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。     

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。     

钢轨探伤车综合智能检测系统

大型钢轨探伤车普遍采用超声波检测钢轨内部疲劳伤损,但国内已有的超声波系统架构平台在复杂线路区间探伤检测运用时存在数据拥塞和计算机死机现象而导致区段漏检,并且伤损的识别主要依靠人工全程回放。为提高信号处理速度和伤损识别能力,降低人工回放的工作量,进行了基于新型总线的超声波探伤系统和基于卷积神经网络深度学习的伤损智能识别技术研究;为提高钢轨表面和近表面的伤损检出能力,开展了钢轨表面图像检测技术研究;为实现各检测系统数据同步采集和同步回放,综合判定钢轨健康状况,设计了空间同步定位系统。经验证和对比,在平均伤损误报率基本相当的前提下,采用了深度学习算法的系统的平均人工伤损检出率比既有系统提高了4%以上;各系统之间同步误差在1 m以内,伤损实际复核的定位精度在3 m以内。     

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。     

YOLOv5超声波图像识别技术在高原高寒钢轨探伤中的应用

高原高寒地区环境复杂、昼夜温差大，对铁路建设与运营产生不良影响，容易发生由于钢轨内部伤损引起的断裂事故。研究基于YOLOv5的超声波图像识别技术在青藏铁路钢轨探伤检测中的应用，特别是针对轨头核伤、轨面鱼鳞伤等常见伤损类型进行检测。通过智能钢轨探伤仪采集高寒地段钢轨数据，以YOLOv5方法对数据集进行整理、处理和模型训练，精准识别和定位轨头核伤、轨面鱼鳞伤等损伤。研究表明，基于YOLOv5的模型在识别和定位各类钢轨损伤方面具有很高的准确性和实时性，可以同时进行目标检测和类别分类，并能在保持较高准确度的同时实现快速检测。提供一种新的、更有效的钢轨探伤检测数据分析方法，有助于提高铁路安全和运营效率。     

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。     

基于改进二维卷积滤波技术的轨道伤损检测方法

基于改进卷积滤波技术和自适应阈值分割法,提出边缘检测轨道结构识别与伤损检测方法.使用改进二维卷积进行图像滤波,对原图像矩阵通过行列式变换处理,增强图像边界元素;根据边缘检测所得到的线形特征进行扣件弹条及钢轨识别,以线形急剧变化判别钢轨伤损及位置.通过既有线路轨道进行图像识别试验验证.试验验证结果表明,采用该方法可提高轨...     

基于机器视觉的圆斑状钢轨擦伤检测算法

针对现有基于灰度阈值的钢轨擦伤检测算法受光照等外部环境的影响较大的问题，本文提出了一种基于机器视觉的圆斑状钢轨擦伤检测算法。首先通过分析采集图像在垂直方向的灰度均值曲线，提取出钢轨顶面区域；然后运用边缘检测的方法得到擦伤区域边缘的候选像素点；最后运用形态学处理删除不属于擦伤区域的虚假边缘，确定钢轨擦伤区域的位置。用测试数据集对本文算法进行检测性能评测，并与基于灰度阈值的算法进行对比。结果表明：本文算法对圆斑状钢轨擦伤样本的检测准确率为96.4%，而基于灰度阈值的算法的检测准确率为86.8%，本文算法的检测准确率大幅提升，能够对钢轨擦伤进行有效检测。     

普速铁路60 kg/m钢轨的换轨周期

利用不同线路钢轨伤损、曲线要素、通过总质量等数据,应用加权统计方法进行钢轨伤损统计分析,获得钢轨主要伤损类型及其分布和伤损率与累计通过总质量的关系;选取典型线路进行大量钢轨使用和伤损情况现场调研,获得影响钢轨使用寿命的主要因素;提出换轨周期确定原则和方法,利用各铁路局集团公司提供的换轨、重伤轨抢修、钢轨养护维修等数据,进行最佳钢轨经济下道时机分析;结合换轨实际并参考我国具体情况,提出累计通过总质量10亿t和伤损率2～4处/km相结合的60 kg/m钢轨换轨周期,分析计算了提高换轨周期的经济效益。     

大秦铁路75kg/m钢轨伤损变化及影响因素研究

研究目的:在大秦重载线多数货车轴重23～25 t情况下,2014年钢轨强度等级从980 MPa提高到1 280 MPa,2005年～2007年加强了钢轨内在质量和焊接控制、采用加强型弹条、热塑性弹性体垫板等技术加强了轨道结构,2011年后进行了预防性打磨。这些综合技术使钢轨伤损率发生极大变化,本文试图通过2006年、2010年和2016年三个时间节点钢轨伤损率统计分析,获得钢轨伤损类型和伤损率变化及其影响因素,为钢轨使用和管理部门进行大秦重载线伤损率控制及选用合适的钢轨强度等级提供依据。研究结论:(1) 980 MPa级的钢轨伤损率低于1 080 MPa和1 280 MPa级钢轨伤损率,累计通过总重17亿吨,980 MPa级钢轨伤损率比1 280 MPa级钢轨伤损率降低约17%;(2) 2016年钢轨焊接伤损率比2006年减少了9%;(3)钢轨内在质量和焊接质量提高、轨道结构加强综合技术作用下,累计通过总重10亿吨伤损率降低约65%;(4)采用钢轨预防性打磨技术,累计通过总重10亿吨钢轨伤损率降低约20%;(5)本研究成果可为钢轨使用和管理部门选用钢轨及维修决策提供依据。     

超声波钢轨探伤车B显数据伤损模式分类技术研究

既有钢轨探伤车超声检测系统均为国外引进。中国铁道科学研究院自主化钢轨探伤系统目前已经通过试验验证,所采用的伤损模式分类技术是其中的一项关键技术。根据自主化钢轨探伤系统的探轮设置,规定伤损的类别设置,并将伤损类别划分为四大类:核伤类、螺孔裂纹类、轨底裂纹类、水平裂纹类。归属于不同大类的伤损采用不同神经网络进行识别。以螺孔裂纹类为例进行说明,采用标定线数据进行测试,验证算法的有效性。     

钢轨探伤车轨头伤损检测率低的原因及对策

分析了探伤车在钢轨检测中轨头伤损检测率低的主要原因,提出了控制检测速度、提高轨面光洁度、加强设备维修保养、培训操作人员、及时调整设备参数等有针对性的措施,以达到提高钢轨轨头伤损检测率,确保铁路运输安全的目的。     

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。     

普速铁路钢轨伤损的分布规律

根据上海局提供的钢轨库、伤损库、曲线库、运量库以及2004—2016年间上道及下道线路钢轨情况,对局管内京沪线、沪杭线及全局普速铁路钢轨伤损情况进行了全面统计分析。结果表明:京沪线和沪杭线的主要伤损类型为焊接伤损、核伤和孔裂,控制钢轨伤损主要是提高铝热焊和气压焊的焊接质量以及胶结绝缘接头质量,按目标廓形对钢轨进行周期性打磨;冬季钢轨伤损率明显大于夏季钢轨伤损率;站区线路每公里钢轨平均伤损量是区间线路的6.5倍;每公里钢轨伤损量与累计通过总质量呈二次函数关系,累计通过总质量8～10亿t时钢轨垂磨量约为3.5～4.5 mm,远未达到钢轨垂磨重伤标准11 mm。     

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。     

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。     

基于涡流检测和神经网络的钢轨表面滚动接触疲劳裂纹特征评估

基于钢轨表面不同深度和角度的2组人工伤损及涡流检测系统,在100～2 000 kHz激励频率范围内进行钢轨裂纹检测试验,确定最佳激励频率;在最佳激励频率769 kHz条件下对人工伤损进行检测,分析伤损尺寸参数与信号特征值的关系;基于最小二乘法曲线拟合原理,分别采用指数函数和三次多项式函数对伤损深度和角度进行定量评估;采用基于LM算法的BP神经网络方法,对伤损深度和角度进行定量评估;对2类定量评估结果进行对比。结果表明:基于曲线拟合原理的定量评估中指数函数更适用,其对深度和角度定量评估分类准确率分别为75%和66.67%;神经网络方法对深度和角度定量评估分类准确率分别为100%和83.33%,均高于指数函数定量评估。