基于Anchors设计和模型迁移的钢轨内部伤损检测方法

钢轨内部伤损的准确检测是保障列车安全运行的重要环节，如何提高伤损检测算法的泛化能力和鲁棒性是当前自动检测该类伤损面临的主要问题。为此，提出一种基于Anchors设计和模型迁移的钢轨内部伤损检测方法。首先，采用图像数据增强技术扩充现有图像数据集，获取适量的训练样本。其次，设计以交并比为距离度量的K-means聚类算法获取新的Anchors多维度约束，提高伤损检测精度。最后，在基于改进Faster R-CNN模型的迁移学习方法基础上，训练所提的钢轨伤损检测模型。试验结果表明，本文检测方法所得精确率、召回率和F₁值均达到99%,对不同类型的内部伤损取得了较好的检测效果；与现有方法相比，本文所提方法的识别准确率高、误报率低，可有效检测钢轨内部伤损。     

基于多层级特征融合的钢轨表面伤损检测方法

现有的钢轨表面伤损检测方法存在鲁棒性差、误检率高和容易漏检小面积伤损区域的问题。为此,提出一种基于多层级特征融合的钢轨表面伤损检测方法。首先,利用高速综合检测车搭载轨道图像采集系统,在实际的铁路线路采集轨道图像,并对表面伤损进行人工标注;然后,在钢轨图像数量有限的情况下,利用钢轨表面伤损数据集构建策略,提升训练样本图像的数量和多样性;最后,利用上述数据集,训练基于多层级特征融合的目标检测网络,实现钢轨表面伤损区域的自动检测。将所提新方法与现有方法进行对比试验,结果表明:新方法在钢轨表面伤损数据集上具有最优性能,实现了端到端的钢轨表面伤损检测,能够满足实际应用需求。     

新制高速铁路道岔尖轨和心轨超声波检测方法研究

为提升高速铁路道岔使用寿命，保障列车安全运行，针对新制道岔尖轨及心轨超声波检测工艺方法开展研究。简述对比试块人工伤损的位置和尺寸设置。利用A型脉冲反射式超声波探伤仪，检测人工伤损对比试块和实际产品，对比分析采用不同规格探头检测结果的差异。基于检测结果，对尖轨、心轨超声波检测工艺方法进行验证。验证结果表明：钢轨原材料材质伤损宜采用纵波直探头，同时增加60AT2钢轨轨腰不同埋藏深度平底孔人工伤损，以评定伤损当量大小。     

探伤车合理检测速度及配套使用方案的研究

文章对大小探伤车的性能进行了比较,并结合实际线路中钢轨伤损的检测情况,通过对检测伤损的可靠性进行分析比较,得到大小探伤车对不同伤损的检测能力,制定了合理的探伤速度及配套使用方案。     

基于大型钢轨探伤车的顶面伤损漏磁检测技术研究

我国铁路主要依靠人工对钢轨顶面伤损进行检查,缺乏有效的钢轨顶面伤损深度检测评价技术手段。研究基于大型钢轨探伤车的顶面伤损漏磁检测技术,设计开发了检测探头、模拟信号调理模块、数据采集和处理模块及上位机软件,完成了钢轨顶面伤损漏磁检测系统的开发。该系统在实验室条件下能够以最高50m/s速度检测宽度为0.2mm的顶面伤损,并进行了40km/h的车载试验。车载试验表明,检测系统在钢轨探伤车上能够安全运行,不干扰其他检测设备,能够适应铁路现场电磁环境,能够检测钢轨顶面人工伤损,但对顶面微裂纹的检测、电磁参数调整、安装方式和试验验证需深入研究。     

地铁在役钢轨典型伤损研究

地铁运营线上钢轨伤损严重,检测、维护工作量大。介绍了地铁钢轨伤损的状况,分析钢轨伤损的主要类别;对上海轨道交通1号线的大量检测数据进行统计分析,提出地铁钢轨伤损的五种典型类别,并分析其形成机理,研究其规律性,用以指导地铁钢轨养护维修工作。     

钢轨探伤车检出可疑伤损的综合分析方法

钢轨探伤车超声检测发现B型图异常后,依据伤损形态和走势下发一级、二级、三级报警,目前的伤损报警等级判定只针对B型图伤损波形,未考虑伤损危害性。朔黄铁路重载综合检测车包括轨道检测、轨道巡检、钢轨波磨、断面磨耗、路基道床检测及钢轨探伤等功能,可同步提供工务各专业数据。对钢轨可疑伤损分析评定时,结合线路技术状况,综合应用钢轨波磨、断面磨耗、轨道巡检、轨道几何、路基道床检测等数据,多专业、全方位综合分析伤损的严重程度和危害性,同时分析钢轨伤损成因,形成一套成熟的综合分析方法,在实际应用中取得良好效果。     

基于图像处理的钢轨伤损分类算法研究

钢轨伤损的种类众多且形态各异,即便对于同类伤损,在超声波钢轨探伤检测软件中形成的B显图像也会存在差异,而当某类伤损的B显图像变化超出一定范围后,检测软件便无法识别该伤损的类别。因此,提出一种基于图像处理的钢轨伤损分类算法,其采用Tamura纹理特征与局部二值模式(local binary pattern,LBP)相结合的算法提取伤损B显图像的特征值并组成特征向量,使得作为分类器的支持向量机(supportvector machine,SVM)能够对不同种类伤损的特征向量进行训练,从而用训练后的最优分类函数预测未训练过的待测伤损的类别。试验结果表明,所提算法在钢轨伤损图像分类方面实现了较高的分类准确率。     

基于深度学习与支持向量机的钢轨伤损智能识别系统

目前国内钢轨探伤车检测系统都带有自动伤损识别功能,但由于采用了基于既有规则的简单逻辑判断方法,其自动识别的准确率不高,误报较多,伤损漏报的现象时有发生。针对该问题,根据钢轨探伤车所检测数据的特点,提出了基于深度学习与支持向量机的钢轨伤损智能识别系统技术方案;采用深度可分离卷积与选择性搜索相结合的方法进行目标定位;基于人工构建的多维特征,采用支持向量机方式进行伤损图像分类;并通过使用实际线路所测数据中的人工标注样本进行测试,验证了方法的有效性。测试结果表明,该系统在各项技术指标上均表现优异,伤损检出率达到99.8%,误报率降为12%,分类准确率达到95%以上。     

基于智能识别与周期检测的钢轨伤损自动预警方法研究

目前采用人工回放方式对钢轨探伤车的检测数据进行分析,并与同一线路周期检测的钢轨伤损记录表进行对比,形成当次检测报告,实现钢轨伤损预警。人工回放与对比分析过程效率较低。提出一种基于智能识别技术与周期检测的钢轨伤损自动预警方法,结合线路基础信息数据库,通过对钢轨探伤车检测数据中的超声波反射体进行智能识别,输出超声波反射体的类别与位置,生成含有各类超声波反射体的序列(区段检测数据),基于编辑距离法将区段检测数据与区段标准检测数据(由周期检测数据生成)进行自动对比,形成检测报告,提高了数据分析效率。通过对某铁路集团有限公司5个区段的检测数据进行伤损自动预警测试,将自动预警结果与人工预警结果进行对比,验证了该方法的有效性和高效性。