一种基于深度学习的钢轨裂纹定量涡流检测方法和装置以及设备

摘要

本发明公开了一种基于深度学习的钢轨裂纹定量涡流检测方法和装置以及设备，包括：采集裂纹涡流响应，建立第一信号曲线；计算裂纹倾角，并对称化转换第一信号曲线，输出第二信号曲线；将第二信号曲线导入垂直裂纹深度学习模型，基于分析结果重构斜裂纹并确定斜裂纹深度和宽度。为了使垂直裂纹信号曲线数据集训练出的深度学习模型能用于斜裂纹的定量检测，将不对称的斜裂纹信号曲线对称化转换成对称曲线。在获得斜裂纹的对称化信号曲线后，使用训练好的垂直裂纹深度学习模型对对称信号曲线的数据进行反演，获得斜裂纹的剖面轮廓曲线，进而计算斜裂纹的宽度和垂直深度。

说明书

技术领域

本发明涉及钢轨裂纹检测技术领域，尤其涉及一种基于深度学习的钢轨裂纹定量涡流检测方法和装置以及设备。

背景技术

钢轨作为列车轨道的最重要的组成部分，由轨头、轨腰和轨底三部分组成。钢轨主要起到支撑机车车轮和引导车轮前进的作用，为车轮提供连续且阻力很小的滚动表面，直接承受来自车轮的压力。高速铁路的钢轨要满足高稳定性、表面平顺、良好的弹性和便于维护等要求。目前，已发现高铁在多年营运过程中累积了许多损伤。据统计，高铁损伤近一半发生在钢轨表面，这些损伤在沿横向发展后会造成钢轨的断裂，是严重危害人身安全的隐患。

长年累月，这种大载荷、高接触频率造成钢轨踏面出现不同程度的损伤。踏面的浅表层缺陷有裂纹、掉块、擦伤、锈蚀等。其中，裂纹的扩展对钢轨的危害最为严重。在周期性大载荷的作用下，裂纹继续扩展会使踏面出现剥离掉块甚至使钢轨断裂。根据裂纹与踏面法向夹角的不同，可以将钢轨踏面裂纹分为垂直裂纹和斜裂纹两种。不同倾角的裂纹扩展后将造成不同范围的损伤区域。在钢轨裂纹检测过程中，检测仪器会采集到大量的检测信号，深度学习技术可以实现损伤识别和定量检测，从而帮助检测人员根据具体裂纹深度对不同损伤级别的钢轨段采取相应的维护措施。深度学习基于大量的特征数据，对深度学习模型(目前以深度神经网络为主)进行训练，使得完成训练的模型能够实现数据的准确分类或相关参数的定量计算。

现有技术中利用深度学习对裂纹进行定量评估，需要建立垂直裂纹和斜裂纹的深度学习模型，分别用于垂直裂纹和斜裂纹的定量评估。建立两种深度学习模型，需要花费较多的时间，若直接将垂直裂纹的深度学习模型用于斜裂纹宽度和深度的定量计算，则无法得到正确的裂纹宽度和深度值。申请人提出一种可以解决上述问题的基于深度学习的钢轨裂纹定量涡流检测方法和装置以及设备。

发明内容

有鉴于此，本发明提出一种基于深度学习的钢轨裂纹定量涡流检测方法和装置以及设备，利用垂直裂纹数据集训练所得的深度学习模型对转换后的斜裂纹信号曲线进行反演，并结合斜裂纹的倾角，获得斜裂纹剖面轮廓曲线，进而获得斜裂纹的宽度和深度。

采用涡流检测的方法检测垂直裂纹得到的信号曲线是对称曲线，检测斜裂纹得到的信号曲线是非对称曲线。本发明中，采用对称化转换公式，将斜裂纹的信号曲线转换为对称曲线，使之适用于垂直裂纹深度学习模型。

一方面，本发明提供一种基于深度学习的钢轨裂纹定量涡流检测方法，所述方法包括：采集裂纹涡流响应，建立第一信号曲线；计算裂纹倾角，并对称化转换所述第一信号曲线，输出第二信号曲线；将所述第二信号曲线导入垂直裂纹深度学习模型进行计算，基于计算结果重构斜裂纹并确定斜裂纹深度和宽度。

另一方面，本发明提供一种基于深度学习的钢轨裂纹定量涡流检测装置，包括：

采集模块，用于采集裂纹涡流响应，建立第一信号曲线；

对称化转换模块，用于计算裂纹倾角，并对称化转换所述第一信号曲线，输出第二信号曲线；

深度学习模块，用于将所述第二信号曲线导入垂直裂纹深度学习模型进行计算，基于计算结果重构斜裂纹并确定斜裂纹深度和宽度。

最后，本发明提供一种基于深度学习的钢轨裂纹定量涡流检测设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器。其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一项所述的基于深度学习的钢轨裂纹定量涡流检测方法。

提供一种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如上述任一项所述的基于深度学习的钢轨裂纹定量涡流检测方法。

可以发现，为了使在垂直裂纹信号曲线数据集上训练出的深度学习模型能够用于斜裂纹的定量检测，本发明采用对称化转换公式将不对称的斜裂纹信号曲线转换成对称曲线。在获得斜裂纹的对称化信号曲线后，使用训练好的深度学习模型对对称信号曲线的数据进行反演，并结合根据转换前的信号曲线计算得到的裂纹倾角，获得斜裂纹的剖面轮廓曲线，直观反映裂纹的延伸情况，进而计算斜裂纹的宽度和垂直深度。裂纹按类型分为垂直裂纹和斜裂纹，现有技术中利用深度学习对裂纹进行定量评估，需要建立垂直裂纹和斜裂纹的深度学习模型，分别用于垂直裂纹和斜裂纹的定量评估。本申请只需要建立垂直裂纹深度学习模型，该模型可同时用于垂直裂纹和斜裂纹的定量评估，提高效率，节约时间。

附图说明

为了更清楚地说明本发明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介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。

图1是本发明基于深度学习的钢轨裂纹定量涡流检测方法一实施例的流程示意图；

图2是钢轨斜裂纹相位曲线示意图；

图3是实验测得垂直裂纹和斜裂纹相位曲线；

图4是斜裂纹相位曲线对称化转换结果。

具体实施方式

下面结合附图和实施例，对本发明作进一步的详细描述。特别指出的是，以下实施例仅用于说明本发明，但不对本发明的范围进行限定。同样的，以下实施例仅为本发明的部分实施例而非全部实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明提供一种基于深度学习的钢轨裂纹定量涡流检测方法，将不对称的斜裂纹信号曲线对称化转换成对称的信号曲线，信号是指用于表征涡流检测结果的特征量，如幅值、相位、实部、虚部等，在本实施例中，提取相位，建立相位曲线进行举例说明。在获得斜裂纹的对称化相位曲线后，利用垂直裂纹数据集训练所得的深度学习模型对转换后的斜裂纹相位曲线进行反演，并结合斜裂纹的倾角，获得斜裂纹剖面轮廓曲线，进而获得斜裂纹的宽度和深度。

请参见图1，图1是本发明基于深度学习的钢轨裂纹定量涡流检测方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括如下步骤：

S1、采集裂纹涡流响应相位信号，建立第一信号曲线；

S2、计算裂纹倾角，并对称化转换所述第一信号曲线，输出第二信号曲线；

S3、将所述第二信号曲线导入垂直裂纹深度学习模型进行计算，基于计算结果重构斜裂纹并确定斜裂纹宽度和深度。

S1(采集裂纹涡流响应相位信号，建立第一信号曲线)所述的第一信号曲线可以是垂直裂纹相位曲线，也可以是斜裂纹相位曲线。

S2(计算裂纹倾角，并对称化转换所述第一信号曲线，输出第二信号曲线)具体包括如下步骤：

S21、计算相位信号曲线的不对称率，

所述不对称率的计算公式为

式中，R代表不对称率，x

S22、基于不对称率计算裂纹倾角，

裂纹倾角计算公式为

θ

式中，θ

S23、若裂纹倾角≠0，则将相位曲线对称化转换，输出第二信号曲线，否则输出原始相位曲线，

所述对称化转换的计算公式为

f(x

式中，R代表不对称率，x

该S2的原理如下。

首先需要对钢轨裂纹涡流检测进行有限元分析。斜裂纹与垂直裂纹并不相同，因此本发明采用三维有限元法对PCB探头检测钢轨垂直裂纹和斜裂纹进行模拟研究。根据模拟结果，寻找钢轨垂直裂纹和斜裂纹相位曲线之间的转换关系，并构造出转换公式。

模拟用PCB探头分别对含垂直裂纹和不同倾角斜裂纹的钢轨进行涡流扫查。垂直裂纹的相位曲线关于峰值点对称，而斜裂纹的相位曲线关于峰值点不对称。随着裂纹倾角的增大，相位曲线的不对称性逐渐增强，峰值横坐标向裂纹倾角增大的方向移动，且峰值增大。

其次，分析钢轨垂直裂纹与斜裂纹相位曲线转换方法。为了将垂直裂纹与斜裂纹相位曲线转换，引入不对称率，用于衡量钢轨垂直裂纹和斜裂纹的相位曲线的不对称程度，计算出裂纹倾角，并推导出垂直裂纹和斜裂纹相位曲线之间的转换关系式。

1、曲线不对称率与倾角计算

由实验采集和模拟计算所得的裂纹相位曲线可知，垂直裂纹和斜裂纹都存在两个波谷，下文仅对两波谷间的信号进行分析。钢轨斜裂纹相位曲线示意图如图2所示，图中

R越大，表示裂纹相位曲线不对称程度越大。

对倾角为20°、40°、60°的斜裂纹不对称率与倾角的关系进行拟合，并用倾角为10°、30°、50°的斜裂纹不对称率进行验证。采用式(1)对实验所测得的倾角为20°、40°、60°的斜裂纹相位曲线以及垂直裂纹相位曲线进行计算，求出相应的不对称率。以上4个角度的倾角-不对称率的拟合直线公式为：

θ

式中：θ

采用式(2)由实际倾角为0°、10°、20°、30°、40°、50°、60°的裂纹相位曲线的不对称率计算对应的倾角估计值。随后，计算倾角估计值与实际值的误差的平均值e

式中：n

表1不同倾角裂纹实验相位曲线的不对称率及倾角估计值

2、对称化转换公式推导

斜裂纹相位曲线为不对称曲线，垂直裂纹相位曲线为对称曲线，因此实现斜裂纹相位曲线到垂直裂纹相位曲线的转换是将不对称曲线转换为对称曲线。为了实现该对称化转换，构造对称化转换函数f，并使f满足下式：

式中：

由于每条斜裂纹相位曲线都存在一个峰值，对称化转换时以相位曲线峰值作为参考，将峰值与各扫查点横坐标之差作为自变量。为简化表述，令d

式中：d

f(x)＝a

式中：a

选取裂纹倾角为20°、40°、60°的三条相位曲线，计算对称化转换公式的系数。用倾角为10°、30°、50°的三条相位曲线检验对称化转换的效果。图3所示为3条实验测得的斜裂纹相位信号及垂直裂纹相位曲线。采用公式(5)对实验测得的垂直裂纹相位曲线与3条斜裂纹相位曲线计算，可得出3条比值曲线。对比值曲线进行二阶傅里叶拟合，拟合公式的各项系数如表2所示。

表2实验测得的斜裂纹相位曲线对应的对称化转换公式各系数值

对表2中的各项系数数值与不对称率的关系进行多项式拟合，得到

a

ω(R)＝-0.37R+0.43 (8)

a

b

a

b

将式(7)—(12)代入式(6)，得到

使用式(13)，将倾角为10°、30°、50°的三条斜裂纹相位曲线进行对称化转换，图4所示为对称化转换的结果。由图可见，实验所得的斜裂纹相位曲线进行对称化转换后和垂直裂纹相位曲线基本吻合。将实验所得的斜裂纹相位曲线进行对称化转换后，可以将对称化曲线导入训练好的深度学习模型中计算出斜裂纹的深度和宽度。

S3(将所述第二信号曲线导入垂直裂纹深度学习模型进行计算，基于计算结果重构斜裂纹并确定斜裂纹宽度和深度)具体包括如下步骤：

S31、将所述第二信号曲线导入深度学习模型计算第二信号曲线对应的裂纹剖面轮廓曲线；

S32、结合裂纹倾角及第二信号曲线对应的裂纹剖面轮廓曲线重构斜裂纹轮廓曲线；

S33、基于斜裂纹轮廓曲线计算斜裂纹宽度及深度。

该S3的原理如下。

首先利用PCB涡流探头扫查钢轨踏面的垂直裂纹，建立垂直裂纹特征信号数据集，并将数据集进行预处理，然后划分为训练集、验证集和测试集。将上述建立的训练集和验证集导入GRU-RNN深度学习模型进行训练及优化，并利用测试集评估训练优化后的GRU-RNN深度学习模型。GRU-RNN对采集的垂直裂纹特征数据进行反演，获得裂纹轮廓。

其次，实验测得的钢轨踏面斜裂纹相位曲线包含倾角为10°、20°、30°、40°、50°、60°的相位曲线。在完成斜裂纹的相位曲线对称化转换之后，采用训练好的深度学习模型对各斜裂纹进行重构。根据计算出的裂纹轮廓序列数据获得斜裂纹的宽度和垂直深度。结合由式(2)计算出的斜裂纹倾角，当计算出的轮廓点z坐标小于0时对轮廓点进行横向平移，则第i个轮廓点新的横坐标为：

式中：x

最后，裂纹宽度定义为计算得到的裂纹轮廓曲线的半下降沿深度和半上升沿深度的横向距离，用w

用e

式中：n

由斜裂纹轮廓重构结果获得斜裂纹的宽度和深度，并根据式(15)—(16)计算出斜裂纹宽度和深度的误差平均值，计算结果如表4所示。斜裂纹倾角计算误差平均值已在表1中体现。

上述内容即步骤S3的原理。本发明为了使在垂直裂纹相位曲线数据集上训练出的深度学习模型能够用于斜裂纹的定量检测，采用对称化转换公式将不对称的斜裂纹相位曲线转换成对称曲线。在获得斜裂纹的对称化相位曲线后，

表3深度学习模型在不同数据集上的垂直裂纹深度和宽度的计算结果

表4斜裂纹深度和宽度的计算结果

使用训练好的深度学习模型对对称相位曲线的数据进行反演，获得斜裂纹的剖面轮廓曲线(有助于直观地反映裂纹的延伸情况)，进而计算斜裂纹的宽度和垂直深度。裂纹按类型分为垂直裂纹和斜裂纹，现有技术中利用深度学习对裂纹进行定量评估，需要建立垂直裂纹和斜裂纹的深度学习模型，分别用于垂直裂纹和斜裂纹的定量评估。本申请只需要建立垂直裂纹深度学习模型，该模型可同时用于垂直裂纹和斜裂纹的定量评估，提高效率，节约时间。采用涡流检测的方法检测垂直裂纹得到的相位曲线是对称曲线，检测斜裂纹得到的相位曲线是非对称的。本案中，采用对称化转换公式，将斜裂纹的相位曲线转换为对称曲线，使之适用于垂直裂纹深度学习模型。

本发明还提出一种基于深度学习的钢轨裂纹定量涡流检测装置，包括：

采集模块，用于采集裂纹相位信号，建立第一信号曲线；

对称化转换模块，用于计算裂纹倾角，并对称化转换所述第一信号曲线，输出第二信号曲线；

深度学习模块，用于将所述第二信号曲线导入垂直裂纹深度学习模型进行计算，基于计算结果重构斜裂纹轮廓并确定斜裂纹宽度和深度。

进一步的，所述对称化转换模块具体可用于：计算相位曲线的不对称率；基于不对称率计算裂纹倾角；若裂纹倾角≠0，则将相位曲线对称化转换，输出对称化相位曲线，否则输出原始相位信号曲线。

进一步的，所述不对称率、裂纹倾角及对称化转换的计算公式如下：

所述不对称率的计算公式为

式中，R代表不对称率，x

所述裂纹倾角的计算公式为

θ

式中，θ

f(x

式中，R代表不对称率，x

进一步的，所述深度学习模块具体可用于：

将所述第二信号曲线导入深度学习模型计算第二信号曲线对应的裂纹剖面轮廓曲线；结合裂纹倾角及第二信号曲线对应的裂纹剖面轮廓曲线重构斜裂纹轮廓曲线；基于斜裂纹轮廓曲线计算斜裂纹宽度及深度。

本发明还提出一种基于深度学习的钢轨裂纹定量涡流检测设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器。其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行基于深度学习的钢轨裂纹定量涡流检测方法。

本发明还提出一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现基于深度学习的钢轨裂纹定量涡流检测方法。

以上所述仅为本发明的部分实施例，并非因此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。