一种基于钢轨B显图像机器学习的内部伤损识别方法技术

本发明专利技术公开了一种基于钢轨B显图像机器学习的内部伤损识别方法，基于钢轨内部伤损Ｂ显图像采用改进的YOLO V5模型对钢轨伤损进行识别与分类，其具体步骤包括：1）对改进YOLO V5网络模型的训练步骤；2）基于改进YOLO V5网络模型进行伤损识别步骤；所述改进YOLO V5网络模型在原YOLO V5模型的backbone中的SPP模块前引入了CBAM注意力机制、采用α

【技术实现步骤摘要】
一种基于钢轨B显图像机器学习的内部伤损识别方法


[0001]本专利技术涉及钢轨探伤、机器学习领域，具体涉及一种基于钢轨B显图像机器学习的内部伤损识别方法。

技术介绍

[0002]超声波探伤在铁路领域有着广泛的应用，钢轨探伤车采用超声波检测原理对在役钢轨内部伤损进行检测，通过对检测数据进行分析以判断钢轨中是否存在伤损。目前既有探伤车检测数据分析软件（既有系统）对检测数据进行自动分析存在误报率高的问题，而且存在伤损漏报。为确保不发生伤损漏报、降低误报率，需要在既有系统分析基础上再次基于B显图像进行人工分析，即需对检测数据进行２次分析，存在效率低下的问题。
[0003]近年来，机器学习技术由于具有自动特征提取特性而受到越来越多的关注，已经广泛应用于轨道交通领域。在钢轨B显图像上，横坐标代表超声探头沿着铁轨方向移动的距离，纵坐标代表声波传播距离。超声波在缺陷处会反射形成回波，B显图像中不同的颜色代表不同的超声波回波通道出波结果，各通道的回波经过处理，以不同的颜色显示在钢轨的B显图像上。B显图像可直观了解探头移动下方被检钢轨截面的缺陷分布及离探测面的深度。钢轨最常出现的伤损类型主要包括轨头核伤、轨底伤损、螺孔裂纹、断面等。轨头核伤与轨底伤损在B显图像中目标较小。
[0004]当前钢轨B显图像伤损识别方法存在伤损漏报、准确率不高、鲁棒性较差等问题。

技术实现思路

[0005]一种基于钢轨B显图像机器学习的内部伤损识别方法，基于钢轨内部伤损Ｂ显图像采用改进的YOLO V5模型对钢轨伤损进行识别与分类，其具体步骤包括：1）对改进YOLO V5网络模型的训练步骤；2）基于改进YOLO V5网络模型进行伤损识别步骤；所述改进YOLO V5网络模型在原YOLO V5模型的backbone中的SPP模块前引入了CBAM注意力机制、采用α
‑
CIoU作为改进的损失；其中，引入了CBAM注意机制是指对backbone中最后一个CBS模块输出的特征图作为CBAM注意力模块的输入，CBAM注意力模块会依次沿着独立的通道维度和空间维度推断注意力图，然后将注意力图乘以输入特征图作为SPP模块的输入；所述CBAM注意力模块包括独立的通道注意力模块和独立的空间注意力模块，所述通道注意力模块和空间注意力模块分别在通道与空间上进行注意力权重计算。
[0006]具体的，所述α
‑
CIoU的具体计算公式为：α
‑
CIoU=式中是超参数，通过调节能够调节预测框的精度，d
c
为预测框和真实框中心点间的距离,d
s
为预测框和真实框最小外接矩形的对角线距离；IoU为预测框和真实框的交并比，A，B分别代表预测框和真实框，其计算公式如
下所示：IoU=
[0007]为平衡参数，v用于衡量宽高比的倾斜角度，计算公式如下所示：=
[0008][0009]其中w、h分别代表预测框的宽、高，w
gt
、h
gt
分别代表真实框的宽、高；改进的损失LOSS
α
‑
CIoU
的计算公式如下所示：LOSS
α
‑
CIoU
=。
[0010]具体的，所述对改进YOLO V5网络模型的训练步骤具体包括：1
‑
1）基于获得的第三方钢轨超声波B显样本数据对改进YOLO V5网络模型进行训练，其训练结果参数作为改进YOLO V5网络模型的训练的初始参数；1
‑
2）采集钢轨超声波B显数据，经探伤主机处理后获取B显图像；1
‑
3）对B显图像分类并标注；1
‑
4）收集B显样本数据M个；1
‑
5）通过针对钢轨B显图像的数据增强方法处理B显图像，处理后样本数扩展到Q个；1
‑
6）对各B显图像样本进行基于EMD方法的边沿处理；1
‑
7）用经边沿处理后的B显图像样本对基于改进的YOLO V5网络模型进行优化训练；1
‑
8）在训练完成后，将训练完的YOLO V5权值保存。
[0011]具体的，所述步骤1
‑
5）中针对钢轨B显图像的数据增强，是采用在图片对应出波区域内的任意位置粘贴对应的伤损图像的数据增强方法；其具体实现步骤为：1
‑5‑
1）将轨头核伤，轨底裂纹和螺孔裂纹中伤损中的小目标，即轨头核伤与轨底裂纹从B显图像中裁剪出来保存在文件夹中备用；1
‑5‑
2）从中随机抽取1～3个裁剪出来的小目标进行缩小与放大；1
‑5‑
3）将处理过后的轨头核伤随机粘贴在轨头核伤出波区，轨底裂纹随机粘贴在轨底裂纹出波区，要求粘贴伤损不能与原图伤损重合并且粘贴位置不能超出出波区。
[0012]具体的，所述基于改进YOLO V5网络模型进行伤损识别步骤具体包括：2
‑
1）双轨式超声波探伤车的超声波探轮发射并接收超声波；2
‑
2）探伤主机对接收的超声波进行处理得到B显图像；2
‑
3）对B显图像进行基于EMD方法的边沿处理；2
‑
4）将经边沿处理后的B显图像输入训练好的改进YOLO V5网络模型进行识别；2
‑
5) 输出钢轨伤损识别结果。
[0013]具体的，所述的基于EMD方法的边沿处理，具体步骤包括：A）将RGB彩色B显图像转化为灰度图像,图像像素大小为N0*N0，N0为320
与5120间整数；令待处理量，其中n表示第n次分解，初值为1；x,y分别代表灰度图像上每个像素点的坐标，以图片左下角坐标为原点（0,0）；x,y取值均为区间 [0, N0]的整数；B）计算的局部极大值点和局部极小值点；分别对局部极大值点和局部极小值点进行曲面插值拟合，得到极大值包络面和极小值包络面；均值包络面计算公式如下所示：；C）二维EMD图像分解；将原图像序列中每个点的值分别减去上下包络线的平均值,获取经验模式分解后的分量图像；计算公式如下所示：=
‑
；检测是否满足IMF的筛分终止条件SD≤μ，其中μ为阈值常数，取0.3，SD=；如果满足，则判定是第1个IMF分量; 否则，令=，继续从步骤B)开始重复执行，然后直到重复N次筛选后图像满足筛分终止条件SD≤μ即停止并令是第1个IMF分量，筛分出的第1个IMF为=，记为IMF1；令=
‑
，n=1;继续从步骤B)开始重复执行，直到重复M次筛选后图像满足筛分终止条件SD≤μ即停止；令=为第2个IMF分量，记为IMF2；D）分别将提取出的第1个IMF分量IMF1和第2个IMF分量IMF2进行Canny边缘检测，获得IMF1和IMF2的边缘；E）重构图像；将IMF1和IMF2的边缘进行叠加获取边沿处理后的B显图像。
有益效果
[0014]基于钢轨B显图像，采用改进的YOLO V5模型对钢轨伤损进行识别与分类，具有识别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于钢轨B显图像机器学习的内部伤损识别方法，其特征在于基于钢轨内部伤损Ｂ显图像采用改进的YOLO V5模型对钢轨伤损进行识别与分类，其具体步骤包括：1）对改进YOLO V5网络模型的训练步骤；2）基于改进YOLO V5网络模型进行伤损识别步骤；所述改进YOLO V5网络模型在原YOLO V5模型的backbone中的SPP模块前引入了CBAM注意力机制、采用α
‑
CIoU作为改进的损失；其中，引入了CBAM注意机制是指对backbone中最后一个CBS模块输出的特征图作为CBAM注意力模块的输入，CBAM注意力模块会依次沿着独立的通道维度和空间维度推断注意力图，然后将注意力图乘以输入特征图作为SPP模块的输入；所述CBAM注意力模块包括独立的通道注意力模块和独立的空间注意力模块，所述通道注意力模块和空间注意力模块分别在通道与空间上进行注意力权重计算。2.根据权利要求1所述的方法，其特征在于所述α
‑
CIoU的具体计算公式为：α
‑
CIoU=式中是超参数，通过调节能够调节预测框的精度，d
c
为预测框和真实框中心点间的距离,d
s
为预测框和真实框最小外接矩形的对角线距离；IoU为预测框和真实框的交并比，A，B分别代表预测框和真实框，其计算公式如下所示：IoU=IoU=为平衡参数，v用于衡量宽高比的倾斜角度，计算公式如下所示：==其中w、h分别代表预测框的宽、高，w
gt
、h
gt
分别代表真实框的宽、高；改进的损失LOSS
α
‑
CIoU
的计算公式如下所示：LOSS
α
‑
CIoU
=。3.根据权利要求1所述的方法，其特征在于所述对改进YOLO V5网络模型的训练步骤具体包括：1
‑
1）基于获得的第三方钢轨超声波B显样本数据对改进YOLO V5网络模型进行训练，其训练结果参数作为改进YOLO V5网络模型的训练的初始参数；1
‑
2）采集钢轨超声波B显数据，经探伤主机处理后获取B显图像；1
‑
3）对B显图像分类并标注；1
‑
4）收集B显样本数据M个；1
‑
5）通过针对钢轨B显图像的数据增强方法处理B显图像，处理后样本数扩展到Q个；1
‑
6）对各B显图像样本进行基于EMD方法的边沿处理；1
‑
7）用经边沿处理后的B显图像样本对基于改进的YOLO V5网络模型进行优化训练；1
‑
8）在训练完成后，将训练完的YOLO V5权值保存。<...

【专利技术属性】
技术研发人员：叶彦斐，田永利，乔燕清，吕磊，程立，胡龙癸，曹忠国，颜志爽，陈尚进，
申请(专利权)人：南京富岛信息工程有限公司，
类型：发明
国别省市：