王克文

國(guó)能新朔鐵路有限責(zé)任公司，內(nèi)蒙古鄂爾多斯 010300

大準(zhǔn)鐵路線路狀態(tài)復(fù)雜，鋼軌狀態(tài)差，傷損多發(fā)且傷損發(fā)展快，安全生產(chǎn)形勢(shì)嚴(yán)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(diǎn)進(jìn)行作業(yè)，檢測(cè)速度僅2 ～3 km/h，所需作業(yè)人員達(dá)100人以上，年成本高達(dá)2千多萬元。同時(shí)，利用列車間隔作業(yè)存在較大的人身安全隱患。因此，亟待研制一種新型探傷設(shè)備代替大部分人工作業(yè)，改變?nèi)斯ぬ絺鳂I(yè)低效率、高成本、高風(fēng)險(xiǎn)的現(xiàn)狀。本文依托重載鐵路新型相控陣鋼軌探傷車［1-2］進(jìn)行自動(dòng)判傷算法設(shè)計(jì)。

1 鋼軌探傷系統(tǒng)簡(jiǎn)介

該鋼軌探傷系統(tǒng)基于快速相控陣+常規(guī)超聲布局，檢測(cè)時(shí)速可達(dá)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(tǒng)，超聲探傷系統(tǒng)采用快速相控陣技術(shù)和常規(guī)超聲技術(shù)相結(jié)合方式實(shí)現(xiàn)不同軌型超聲全覆蓋；模塊2為自動(dòng)判傷模塊，利用自動(dòng)判傷算法對(duì)傷損自動(dòng)識(shí)別、分級(jí)報(bào)警；模塊3為人機(jī)交互界面，實(shí)現(xiàn)系統(tǒng)配置、參數(shù)調(diào)整、檢測(cè)結(jié)果A/B 型顯示、軌面圖像同步展示等。利用該系統(tǒng)可檢測(cè)鋪設(shè)43 ～75 kg/m 鋼軌的線路。智能判傷算法要解決的關(guān)鍵問題是，探傷車性能穩(wěn)定后，80 km/h條件下，探傷車檢出總數(shù)不低于人工手推儀器對(duì)應(yīng)缺陷檢出總數(shù)的90%（軌頭核傷不低于85%），漏報(bào)率不高于10%。

2 鋼軌傷損分類

根據(jù)大型鋼軌探傷車、手推鋼軌探傷儀傷損分類，結(jié)合TB/T 1778—2010《鋼軌傷損分類》中鋼軌傷損分類方法及現(xiàn)場(chǎng)經(jīng)驗(yàn)，對(duì)超聲檢測(cè)的鋼軌缺陷進(jìn)行整理，見表1。這些傷損類別涵蓋現(xiàn)有狀態(tài)下我國(guó)鋼軌所有常見傷損類型，分為軌頭、軌腰和軌底區(qū)域，其中軌頭區(qū)域核傷主要有PA70°+UT70°通道檢測(cè)，軌腰和軌底區(qū)域裂紋主要有37°通道檢測(cè)，而軌頭、軌腰等區(qū)域水平裂紋主要有0°通道檢測(cè)，同時(shí)0°通道還負(fù)責(zé)底波失波監(jiān)控［3］。

表1 鋼軌傷損分類及監(jiān)控通道

3 智能判傷算法設(shè)計(jì)

智能判傷設(shè)計(jì)方案見圖1。鋼軌探傷實(shí)時(shí)數(shù)據(jù)經(jīng)過自適應(yīng)的加框算法模塊被分割為一系列的數(shù)據(jù)框，再進(jìn)入智能判傷模塊中進(jìn)行判傷，計(jì)算出缺陷的位置、類型、長(zhǎng)度等特征，實(shí)時(shí)顯示在上位機(jī)軟件中。

圖1 智能判傷設(shè)計(jì)

3.1 自適應(yīng)的加框算法

3.1.1 單通道數(shù)據(jù)分割/組合通道數(shù)據(jù)合并

單通道數(shù)據(jù)分割流程見圖2。數(shù)據(jù)點(diǎn)之間按橫向間距及縱向間距進(jìn)行聚合，數(shù)據(jù)點(diǎn)與已聚合的數(shù)據(jù)群中最近的三個(gè)點(diǎn)之間的水平距離少于w（常數(shù)）且深度差距小于h（常數(shù)）則聚合為同一數(shù)據(jù)群。按該準(zhǔn)則對(duì)單通道缺陷數(shù)據(jù)進(jìn)行分割，分割結(jié)果記錄為通道ID與初步分割框［4］。

圖2 單通道數(shù)據(jù)分割流程

單通道數(shù)據(jù)分割效果見圖3。紅色代表未處理數(shù)據(jù)群，黑色代表已聚合數(shù)據(jù)群，黑色點(diǎn)中最后三個(gè)點(diǎn)形成的矩形框向上下擴(kuò)展h、向左右擴(kuò)展w后包含了下一個(gè)紅點(diǎn)，因此將紅點(diǎn)與前面的黑點(diǎn)再聚合為同一數(shù)據(jù)群。其中w=40，h=15。

圖3 單通道數(shù)據(jù)分割

組合通道數(shù)據(jù)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(zhǎng)度、寬度分別向延伸方向增加w、h，計(jì)算每個(gè)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(gè)分割框的面積的多少，若超過5%則把兩個(gè)分割框合并為一個(gè)。

圖4 組合通道數(shù)據(jù)框合并流程

圖5 組合通道數(shù)據(jù)框合并

3.1.2 多通道數(shù)據(jù)融合

數(shù)據(jù)分割算法總會(huì)把兩個(gè)接近的缺陷合并成一個(gè)，或把同一個(gè)分隔得比較開的缺陷分割成兩個(gè)，因此提出自適應(yīng)策略：設(shè)置多種分割尺度操作，仍采用原來的方法，但擴(kuò)展參數(shù)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(shè)置三種數(shù)據(jù)融合尺度，以螺孔和線孔組合識(shí)別為例，識(shí)別效果如圖6所示?？梢钥闯?，策略A 是最分散的數(shù)據(jù)融合策略，策略C 完整地把螺孔和線孔標(biāo)示出來，策略B介于二者之間。三種策略的參數(shù)各異，包含多種尺度范圍，聯(lián)合使用可提高算法的靈活度。

圖6 螺孔+線孔圖譜三種數(shù)據(jù)分割策略識(shí)別效果

超聲人員分析數(shù)據(jù)時(shí)，只需對(duì)包含6 個(gè)連續(xù)出現(xiàn)螺孔和各個(gè)線孔的大框進(jìn)行標(biāo)記。采用這種方式，使疑似缺陷信號(hào)與其附近出現(xiàn)的疑似缺陷信號(hào)聯(lián)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(shù)據(jù)分割

由于底波數(shù)據(jù)量大，且底波檢測(cè)通道數(shù)據(jù)的特征比較明顯，特征為有或無。因此，對(duì)底波數(shù)據(jù)進(jìn)行分割處理：底波通道按缺失的長(zhǎng)度超過m（常數(shù)）來分割，底波缺失小于m個(gè)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(chǎn)生的缺陷分割框及每個(gè)框中的原始信號(hào)數(shù)據(jù)，輸出為缺陷框下缺陷的類型。

3.2.1 傳統(tǒng)判傷算法

在使用傳統(tǒng)機(jī)器學(xué)習(xí)算法時(shí)，必須首先將數(shù)據(jù)的特征量提取出來作為算法的輸入。這里數(shù)據(jù)特征的設(shè)計(jì)是一個(gè)建模的過程，特征設(shè)計(jì)的好壞將極大程度地影響算法的能力。因此自動(dòng)判傷的特征設(shè)計(jì)基本上基于NDT（Non-Destructive Testing）人員的主觀經(jīng)驗(yàn)。特征量主要包括各通道數(shù)據(jù)的點(diǎn)數(shù)、除底波通道外所有數(shù)據(jù)的點(diǎn)數(shù)之和、數(shù)據(jù)框的長(zhǎng)度、某些特定通道數(shù)據(jù)的斜率、數(shù)據(jù)框的寬度（即深度范圍）、數(shù)據(jù)框的中心深度。

通過鋼軌探傷平臺(tái)采集測(cè)試軌數(shù)據(jù)進(jìn)行驗(yàn)證。測(cè)試軌包含軌頭核傷12 個(gè)、軌腰裂紋11 個(gè)、軌底裂紋2個(gè)，總計(jì)采集數(shù)據(jù)100次。對(duì)這些樣本采用傳統(tǒng)判傷算法進(jìn)行識(shí)別率統(tǒng)計(jì)，結(jié)果見表2?？芍瑐鹘y(tǒng)判傷算法能正確識(shí)別樣板軌上的軌頭核傷、軌腰螺孔裂紋及軌底裂紋，測(cè)試結(jié)果可實(shí)現(xiàn)低于10%的誤報(bào)率和低于5%的漏報(bào)率。因此，傳統(tǒng)判傷算法具有很強(qiáng)的適應(yīng)能力，可以為算法初期的效果提供下限。

表2 傳統(tǒng)判傷算法測(cè)試統(tǒng)計(jì)

3.2.2 基于卷積神經(jīng)網(wǎng)絡(luò)分類算法

卷積神經(jīng)網(wǎng)絡(luò)善于提取圖像中平移不變的細(xì)節(jié)特征，適用于鋼軌探傷中的缺陷細(xì)節(jié)特征提取，但將網(wǎng)絡(luò)訓(xùn)練達(dá)到要求需要大量數(shù)據(jù)。卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)黑箱模型，根據(jù)數(shù)據(jù)特征設(shè)計(jì)相應(yīng)的網(wǎng)絡(luò)后，需要將標(biāo)記過的樣本數(shù)據(jù)輸入網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，讓網(wǎng)絡(luò)自動(dòng)學(xué)會(huì)提取數(shù)據(jù)中有用的特征并輸出合適的結(jié)果。

在進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練前，將數(shù)據(jù)群劃分為軌頭區(qū)域數(shù)據(jù)群、軌腰區(qū)域數(shù)據(jù)群、軌底區(qū)域數(shù)據(jù)群、跨區(qū)域數(shù)據(jù)群、單通道數(shù)據(jù)群、多通道數(shù)據(jù)群（圖7）。針對(duì)圖中每子節(jié)點(diǎn)訓(xùn)練一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，判傷時(shí)根據(jù)不同的條件調(diào)取卷積網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)?？紤]到鋼軌項(xiàng)目的數(shù)據(jù)與常規(guī)圖像數(shù)據(jù)不同，在使用卷積網(wǎng)絡(luò)時(shí)應(yīng)充分考慮鋼軌超聲掃查數(shù)據(jù)的特點(diǎn)，采用類似一維卷積網(wǎng)絡(luò)的方式來設(shè)計(jì)網(wǎng)絡(luò)［5］。如表3 所示，神經(jīng)網(wǎng)絡(luò)的輸入為B 掃數(shù)據(jù)群轉(zhuǎn)化為250（長(zhǎng)度）× 8（通道數(shù)）的數(shù)組，數(shù)組的值代表當(dāng)前位置/通道所含數(shù)據(jù)的深度，若無數(shù)據(jù)則深度為0。數(shù)據(jù)經(jīng)過第一層（Conv1）時(shí)，8 個(gè)通道的250 長(zhǎng)度的數(shù)據(jù)按長(zhǎng)度方向2 進(jìn)行卷積組合，在組合中所有的通道融合在一起，進(jìn)入下層，后面的數(shù)據(jù)層與常規(guī)一維卷積網(wǎng)絡(luò)的組合方式相同［6］。

圖7 數(shù)據(jù)群劃分

表3 神經(jīng)網(wǎng)絡(luò)架構(gòu)

由于試驗(yàn)平臺(tái)產(chǎn)生的真實(shí)缺陷數(shù)據(jù)較少，數(shù)據(jù)種類單一，不適于直接進(jìn)行深度學(xué)習(xí)的訓(xùn)練和判傷。為此，專門設(shè)計(jì)模擬鋼軌探傷數(shù)據(jù)軟件［7］，采用對(duì)標(biāo)準(zhǔn)樣本做隨機(jī)變形的方式生成了大量的樣本數(shù)據(jù)集。數(shù)據(jù)集包括軌頭核傷、螺孔裂紋、軌底裂紋、魚鱗紋及隨機(jī)噪聲。模擬鋼軌探傷數(shù)據(jù)軟件功能包括：①模擬數(shù)據(jù)生產(chǎn)、模擬實(shí)時(shí)檢測(cè)；②內(nèi)置算法可對(duì)實(shí)時(shí)對(duì)多通道回波數(shù)據(jù)群進(jìn)行分割；③待分類數(shù)據(jù)以Protobuf 協(xié)議壓縮，通過網(wǎng)絡(luò)TCP 傳出；④分割數(shù)據(jù)通過網(wǎng)絡(luò)接口傳送至服務(wù)程序進(jìn)行缺陷識(shí)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(shù)據(jù)集合上的測(cè)試結(jié)果見表4?？芍焊黝惾毕莸臏?zhǔn)確率均達(dá)到98%以上、漏報(bào)率低于2%，這充分說明了深度學(xué)習(xí)算法對(duì)具有大量數(shù)據(jù)樣本支持的樣例具有很高的準(zhǔn)確率。

表4 基于卷積神經(jīng)網(wǎng)絡(luò)理論驗(yàn)證 %

3.2.3 算法架構(gòu)

條件判傷算法需要根據(jù)設(shè)計(jì)者對(duì)缺陷的特征進(jìn)行精準(zhǔn)定制。傳統(tǒng)的算法架構(gòu)往往采用一次定制方案，即在開發(fā)算法期間將所有判傷條件設(shè)計(jì)完畢，且無法改動(dòng)或只能進(jìn)行較小改動(dòng)。應(yīng)用期間會(huì)出現(xiàn)一些在算法設(shè)計(jì)階段未考慮過的特殊缺陷形態(tài)，傳統(tǒng)算法架構(gòu)無法應(yīng)對(duì)這些情況。因此，采用工廠模式設(shè)計(jì)，通過靜態(tài)反射原理實(shí)現(xiàn)以腳本的方式靈活配置算法。算法代碼一次完成，后續(xù)更改可由調(diào)試或維護(hù)人員根據(jù)新型缺陷的特征以文本形式修改輸入算法的腳本，對(duì)判傷的方式、條件進(jìn)行設(shè)計(jì)。另外，設(shè)計(jì)了循環(huán)可變長(zhǎng)動(dòng)態(tài)緩存的數(shù)據(jù)結(jié)構(gòu)來存儲(chǔ)數(shù)據(jù)，采用該數(shù)據(jù)結(jié)構(gòu)可大幅提高內(nèi)存利用率。

4 智能判傷算法應(yīng)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(shí)別并以圖標(biāo)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(nèi)、內(nèi)中外、內(nèi)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(shí)別結(jié)果

該算法已應(yīng)用于重載鐵路新型相控陣鋼軌探傷車，能正確識(shí)別鋼軌對(duì)比試塊上的軌頭核傷、軌腰螺孔裂紋及軌底裂紋，測(cè)試結(jié)果達(dá)到了90%以上的檢出率和低于10%的漏報(bào)率。

5 結(jié)語(yǔ)

鋼軌探傷車試運(yùn)行時(shí)用條件判傷算法把現(xiàn)場(chǎng)探傷經(jīng)驗(yàn)用編程實(shí)現(xiàn)自動(dòng)判傷，通過調(diào)整條件判傷的特征量，基本可以識(shí)別所有鋼軌傷損類型，但對(duì)實(shí)際線路傷損缺乏適應(yīng)性。在探傷車積累大量傷損數(shù)據(jù)后，可利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)傷損數(shù)據(jù)進(jìn)行訓(xùn)練，提取出對(duì)傷損分類有用的細(xì)節(jié)特征。鑒于算法的準(zhǔn)確性與大量的缺陷數(shù)據(jù)訓(xùn)練密切相關(guān)，目前新算法的現(xiàn)場(chǎng)實(shí)際應(yīng)用及數(shù)據(jù)采集仍存不足，建議在現(xiàn)場(chǎng)大量采集傷損數(shù)據(jù)，進(jìn)一步加強(qiáng)自動(dòng)識(shí)別訓(xùn)練和算法改進(jìn)，不斷提升自動(dòng)識(shí)別能力。

目前該設(shè)計(jì)已應(yīng)用于重載鐵路新型相控陣鋼軌探傷車，80 km/h 的檢測(cè)速度下，算法能正確識(shí)別樣板軌上的軌頭核傷、軌腰螺孔裂紋及軌底裂紋，測(cè)試結(jié)果達(dá)到了90%以上的檢測(cè)率和低于10%的漏報(bào)率，初步驗(yàn)證了該智能判傷算法的有效性。