基于视觉注意力和PLSA模型的钢轨表面缺陷检测

针对目前钢轨表面缺陷检测的速度,精度较低,分类较难的现状,提出一种基于视觉注意力和PLSA模型的钢轨表面缺陷检测方法;结合亮度和纹理特征的视觉注意力模型检测钢轨表面缺陷,提取原图像的缺陷区域,并采用PLSA模型对提取的缺陷进行分类。实验结果表明:所提出的方法提高了检测及分类的速度与精度,能满足钢轨表面缺陷检测的要求。     

基于HALCON的钢轨表面缺陷检测技术研究

针对当前检测钢轨表面缺陷存在的效率低、易漏检误检问题,提出一种基于HALCON图像处理软件开发的钢轨表面缺陷检测方法,实现测量过程中对缺陷图像的识别和处理。通过钢轨模拟检测平台采集钢轨表面图像,利用HALCON软件对获取的原始图像进行预处理、边缘检测、目标特征提取,计算相关几何特征信息并定位钢轨表面缺陷。实验表明,该方法具有较高的测量精度和测量效率,能够满足实际应用,为钢轨表面缺陷在线检测提供了新的途径。     

基于背景建模的钢轨表面缺陷像素级检测方法

钢轨表面缺陷具有独特性和稀疏性,利用机器视觉技术自动地检测钢轨表面缺陷仍存在很大挑战.提出一种基于背景建模的钢轨表面缺陷像素级检测方法,利用钢轨图像固有特性构建图像背景分布模型,找到背景分布簇中心,以定位到可疑像素点;提出一种钢轨表面缺陷像素级识别方法,根据可疑像素点的上下文特征和空间位置先验概率识别该像素点是否属于真...     

钢坯啃伤对钢轨轧制质量的影响及控制措施

攀钢钢轨生产过程中发现轨头侧存在隐蔽性线纹缺陷、轨底边缘存在闭合性轧疤缺陷的问题,通过对缺陷形貌和位置的分析,最终确认这些缺陷是由于加热炉内横梁垫块存在烧损造成的结瘤顶伤铸坯引起的,铸坯大面积边角部均存在不同程度伤损,尤其以边角部位置尤为严重,如果这些损伤在后期轧制不能完全消除,对应钢轨轨底上下表面、轨头R13位置就会出现折叠(轧疤、线纹缺陷)。在确认缺陷原因后,通过修改检查方案和制定改进措施,进一步提高了钢轨质量。     

青藏铁路钢轨铝热焊缺陷成因分析

通过对青藏铁路钢轨铝热焊接头缺陷的分析发现,随着海拔高度的增加,铝热反应中气体溢出的倾向增加,使焊头内部气孔率增大;钢轨焊接预热过程中气体压力的增大,极易导致焊头表面产生夹渣等缺陷。试验表明,调整焊剂成分和预热工艺,能有效消除青藏铁路钢轨铝热焊的缺陷。     

钢轨闪光焊焊缝断裂原因分析

某运营线路一钢轨闪光焊焊缝发生全断面断裂,通过宏观、微观形貌观察,微区成分分析,金相组织、化学成分及低倍检验,分析钢轨闪光焊焊缝的断裂性质及断裂原因。分析结果表明:钢轨焊缝断裂性质为折叠裂纹导致的横向脆性断裂,在钢轨焊缝区域轨腰和轨底之间过渡圆弧部位的焊接推凸飞边根部形成的类似折叠裂纹缺陷导致疲劳裂纹的萌生,进而发展为横向脆性断裂。建议钢轨闪光焊焊接时尽量减小焊接推凸区厚度并避免在焊接推凸飞边根部形成类似折叠裂纹缺陷,防止焊缝发生横向脆性断裂。     

基于机器视觉的钢轨表面检测光学模型的研究

在机器视觉的检测中,图像是整个系统中最重要的原始数据,其质量决定了后期图像处理的效果和速度。为探讨高质量图像的采集,提出一种基于线阵CCD相机和线阵光源的钢轨表面缺陷检测的光学理论模型,分析线阵CCD采集系统中振动模糊的原因,推导出图像灰度值与系统振动幅度和缺陷深度的关系,研究光源照射角度和相机拍摄角度对图像灰度和缺陷区域对比度的影响,并通过实验验证模型的合理性。结果表明:缺陷区域图像灰度值随着钢轨表面缺陷深度增大而降低,采用较低的光源照射角度可增大缺陷与背景的对比度,突出缺陷特征便于后期图像处理的缺陷识别。     

钢轨预防性打磨技术的运用及效果分析

应用钢轨快速打磨车在工作运行中对钢轨进行在线预防性打磨,能及时有效消除钢轨表面的接触疲劳层、波磨以及焊接不平顺等初生缺陷,预防钢轨病害的发展,最大程度延长钢轨的服役寿命,同时能够保证列车运行的舒适性、安全性和平稳性。分析了钢轨快速打磨车的运用及效果,充分发挥其作业性能、降低作业成本,以带来更大的社会、经济及技术效益。     

攀钢钢轨生产现状及常见缺陷简析

分析和对比了攀钢轨梁厂两条万能生产线在进行重轨生产时的整体工艺布局,从钢轨生产现场实际情况简析成品钢轨部分常见且具有代表性的缺陷,阐述了缺陷产生的原因和处理办法,旨在提高钢轨质量监督检验效率,降低钢轨异议率.     

基于图像增强与深度学习的钢轨表面缺陷检测

相比传统的物理检测算法,基于机器视觉的检测算法具有检测速度快、操作便捷等诸多优点,但因受光照不均、相机失焦抖动、雨雪天气等外界因素的影响,导致检测精度降低。针对这一问题,提出一种基于图像增强与深度学习的钢轨表面缺陷视觉检测算法。首先,对图像进行Gabor滤波去噪,以减少噪声对缺陷检测的影响;然后,利用HSV空间变换方法增强缺陷图像的关键特征信息;最后,通过改进Faster R-CNN卷积神经网络,实现了多尺度钢轨表面缺陷的检测与识别。通过对所提出的检测算法进行对比实验,实验结果表明:裂纹、剥落、磨损三类缺陷的识别精度分别为91.87%,92.75%和91.52%,检测速度为每张图像0.265 s,优于已有的钢轨表面缺陷检测算法,能够很好地应用于实际项目中。     

3V化25Hz相敏轨道电路在分路不良区段的施工与调试

分路不良是指列车压入轨道区段后列车轮对无法短路钢轨,造成轨道继电器不能落下,形成室内控制台无法反映列车运行情况,发生严重的行车安全事故。造成轨道电路分路不良的原因多为污染严重、车辆很少行走钢轨生锈表面氧化。     

周期荷载作用下钢轨缺陷检测分析

根据振动理论、瞬态有限元-边界元理论,提出一种利用钢轨振动响应数据对钢轨断裂缺陷进行分析检测的方法.通过建立无砟轨道振动分析动力学模型,研究在节点周期荷载激振下,轨道在钢轨全断裂,钢轨截面50％断裂等缺陷条件下的振动加速度规律特征.结果表明:在不同轨道缺陷条件下,钢轨在2个检测点的振动响应加速度变化特征明显,且能够提取不同轨道缺陷对应的特征规律,多组仿真实验结果误差均在5％以内.本方法是无源检测,方法简单可靠,能够有效地提高轨道检测工作效率,减少线路维护的时间.研究结果可为基于动力学响应的轨道缺陷检测工程技术提供借鉴和利用.     

基于级联网络的钢轨顶面缺陷检测方法研究

长期的高速行驶会引起车辆振动，使钢轨顶面形成孔洞、擦伤和疤痕等各种缺陷，这些缺陷不仅会影响钢轨顶面的外观，还会对钢轨的性能和安全性产生长期不利影响。针对钢轨顶面缺陷类型多变、背景杂乱、对比度低、噪声干扰等因素影响，提出一种基于级联网络的钢轨顶面缺陷检测方法。利用图像垂直微分投影法分割出钢轨顶面区域，在此基础上使用级联网络对钢轨顶面上的疤痕缺陷进行检测。其中，为更好地优化缺陷特征细节，在特征提取阶段引入轻量级的卷积注意力机制模块；采用信道加权模块与残差解码器模块相结合的方式进行缺陷特征恢复；为得到边缘清晰的缺陷对象，在特征恢复之后设计了一个边界精细化网络结构。实验结果表明，该方法的平均绝对误差仅为0.001 2,AUC值达到0.993 5,单张图片平均检测速度仅为0.041 s,对于Ⅰ型和Ⅱ型钢轨顶面疤痕缺陷的检测精度分别达到98.6%和96.4%。利用该深度学习网络模型能较好地检测出钢轨顶面的疤痕缺陷，具有较高的工程实用价值。     

移动式钢轨气压焊接头缺陷分析与应对措施

移动式钢轨气压焊接头存在外观和内在缺陷。分析焊接接头外观缺陷高（低）接头及高低错位、旁弯及左右错位、轨角塌陷、局部凹陷、表面烧伤产生的原因，并提出应对措施；分析焊接接头内在缺陷光斑、未焊透、过烧、粗晶组织产生的原因，并提出应对措施。现场应用表明，钢轨气压焊接头具有较高的静弯、抗疲劳强度和良好的冲击韧性。     

钢轨轨头三维应力有限元分析

应用有限元分析程序ANSYS5．5对60kg·m-1钢轨轨头接触应力和最大负弯矩截面的弯曲应力进行了分析计算，并给出在实际机车轮压作用下有关截面上的应力数值和分布规律，为今后研究钢轨轨头近表面区域缺陷的发展规律及预测伤损钢轨的使用寿命提供了依据。     

钢轨缺陷在线高速检测

由圣地牙哥加利福尼亚大学研发的钢轨缺陷检测样机在最近进行的现场试验中取得了令人鼓舞的结果。该研究项目是由美国联邦铁路局研究与开发办公室提供资助。在2008年3月进行的现场试验中,最高检测速度达到1Omph。试验轨道包括三节轨头有不同程度内部缺陷的钢轨（占轨头面积的比例分别为35％、35％和12％）。其中,二节为表面横向轨头断裂（2％和5％）．一节为表面斜向轨头断裂（3．5％）。试验结果表明,对所有缺陷的检测成功率非常高。在不同环境条件下进行的24次试验中,包括大风天气和雨天,成功率达到75％～100％。     

图像处理技术在钢轨表面缺陷检测和分类中的应用

采用图像处理、模式识别及机器视觉等理论,对现役钢轨缺陷进行检测和分类.完成自动提取缺陷图像和最小化缺陷图像,以减少处理量并降低存储空间需求,自动判断缺陷类别.文章对采集到的缺陷图像进行处理,实验结果证明该方法能够正确实现检测轨道表面缺陷检测,并具有一定的适用性.此方法可以克服人工检测方法的许多弊端,提高检测速度和精度.     

基于多特征融合与AdaBoost算法的轨面缺陷识别方法

针对钢轨表面缺陷检测精度易受采集装置振动与异物干扰的影响等问题,通过分析缺陷的位置,设计钢轨图像采集装置。在此基础上,首先根据钢轨的形状特征,结合Hough变换与最小二乘法提取钢轨表面区域,再结合超熵理论与模糊理论对钢轨表面缺陷进行分割,然后建立正样本及负样本数据库,并通过提取样本的Harr-like特征与低层特征建立样本特征数据库,最后结合C4.5与AdaBoost算法设计缺陷分类器,对非缺陷进行排除并对缺陷进行分类。通过在500~1 000 lx,1 000~10 000 lx,10000~100 000 lx 3种不同的光照强度区间内对木枕及混凝土枕轨道的钢轨表面缺陷进行识别,识别时间平均为698ms,识别正确率平均为97.02%,与传统的识别方法对比具有明显的优势。     

基于改进YOLOX的轻量级钢轨表面缺陷检测算法北大核心

针对现有基于深度学习的钢轨表面缺陷检测方法在嵌入式检测系统上兼容性较差、计算资源占用高以及检测速度慢的问题,提出了一种基于改进YOLOX的轻量级钢轨表面缺陷检测算法。模型中主干特征层以MobileNetv3单元为基础,在保留其网络轻量化的同时进行局部优化,改进了浅层网络的激活函数,嵌入了SE(Squeeze and Excitation)注意力机制;在加强特征层优化了尾部的冗余卷积。通过与几种代表性算法进行对比试验,验证该算法的性能。结果表明:本文提出的改进算法在模型参数量仅为1.10×106的情况下,检出率和准确率分别达到了92.17%和90.92%,每秒传输帧数(Frame Per Second,FPS)为115.07,模型大小仅为原模型的1/5。该算法在保证较高检测精度的同时大大降低了模型参数量,并提升了检测速度,更适合部署于算力有限的嵌入式轨道检测系统,可为钢轨缺陷高效检测提供有效手段。     

基于视觉的钢轨表面缺陷识别方法综述

基于计算机视觉技术的钢轨表面缺陷识别方法凭借其非接触、准确性高、无遗漏、快速高效等优点得到越来越多的关注。其识别流程包括:对采集到的钢轨表面图像进行预处理;采用灰度水平投影等方法提取出钢轨的轨面区域;利用图像分割技术提取出缺陷部分的图像信息;对缺陷特征进行描述,计算出缺陷的特征向量;利用机器学习分类器实现缺陷分类;通过深度学习实现钢轨表面缺陷的识别。基于当前研究难点,指出未来主要的研究方向,包括图像的优化预处理、钢轨表面缺陷的快速准确提取及对基于深度学习的缺陷识别方法的深化完善。