钢轨伤损识别方法及装置制造方法及图纸

本发明专利技术公开了一种钢轨伤损识别方法及装置，涉及无损检测技术领域，其中该方法包括：收集历史钢轨检测数据；按钢轨伤损类型，对超声B显数据进行标注，得到标注文件；建立训练集和测试集；构建YOLOV7模型；所述YOLOV7模型包括骨干网络和检测头；其中，骨干网络包括多个ELAN，多个ELAN输出多个不同尺寸的特征图至检测头；分别利用训练集和测试集，对YOLOV7模型进行训练和测试，得到钢轨伤损识别模型；将待识别的钢轨检测数据输入钢轨伤损识别模型，输出钢轨伤损识别结果；所述钢轨伤损识别结果包括钢轨伤损位置、钢轨伤损类型、和钢轨伤损数值。本发明专利技术可以提高钢轨伤损识别精度、速度和效率。效率。效率。

【技术实现步骤摘要】
钢轨伤损识别方法及装置


[0001]本专利技术涉及无损检测
，尤其涉及一种钢轨伤损识别方法及装置。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]随着轨道交通的飞速发展，轨道交通已经成为人们主要的出行、运输方式，这对轨道交通的安全性和可靠性提出了更高的要求。钢轨探伤车定期对钢轨进行检测，对运行安全、减少或者避免轨道交通的安全隐患具有十分重要的意义。
[0004]钢轨探伤车的左右车轮上安装轮式超声波探头，在探伤车以一定的速度从钢轨上经过时，探头对钢轨发出超声波信号并接收回波信号，即可采集到钢轨的内部伤损信息，形成A、B型扫描图像，分别称为超声的A显和B显。其中B显是利用多个A显扫描结果，通过编码转换而来的。B显以二维图像显示，可以显示钢轨的纵向切面伤损情况，其原理是基于伤损处超声波反射回波强弱的不同，来显示内部伤损。相对于A显，B显图像信息量更直观，且包含了伤损在轨道的位置信息，数据量小，便于储存。利用超声波B显，可以获得钢轨内部的伤损信息及相应的位置信息，为开展基于目标检测的钢轨探伤提供了数据基础。
[0005]目前国内超声波钢轨探伤车检测数据的分析主要依赖于人工进行回放分析，然而回放任务量巨大，回放效果也依赖于回放人员的专业水平。现有技术中存在基于深度学习的钢轨伤损智能识别方法，例如基于钢轨探伤车B显数据生成原理和钢轨伤损分类，在卷积神经网络架构的基础上，将钢轨伤损的“物体检测”问题转换为“分类”问题。然而，实际应用中，钢轨伤损特征较小，现有的深度学习方法在较小的钢轨伤损特征上识别精度不高，另外钢轨伤损识别速度、图像处理效率上还有待提升。

技术实现思路

[0006]本专利技术实施例提供一种钢轨伤损识别方法，用以提高钢轨伤损识别精度、速度和效率，该方法包括：
[0007]收集历史钢轨检测数据；所述历史钢轨检测数据包括超声B显数据；
[0008]按历史钢轨检测数据对应的钢轨伤损类型，对超声B显数据进行标注，得到标注文件；
[0009]根据标注文件建立训练集和测试集；
[0010]构建目标检测算法YOLOV7模型；所述YOLOV7模型包括骨干网络和检测头；其中，骨干网络包括多个高效聚合网络ELAN，多个ELAN输出多个不同尺寸的特征图至检测头；
[0011]分别利用训练集和测试集，对YOLOV7模型进行训练和测试，得到钢轨伤损识别模型；
[0012]将待识别的钢轨检测数据输入钢轨伤损识别模型，输出钢轨伤损识别结果；所述钢轨伤损识别结果包括钢轨伤损位置、钢轨伤损类型、和钢轨伤损数值。
[0013]本专利技术实施例还提供一种钢轨伤损识别装置，用以提高钢轨伤损识别精度、速度和效率，该装置包括：
[0014]数据收集模块，用于收集历史钢轨检测数据；所述历史钢轨检测数据包括超声B显数据；
[0015]数据预处理模块，用于按历史钢轨检测数据对应的钢轨伤损类型，对超声B显数据进行标注，得到标注文件；根据标注文件建立训练集和测试集；
[0016]模型构建模块，用于构建目标检测算法YOLOV7模型；所述YOLOV7模型包括骨干网络和检测头；其中，骨干网络包括多个ELAN，多个ELAN输出多个不同尺寸的特征图至检测头；
[0017]模型训练和测试模块，用于分别利用训练集和测试集，对YOLOV7模型进行训练和测试，得到钢轨伤损识别模型；
[0018]钢轨伤损识别模块，用于将待识别的钢轨检测数据输入钢轨伤损识别模型，输出钢轨伤损识别结果；所述钢轨伤损识别结果包括钢轨伤损位置、钢轨伤损类型、和钢轨伤损数值。
[0019]本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述钢轨伤损识别方法。
[0020]本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述钢轨伤损识别方法。
[0021]本专利技术实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述钢轨伤损识别方法。
[0022]本专利技术实施例中构建YOLOV7模型，该YOLOV7模型包括骨干网络和检测头，其中，骨干网络包括多个ELAN，多个ELAN输出多个不同尺寸的特征图至检测头；利用历史钢轨检测数据中的超声B显数据对YOLOV7模型进行训练和测试，得到钢轨伤损识别模型；该钢轨伤损识别模型可以提取多个尺寸不同的特征图，例如浅层特征图、深层特征图，尺寸不同的特征图感受野不同，从而在检测头可以进行多尺度的特征融合和检测，提高了钢轨伤损识别精度，尤其是钢轨伤损中小目标的识别精度和检测效果；同时，本专利技术实施例中在历史钢轨检测数据的预处理中提前按历史钢轨检测数据对应的钢轨伤损类型对超声B显数据进行标注，形成数据量充分的训练集和测试集，有助于钢轨伤损识别速度、效率的提升。
附图说明
[0023]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
[0024]图1为本专利技术实施例中钢轨伤损识别方法的流程示意图；
[0025]图2为本专利技术实施例中YOLOV7模型的示意图一；
[0026]图3为本专利技术实施例中YOLOV7模型的示意图二；
[0027]图4为本专利技术实施例中注意力机制模块的示意图；
[0028]图5为本专利技术实施例中YOLOV7模型的示意图三；
[0029]图6为本专利技术实施例中YOLOV7模型的示意图四；
[0030]图7为本专利技术实施例中钢轨伤损识别装置的示意图。
具体实施方式
[0031]为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并不作为对本专利技术的限定。
[0032]申请人发现，目前国内超声波钢轨探伤车检测数据的分析主要依赖于人工进行回放分析，然而回放任务量巨大，回放效果也依赖于回放人员的专业水平。现有技术中存在基于深度学习的钢轨伤损智能识别方法，例如基于钢轨探伤车B显数据生成原理和钢轨伤损分类，在卷积神经网络架构的基础上，将钢轨伤损的“物体检测”问题转换为“分类”问题。然而，实际应用中，钢轨伤损特征较小，现有的深度学习方法在较小的钢轨伤损特征上识别精度不高，另外钢轨伤损识别速度、图像处理效率上还有待提升。基于此，申请人提出了一种钢轨伤损识别方法。
[0033]图1为本专利技术实施例中钢轨伤损识别方法的流程示意图，如图1所示，该方法包括：
[0034]步骤101、收集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种钢轨伤损识别方法，其特征在于，包括：收集历史钢轨检测数据；所述历史钢轨检测数据包括超声B显数据；按历史钢轨检测数据对应的钢轨伤损类型，对超声B显数据进行标注，得到标注文件；根据标注文件建立训练集和测试集；构建目标检测算法YOLOV7模型；所述YOLOV7模型包括骨干网络和检测头；其中，骨干网络包括多个高效聚合网络ELAN，多个ELAN输出多个不同尺寸的特征图至检测头；分别利用训练集和测试集，对YOLOV7模型进行训练和测试，得到钢轨伤损识别模型；将待识别的钢轨检测数据输入钢轨伤损识别模型，输出钢轨伤损识别结果；所述钢轨伤损识别结果包括钢轨伤损位置、钢轨伤损类型、和钢轨伤损数值。2.如权利要求1所述的方法，其特征在于，所述钢轨伤损类型包括如下任一或任意组合：轨头核伤、轨腰孔裂、轨底裂纹、焊缝伤损、轨表面伤损、水平裂纹。3.如权利要求1所述的方法，其特征在于，按历史钢轨检测数据对应的钢轨伤损类型，对超声B显数据进行标注，包括：在超声B显数据的各钢轨伤损位置处，标注锚框及对应的钢轨伤损类型。4.如权利要求3所述的方法，其特征在于，在根据标注文件建立训练集和测试集前，还包括：采用K
‑
Means聚类算法对标注文件中锚框的长宽数值进行聚类，得到长宽结果值；所述长宽结果值用于表示历史钢轨检测数据对应的钢轨伤损特征形态大小。5.如权利要求1所述的方法，其特征在于，构建YOLOV7模型，包括：利用注意力机制，构建YOLOV7模型中的骨干网络。6.如权利要求5所述的方法，其特征在于，所述注意力机制包括：空间注意力机制和/或通道注意力机制。7.如权利要求5所述的方法，其特征在于，将待识别的钢轨检测数据输入钢轨伤损识别模型，输出钢轨伤损识别结果，包括：将待识别的钢轨检测数据输入钢轨伤损识别模型，在骨干网络依次经多个卷积层、多个ELAN和注意力机制处理，从每个ELAN、注意力机制分别输出不同尺寸的特征图至检测头，输出钢轨伤损识别结果。8.如权利要求1所述的方法，其特征在于，利用训练集对YOLOV7模型进行训练时，引入残差网络结构辅助训练。9.一种钢轨伤损识别装置，其特征在于，包括：数据收集模块，用于收集历史钢轨检测数据；所述历史钢轨检测数据包括超声B显数据；数据预处理模块，用于按历史钢轨检测数据对应的钢轨伤损类型，对超声B显数据进行标注，得到标注文件；根据标注文件建立训练集和测试集；模型...

【专利技术属性】
技术研发人员：张玉华，马运忠，黄筱妍，李培，熊龙辉，钟艳春，李忠，梅田，杨冯军，骆海波，马建伟，
申请(专利权)人：中国铁道科学研究院集团有限公司中国铁道科学研究院集团有限公司基础设施检测研究所北京铁科英迈技术有限公司，
类型：发明
国别省市：