孫次鎖，劉 軍，秦 勇，張玉華

(1.北京交通大學(xué) 交通運輸學(xué)院，北京 100044；2.中國鐵道科學(xué)研究院集團有限公司 基礎(chǔ)設(shè)施檢測研究所，北京 100081)

超聲波探傷在鐵路領(lǐng)域有著廣泛的應(yīng)用[1]，鋼軌探傷車采用超聲波檢測原理對在役鋼軌內(nèi)部傷損進行檢測，通過對檢測數(shù)據(jù)進行分析以判斷鋼軌中是否存在傷損。目前既有探傷車檢測數(shù)據(jù)分析軟件(既有系統(tǒng))對檢測數(shù)據(jù)進行自動分析存在誤報率高的問題，而且存在傷損漏報。為確保不發(fā)生傷損漏報、降低誤報率，需要在既有系統(tǒng)分析基礎(chǔ)上再次進行人工分析，即需對檢測數(shù)據(jù)進行2次分析，存在效率太低的問題。

為提高數(shù)據(jù)分析軟件對鋼軌傷損識別的準(zhǔn)確率、降低誤報率，現(xiàn)有的方法主要是人工選取檢測數(shù)據(jù)的分類特征，再設(shè)計分類器進行鋼軌傷損分類。如文獻[2]利用“不同類型的傷損超聲回波信號中的頻率成分的能量不同”特點，對超聲波回波信號的頻帶特征進行提取，對發(fā)現(xiàn)的裂紋、氣孔、縮松、夾渣進行分類。文獻[3]提出“譜分析處理技術(shù)”的改進算法，采用非監(jiān)督機器學(xué)習(xí)方法，分析每個類別的缺陷概率和假象概率，降低數(shù)據(jù)中虛假信號的影響。文獻[4]采用神經(jīng)網(wǎng)絡(luò)算法對檢測數(shù)據(jù)的處理進行了研究，通過通道信息、閘門信息、對象位置、對象長度、開始深度、截止深度、返回信號的幅值7個特征訓(xùn)練10個神經(jīng)網(wǎng)絡(luò)，以對10種鋼軌缺陷類型(包括無缺陷)進行傷損識別與分類。文獻[5—8]采用人工選取分類特征的方式對鋼軌傷損進行分類，在這種方式中，鋼軌傷損識別的效果依賴于特征選取的準(zhǔn)確、全面程度，對認(rèn)識不足的傷損特征會有遺漏，存在傷損漏判和誤判率高等問題。

近年來，深度學(xué)習(xí)技術(shù)由于具有自動特征提取特性而受到越來越多的關(guān)注，如文獻[9]將深度學(xué)習(xí)技術(shù)應(yīng)用于鐵道塞釘?shù)淖詣訖z測，以相機獲取的圖像作為輸入。而鋼軌探傷車檢測數(shù)據(jù)與傳統(tǒng)圖像特點不同，無法直接應(yīng)用。

本文將檢測數(shù)據(jù)視為由16個通道二進制矩陣疊加而成的圖像，通過預(yù)處理，將“物體檢測”問題轉(zhuǎn)換為“分類”問題。設(shè)計了基于深度學(xué)習(xí)的鋼軌傷損智能識別模型，并將其識別結(jié)果與鋼軌探傷車既有系統(tǒng)識別和人工分析結(jié)果進行對比，以驗證智能識別的有效性。

1 鋼軌探傷車檢測數(shù)據(jù)的生成

1.1 檢測數(shù)據(jù)通道設(shè)計

在鋼軌探傷車每側(cè)鋼軌處設(shè)置有3個超聲波探輪、共16個超聲波閘門，每個閘門視為檢測數(shù)據(jù)的1個通道，如圖1所示。圖中：閘門編號為1—16，每個閘門名稱由“前/后+外/中/內(nèi)/斜+角度+檢測部位”組成，其中列車前進方向為“前”，前進方向的反方向為“后”，遠(yuǎn)離軌道中心線的方向為“外”，靠近軌道中心線的方向為“內(nèi)”，“內(nèi)”“外”之間的為“中”，傾斜安裝，貫穿“中”和“內(nèi)”的為“斜”；檢測軌腰和軌底的超聲波閘門沒有“內(nèi)/外”之分，僅有“前/后”。如“前外70°軌頭”代表“鋼軌探傷車前進方向、外側(cè)、70°檢測軌頭的超聲波閘門”。各閘門編號及名稱說明見表1。

圖1 鋼軌探傷車單側(cè)超聲波閘門位置示意圖

閘門編號閘門名稱閘門編號閘門名稱1前外70°軌頭9后外70°軌頭2前中70°軌頭10后中70°軌頭3前內(nèi)70°軌頭11后內(nèi)70°軌頭4前45°軌腰12后45°軌腰5前45°軌底13后45°軌底6前0°軌腰14后0°軌腰7前0°軌底15后0°軌底8前斜70°軌頭16后斜70°軌頭

1.2 B顯數(shù)據(jù)生成原理

以前0°軌腰閘門檢測鋼軌軌腰螺孔為例，其B顯數(shù)據(jù)生成原理如圖2所示。圖2(a)中，灰色箭頭表示超聲波遇到軌腰螺孔后發(fā)射，反射信號被超聲波傳感器接收放大，與前0°軌腰閘門閾值進行比較，反射信號的電壓幅值若超過前0°軌腰閘門閾值，反射信號會被記錄，并顯示在B顯圖像中。由于軌腰螺孔阻擋，前0°軌底閘門內(nèi)的反射波電壓幅值將小于前0°軌底閘門閾值，在鋼軌底部形成底波消失，螺孔反射的前0°軌腰閘門與前0°軌底閘門B型圖像如圖2(c)所示，在進行人工分析時，依據(jù)此超聲波B顯圖像進行分析。分析后的B顯數(shù)據(jù)的數(shù)據(jù)格式如圖2(d)所示，圖中表格的“行”代表超聲波回波信號在鋼軌中的深度，每行高度為鋼軌軌高的1/128；表格的“列”代表鋼軌里程片段，每列寬度代表0.8 mm。

從圖2(d)看出，在前0°軌腰閘門螺孔發(fā)射信號和前0°軌底閘門底波消失信號所在位置的數(shù)據(jù)為“1”，其他無超聲反射信號位置的數(shù)據(jù)為“0”(圖中未顯示)。因此對于每個鋼軌探傷車檢測數(shù)據(jù)文件，B顯數(shù)據(jù)用二進制稀疏矩陣表示，矩陣行數(shù)l為128，列數(shù)c為

(1)

式中：d為每個超聲波檢測文件中檢測的公里數(shù)。

將每個超聲波閘門看作B顯圖像中的1個通道，則每個鋼軌探傷車檢測數(shù)據(jù)文件可以看做是由16個通道的二進制矩陣疊加而成。

圖2 B顯數(shù)據(jù)生成原理

1.3 基于鋼軌探傷車檢測數(shù)據(jù)的鋼軌傷損分類

參照既有的鋼軌探傷車檢測數(shù)據(jù)分析軟件中劃分的鋼軌傷損類別，將鋼軌傷損類別分為12類，各類別依次為無傷(含正常螺孔、導(dǎo)線孔)、內(nèi)側(cè)軌頭核傷、外側(cè)軌頭核傷、內(nèi)中外軌頭核傷、內(nèi)中軌頭核傷、中外側(cè)軌頭核傷、軌底中心區(qū)傷損、螺孔裂紋(含斜裂、水平裂)、軌頭垂直劈裂、軌腰分離、軌腰裂紋、其他傷損。鋼軌探傷車檢測數(shù)據(jù)(簡稱B顯數(shù)據(jù))以B顯圖像的形式顯示，如圖3所示。其中圖的橫軸為檢測里程，縱軸為電壓幅值超過閘門閾值時超聲波回波信號在鋼軌中的深度。

圖3 12類鋼軌傷損B顯圖像

圖3中藍色橫線代表軌面、軌鄂、軌底、軌腰軌底結(jié)合部。正常鋼軌中，鋼軌各部分材質(zhì)均勻連續(xù)，各個超聲波閘門均無反射信號，因此B顯數(shù)據(jù)中各超聲波閘門值均為“0”。從圖3(a)看出，螺孔狀態(tài)正常、無傷，由于螺孔的存在，前45°軌腰閘門、后45°軌腰閘門、前0度軌腰閘門、后0度軌腰閘門存在反射點，它們的超聲波閘門值為“1”，但螺孔為有縫線路中正常結(jié)構(gòu)，并非鋼軌傷損；從圖3 (b)—(l)看出，鋼軌中均存在傷損，相應(yīng)的超聲波閘門值為“1”，需要報警，提示鋼軌維修部門進行及時維修。各超聲波閘門為便于操作員進行傷損識別，采用不同顏色、不同方向的圖標(biāo)表示。

1.4 B顯圖像區(qū)別于普通圖像的特點

B顯數(shù)據(jù)可以看做16通道的B顯圖像，則圖像大小為16×l×c，與普通圖像分類相比具有如下特點。

(1) 普通圖像一般為3個通道，B顯圖像為16個通道，圖像通道數(shù)目多。

(2) 普通圖像中特征會旋轉(zhuǎn)、縮放，像素值隨光線變化，B顯圖像中特征無旋轉(zhuǎn)、無縮放，像素不隨光線變化，但受電信號噪聲影響，且噪聲信號與檢測速度、檢測參數(shù)設(shè)置等多種因素影響，無明顯規(guī)律可循。

(3) 在鋼軌中的固定特征如螺孔、導(dǎo)線孔等，僅從單幅圖像無法識別，需要從圖像與圖像間距(在鋼軌中的距離特征)中尋找規(guī)律。

(4) 受超聲傳感器安裝位置影響，B顯圖像各通道間相對距離與具體傳感器安裝位置相關(guān)，會影響鋼軌傷損識別。

(5) 圖像識別中訓(xùn)練集和預(yù)訓(xùn)練的網(wǎng)絡(luò)模型可免費下載使用，B顯圖像中鋼軌傷損識別需要自行建立擴展訓(xùn)練集。

從上述特點來看，B顯圖像識別并不是簡化了的普通圖像識別，B顯圖像獨特的特點使普通圖像識別算法無法直接應(yīng)用。

2 基于深度卷積神經(jīng)網(wǎng)絡(luò)的鋼軌傷損識別

深度學(xué)習(xí)因其可以自動對特征進行逐層抽象學(xué)習(xí)的特點而受到越來越多的關(guān)注，下文將深度卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于B顯圖像的傷損識別，設(shè)計了傷損識別網(wǎng)絡(luò)架構(gòu)，并針對該架構(gòu)進行訓(xùn)練和精調(diào)。

2.1 鋼軌傷損智能識別網(wǎng)絡(luò)架構(gòu)

基于AlexNet卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，針對B顯圖像特點進行修改設(shè)計，得到的鋼軌傷損智能識別網(wǎng)絡(luò)架構(gòu)如圖4所示。

圖4 鋼軌傷損智能識別網(wǎng)絡(luò)架構(gòu)(單位：像素)

鋼軌傷損智能識別網(wǎng)絡(luò)架構(gòu)共10層，包括1個輸入層，3個卷積層，3個池化層，2個全連接層， 1個輸出層。在該網(wǎng)絡(luò)架構(gòu)中，進行了如下改進。

(1) 輸入圖片為從整個檢測文件中滑動取出，大小為128×128×16像素，滑動步長為42像素，該大小可確保單個超聲波回波群都能夠完整輸入到傷損識別網(wǎng)絡(luò)架構(gòu)中。

(2) C1卷積層通道數(shù)為50個通道，其中有48個通道為全連接通道。第49個通道為部分連接通道，由輸入層的前0°軌腰、前0°軌底、后0°軌腰、后0°軌底閘門共4個輸入通道卷積而成，此4個通道實際為對鋼軌進行了2次檢測，數(shù)據(jù)具有強相關(guān)性；第50個通道為部分連接通道，由輸入層的前45°軌腰、后45°軌腰共2個通道卷積而成；這2個通道在軌頭接縫由于接頭原因而相互轉(zhuǎn)換。

(3) 池化層采用均值池化方法，均值池化方法可以有效消除由于耦合不良造成的超聲波雜散點。

(4) 輸出層輸出鋼軌傷損類別，除無傷外，其他鋼軌傷損類別均需使用方框?qū)顯圖像中相關(guān)像素框出，并在鋼軌下方顯示類別符號。

(5) 分類輸出采用softmax函數(shù)進行輸出得分的歸一化。softmax函數(shù)為

(2)

式中：pi為輸入B顯圖像屬于第i類的預(yù)測概率；ai為輸入B顯圖像屬于第i類的得分；aj為輸入B顯圖像屬于第j類的得分。

2.2 B顯數(shù)據(jù)預(yù)處理

鋼軌傷損智能識別可看作是“物體檢測”問題，即在給定的B顯示數(shù)據(jù)中精確找到鋼軌傷損所在位置，并標(biāo)注出鋼軌傷損的類型。在1張B顯圖像中，可能在不同位置存在多個類型的鋼軌傷損。

B顯數(shù)據(jù)預(yù)處理包括噪聲預(yù)處理和通道預(yù)處理。檢測中的噪聲來源主要為耦合不良、電子電路干擾噪聲、鋼軌中粗大晶粒等，在B顯圖像上噪聲表現(xiàn)為單點雜波或與超聲波傳感器角度不符的多點連續(xù)圖形。在鋼軌傷損檢測中，對于少于3個反射回波點的小傷損可以忽略，采用“8鄰域點連續(xù)性判斷”方法可以將單點雜波、與超聲傳感器角度不符的多點連續(xù)波形、可能為小傷損的B顯圖像中的噪聲等進行屏蔽。

鋼軌探傷采用不同的超聲波閘門檢測不同類型的傷損，因此，將不相關(guān)的超聲波閘門可以進行通道預(yù)處理，將相關(guān)聯(lián)的超聲波閘門信號進行提取，不相關(guān)聯(lián)的超聲波閘門信號進行屏蔽，B顯數(shù)據(jù)通道預(yù)處理如圖5所示。圖中處理前后的數(shù)據(jù)均為128×128像素。由圖5看出，可將1幅16個通道的B顯圖像依照相關(guān)性處理為4幅16個通道的B顯圖像，并針對每1幅處理后B顯圖像中的鄰域點進行超聲波回波信號群劃分，確保預(yù)處理后的每1幅B顯圖像中僅含有1種傷損類型，傷損數(shù)量為1個, 通過B顯圖像通道預(yù)處理，將“物體檢測”問題轉(zhuǎn)換為“分類”問題。

圖5 B顯數(shù)據(jù)通道預(yù)處理(單位：像素)

3 試驗驗證

3.1 深度卷積網(wǎng)絡(luò)模型訓(xùn)練階段

基于鋼軌傷損智能識別的網(wǎng)絡(luò)架構(gòu)建立深度卷積網(wǎng)絡(luò)模型，其訓(xùn)練采用深度學(xué)習(xí)框架TensorFlow實現(xiàn)，硬件環(huán)境為i5-6500 CPU(頻率為3.20GHz)，64位操作系統(tǒng)，NVIDIA GeForce GTX780Ti臺式機，安裝了CUDA9.0和cuDnn8.4.0系統(tǒng)。

訓(xùn)練B顯圖像采用鋼軌探傷車在某地的人工傷損標(biāo)定線上的檢測得到的B顯數(shù)據(jù)作為訓(xùn)練樣本集。人工傷損標(biāo)定線單側(cè)鋼軌中，人工傷損布置如圖6中紅色圖形所示。該人工傷損標(biāo)定線依照標(biāo)準(zhǔn)GB/T 28426—2012 《大型超聲波鋼軌探傷車》[10]要求，設(shè)置人工傷損24處，每側(cè)12處。

圖6 某地人工傷損標(biāo)定線單側(cè)鋼軌人工傷損布置

圖6中的人工傷損標(biāo)定線也作為鋼軌探傷車年檢標(biāo)定線使用，因此積累了不同鋼軌探傷車標(biāo)定時采集到的大量B顯數(shù)據(jù)。同時，對每個B顯數(shù)據(jù)樣本中傷損回波數(shù)據(jù)在橫向方向位置移動擴充樣本數(shù)據(jù)，得到螺孔裂紋類B顯數(shù)據(jù)樣本共79 200個，軌頭核傷B顯數(shù)據(jù)樣本數(shù)92 400個，軌底中心傷B顯數(shù)據(jù)樣本數(shù)42 240個，其他傷損B顯數(shù)據(jù)樣本數(shù)13 200個，其他無傷B顯數(shù)據(jù)樣本數(shù)92 400個。因為每類B顯數(shù)據(jù)樣本數(shù)不均衡，采用smote算法進行過采樣，使任意兩類B顯數(shù)據(jù)樣本數(shù)比例接近1∶1。

將各類B顯數(shù)據(jù)樣本集隨機選取80%作為訓(xùn)練集，剩余20%作為測試集。訓(xùn)練過程中采取Early Stopping和dropout方法防止過擬合。在訓(xùn)練集上訓(xùn)練每5輪后計算驗證集的準(zhǔn)確性，連續(xù)15輪后準(zhǔn)確性不再提高則停止迭代。在Fc1和Fc2全連接層采用dropout方法，在訓(xùn)練過程中全連接層的某些神經(jīng)元按50%的概率進行關(guān)閉連接。

每種類別下都可得到測試樣本為該類的得分值，可繪制出12條受試者工作特征曲線(ROC曲線)，最后對12條ROC曲線取均值，經(jīng)過對鋼軌傷損智能識別模型的參數(shù)進行精調(diào)，選擇了曲線下面積(AUC)為0.927的ROC曲線代表的模型作為最終模型，最終模型的ROC曲線如圖7所示。

圖7 深度卷積網(wǎng)絡(luò)模型ROC曲線

3.2 深度卷積網(wǎng)絡(luò)模型測試階段

為進一步驗證深度卷積網(wǎng)絡(luò)模型的分類性能，在設(shè)置于另一地點的人工傷損試驗線連續(xù)采集了10次檢測數(shù)據(jù)。人工傷損試驗線上每側(cè)鋼軌設(shè)置6段，各段人工傷損布置如圖8中紅色圖形所示。每段鋼軌長6.25 m，均鉆標(biāo)準(zhǔn)螺孔，共加工軌頭、軌腰、軌底各類人工傷損數(shù)量106個，兩側(cè)鋼軌人工傷損數(shù)量合計212個。對該線路連續(xù)進行10次檢測，人工傷損數(shù)量共2120個。深度卷積網(wǎng)絡(luò)模型識別出的螺孔裂紋類傷損識別結(jié)果如圖9所示，圖中用紅色矩形框框出部分為1個螺孔裂紋類傷損，兩側(cè)鋼軌各識別出10處螺孔裂紋類傷損。

圖8 人工傷損試驗線各段鋼軌人工傷損布置圖

圖9 深度卷積網(wǎng)絡(luò)模型鋼軌傷損識別結(jié)果

結(jié)果統(tǒng)計中，深度卷積網(wǎng)絡(luò)模型對檢出的人工傷損分類正確，視為“傷損識別”； 對檢出的人工傷損分類錯誤，視為“傷損誤報”。鋼軌傷損識別率TP和誤報率FP分別為

(3)

(4)

式中：nr為第r類人工傷損中系統(tǒng)識別且分類正確的傷損數(shù)量，r=1,2,…,12；N為人工傷損試驗線路上的人工傷損總數(shù)；fr為人工傷損試驗線路上的第r類人工傷損中系統(tǒng)分類錯誤傷損數(shù)量；f0為人工傷損試驗線路上的識別出的非人工傷損數(shù)量。

采用既有系統(tǒng)、設(shè)計的深度卷積網(wǎng)絡(luò)模型、人工識別3種方式對傷損試驗線檢測得到的B顯數(shù)據(jù)進行識別，各類鋼軌傷損識別準(zhǔn)確率與誤報率對比結(jié)果如圖10、圖11所示。由圖10和圖11看出，設(shè)計的深度卷積網(wǎng)絡(luò)模型在傷損準(zhǔn)確率指標(biāo)、誤報率指標(biāo)上總體識別結(jié)果優(yōu)于既有系統(tǒng)，與人工判別結(jié)果接近，僅通過模型識別即接近既有系統(tǒng)分析后再進行人工分析的結(jié)果，提高了檢測數(shù)據(jù)分析效率，具有實用性。

圖10 12類傷損的準(zhǔn)確率

圖11 12類傷損的誤報率

4 結(jié) 語

通過分析B顯圖像識別與傳統(tǒng)圖像識別的特點，將超聲波B顯圖像看作是16個通道圖像，并通過B顯圖像通道預(yù)處理，將“物體檢測”問題轉(zhuǎn)化為“分類”問題，設(shè)計了基于AlexNet框架的深度卷積網(wǎng)絡(luò)架構(gòu)，并依照B顯圖像特點，確定了各層深度卷積網(wǎng)絡(luò)的具體參數(shù)組成；建立了B顯圖像訓(xùn)練樣本庫和驗證樣本庫，采用Early Stopping和dropout方法對深度卷積網(wǎng)絡(luò)架構(gòu)進行訓(xùn)練精調(diào)，建立了深度卷積網(wǎng)絡(luò)模型；并將基于該模型的傷損識別與人工判別、既有系統(tǒng)識別進行對比。結(jié)果表明，基于深度學(xué)習(xí)的鋼軌傷損智能識別模型在準(zhǔn)確率、誤報率指標(biāo)上均優(yōu)于既有系統(tǒng)，達到人工分析的指標(biāo)，驗證了提出的深度卷積網(wǎng)絡(luò)模型的有效性。