卷积层、第五卷积层、第二最大池化层、解码器。
进一步地,所述第三分支网络还包括注意力机制层;
所述注意力机制层设置在所述编码器与所述第四卷积层之间。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以通过软件实现,也可以通过硬件实现,其中,硬件环境包括网络环境。
参照图3,在硬件结构上所述钢轨探伤车可以包括通信模块10、存储器20以及处理器30等部件。在所述钢轨探伤车中,所述处理器30分别与所述存储器20以及所述通信模块10连接,所述存储器20上存储有计算机程序,所述计算机程序同时被处理器30执行,所述计算机程序执行时实现上述方法实施例的步骤。
通信模块10,可通过网络与外部通讯设备连接。通信模块10可以接收外部通讯设备发出的请求,还可以发送请求、指令及信息至所述外部通讯设备,所述外部通讯设备可以是其它钢轨探伤车、服务器或者物联网设备,例如电视等等。
存储器20,可用于存储软件程序以及各种数据。存储器20可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如调用钢轨伤损智能分析网络对所述信号图像进行特征识别操作,得到特征数据)等;存储数据区可包括数据库,存储数据区可存储根据***的使用所创建的数据或信息等。此外,存储器20可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器30,是钢轨探伤车的控制中心,利用各种接口和线路连接整个钢轨探伤车的各个部分,通过运行或执行存储在存储器20内的软件程序和/或模块,以及调用存储在存储器20内的数据,执行钢轨探伤车的各种功能和处理数据,从而对钢轨探伤车进行整体监控。处理器30可包括一个或多个处理单元;可选地,处理器30可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器30中。
尽管图3未示出,但上述钢轨探伤车还可以包括电路控制模块,所述电路控制模块用于与电源连接,保证其他部件的正常工作。本领域技术人员可以理解,图3中示出的钢轨探伤车结构并不构成对钢轨探伤车的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提出一种计算机可读存储介质,其上存储有计算机程序。所述计算机可读存储介质可以是图3的钢轨探伤车中的存储器20,也可以是如ROM(Read-Only Memory,只读存储器)/RAM(Random Access Memory,随机存取存储器)、磁碟、光盘中的至少一种,所述计算机可读存储介质包括若干指令用以使得一台具有处理器的终端设备(可以是电视,汽车,手机,计算机,服务器,终端,或者网络设备等)执行本发明各个实施例所述的方法。
在本发明中,术语“第一”“第二”“第三”“第四”“第五”仅用于描述的目的,而不能理解为指示或暗示相对重要性,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”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。
尽管上面已经示出和描述了本发明的实施例,本发明保护的范围并不局限于此,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改和替换,这些变化、修改和替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种钢轨探伤方法,其特征在于,所述方法包括:
接收超声波探伤信号,并根据所述超声波探伤信号生成信号图像;
调用钢轨伤损智能分析网络对所述信号图像进行特征识别操作,得到特征数据;
根据所述特征数据判断钢轨是否存在伤损;
若钢轨存在伤损,则根据所述特征数据输出对应的探伤信息;
所述调用钢轨伤损智能分析网络对所述信号图像进行特征识别操作,得到特征数据的步骤包括:
将所述信号图像输入至所述钢轨伤损智能分析网络,并运行所述钢轨伤损智能分析网络得到所述特征数据;其中,所述钢轨伤损智能分析网络包括第一分支网络、第二分支网络、第三分支网络以及连接各分支网络输出的特征拼接Filter Concat层;
第一分支网络包括依次连接的第一最大池化层、批标准化层以及第一卷积层;
第二分支网络包括依次连接的第二卷积层以及第三卷积层;
第三分支网络包括依次连接的编码器、第四卷积层、第五卷积层、第二最大池化层、解码器;
所述根据所述特征数据判断钢轨是否存在伤损的步骤包括:
获取所述特征数据中的识别伤损概率以及伤损类别概率;
判断所述识别伤损概率是否大于预设伤损概率,且存在大于预设类别概率的伤损类别概率;
若所述识别伤损概率大于所述预设伤损概率,且存在大于所述预设类别概率的伤损类别概率,则确认钢轨存在伤损;
若所述识别伤损概率小于或等于所述预设伤损概率,或所有所述伤损类别概率均小于或等于所述预设类别概率,则确认钢轨不存在伤损;
所述根据所述特征数据输出对应的探伤信息的步骤包括:
获取所述特征数据中的伤损位置、伤损等级以及伤损类别;
输出包含所述伤损位置、所述伤损等级以及所述伤损类别的探伤信息。
2.如权利要求1所述的钢轨探伤方法,其特征在于,所述根据所述特征数据输出对应的探伤信息的步骤包括:
生成与所述特征数据对应的伤损数据;
获取历史伤损记录,并判断所述历史伤损记录中是否存在与所述伤损数据匹配的数据;
若所述历史伤损记录中存在与所述伤损数据匹配的数据,则输出未发现伤损的探伤信息。
3.如权利要求1所述的钢轨探伤方法,其特征在于,所述调用钢轨伤损智能分析网络对所述信号图像进行特征识别操作的步骤之前包括:
对所述信号图像进行数据处理操作,其中,所述数据处理操作包括数据清洗、数据集成、数据变换以及数据规约。
4.如权利要求1所述的钢轨探伤方法,其特征在于,所述第三分支网络还包括注意力机制层;
所述注意力机制层设置在所述编码器与所述第四卷积层之间。
5.一种电子装置,其特征在于,所述电子装置包括:
第一接收模块,用于接收超声波探伤信号,并根据所述超声波探伤信号生成信号图像;
第一执行模块,用于调用钢轨伤损智能分析网络对所述信号图像进行特征识别操作,得到特征数据;
第一判断模块,用于根据所述特征数据判断钢轨是否存在伤损;
第一输出模块,用于若钢轨存在伤损,则根据所述特征数据输出对应的探伤信息;
所述第一执行模块包括:
第四执行单元,用于将所述信号图像输入至所述钢轨伤损智能分析网络,并运行所述钢轨伤损智能分析网络得到所述特征数据;其中所述钢轨伤损智能分析网络包括第一分支网络、第二分支网络、第三分支网络以及连接各分支网络输出的特征拼接Filter Concat层;
第一分支网络包括依次连接的第一最大池化层、批标准化层以及第一卷积层;
第二分支网络包括依次连接的第二卷积层以及第三卷积层;
第三分支网络包括依次连接的编码器、第四卷积层、第五卷积层、第二最大池化层、解码器;
所述第一判断模块包括:
第一获取单元,用于获取所述特征数据中的识别伤损概率以及伤损类别概率;
第一判断单元,用于判断所述识别伤损概率是否大于预设伤损概率,且存在大于预设类别概率的伤损类别概率;
第一执行单元,用于若所述识别伤损概率大于所述预设伤损概率,且存在大于所述预设类别概率的伤损类别概率,则确认钢轨存在伤损;
第二执行单元,用于若所述识别伤损概率小于或等于所述预设伤损概率,或所有所述伤损类别概率均小于或等于所述预设类别概率,则确认钢轨不存在伤损;
所述第一输出模块包括:
第二获取单元,用于获取所述特征数据中的伤损位置、伤损等级以及伤损类别;
第一输出单元,用于输出包含所述伤损位置、所述伤损等级以及所述伤损类别的探伤信息。
6.钢轨探伤车,其特征在于,所述钢轨探伤车包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的钢轨探伤方法的步骤。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的钢轨探伤方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111021296.1A CN113447572B (zh) | 2021-09-01 | 2021-09-01 | 钢轨探伤方法、电子装置、钢轨探伤车及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111021296.1A CN113447572B (zh) | 2021-09-01 | 2021-09-01 | 钢轨探伤方法、电子装置、钢轨探伤车及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113447572A CN113447572A (zh) | 2021-09-28 |
CN113447572B true CN113447572B (zh) | 2021-11-30 |
Family
ID=77819363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111021296.1A Active CN113447572B (zh) | 2021-09-01 | 2021-09-01 | 钢轨探伤方法、电子装置、钢轨探伤车及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113447572B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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、***和存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102923164B (zh) * | 2012-09-14 | 2015-03-11 | 上海交通大学 | 基于超声导波与无线网络的高铁轨道健康监测*** |
CN104020221B (zh) * | 2014-05-30 | 2017-06-16 | 杨媛 | 一种基于超声导波的实时断轨检测定位方法 |
CN207015352U (zh) * | 2017-05-23 | 2018-02-16 | 山东省科学院激光研究所 | 激光声磁钢轨表面缺陷快速探伤***及探伤车 |
CN108334908B (zh) * | 2018-03-07 | 2022-06-24 | 中国铁道科学研究院集团有限公司 | 铁路钢轨伤损检测方法及装置 |
CN110758456B (zh) * | 2019-11-08 | 2021-06-08 | 哈尔滨工业大学 | 一种轮轨健康状态监测***及方法 |
CN111060603A (zh) * | 2019-12-19 | 2020-04-24 | 江苏理工学院 | 一种枕梁损伤监测方法、***及装置 |
CN111855810B (zh) * | 2020-07-20 | 2023-02-03 | 济南大学 | 一种基于循环神经网络的轨底伤损识别方法及*** |
CN111896625B (zh) * | 2020-08-17 | 2023-07-14 | 中南大学 | 钢轨伤损实时监测方法及其监测*** |
-
2021
- 2021-09-01 CN CN202111021296.1A patent/CN113447572B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113447572A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3937128A2 (en) | Image defect detection method and apparatus, electronic device, storage medium and product | |
US20210295485A1 (en) | Inspection device and inspection method | |
CN114445746A (zh) | 模型训练方法、铁路接触网异常检测方法及相关装置 | |
CN115035539B (zh) | 文档异常检测网络模型构建方法、装置、电子设备及介质 | |
JP2021086379A (ja) | 情報処理装置、情報処理方法、プログラム及び学習モデルの生成方法 | |
CN113447572B (zh) | 钢轨探伤方法、电子装置、钢轨探伤车及可读存储介质 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN114266894A (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN117030129A (zh) | 纸杯在线检漏方法及其*** | |
CN114169245A (zh) | 一种变压器故障诊断方法、装置及设备 | |
CN114399505A (zh) | 工业检测中的检测方法、检测装置 | |
CN113554645A (zh) | 基于wgan的工业异常检测方法和装置 | |
CN112884018A (zh) | 电网线路故障识别模型训练方法和电网线路巡检方法 | |
CN115631197B (zh) | 一种图像处理方法、装置、介质、设备及*** | |
CN115239733B (zh) | 裂缝检测方法、装置、终端设备以及存储介质 | |
CN111415326A (zh) | 一种用于铁路接触网螺栓异常状态的检测方法及*** | |
CN115457391A (zh) | 一种管道的漏磁内检测方法、***及相关组件 | |
CN116523871A (zh) | 一种加工件缺陷检测方法、装置、电子设备及存储介质 | |
CN113505860B (zh) | 盲区检测训练集的筛选方法、装置、服务器及存储介质 | |
CN114998194A (zh) | 产品缺陷检测方法、***和存储介质 | |
CN114490344A (zh) | 一种基于机器学习和静态分析的软件集成测评方法 | |
CN113487620A (zh) | 一种铁路绝缘节检测方法及装置 | |
CN113963233A (zh) | 一种基于双阶段卷积神经网络的目标检测方法及*** | |
EP2573694A1 (en) | Conversion method and system | |
CN113837173A (zh) | 目标对象检测方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |