基于图像技术的无砟道床表观伤损检测系统研制

我国高速铁路部分线路无砟道床裂缝、离缝、缺损等表观伤损主要依赖于人工持钢板尺、塞尺、测宽仪等传统工具进行测量,检测效率低,准确性差.针对这一问题,本文基于图像技术研制了无砟道床表观伤损检测系统,对无砟道床表观高清图像快速采集,利用图像处理、深度学习等技术构建图像识别算法,编制识别软件对采集图像进行智能识别.现场验证结果...     

高速铁路无砟轨道表面裂缝三维图像自动识别算法

无砟轨道表面伤损的自动检测技术是当前高速铁路检测与监测的关键技术。采用三维图像技术,将原始三维图像转换为二进制图,基于三维光影模型的轨道结构表面裂缝的三维图像识别算法,采用连通域分析与线性形态分析方法,了轨道结构裂缝识别中图像噪声消除算法,从而提高轨道结构表面裂缝自动识别的准确率。室内试验对比结果表明:课题组研发的高速铁路轨道表面伤损检测系统,可获得高精度的裂缝长度、宽度以及深度的数据信息,轨道板裂缝最大宽度的识别结果相对误差为6.25%、9.68%,裂缝长度的测试识别相对误差为1.39%、2.92%,平均深度的测试识别相对误差为15.69%、13.04%。采用提出的裂缝识别算法可实现100%准确率的裂缝自动识别。     

基于改进Faster R-CNN的CRTSⅡ型轨道板裂缝检测方法

高速铁路无砟轨道伤损检测维修的准确率和时效性关乎高速铁路的运营安全，采用机器视觉技术进行高速铁路无砟轨道板裂缝伤损检测可极大提升检测工作的准确率和效率，为此根据CRTSⅡ型轨道板裂缝伤损样本数据特点，提出一种基于改进Faster R-CNN的方法对轨道板裂缝进行检测。该改进方法将检测问题转化为定位问题，精简网络模型，其主干网络选用残差网络，避免网络深度过深而导致学习速度下降；引入引导锚框，以减少冗余锚框，提高检测针对性；采用Soft-NMS算法，改善轨道板裂缝检测的重叠状况，提高裂缝检测效果。为评估该改进方法的可靠性，建立CRTSⅡ型轨道板裂缝检测评价标准，并依据该评价标准将改进方法与R-FCN,YOLO-v5,Faster R-CNN及YOLOx网络算法进行对比测试。结果表明：提出的改进方法综合表现优于其他算法，具有更高的准确率以及最小的漏检率，最佳模型查准率为95.9%，查全率为89.6%，相较于其他几种经典算法分别提高了约2%～4%和2%～6%，能够较好地应用于CRTSⅡ型轨道板裂缝检测场景。     

基于YOLOv3算法的轨道扣件自动定位与检测

针对目前轨道扣件人工检测效率低、准确率低等问题,提出了基于YOLOv3算法的轨道扣件自动定位及检测方法。采集有砟轨道和无砟轨道的扣件图像并进行标注,通过K-means聚类确定预设边界框大小;为了更好地检测到细粒度特征,采用4个不同尺度的特征图来进行对象检测;对Darknet-53网络进行改进,有利于解决深层次网络的梯度问题,增加轨道扣件目标识别模型的识别效果。试验结果表明,该方法对轨道扣件目标识别效果较好,检测准确率较高。     

有砟轨道道床断面检测系统的研制

为满足铁路现场有砟轨道道床高效养护维修的需要,研制了一套基于激光扫描技术的有砟轨道道床断面检测系统。该系统配备高精度激光扫描传感器,在车辆高速运行的状态下实时获取有砟轨道道床区域的高精度点云信息,并通过多坐标系变换进行空间映射从而建立基于轨道坐标系的道床三维模型,最后基于凸集理论和空间分析算法模型实现了有砟轨道道床断面缺陷和盈/欠砟量的快速自动检测。铁路线路试验表明该系统能够快速高效地检测有砟轨道道床状态,为铁路有砟轨道道床养护维修提供准确、可靠的数据。     

高速铁路无砟道床伤损判定关键指标优化北大核心

结合TG/GW 115—2012《高速铁路无砟轨道线路维修规则(试行)》和工程实践经验,对无砟道床伤损等级判定指标进行了优化。建议《高速铁路线路维修规则》(报批稿)中高速铁路无砟道床伤损分类沿用现行维修规则中的分类方法,并增加CRTSⅢ型板式无砟道床伤损形式。无砟道床伤损等级划分由三级调整为两级,对Ⅰ级伤损应做好观测、记录、分析,对Ⅱ级伤损列入维修计划并适时修补;将CRTSⅠ型板式无砟道床砂浆层离缝判定指标中的对角线长度替换为离缝长度,并给出了其等级判定标准;将CRTSⅡ型板式无砟道床砂浆层伤损等级判定指标中的“离缝深度、离缝对角线长度”修改为“离缝面积比”,并给出了其等级判定标准;将无砟道床伸缩缝嵌缝材料的离缝、开裂、缺损统一判定为失效。     

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。     

基于自编码器的接触网定位器底座开口销缺失识别算法研究

随着接触网故障检测技术的发展,接触网悬挂状态检测系统可得到接触网定位器的海量高清图像用于线下故障排查。为提高接触网定位器底座开口销缺失检测的准确性和效率,基于自编码器无监督网络模型,根据定位装置开口销区域的图像特征设计开口销缺失识别算法,并通过实际现场图像数据验证算法的有效性和通用性。试验分析表明,该算法对于背景复杂、光照不均等现场实际图像均具有良好的适应性,算法检测准确率达90%以上,可提高接触悬挂零部件缺陷检测效率,具有重要的实际工程意义。     

基于深度学习的钢轨伤损智能识别方法

基于钢轨探伤车检测数据通道设计、B显数据生成原理和钢轨伤损分类,对比钢轨探伤车检测数据伤损识别与普通图像识别特点的不同,将检测数据视为由16个通道二进制矩阵叠加成的图像;设计包含1个输入层、3个卷积层、3个池化层、2个全连接层、1个输出层的深度学习架构,并通过噪声和通道预处理,将钢轨伤损的"物体检测"问题转换为"分类"问题。以某地人造钢轨伤损检测数据扩充后作为训练集,得到基于深度学习的钢轨伤损智能识别模型,以另一地的人造钢轨伤损检测数据作为测试数据分析该模型的识别效果,并与钢轨探伤车既有系统识别结果和人工分析结果进行对比。结果表明:基于深度学习的钢轨伤损智能识别模型在准确率、误报率指标上均优于钢轨探伤车既有系统,达到人工分析的指标要求,提高了准确率。     

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。     

某线框架板式轨道CA砂浆伤损动力试验研究

为进一步明确无砟轨道部件伤损对轨道结构受力和行车安全的影响,需要对典型病害类型展开现场动力学试验。本次现场试验主要针对框架板式轨道CA砂浆伤损进行动力测试试验,从而分析CA砂浆伤损(碎裂、掉块等)修复前后钢轨及轨道板的动力学响应,评估CA砂浆伤损对轨道结构受力和行车安全的影响,以及针对现场CA砂浆碎裂等病害的现有修复技术加以评估。     

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。     

聚氨酯固化道床的力学性能试验研究

聚氨酯固化道床是介于传统碎石道床和无砟轨道整体道床之间的一种新型结构。本文介绍了聚氨酯固化道床的国内外现状;通过聚氨酯固化道床围压试件的疲劳荷载、冻融试验、实尺模型疲劳试验和现场加载车测试试验,研究聚氨酯固化道床的弹性、抗累积变形、荷载传递规律及轨排阻力等力学性能。试验结果表明:聚氨酯固化道床具有良好弹性保持能力和抗累积变形能力,和普通碎石道床相比,具有更好的抵抗横向荷载能力,同时验证了聚氨酯固化道床结构设计断面的合理性。     

板式无砟轨道离缝病害无损检测方法试验研究

针对目前高速铁路板式无砟轨道离缝病害伤损检测中存在的不足,采用瞬态瑞雷面波法、地震映像法、地质雷达法、冲击回波法4种无损检测方法对CRTSⅢ型板式无砟轨道等比例模型进行对比试验,分析上述检测方法针对板式无砟轨道离缝检测的适用性与影响因素。试验结果表明,冲击回波法能够通过冲击响应强度与主频来表征介质阻抗差异,适用于板式无砟轨道离缝伤损检测。     

高原大风严寒地区无砟轨道嵌缝材料伤损及修复技术研究

对兰新高速铁路不同区段无砟轨道聚氨酯嵌缝材料伤损情况进行现场调研,分析无砟轨道聚氨酯嵌缝材料伤损类型及发展规律。针对高原大风严寒地区嵌缝材料伤损特点,优选相容性好的有机硅柔性密封嵌缝材料进行现场试验性修补。提出无砟轨道嵌缝材料表面封面、离缝嵌填和整体更换修复技术,为西北特殊环境下高速铁路无砟轨道嵌缝材料伤损的修补提供技术支撑。     

路基探地雷达图像层位智能识别与状态评价

针对有砟铁路路基层位探地雷达图像人工追踪效率低、精度低的问题，提出了基于深度学习的路基层位智能识别与状态评价技术。根据多条线路现场实测数据建立样本集，基于YOLO v5和U-Net训练智能识别模型，提出了层位厚度、道床-基床界面平整度评价指标计算方法。结果表明：本文提出的有砟铁路路基层位智能识别方法具有较高精度，且U-Net模型识别效果优于YOLO v5模型，识别、评价结果与人工追踪结果偏差较小，满足铁路路基检测工程的实际需求。     

山地米轨铁路有砟轨道结构稳定性研究

研究目的:本文以某山地米轨铁路为例,研究坡度250‰以上有砟轨道结构的稳定性和极限坡度。首先进行米轨混凝土枕的道床阻力测试试验,并建立轨排结构有限元模型,分析坡度和扣件阻力对轨排结构稳定性的影响;接着建立米轨有砟轨道三维有限元模型,研究坡度与竖曲线半径对有砟道床稳定性的影响;最后,根据扣件阻力、道床阻力与大坡道有砟轨道稳定性的关系提出米轨有砟轨道极限坡度和竖曲线半径的建议值。研究结论:(1)通过试验测试,得到了道床阻力-位移关系,结果表明轨排结构的稳定性随坡度增大而减弱,在扣件阻力不大于10 k N/组时其极限坡度为500‰;(2)有砟道床的稳定性随着坡度的增大而逐渐减弱,在列车荷载作用下,有砟道床保持稳定的最大坡度为500‰;(3)变坡点凸形竖曲线附近道床稳定性弱于直坡道地段,且其稳定性随着竖曲线半径的增大而逐渐增强,在坡度为250‰的情况下,为了保持有砟道床稳定竖曲线半径不能小于400 m;(4)本文研究成果可为米轨铁路大坡道有砟轨道结构稳定性分析提供理论与试验依据。     

铁路货车车轮踏面伤损检测中剥离与擦伤定位方法

针对铁路货车车轮踏面伤损检测问题,设计铁路货车车轮踏面伤损动态检测系统,提出剥离和擦伤的定位方法.首先对车轮踏面图像进行平滑去噪;然后对图像进行基于平稳小波和Canny融合算法的边缘检测,并根据标准车轮的宽度确定踏面区域;最后,根据剥离和擦伤的不同特征,对剥离踏面区域图像进行基于分块思想和种子填充算法的剥离粗定位后,再进行基于Canny算法和跟踪法的剥离精定位,并给出基于踏面边缘线搜索的擦伤定位方法.实验结果表明:在铁路货车运行速度为0.5 km/h～10 km/h时,踏面剥离的定位准确率达到96.7%,定位精度达到3 mm;擦伤定位准确率达到97.8%;可满足现场动态检测的要求.     

基于深度自编码网络的接触网开口销缺失识别

在对接触网悬挂装置状态进行检测时,因为缺少开口销缺失的样本,智能识别难以保证较高的准确率。本文提出了一种基于YOLO v2检测算法与深度降噪自编码网络的接触网开口销缺失识别方法,实现对开口销的定位及定位后开口销图像重构,通过分析重构误差判断接触网开口销是否缺失。试验证明该方法能有效识别开口销缺失情况。     

基于声发射技术的道岔尖轨伤损监测系统研究

道岔尖轨是轨道的风险控制关键点，针对现有伤损检测技术在道岔尖轨处存在盲区的问题，提出一种基于声发射信号的铁路道岔尖轨伤损监测方法，研发出道岔尖轨损伤监测系统。系统基于伤损模式分类算法对列车经过钢轨时所产生的声发射信号进行分析，实现对尖轨伤损状态的识别。现场测试数据表明该方法能够有效识别道岔尖轨的伤损。