基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及系统技术方案

本公开提出了基于超声波探伤仪数据的钢轨螺孔裂纹识别方法，包括：获得钢轨螺孔裂纹类伤损的扫描数据；对扫描数据进行预处理后选取典型伤损数据制作数据集，分为训练集和测试集；以一个螺孔为单位样本对数据集中的伤损数据进行正负样本标记，以标签的方式区分正负样本，建立逻辑回归模型；用训练集进行模型的训练学习，调整优化参数；基于训练好的逻辑回归模型，建立钢轨螺孔裂纹检测模型，将测试集作为输入，伤损位置信息作为输出，检验模型的螺孔裂纹检测准确率；利用测试后的钢轨螺孔裂纹检测模型对待检测的钢轨螺孔进行裂纹检测。减少故障漏判率，减轻探伤人员工作负担，提高探伤工作效率。

【技术实现步骤摘要】
基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及系统
本公开属于铁路系统钢轨无损检测下的超声波探伤
，尤其涉及基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。当前我国铁路探伤部门的钢轨探伤工作基本上由相关设备机械化操作完成，但唯独探伤数据的伤损检测技术，仍旧通过人工来完成，并且存在着效率低、工作量大、准确率不高等问题。专利技术人在研究中发现，在实际探伤工作中，探伤数据的伤损筛选工作高度依赖探伤工人的技术和经验，只有熟练度高、经验丰富的探伤工人才能比较高效的人工检测出伤损数据，严重影响工作效率及检测精度。
技术实现思路
为克服上述现有技术的不足，本公开提供了基于超声波探伤仪数据的钢轨螺孔裂纹识别方法，减少故障漏判率，减轻探伤人员工作负担，提高探伤工作效率。为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：第一方面，公开了基于超声波探伤仪数据的钢轨螺孔裂纹识别方法，包括：获得钢轨螺孔裂纹类伤损的扫描数据；对扫描数据进行预处理后选取典型伤损数据制作数据集，分为训练集和测试集；以一个螺孔为单位样本对数据集中的伤损数据进行正负样本标记，以标签的方式区分正负样本，建立逻辑回归模型；用训练集进行模型的训练学习，调整优化参数；基于训练好的逻辑回归模型，建立钢轨螺孔裂纹检测模型，将测试集作为输入，伤损位置信息作为输出，检验模型的螺孔裂纹检测准确率；利用测试后的钢轨螺孔裂纹检测模型对待检测的钢轨螺孔进行裂纹检测。进一步的技术方案，获得钢轨螺孔裂纹类伤损的扫描数据并建立螺孔裂纹探伤数据库，其中，采集含有螺孔裂纹的探伤数据，截取探伤数据中含有螺孔裂纹的片段，存储到螺孔裂纹数据库。进一步的技术方案，基于获得钢轨螺孔裂纹类伤损的扫描数据为经过压缩、加密的，对扫描数据进行预处理包括解压和解析，恢复探伤数据的原始面貌。进一步的技术方案，对扫描数据进行预处理后，基于钢轨伤损不同类型在探伤数据上的通道分布特点，提取螺孔裂纹所在通道数据。进一步的技术方案，经过预处理的探伤数据，是以脉冲计数为时间顺序的序列数据，每个脉冲计数下数值的大小代表超声回波距离探头的距离。进一步的技术方案，对扫描数据进行预处理后选取典型伤损数据制作数据集，具体为：制作数据集时，以连续设定个脉冲计数的序列数据为基本单位提取有效数据，数据集中既含有正常螺孔的序列数据也含有带裂纹伤损的螺孔序列数据。进一步的技术方案，建立逻辑回归模型，用训练集进行模型的训练学习，调整优化参数，具体为：将数据集中的数据和标签同时加载，初始化参数，选取目标优化函数、学习率、训练次数，最后将数据集导入进行训练、学习，过程中通过梯度下降的方式使代价函数的值降到最低，将最优化的参数和结构保存。进一步的技术方案，基于训练好的逻辑回归模型，建立钢轨螺孔裂纹检测模型，将测试集作为输入，伤损位置信息作为输出，检验模型的螺孔裂纹检测准确率，具体为：将保存的最优化参数加载到钢轨螺孔裂纹检测模型的计算机指令中，使得该模型拥有识别螺孔裂纹的能力，再将测试集的数据输入钢轨螺孔裂纹检测模型中，该模型会通过比对输入数据与学习训练得来的“标准螺孔裂纹伤损”的结果，并做出预测，如果输入数据是螺孔裂纹伤损则输出该伤损位置信息，如果不是，则继续检测下一段测试数据，检测完整个文件后将所有螺孔裂纹伤损的位置信息全部输出。第二方面，公开了基于超声波探伤仪数据的钢轨螺孔裂纹识别系统，包括：数据集建立模块，被配置为：获得钢轨螺孔裂纹类伤损的扫描数据；对扫描数据进行预处理后选取典型伤损数据制作数据集，分为训练集和测试集；逻辑回归模型建立模块，被配置为：以一个螺孔为单位样本对数据集中的伤损数据进行正负样本标记，以标签的方式区分正负样本，建立逻辑回归模型；用训练集进行模型的训练学习，调整优化参数；钢轨螺孔裂纹检测模型建立模块，被配置为：基于训练好的逻辑回归模型，建立钢轨螺孔裂纹检测模型，将测试集作为输入，伤损位置信息作为输出，检验模型的螺孔裂纹检测准确率；伤损数据检测模块，被配置为：利用测试后的钢轨螺孔裂纹检测模型对待检测的钢轨螺孔进行裂纹检测。以上一个或多个技术方案存在以下有益效果：本公开技术方案可以通过计算机自动完成对探伤数据的识别和伤损定位工作，并且能够达到人工分析的指标要求。在此方法中引入的逻辑回归模型，能够准确的识别螺孔裂纹伤损数据，并把伤损的位置信息输出，为探伤人员提供有价值的参考，提供钢轨伤损数据的检测效率。本公开技术方案是基于GTC-8C型钢轨超声波探伤仪探伤数据的螺孔裂纹检测系统，可在现行探伤作业条件下直接检测GTC-8C型钢轨超声波探伤仪探伤数据，不需要其他辅助设备进行操作。本公开技术方案进行了通道预处理。本专利技术专门针对螺孔裂纹伤损单独设计了逻辑回归模型进行检测，针对它的通道分布特点，提取探伤数据中的7，8通道，减少了其他通道数据对模型的干扰，同时大大降低了运算量。本公开技术方案对探探伤仪的探伤数据进行了解压、解析和恢复，改变了其原有的数据格式，使其更容易作为逻辑回归模型的输出。本公开技术方案直接针对探伤数据中的螺孔裂纹这一单一类型伤损进行识别和二分类，针对性强，干扰少，特征选取明显，检测准确率高。本公开技术方案基于逻辑回归的钢轨螺孔裂纹检测模型在测试集中的检测准确率为：阈值设定为0.5时，识别轨底伤损序列的准确率达到95.67，优于人工判断伤损的准确率，检测效率更是远超人工方式。本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。图1为不同角度的探头检测钢轨部位示意图；图2为探伤仪检测到钢轨伤损时B显数据生成的原理图；图3为螺孔裂纹伤损在B显图像中的示意图；图4为螺孔裂纹样本和正常螺孔样本进行颜色标记的示意图；图5为sigmoid函数图像；图6为训练模型时代价函数Loss值的收敛图。图7为探伤车采集的B显数据在内存中存储格式。具体实施方式应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。...

【技术保护点】
1.基于超声波探伤仪数据的钢轨螺孔裂纹识别方法，其特征是，包括：/n获得钢轨螺孔裂纹类伤损的扫描数据；/n对扫描数据进行预处理后选取典型伤损数据制作数据集，分为训练集和测试集；/n以一个螺孔为单位样本对数据集中的伤损数据进行正负样本标记，以标签的方式区分正负样本，建立逻辑回归模型；/n用训练集进行模型的训练学习，调整优化参数；/n基于训练好的逻辑回归模型，建立钢轨螺孔裂纹检测模型，将测试集作为输入，伤损位置信息作为输出，检验模型的螺孔裂纹检测准确率；/n利用测试后的钢轨螺孔裂纹检测模型对待检测的钢轨螺孔进行裂纹检测。/n

【技术特征摘要】
1.基于超声波探伤仪数据的钢轨螺孔裂纹识别方法，其特征是，包括：
获得钢轨螺孔裂纹类伤损的扫描数据；
对扫描数据进行预处理后选取典型伤损数据制作数据集，分为训练集和测试集；
以一个螺孔为单位样本对数据集中的伤损数据进行正负样本标记，以标签的方式区分正负样本，建立逻辑回归模型；
用训练集进行模型的训练学习，调整优化参数；
基于训练好的逻辑回归模型，建立钢轨螺孔裂纹检测模型，将测试集作为输入，伤损位置信息作为输出，检验模型的螺孔裂纹检测准确率；
利用测试后的钢轨螺孔裂纹检测模型对待检测的钢轨螺孔进行裂纹检测。


2.如权利要求1所述的基于超声波探伤仪数据的钢轨螺孔裂纹识别方法，其特征是，获得钢轨螺孔裂纹类伤损的扫描数据并建立螺孔裂纹探伤数据库，其中，采集含有螺孔裂纹的探伤数据，截取探伤数据中含有螺孔裂纹的片段，存储到螺孔裂纹数据库。


3.如权利要求1所述的基于超声波探伤仪数据的钢轨螺孔裂纹识别方法，其特征是，基于获得钢轨螺孔裂纹类伤损的扫描数据为经过压缩、加密的，对扫描数据进行预处理包括解压和解析，恢复探伤数据的原始面貌。


4.如权利要求1所述的基于超声波探伤仪数据的钢轨螺孔裂纹识别方法，其特征是，对扫描数据进行预处理后，基于钢轨伤损不同类型在探伤数据上的通道分布特点，提取螺孔裂纹所在通道数据。


5.如权利要求1所述的基于超声波探伤仪数据的钢轨螺孔裂纹识别方法，其特征是，经过预处理的探伤数据，是以脉冲计数为时间顺序的序列数据，每个脉冲计数下数值的大小代表超声回波距离探头的距离。


6.如权利要求1所述的基于超声波探伤仪数据的钢轨螺孔裂纹识别方法，其特征是，对扫描数据进行预处理后选取典型伤损数据制作数据集，具体为：
制作数据集时，以连续设定个脉冲计数的序列数据为基本单位提取有效数据，数据集中既含有正常螺孔的序列数据也含有带裂纹伤损的螺孔序列数据；
进一步的技术方案，建立逻辑回归模型，用训练集进行模型的训练学习，调整优化参数，具体为：...

【专利技术属性】
技术研发人员：申涛，赵钦君，徐勤华，徐元，周峰光，
申请(专利权)人：济南大学，
类型：发明
国别省市：山东;37