鋼軌探傷高速試驗平臺判傷算法

王克文

國能新朔鐵路有限責任公司，內蒙古鄂爾多斯 010300

大準鐵路線路狀態復雜，鋼軌狀態差，傷損多發且傷損發展快，安全生產形勢嚴峻。該線路鋼軌探傷完全依賴人工手推探傷儀，利用列車間隔或天窗點進行作業，檢測速度僅2 ～3 km/h，所需作業人員達100人以上，年成本高達2千多萬元。同時，利用列車間隔作業存在較大的人身安全隱患。因此，亟待研制一種新型探傷設備代替大部分人工作業，改變人工探傷作業低效率、高成本、高風險的現狀。本文依托重載鐵路新型相控陣鋼軌探傷車［1-2］進行自動判傷算法設計。

1 鋼軌探傷系統簡介

該鋼軌探傷系統基于快速相控陣+常規超聲布局，檢測時速可達80 km。軟件部分主要由三大模塊組成。模塊1 為鋼軌超聲探傷系統，超聲探傷系統采用快速相控陣技術和常規超聲技術相結合方式實現不同軌型超聲全覆蓋；模塊2為自動判傷模塊，利用自動判傷算法對傷損自動識別、分級報警；模塊3為人機交互界面，實現系統配置、參數調整、檢測結果A/B 型顯示、軌面圖像同步展示等。利用該系統可檢測鋪設43 ～75 kg/m 鋼軌的線路。智能判傷算法要解決的關鍵問題是，探傷車性能穩定后，80 km/h條件下，探傷車檢出總數不低于人工手推儀器對應缺陷檢出總數的90%（軌頭核傷不低于85%），漏報率不高于10%。

2 鋼軌傷損分類

根據大型鋼軌探傷車、手推鋼軌探傷儀傷損分類，結合TB/T 1778—2010《鋼軌傷損分類》中鋼軌傷損分類方法及現場經驗，對超聲檢測的鋼軌缺陷進行整理，見表1。這些傷損類別涵蓋現有狀態下我國鋼軌所有常見傷損類型，分為軌頭、軌腰和軌底區域，其中軌頭區域核傷主要有PA70°+UT70°通道檢測，軌腰和軌底區域裂紋主要有37°通道檢測，而軌頭、軌腰等區域水平裂紋主要有0°通道檢測，同時0°通道還負責底波失波監控［3］。

表1 鋼軌傷損分類及監控通道

3 智能判傷算法設計

智能判傷設計方案見圖1。鋼軌探傷實時數據經過自適應的加框算法模塊被分割為一系列的數據框，再進入智能判傷模塊中進行判傷，計算出缺陷的位置、類型、長度等特征，實時顯示在上位機軟件中。

圖1 智能判傷設計

3.1 自適應的加框算法

3.1.1 單通道數據分割/組合通道數據合并

單通道數據分割流程見圖2。數據點之間按橫向間距及縱向間距進行聚合，數據點與已聚合的數據群中最近的三個點之間的水平距離少于w（常數）且深度差距小于h（常數）則聚合為同一數據群。按該準則對單通道缺陷數據進行分割，分割結果記錄為通道ID與初步分割框［4］。

圖2 單通道數據分割流程

單通道數據分割效果見圖3。紅色代表未處理數據群，黑色代表已聚合數據群，黑色點中最后三個點形成的矩形框向上下擴展h、向左右擴展w后包含了下一個紅點，因此將紅點與前面的黑點再聚合為同一數據群。其中w=40，h=15。

圖3 單通道數據分割

組合通道數據合并流程見圖4，效果如圖5 所示。將初步分割框按框的水平位置順序排列，分割框的長度、寬度分別向延伸方向增加w、h，計算每個分割框與其相鄰的分割框之間的重疊部分面積（圖5 中黑色部分）分別占兩個分割框的面積的多少，若超過5%則把兩個分割框合并為一個。

圖4 組合通道數據框合并流程

圖5 組合通道數據框合并

3.1.2 多通道數據融合

數據分割算法總會把兩個接近的缺陷合并成一個，或把同一個分隔得比較開的缺陷分割成兩個，因此提出自適應策略：設置多種分割尺度操作，仍采用原來的方法，但擴展參數不同。策略A：w= 10，h=50；策略B：w=50，h=50；策略C：w=300，h=50。分別設置三種數據融合尺度，以螺孔和線孔組合識別為例，識別效果如圖6所示。可以看出，策略A 是最分散的數據融合策略，策略C 完整地把螺孔和線孔標示出來，策略B介于二者之間。三種策略的參數各異，包含多種尺度范圍，聯合使用可提高算法的靈活度。

圖6 螺孔+線孔圖譜三種數據分割策略識別效果

超聲人員分析數據時，只需對包含6 個連續出現螺孔和各個線孔的大框進行標記。采用這種方式，使疑似缺陷信號與其附近出現的疑似缺陷信號聯系在一起形成特征，模擬了人的局部和全局的觀察推理方式，更符合人的判斷方式。

3.1.3 底波數據分割

由于底波數據量大，且底波檢測通道數據的特征比較明顯，特征為有或無。因此，對底波數據進行分割處理：底波通道按缺失的長度超過m（常數）來分割，底波缺失小于m個位置的不看做底波消失。

3.2 智能判傷算法

智能判傷算法模塊的輸入為上一步產生的缺陷分割框及每個框中的原始信號數據，輸出為缺陷框下缺陷的類型。

3.2.1 傳統判傷算法

在使用傳統機器學習算法時，必須首先將數據的特征量提取出來作為算法的輸入。這里數據特征的設計是一個建模的過程，特征設計的好壞將極大程度地影響算法的能力。因此自動判傷的特征設計基本上基于NDT（Non-Destructive Testing）人員的主觀經驗。特征量主要包括各通道數據的點數、除底波通道外所有數據的點數之和、數據框的長度、某些特定通道數據的斜率、數據框的寬度（即深度范圍）、數據框的中心深度。

通過鋼軌探傷平臺采集測試軌數據進行驗證。測試軌包含軌頭核傷12 個、軌腰裂紋11 個、軌底裂紋2個，總計采集數據100次。對這些樣本采用傳統判傷算法進行識別率統計，結果見表2。可知，傳統判傷算法能正確識別樣板軌上的軌頭核傷、軌腰螺孔裂紋及軌底裂紋，測試結果可實現低于10%的誤報率和低于5%的漏報率。因此，傳統判傷算法具有很強的適應能力，可以為算法初期的效果提供下限。

表2 傳統判傷算法測試統計

3.2.2 基于卷積神經網絡分類算法

卷積神經網絡善于提取圖像中平移不變的細節特征，適用于鋼軌探傷中的缺陷細節特征提取，但將網絡訓練達到要求需要大量數據。卷積神經網絡是一個黑箱模型，根據數據特征設計相應的網絡后，需要將標記過的樣本數據輸入網絡中進行訓練，讓網絡自動學會提取數據中有用的特征并輸出合適的結果。

在進行神經網絡訓練前，將數據群劃分為軌頭區域數據群、軌腰區域數據群、軌底區域數據群、跨區域數據群、單通道數據群、多通道數據群（圖7）。針對圖中每子節點訓練一個卷積神經網絡，判傷時根據不同的條件調取卷積網絡進行預測。考慮到鋼軌項目的數據與常規圖像數據不同，在使用卷積網絡時應充分考慮鋼軌超聲掃查數據的特點，采用類似一維卷積網絡的方式來設計網絡［5］。如表3 所示，神經網絡的輸入為B 掃數據群轉化為250（長度）× 8（通道數）的數組，數組的值代表當前位置/通道所含數據的深度，若無數據則深度為0。數據經過第一層（Conv1）時，8 個通道的250 長度的數據按長度方向2 進行卷積組合，在組合中所有的通道融合在一起，進入下層，后面的數據層與常規一維卷積網絡的組合方式相同［6］。

圖7 數據群劃分

表3 神經網絡架構

由于試驗平臺產生的真實缺陷數據較少，數據種類單一，不適于直接進行深度學習的訓練和判傷。為此，專門設計模擬鋼軌探傷數據軟件［7］，采用對標準樣本做隨機變形的方式生成了大量的樣本數據集。數據集包括軌頭核傷、螺孔裂紋、軌底裂紋、魚鱗紋及隨機噪聲。模擬鋼軌探傷數據軟件功能包括：①模擬數據生產、模擬實時檢測；②內置算法可對實時對多通道回波數據群進行分割；③待分類數據以Protobuf 協議壓縮，通過網絡TCP 傳出；④分割數據通過網絡接口傳送至服務程序進行缺陷識別及分類。

模擬軟件共生成軌頭核傷24 000 例、螺孔8 000例、螺孔裂紋 6 000 例、裂紋 10 000 例、噪聲 4 000 例，并增加了4 000 例魚鱗紋缺陷。在該數據集合上的測試結果見表4。可知：各類缺陷的準確率均達到98%以上、漏報率低于2%，這充分說明了深度學習算法對具有大量數據樣本支持的樣例具有很高的準確率。

表4 基于卷積神經網絡理論驗證 %

3.2.3 算法架構

條件判傷算法需要根據設計者對缺陷的特征進行精準定制。傳統的算法架構往往采用一次定制方案，即在開發算法期間將所有判傷條件設計完畢，且無法改動或只能進行較小改動。應用期間會出現一些在算法設計階段未考慮過的特殊缺陷形態，傳統算法架構無法應對這些情況。因此，采用工廠模式設計，通過靜態反射原理實現以腳本的方式靈活配置算法。算法代碼一次完成，后續更改可由調試或維護人員根據新型缺陷的特征以文本形式修改輸入算法的腳本，對判傷的方式、條件進行設計。另外，設計了循環可變長動態緩存的數據結構來存儲數據，采用該數據結構可大幅提高內存利用率。

4 智能判傷算法應用

如圖8 所示，軟件界面上所有螺孔裂紋均被正確打框，且缺陷類型被正確識別并以圖標的形式顯示在缺陷的正下方。其中圖8（a）從左到右依次為：外、中、內、內中外、內中、外中核傷；圖8（b）從左到右依次為：左下、右下、左上、右上螺孔裂紋；圖8（c）從左到右依次為：軌腰斜裂紋、軌底斜裂紋、軌頭水平裂紋、軌腰水平裂紋。

圖8 各類缺陷識別結果

該算法已應用于重載鐵路新型相控陣鋼軌探傷車，能正確識別鋼軌對比試塊上的軌頭核傷、軌腰螺孔裂紋及軌底裂紋，測試結果達到了90%以上的檢出率和低于10%的漏報率。

5 結語

鋼軌探傷車試運行時用條件判傷算法把現場探傷經驗用編程實現自動判傷，通過調整條件判傷的特征量，基本可以識別所有鋼軌傷損類型，但對實際線路傷損缺乏適應性。在探傷車積累大量傷損數據后，可利用卷積神經網絡對傷損數據進行訓練，提取出對傷損分類有用的細節特征。鑒于算法的準確性與大量的缺陷數據訓練密切相關，目前新算法的現場實際應用及數據采集仍存不足，建議在現場大量采集傷損數據，進一步加強自動識別訓練和算法改進，不斷提升自動識別能力。

目前該設計已應用于重載鐵路新型相控陣鋼軌探傷車，80 km/h 的檢測速度下，算法能正確識別樣板軌上的軌頭核傷、軌腰螺孔裂紋及軌底裂紋，測試結果達到了90%以上的檢測率和低于10%的漏報率，初步驗證了該智能判傷算法的有效性。