吳福培，魏亞輝，李慶華，郭家華，張定成，鄭燕峰

(1.汕頭大學(xué)智能制造技術(shù)教育部重點實驗室，廣東 汕頭 515063;2.廣東汕頭超聲電子股份有限公司 超聲儀器分公司，廣東 汕頭 515041)

0 引言

據(jù)統(tǒng)計[1]，中國運營速度200 km/h 以上的高速鐵路總里程超過了2.2 萬km，預(yù)計到2025年，高鐵總里程達(dá)到3.8萬km，長遠(yuǎn)計劃可能達(dá)到4.5萬km 里程。為防止因軌道存在損傷而導(dǎo)致交通事故，確保高速軌道的運行安全，亟需及時檢查出軌道中存在的損傷缺陷。高速軌道線路長、所經(jīng)區(qū)域地形復(fù)雜多變[2]，若采用人工檢測軌道損傷，即用肉眼觀察軌道傷損圖像，不但成本較高，而且效率低下。因此，高速軌道傷損檢測的智能化勢在必行。目前，常用的無損檢測技術(shù)有磁粉檢測、渦流檢測、射線檢測、超聲檢測等[3-4]。相比于其他檢測方法，超聲檢測具有指向性好、穿透能力強、可進行軌道內(nèi)部探傷、受外部環(huán)境影響低、對鋼軌無任何破壞等優(yōu)點[5]，已廣泛用于工業(yè)探傷檢測中。在國外，許多機構(gòu)開展了鐵路鋼軌超聲相控陣列檢測技術(shù)的研究[6-8]，例如美國的TTCI、愛荷華州立大學(xué)，英國的伯明翰大學(xué)和沃里克大學(xué)、TWI公司以及法國的Soco-mate等。歐洲各國、日本等鐵路發(fā)達(dá)國家已先后研制出各自的超聲波鋼軌探傷設(shè)備[9-13]，如便攜式的、手推式的、道路和軌道兩用的檢測車輛以及專用的軌道檢測列車等。在國內(nèi)，常采用大型高速鋼軌探傷車與手推式鋼軌探傷車輛相結(jié)合的方式[13]檢測鐵路軌道傷損。

本文基于鋼軌探傷車的37°、70°、0°超聲探頭采集傷損圖片，并根據(jù)其傷損的內(nèi)在邏輯關(guān)系，提取傷損滿足的約束關(guān)系，設(shè)計軌道傷損檢測算法[14-16]，其中3種角度的探頭為鐵道部規(guī)定的鋼軌探傷常用探頭。此外，由于超聲成像過程受儀器性能、軌道沖擊載核、運行環(huán)境等因素的影響[17]，同類傷損的圖像特征常呈現(xiàn)出較大的差異，從而影響檢測的準(zhǔn)確率。為此，本文進一步提出一種參數(shù)學(xué)習(xí)方法，以確保檢測準(zhǔn)確率，提高了檢測系統(tǒng)的穩(wěn)定性。

1 采集超聲圖像

高速軌道橫截面及側(cè)面如圖1所示。由圖1可知，高速軌道由軌頭、軌顎、軌腰、軌底等部分組成[18-19]。檢測中，由超聲探傷小車底部的超聲探頭采集圖像。超聲探頭對鋼軌發(fā)出2 MHz 的縱波[20]，遇到鋼軌裂紋或者缺陷時反射，轉(zhuǎn)化為電信號進行B型顯示，以縱坐標(biāo)顯示被檢測材料的截面厚度和缺陷埋藏深度(以超聲波傳播時間為基礎(chǔ))，橫坐標(biāo)顯示超聲波探頭在探測面上的移動位置(掃查軌跡)[21]。研究表明[22]，高速軌道傷損主要分布在鋼軌表面以及內(nèi)部，根據(jù)高速軌道傷損特點，B型顯示可直觀顯示出傷損在軌道上的分布位置、形狀大小及其水平延伸長度等信息[23]。0°、37°、70°超聲探頭按圖2所示布局，并分別產(chǎn)生紅、綠、藍(lán)圖像，以實現(xiàn)高速軌道傷損的全面探測，其中0°超聲探頭主要探測軌頭至軌底間的水平、縱向和斜裂紋，B型顯示圖像中的螺孔水平裂紋即由0°探頭成像;37°超聲探頭主要探測軌腰投影范圍內(nèi)的螺孔裂紋、斜裂紋和特殊部位水平裂紋以及軌底橫向裂紋，B型顯示圖像中的螺孔裂紋與軌底縱裂即由37°探頭成像;70°超聲探頭主要探測軌頭核傷和鋼軌焊縫軌頭的夾碴、氣孔和裂紋等，B型顯示圖像中的軌頭核傷即由37°探頭成像。

超聲成像易受探頭靈敏度、探傷車行駛速度、耦合劑種類和鋼軌表面粗糙度等因素影響。其中探頭靈敏度的高低將影響超聲波成像輪廓線條的粗細(xì)程度，如圖3a和圖3b為探頭靈敏度不同所成圖像;探傷車行駛速度一般在4 km/h內(nèi)，行駛速度過快時，與鋼軌接觸面會產(chǎn)生強烈抖動或跳動，致使成像產(chǎn)生斷裂，如圖3d所示，螺孔波與螺孔裂紋波產(chǎn)生多處斷裂;探傷時，為防止超聲波能量衰減，需在探頭與鋼軌表面接觸部位使用耦合劑，目前常用水作為耦合劑，當(dāng)能量衰減較大時會造成成像缺失;如圖3e和圖3f所示，鋼軌表面粗糙程度較大，使超聲波入射角度存在偏差，也會造成成像質(zhì)量欠佳，如斷裂、缺失等。

2 軌道傷損特征分析

通過上述方式采集的高速軌道超聲圖像，若無傷損，則成像結(jié)果如圖4所示;若軌道存在傷損，其成像結(jié)果如圖5所示。由圖5可知，高速軌道傷損包括:接頭(如圖5標(biāo)號1)，焊筋(如圖5標(biāo)號13)，核傷(如圖5標(biāo)號2、3、4)，螺孔上裂(如圖5標(biāo)號6(2)、8(2))，螺孔下裂(如圖5標(biāo)號7(1)、7(2)、7(3)、9(1)、9(2)、9(3))，螺孔水平裂(如圖5標(biāo)號5(1)、5(2))，軌底橫裂(如圖5標(biāo)號10)，軌底縱裂(如圖5標(biāo)號11)。橢圓部分(如圖5標(biāo)號12)均為雜波，在圖像預(yù)處理中濾除。

在B型顯示圖像中，各類傷損在顏色顯示、所分布區(qū)域、形態(tài)特征以及位置關(guān)系等方面差異較大，因此，可通過顏色約束、分布區(qū)域約束、形態(tài)特征約束和位置關(guān)系約束綜合判定傷損。其中:顏色約束為傷損的顏色構(gòu)成;分布區(qū)域約束為傷損所處鋼軌的區(qū)間位置:軌頭、軌腰和軌底;形態(tài)特征約束為傷損輪廓的傾斜角度、面積、質(zhì)心高度等滿足的數(shù)量關(guān)系;位置關(guān)系約束為傷損輪廓與鄰近傷損輪廓或非傷損輪廓所滿足的歐氏距離關(guān)系，包括水平距離、垂直距離等。各類傷損的檢測算法則是根據(jù)傷損所滿足的以上約束進行構(gòu)建。

在軌頭區(qū)域，接頭具有以下特征:①接頭位于軌頭區(qū)域;②由紅、綠、藍(lán)3種顏色組成;③其外接正矩形有最小面積閾值S0d(S0d=外接矩形寬像素數(shù)×外接矩形高像素數(shù));④高占比(外接正矩形的高度H占軌頭區(qū)域高度Ht的比例)有最低閾值H0d。其中，S0d、H0d是判定接頭傷損的主要參數(shù)。焊筋具有以下特征:①焊筋成像位于軌頭區(qū)域;②焊筋成像由紅、藍(lán)兩種顏色組成;③有最小面積閾值S0dj。核傷包括紅色核傷(如圖5標(biāo)號2)、綠色核傷(如圖5標(biāo)號3)、藍(lán)色核傷(如圖5標(biāo)號4)。核傷具有以下特征:①只分布在軌頭區(qū)域，可通過區(qū)域分割縮小檢測范圍;②采用通道分離可獲取其紅、綠、藍(lán)核傷灰度圖;③核傷有最小面積閾值SRhd、SGhd、SBhd(雙線顯示或單線顯示時的總體核傷面積);④其傾斜角度有最低閾值和最高閾值。其中，面積閾值是判定核傷的主要參數(shù)。

在軌腰區(qū)域，6(2)為綠色螺孔上裂，8(2)為藍(lán)色螺孔上裂，上裂具有以下特征:①上裂在軌腰區(qū)域;②采用通道分離可獲取藍(lán)色螺孔成像和綠色螺孔成像;③上裂成像質(zhì)心和螺孔成像質(zhì)心之間的水平距離Δx大于其垂直距離Δy，即Δx＞Δy;④上裂成像、螺孔成像的傾角在(50°，90°)之間。7(2)為綠色螺孔延長下裂、7(1)綠色螺孔下裂，同理，9(2)為藍(lán)色螺孔延長下裂、9(1)為藍(lán)色螺孔下裂。綠色螺孔下裂和藍(lán)色螺孔下裂具有以下特征:①下裂在軌腰區(qū)域;②采用通道分離可獲取藍(lán)色成像、綠色成像;③下裂質(zhì)心和其對應(yīng)的螺孔成像質(zhì)心之間的垂直距離Δy大于其水平距離Δx，即Δx＜Δy;④下裂成像、螺孔成像的傾角在(50°，90°)之間;⑤下裂和螺孔之間的距離有最高閾值LGd、LBd。其中，下裂和螺孔之間的距離及其位置關(guān)系是判定下裂的主要條件。與之類似，延長下裂長度(下裂與其螺孔粘接在一起的總長度)有最低閾值LGyd、LByd，其為判定延長下裂的主要條件。7(3)為綠色倒打下裂、9(3)為藍(lán)色倒打下裂，倒打下裂具有以下特征:①靠近接頭的螺孔有下裂，超聲波遇到軌端端面反射而成像為倒打下裂;②倒打下裂可通過傷損傾斜角度及其與接頭的位置關(guān)系判定。5(1)為螺孔左側(cè)水平裂，5(2)為螺孔右側(cè)水平裂，水平裂具有以下特征:①其傾斜角度近似為0度;②水平裂與螺孔上端紅色成像之間的距離有最高閾值Lpd。Lpd是判定水平裂的主要參數(shù)。

在軌底區(qū)域，軌底橫裂具有以下特征:①由藍(lán)、綠兩種顏色組成，通過軌底區(qū)域分割，藍(lán)、綠通道分離、通道合并可獲取其傷損圖像;②利用傷損傾角、傷損面積將其識別。軌底縱裂具有以下特征:①通過軌底區(qū)域分割、紅色通道分離可獲取軌道底部縱裂成像;②可通過長度對傷損進行判定。

3 高速軌道傷損檢測算法

基于上述各類傷損的特征分析，本文根據(jù)其內(nèi)在邏輯關(guān)系，對軌頭、軌腰、軌底區(qū)域的傷損分別設(shè)計檢測算法。

3.1 軌頭區(qū)域檢測算法設(shè)計

(1)基于接頭的特征分析，其檢測算法可用式(1)表示:

式中:(xt，yt)為接頭質(zhì)心坐標(biāo)，考慮到高占比H0d(外接正矩形的高度H占軌頭區(qū)域高度Ht的比例)是一個位于0～1范圍的小數(shù)，可將其放大若干倍(本文所檢測圖片大小為2 100像素×400像素，為便于研究高占比變化情況，本文將高占比統(tǒng)一放大2 100倍)，Ht為軌頭區(qū)域分割線位置(余同)，其顏色組成Ct為紅色、綠色、藍(lán)色(余同)，cols代表圖片寬度(余同)，檢測中，若滿足式(1)，可判定為接頭。

(2)基于焊筋的特征分析，其檢測算法可用式(2)表示:

式中:(xj，yj)指焊筋質(zhì)心坐標(biāo)，焊筋顏色組成Cj為紅色(R)和藍(lán)色(B)，其面積Sj有最低閾值S0dj。

(3)基于核傷的特征分析，其檢測算法用式(3)表示:

式中:i=R，G，B，分別代表紅、綠、藍(lán)核傷，且式(3)為判定紅、綠、藍(lán)核傷應(yīng)滿足的條件，(xih，yih)為核傷的質(zhì)心。核傷面積定義為(Sihd，Sih1)，核傷傾斜角度Kih常位于(55°，90°)之間，當(dāng)超聲成像質(zhì)量較低時其傾角Kih則位于(0°，45°)之間，為消除接頭對核傷檢測造成的影響，核傷橫坐標(biāo)xih，與接頭橫坐標(biāo)xt之間的距離應(yīng)有最小值m。

3.2 軌腰區(qū)域檢測算法設(shè)計

為便于表述，對軌腰成像結(jié)果進行如圖6所示的編號。

(1)基于水平裂的特征分析，其檢測算法可用式(4)表示:

式中:Hy1、Hy2為軌腰區(qū)域截取線的位置;(xrp，yrp)為紅色水平裂(如圖6標(biāo)號4、5)的質(zhì)心;(xrz，yrz)為螺孔紅色成像(如圖6標(biāo)號3)質(zhì)心，兩質(zhì)心距離位于(Lpmin，Lpd)之間;Krp為紅色水平裂傾斜角度;Krz為螺孔紅色成像傾斜角度。

(2)基于上裂的特征分析，其檢測算法可用式(5)表示:

式中:i=G，B，分別代表綠、藍(lán)色上裂，且式(5)為判定綠、藍(lán)上裂應(yīng)滿足的條件;(xis，yis)為螺孔上裂(如圖6標(biāo)號12、13)的質(zhì)心坐標(biāo);(xiz，yiz)是其對應(yīng)螺孔成像部分(如圖6標(biāo)號1、2)的質(zhì)心坐標(biāo)，其質(zhì)心水平距離Δx大于垂直距離Δy;kis、kiz分別為螺孔上裂、對應(yīng)螺孔成像部分的斜率;Kiz、Kis分別代表螺孔成像、上裂的傾斜角度，范圍均在(50°，90°)之間。Lsmin是上裂和其螺孔質(zhì)心距離閾值。

(3)基于下裂的特征分析，其檢測算法可用式(6)表示:

式中:i=G，B，分別代表綠、藍(lán)色下裂，且式(6)為判定綠、藍(lán)下裂應(yīng)滿足的條件;(xix，yix)為下裂(如圖5 標(biāo)號6、7)的質(zhì)心坐標(biāo);(xiz，yiz)是對應(yīng)螺孔成像部分(如圖6標(biāo)號1、2)的質(zhì)心坐標(biāo)，由上述分析可知，二者質(zhì)心之間的垂直距離Δy大于水平距離Δx;Kix、Kiz分別是下裂、對應(yīng)螺孔成像傾斜角度;kix、kiz分別是下裂、對應(yīng)螺孔成像的斜率;同時，下裂質(zhì)心與其對應(yīng)綠色螺孔成像質(zhì)心之間的直線距離在(Lmin，Lid)之間，Lid為其最高閾值。

(4)基于延長下裂的特征分析，其檢測算法用式(7)表示:

式中:i=G，B，分別代表綠、藍(lán)色延長下裂，且式(7)為判定綠、藍(lán)延長下裂應(yīng)滿足的條件;Liy是延長下裂的長度;(xiy，yiy)分別是延長下裂(如圖6標(biāo)號8、9)的質(zhì)心;Kiy為延長下裂的傾斜角度，其范圍位于(50°，90°)之間，延長下裂長度有最低閾值，其值為

(5)基于螺孔倒打下裂的特征分析，其檢測算法可用式(8)表示:

式中:i=G，B，分別代表綠、藍(lán)色倒打下裂，且式(8)為判定綠、藍(lán)倒打下裂應(yīng)滿足的條件;(xidx，yidx)是倒打下裂(如圖6標(biāo)號11、10)的質(zhì)心;(xidz，yidz)是與倒打下裂最近的對應(yīng)螺孔成像(如圖6標(biāo)號1、2)質(zhì)心;倒打下裂的橫坐標(biāo)xidx與接頭橫坐標(biāo)xt有最大閾值Dis;kidx為倒打下裂的斜率;kidz為螺孔成像斜率;倒打下裂與其最近的對應(yīng)螺孔成像之間的距離位于Ldmin和LGdd之間，檢測中若傷損符合式(8)，則判定為綠色或藍(lán)色倒打下裂。

3.3 軌底區(qū)域檢測算法設(shè)計

為便于描述，本文對軌底成像結(jié)果進行編號，如圖7所示。

圖7中:16為軌底橫裂，根據(jù)其藍(lán)、綠成像傾角、質(zhì)心的橫坐標(biāo)差值等特征對其判定;17為軌底縱裂，利用其顏色、長度、傾角判定。

(1)基于軌底橫裂的特征分析，其檢測算法用式(9)表示:

式中:Hd0、Hd1為軌底區(qū)域截取線的位置;(xhg，yhg)是軌底橫裂綠色成像質(zhì)心;(xhb，yhb)是軌底橫裂藍(lán)色成像質(zhì)心;khg為軌底橫裂綠色成像的斜率;khb為軌底橫裂藍(lán)色成像的斜率。

(2)基于軌底縱裂的特征分析，其檢測算法用式(10)表示:

式中:(xzr，yzr)是軌底縱裂質(zhì)心坐標(biāo);Ldzmin為其長度的最低閾值;L為軌底縱裂長度;Kdz為軌底縱裂傾斜角度，考慮到成像誤差，Kdz在(0°，20°)之間。

4 檢測參數(shù)學(xué)習(xí)方法

為提高檢測過程的準(zhǔn)確率和穩(wěn)定性，基于上述傷損檢測算法，本文進一步發(fā)展了該檢測算法的參數(shù)學(xué)習(xí)方法，以對表1中的閾值參數(shù)進行優(yōu)化。

表1 檢測算法閾值參數(shù)

表1中檢測參數(shù)均為判定各類型傷損的關(guān)鍵參數(shù)，其閾值的設(shè)定對傷損檢測效果有直接影響。被測圖片的穩(wěn)定性通常影響傷損識別率，由于超聲成像不能保證一致性較好的圖像，固定的閾值將難以滿足實際檢測需求，為提高檢測系統(tǒng)的穩(wěn)定性，本文設(shè)計了檢測參數(shù)的學(xué)習(xí)方法，以適應(yīng)新樣品的檢測需求。

閾值的設(shè)定是為了在對應(yīng)的檢測模型中識別出傷損，通過閾值判定相同特征約束下的傷損和非傷損，最優(yōu)分割閾值應(yīng)為同類特征約束下，類別間隔最大化。通過持續(xù)輸入樣本數(shù)據(jù)，優(yōu)化調(diào)整決策邊界模型，進而可動態(tài)調(diào)節(jié)參數(shù)閾值。本文以接頭為例，基于支持向量機設(shè)計學(xué)習(xí)和參數(shù)調(diào)整模型。

分布在軌頭區(qū)域的接頭與核傷、噪聲在形態(tài)特征上差異顯著，該差異可用輪廓面積與高度進行度量和描述。通過面積與高度閾值構(gòu)造特征邊界約束，識別接頭，且區(qū)分接頭、核傷與噪聲等。通過SMO(spider monkey optimization algorithm)算法[24]支持向量機求取最優(yōu)邊界，SMO 算法是針對數(shù)據(jù)量較大時，求取α的一種最小化序列方法。支持向量機的求解策略:使幾何間隔r最大化，并采用-1和1作為類別標(biāo)簽，將其中一個支持向量x*到最優(yōu)超平面的距離定義為

對于任意點xi，有如下約束條件:

優(yōu)化目標(biāo)可轉(zhuǎn)化為:

借助拉格朗日乘子求解上述優(yōu)化問題，可表述為如下的一般形式:

式中:f(x)為目標(biāo)函數(shù)，g(x)為約束條件，將式(13)代入式(14)，整理后可得

由此，目標(biāo)函數(shù)可表示為

其約束條件如下:

本文選取表1中所列關(guān)鍵參數(shù)組成輸入向量組，如針對接頭，其輸入向量組為X=[H0d，S0d]，分別為軌頭區(qū)域輪廓高占比、輪廓最小外接矩形面積，求解目標(biāo)向量組ωe=[ωh，ωs]。在訓(xùn)練數(shù)據(jù)集時，需對數(shù)據(jù)預(yù)處理，對于輪廓高占比和輪廓最小外接矩形面積采用不同的歸一化或標(biāo)準(zhǔn)化方式，同時利用面積約束去除面積小于60像素的小輪廓，極端的參數(shù)值通過歸一化操作將最終間接影響到支持向量。輪廓高占比受超聲成像影響較小，其歸一化方式如下所示:

式中X為樣本數(shù)據(jù)，Xmax、Xmin分別為樣本數(shù)據(jù)最大值和最小值。輪廓外接矩形面積受超聲成像影響較大，當(dāng)靈敏度調(diào)節(jié)差異較大時，其輪廓線條粗細(xì)差異顯著直接影響其面積大小，多幅圖像其輪廓外接矩形面積參數(shù)值分布范圍跨度較大，如圖8所示。因此，其按照式(19)進行標(biāo)準(zhǔn)化:

式中μ、δ分別為樣本均值和方差。

如圖9所示，在參數(shù)學(xué)習(xí)時，為了避免參數(shù)閾值的頻繁更新，需按照如下流程進行學(xué)習(xí)。首先，對一定數(shù)量的樣本圖片作為初始數(shù)據(jù)集Dataini進行學(xué)習(xí)，得到支持向量機分類決策超平面:

然后，進入?yún)?shù)調(diào)整學(xué)習(xí)階段，輸入單幅或者多幅圖像，基于初始設(shè)定的參數(shù)閾值進行檢測，根據(jù)檢測結(jié)果對檢測輸入數(shù)據(jù)進行標(biāo)簽化，得到增量樣本數(shù)據(jù)集Datapro，將增量樣本數(shù)據(jù)集和初始樣本數(shù)據(jù)集合并得到學(xué)習(xí)數(shù)據(jù)集Datalearn。對學(xué)習(xí)數(shù)據(jù)集Datalearn進行學(xué)習(xí)，獲取新的支持向量機分類決策超平面，同時獲得支持向量vs=[ωs1，ωs2]。以接頭為例，將得到的支持向量與輸入向量X=[H0d，S0d]即初始閾值進行比較，若支持向量距離決策超平面更近，則對初始閾值進行更新，即H0d=ωs1，S0d=ωs2，反之，初始設(shè)定閾值保持不變，可繼續(xù)進行學(xué)習(xí)。由于支持向量機對異常分類點有一定的容忍率，通過初始閾值檢測結(jié)果標(biāo)簽化數(shù)據(jù)的方式在某種程度上實現(xiàn)了無監(jiān)督學(xué)習(xí)。

5 實驗結(jié)果與分析

為驗證各檢測模型以及學(xué)習(xí)模型的有效性，本文針對各類傷損進行檢測并獲得如表2所示的各類傷損檢測結(jié)果。從表2中可看出，藍(lán)色螺孔下裂、綠色螺孔下裂、藍(lán)色螺孔延長下裂、綠色螺孔延長下裂的檢測效果相對較差。為了提高此類缺陷的檢測效果，以藍(lán)色螺孔下裂為例，基于參數(shù)學(xué)習(xí)模型進行后續(xù)實驗。螺孔下裂的輸入向量組為Xlc=[dte，yix]，其中，dte為軌腰輪廓外接矩形下頂點到軌腰下邊線的垂直距離，并對其進行了均值化和歸一化處理;yix為輪廓質(zhì)心縱坐標(biāo)，對其歸一化處理。提取軌腰數(shù)據(jù)，制作樣本訓(xùn)練數(shù)據(jù)集，共包含463組數(shù)據(jù)，其中正樣本92組，負(fù)樣本371組，訓(xùn)練獲得的支持向量機決策模型如圖10所示，其目標(biāo)向量組ωlc=[3.169 7，1.987 3]，b=-5.9154，圖中決策邊界紅色圈定的樣本點即為支持向量，亦可看出遠(yuǎn)離決策邊界的極端數(shù)據(jù)點對決策邊界貢獻(xiàn)甚微。

表2 參數(shù)學(xué)習(xí)和檢測結(jié)果統(tǒng)計

采用學(xué)習(xí)獲得的支持向量機決策模型檢測測試集，訓(xùn)練集由初始檢測集并另添加數(shù)據(jù)組成，共包含969組數(shù)據(jù)，其中傷損數(shù)量139處，學(xué)習(xí)模型正確檢測出其中的137處，而將傷損誤判為正常的有2處，其余830處非傷損有829處正確判別，1處誤將非傷損判定為傷損，相對于未經(jīng)學(xué)習(xí)的檢測率95.2%，檢測準(zhǔn)確率為97.8%，有直接提高。

同時，從以上目標(biāo)向量組中可看出，不同特征對傷損判定的貢獻(xiàn)權(quán)重不同，在接頭的判別中，輪廓外接矩形面積是其重要判定條件，但其受超聲成像因素較大，數(shù)據(jù)波動性較強。如圖11所示為259組樣本數(shù)據(jù)訓(xùn)練得到的接頭支持向量機決策模型，其目標(biāo)向量組ωe=[ωh，ωs]=[3.856 00，0.000 16]，用該模型檢測包含481組數(shù)據(jù)的測試集，其中69處接頭均正確判出，不存在核傷或噪聲被判定為接頭的誤判情形，即使測試數(shù)據(jù)集中存在形如:X=[640，11 094]、X=[1 251，24 444]等的輸入向量組，這種情形下面積參數(shù)滿足接頭判定條件但面積權(quán)值較小?？梢?，由于波動性較強，面積特征判定的約束性被削減，仍能夠正確判定，這在一定程度上減弱了由超聲成像帶來的不確定性，保持檢測的穩(wěn)定性。實驗分析結(jié)果表明，本文所提方法具有較好的環(huán)境適應(yīng)性和穩(wěn)定性，并檢驗了所提方法的有效性。

6 結(jié)束語

本文基于0°、37°、70°超聲探頭采集的探傷圖像，研究了高速軌道傷檢測問題。通過分析各類傷損的特征并結(jié)合其內(nèi)在邏輯關(guān)系，設(shè)計了傷損檢測算法。在此基礎(chǔ)上，為提高檢測算法的準(zhǔn)確率和穩(wěn)定性，進一步提出了檢測參數(shù)的學(xué)習(xí)方法。

實驗過程分別檢測了接頭、焊筋、核傷、水平裂、螺孔下裂、延長下裂等傷損，并針對初檢準(zhǔn)確率較低的傷損，經(jīng)過學(xué)習(xí)和參數(shù)調(diào)整后重新進行了檢驗。實驗結(jié)果表明，采用本文所提檢測算法和參數(shù)學(xué)習(xí)方法，其檢測準(zhǔn)確率高于97%，且檢測過程對傷損特征不穩(wěn)定的圖像具有良好的適應(yīng)性，實驗結(jié)果驗證了所提方法的有效性。

后續(xù)工作將集中研究軌道微小傷損的超聲波成像與檢測，并進一步提高檢測過程智能學(xué)習(xí)算法，以提高軌道傷損檢測的可靠性和智能化水平。