胡文博，邱 實(shí)，許馨月，魏 曉，王衛(wèi)東

(1.中南大學(xué) 土木工程學(xué)院, 湖南 長(zhǎng)沙 410075；2. 重載鐵路工程結(jié)構(gòu)教育部重點(diǎn)實(shí)驗(yàn)室, 湖南 長(zhǎng)沙 410075；3. 中南大學(xué) 軌道交通基礎(chǔ)設(shè)施智能監(jiān)控研究中心, 湖南 長(zhǎng)沙 410075)

隨著鐵路運(yùn)營(yíng)里程、速度、密度的不斷增加，為保障鐵路交通運(yùn)輸?shù)陌踩裕瑢?duì)鋼軌的檢測(cè)要求也進(jìn)一步提高。鋼軌作為鐵路運(yùn)輸系統(tǒng)的重要組成部件，在長(zhǎng)期循環(huán)列車荷載作用及外部環(huán)境影響下，易產(chǎn)生軌頭核傷、軌腰斜裂縫等內(nèi)部組織損傷從而引起鋼軌疲勞甚至斷軌，導(dǎo)致列車脫軌等重大安全事故。因此及時(shí)準(zhǔn)確地檢測(cè)鋼軌的內(nèi)部損傷并對(duì)其進(jìn)行精準(zhǔn)地識(shí)別和分類，從而實(shí)現(xiàn)實(shí)時(shí)、高效的維護(hù)管理，對(duì)于保障鐵路安全運(yùn)營(yíng)以及降低事故發(fā)生風(fēng)險(xiǎn)具有重大意義。

在鋼軌內(nèi)部傷損檢測(cè)方面，傳統(tǒng)的人工物探方法效率低、對(duì)檢測(cè)人員要求高，正逐漸被其它檢測(cè)方法所取代。近年來，多種無損檢測(cè)方法逐步應(yīng)用于鋼軌內(nèi)部傷損檢測(cè)并取得了一定的效果。目前國(guó)內(nèi)外常見的鋼軌無損探傷技術(shù)主要包括超聲波、射線、滲透、渦流等[1]，其中超聲波探傷法[2]被普遍應(yīng)用于我國(guó)多條復(fù)雜鐵路線路的日常巡檢，得益于其優(yōu)異的指向性、傳播性和在界面上的反射、折射特性，能夠在不破壞被檢設(shè)施的前提下對(duì)鋼軌內(nèi)部進(jìn)行探查，具備穿透能力強(qiáng)、操作安全、設(shè)備輕便、測(cè)量精度高、靈敏度高等優(yōu)點(diǎn)，從而實(shí)現(xiàn)了鋼軌內(nèi)部傷損信息的高效和實(shí)時(shí)獲取。

在基于超聲檢測(cè)的鋼軌傷損數(shù)據(jù)的識(shí)別和分類方面，國(guó)內(nèi)外科學(xué)家展開了大量的研究。Sun等[3]基于超聲波傳感器，建立了用于鋼軌無損檢測(cè)的實(shí)時(shí)光聲成像系統(tǒng)。通過光聲信號(hào)重建圖像，可以有效地識(shí)別鋼軌外觀缺陷，傷損延伸趨勢(shì)、深度等信息。Di等[4]和Rizzo等[5]使用傳統(tǒng)電超聲波，通過無監(jiān)督學(xué)習(xí)算法對(duì)鋼軌進(jìn)行高速傷損識(shí)別檢測(cè)。李駿[6]使用陣列探頭對(duì)鋼軌發(fā)射線性調(diào)頻超聲波進(jìn)行內(nèi)部缺陷檢測(cè)，使用小波閾值去噪法對(duì)獲取的信號(hào)去噪，在時(shí)域頻域進(jìn)行特征提取，使用支持向量機(jī)對(duì)超聲波缺陷檢測(cè)信號(hào)進(jìn)行識(shí)別。Vipparthy等[7]通過布置覆蓋軌頭的脈沖回波探頭的方法來測(cè)定軌道表面特征。且為了確定超聲波信號(hào)的正確可靠性，開發(fā)了一種信號(hào)處理方法。實(shí)驗(yàn)證明該方法適用于缺陷檢測(cè)。Zhao等[8]使用混合激光EMAT技術(shù)發(fā)射超聲波對(duì)軌道的表面和內(nèi)部缺陷進(jìn)行了系統(tǒng)檢查，并引入了基于小波閾值法(WSTM)的噪聲抑制技術(shù)，以提高測(cè)試精度和信噪比(SNR)，實(shí)驗(yàn)驗(yàn)證了軌道表面裂紋、表面垂直孔、螺栓孔裂紋和腹板孔等情況的預(yù)測(cè)結(jié)果的準(zhǔn)確性。

盡管上述基于超聲檢測(cè)數(shù)據(jù)的圖像處理技術(shù)相比人工目視篩選效率更高，但仍存在魯棒性和泛化能力較差、只針對(duì)特定傷損特征和檢測(cè)效果不佳等問題。為解決此類問題，以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)方法得到了越來越多的關(guān)注。與傳統(tǒng)的圖像處理技術(shù)或機(jī)器學(xué)習(xí)方法相比，深度學(xué)習(xí)能夠自動(dòng)地從海量的圖像數(shù)據(jù)中提取出豐富且深層次的特征并掌握識(shí)別規(guī)則以有效地區(qū)分不同類別的鋼軌內(nèi)部傷損。陳斌等[9]將深度學(xué)習(xí)運(yùn)用到鋼軌探傷應(yīng)用中，開發(fā)了基于超聲波的鐵軌探傷小車系統(tǒng)。Zhang等[10]采用深度學(xué)習(xí)和聲發(fā)射事件概率分析的改進(jìn)方法對(duì)鐵路缺陷進(jìn)行分類來檢測(cè)其狀態(tài)。文獻(xiàn)[11-12]提出了基于深度學(xué)習(xí)的典型傷損在線智能識(shí)別方法。梁帆等[13]利用數(shù)據(jù)發(fā)掘方法在歷史傷損數(shù)據(jù)中發(fā)現(xiàn)鋼軌傷損周期性變化趨勢(shì)，并建立了基于深度學(xué)習(xí)的鋼軌傷損趨勢(shì)預(yù)測(cè)模型。然而現(xiàn)有的這些分類模型結(jié)構(gòu)層淺，特征提取能力弱，并且依賴于經(jīng)過預(yù)處理的高質(zhì)量圖像數(shù)據(jù)。因此本文提出了一種基于深度殘差網(wǎng)絡(luò)的鋼軌內(nèi)部傷損識(shí)別和分類方法以處理超聲檢測(cè)數(shù)據(jù)，該網(wǎng)絡(luò)在增加結(jié)構(gòu)層深度的同時(shí)通過獨(dú)有的殘差結(jié)構(gòu)消除了梯度消失問題，從而能夠在不依賴于高質(zhì)量的預(yù)處理數(shù)據(jù)的條件下提取出更加豐富且有效的圖像特征以獲得優(yōu)異的分類精度。

本文將遷移Resnet-50網(wǎng)絡(luò)充分學(xué)習(xí)包含5種不同類型鋼軌內(nèi)部傷損的樣本圖像數(shù)據(jù)庫，并使用準(zhǔn)確率，F(xiàn)1評(píng)分和單張圖像檢測(cè)時(shí)間三個(gè)評(píng)價(jià)指標(biāo)分別從圖像數(shù)據(jù)，分類方法和雜波環(huán)境干擾三個(gè)方面測(cè)試和評(píng)價(jià)網(wǎng)絡(luò)的分類性能，最終建立起基于深度學(xué)習(xí)的高精度、高效率和實(shí)時(shí)的鋼軌內(nèi)部傷損檢測(cè)、識(shí)別和分類方法，為鐵路工務(wù)部門快速診斷鋼軌傷損、研判風(fēng)險(xiǎn)并制定維修策略提供依據(jù)和參考。

1 鋼軌內(nèi)部傷損數(shù)據(jù)采集與標(biāo)定

1.1 采集裝置

采用GCT-8C鋼軌探傷儀進(jìn)行數(shù)據(jù)采集。該探傷儀是一種手推式數(shù)字鋼軌超聲波探傷儀，執(zhí)行TB/T 2340—2012《鋼軌超聲波探傷儀》[14]，適用于探測(cè)國(guó)產(chǎn)和進(jìn)口的43～75 kg/m鋼軌母材中存在的各種缺陷[15]。主要技術(shù)參數(shù)見表1。

表1 主要技術(shù)參數(shù)

該儀器共有9個(gè)探測(cè)通道：0°通道1個(gè)、37°通道2個(gè)、70°通道6個(gè)，探頭分布見圖1。其中70°通道用于檢測(cè)軌頭、軌墻部位(螺栓孔以上)的核傷和裂縫，鋼軌焊縫軌頭的夾渣、氣孔和裂縫等。37°通道用于檢測(cè)軌墻及其投影區(qū)(Ⅱ區(qū))的裂縫，軌底橫向裂縫(軌底月牙傷)。0°通道用于檢測(cè)軌墻及其投影區(qū)(Ⅱ區(qū))的裂縫，可與37°通道之間相互校正。除此之外，GCT-8C鋼軌探傷儀具備45°探頭穿透式探傷模式，可加強(qiáng)對(duì)鋼軌焊縫軌墻及其投影區(qū)(Ⅱ區(qū))的平面狀傷損的檢測(cè)。

圖1 各探測(cè)通道的探頭分布

該儀器采用的檢測(cè)方式為A型檢測(cè)和B型檢測(cè)，分別表現(xiàn)為A型脈沖和B顯圖像，各個(gè)通道的A型脈沖和B顯圖像用不同顏色分開，便于觀察。其中，B顯圖像可以實(shí)現(xiàn)70°、37°、0°通道疊加組合顯示，每個(gè)像素點(diǎn)代表物理尺寸的水平3 mm和垂直1 mm，可以正確直觀地反映三種圖像的相對(duì)位置，具有較高的垂直分辨率。由于70°通道有6個(gè)，在螺栓接頭位置處，6個(gè)接頭圖像將重疊到一起，故將6個(gè)通道的圖像拉開一定的距離以便觀察。

1.2 B顯圖像

隨著我國(guó)鐵路的高速發(fā)展和探傷儀技術(shù)的進(jìn)步，鋼軌探傷工作在傳統(tǒng)A型探傷基礎(chǔ)上越來越倚重于B型探傷。主要原因包括：①B顯圖像可以更加直觀地反映出傷損的位置，方便技術(shù)人員直觀地識(shí)別和判斷傷損信息；②B型探傷具有一定的顯示延遲性，即探傷儀經(jīng)過傷損位置后，2 m以內(nèi)的B顯圖像不會(huì)消失，與需要反復(fù)探測(cè)的A型探傷相比，極大地提高了處理效率；③B顯圖像便于儲(chǔ)存，數(shù)據(jù)量是A顯波形的千分之一[10]。除此之外，與普通圖像相比，B顯數(shù)據(jù)還具有圖像像素不隨光線、陰影、噪聲等變化的明顯優(yōu)勢(shì)。因此采用基于B型探傷采集到的B顯數(shù)據(jù)進(jìn)行傷損識(shí)別。

B顯是一種能夠顯示被檢工件的橫截面圖像，指示反射體的大致尺寸及相對(duì)位置的超聲信息顯示方法。其中熒光屏上的橫坐標(biāo)代表探頭移動(dòng)距離，縱坐標(biāo)代表聲波傳播時(shí)間或距離?；€隨探頭的移動(dòng)和回波時(shí)間變化，從而直觀地了解探頭移動(dòng)下方橫截面的傷損分布狀況和離探測(cè)面的深度，并獲得探頭下方沿行進(jìn)方向的斷面圖。

根據(jù)通常的鋼軌橫斷面劃分為軌頭、軌腰和軌底三部分的劃分方式，將B顯圖像劃分為五個(gè)區(qū)域，見圖2。不同類型的鋼軌傷損在B顯圖像區(qū)域中的分布有所差異，且超聲探頭在各區(qū)域的分布角度和通道顏色(單色成像和組合色成像)也表現(xiàn)出明顯的不同。在B顯圖像中，ABCD區(qū)域的傷損均通過組合色成像顯示，而E區(qū)傷損通過單色成像顯示。其中AB區(qū)域由70°通道的6個(gè)探頭顏色組成；CD區(qū)域由37°通道的2個(gè)探頭顏色和0°通道的1個(gè)探頭顏色組成；E區(qū)域由37°通道的H探頭的顏色顯示。結(jié)合鋼軌傷損的顏色特征和不同傷損類型在B顯圖像中的分布規(guī)律，規(guī)定落在AB區(qū)域的傷損判定為軌頭核傷，落在CD區(qū)域的傷損判定為軌腰傷損，落在E區(qū)域的傷損判定為軌底裂縫，同時(shí)落在ABCDE區(qū)域的傷損判定為鋼軌連接處傷損，而完整的空白區(qū)域?yàn)闊o傷損的正常軌道狀態(tài)。此外，使用45°探頭穿透式探傷模式時(shí)，無傷損情況下將在B顯圖像軌底位置處獲得一條黑色B顯45°軌底線，若軌底線不完整則表明鋼軌可能存在傷損。

圖2 B顯圖像劃分區(qū)域圖

1.3 數(shù)據(jù)標(biāo)定

采用GCT-8C鋼軌探傷儀實(shí)地采集了三段鋼軌的B顯圖像數(shù)據(jù)，通過圖像裁剪得到了包含5 000余張圖像(尺寸為200×200像素)的鋼軌內(nèi)部傷損數(shù)據(jù)庫。基于TB/T 1778—2010《鋼軌傷損分類》[16]中規(guī)定的鐵路鋼軌各種傷損的分類和編號(hào)、傷損描述及傷損原因等，結(jié)合超聲波探傷儀的傷損檢測(cè)原理，并根據(jù)獲得的B顯圖像中傷損的顏色特征及分布規(guī)律將鋼軌傷損人工標(biāo)注為軌頭核傷、軌腰裂縫、軌底裂縫、鋼軌連接處和正常五類標(biāo)簽，見表2。

表2 鋼軌傷損分類與對(duì)應(yīng)B顯圖像

2 構(gòu)建基于深度殘差網(wǎng)絡(luò)的傷損分類模型

以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)方法在圖像分類識(shí)別領(lǐng)域表現(xiàn)出強(qiáng)大的能力，一般包括輸入層、卷積層、池化層、全連接層和輸出層，它直接利用圖像像素信息作為輸入，通過多層卷積操作進(jìn)行圖像特征的提取和高層抽象，最大程度上保留了輸入圖像的所有信息[17-18]。由于各類鋼軌傷損的B顯圖像具有相似度高，特征不明顯，易受雜波干擾等特征，傳統(tǒng)的淺層卷積神經(jīng)網(wǎng)絡(luò)難以提取到豐富的、有效的圖像特征。因此基于遷移學(xué)習(xí)的方式使用層數(shù)更深，結(jié)構(gòu)更復(fù)雜的殘差網(wǎng)絡(luò)(ResNet-50)建立鋼軌內(nèi)部傷損的識(shí)別和分類模型。

2.1 ResNet-50總體結(jié)構(gòu)

采用ResNet-50殘差網(wǎng)絡(luò)[19]屬于深度卷積神經(jīng)網(wǎng)絡(luò)的一種類型，其總體結(jié)構(gòu)圖見表3。ResNet-50共經(jīng)過了4個(gè)Block，每一個(gè)Block中分別有3、4、6、3個(gè)Bottleneck。Bottleneck是該模型的核心部分，每個(gè)Bottleneck包含兩個(gè)基本塊，分別為Conv Block和Identity Block，其中Conv Block的輸入維度和輸出維度是不同的，不能連續(xù)串聯(lián)，用于改變網(wǎng)絡(luò)的維度；Identity Block的輸入維度和輸出維度相同，可以串聯(lián)，用于加深網(wǎng)絡(luò)，以這種方式使模型實(shí)現(xiàn)了對(duì)大量相似超聲B顯圖像的準(zhǔn)確分類。

表3 ResNet-50結(jié)構(gòu)圖

ResNet-50殘差網(wǎng)絡(luò)的圖像處理過程見圖3。

圖3 ResNet-50網(wǎng)絡(luò)圖

Step1：輸入3×224×224的三維張量，包含3個(gè)RGB顏色通道(原始圖像尺寸在進(jìn)入輸入層之前被自動(dòng)調(diào)整為模型預(yù)定尺寸)。

Step2：進(jìn)入第一個(gè)卷積層，卷積核的大小為7×7，卷積核個(gè)數(shù)為64，步長(zhǎng)為2，填充為3；接著進(jìn)入最大池化層改變圖像維度。

Step3：進(jìn)入4個(gè)Block： Conv Block(虛線連接的層)是先通過1×1的卷積對(duì)特征圖像進(jìn)行降維，再做一次3×3的卷積操作，最后再通過1×1卷積恢復(fù)維度，后面跟著BN和ReLU層。Identity Block(實(shí)線連接的層)則不經(jīng)過卷積網(wǎng)絡(luò)降維，直接將輸入加到最后的1×1卷積輸出上。

Step4：進(jìn)入平均池化層和全連接層，最后通過Softmax層實(shí)現(xiàn)分類回歸。Softmax層是最終的分類層，輸入從鋼軌傷損B顯圖像中提取到的特征向量，并輸出屬于五個(gè)分類標(biāo)簽的概率分布，最高概率即是圖像的最終預(yù)測(cè)標(biāo)簽。它采用交叉熵?fù)p失用于評(píng)估圖像的預(yù)測(cè)標(biāo)簽和真實(shí)標(biāo)簽之間的誤差，以判斷卷積網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練和測(cè)試效果。計(jì)算公式為

(1)

2.2 殘差結(jié)構(gòu)

當(dāng)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)達(dá)到一定深度后，其分類精度不會(huì)隨著深度的增加而增加，反而會(huì)導(dǎo)致網(wǎng)絡(luò)收斂更慢，準(zhǔn)確率也隨之降低，這種現(xiàn)象被稱為梯度消失，并且無法通過擴(kuò)大數(shù)據(jù)集規(guī)模的方式解決。ResNet-50網(wǎng)絡(luò)使用殘差結(jié)構(gòu)有效地解決了這個(gè)問題，殘差結(jié)構(gòu)借鑒了高速網(wǎng)絡(luò)的跨層鏈接思想，采用跳躍結(jié)構(gòu)“shortcut”進(jìn)行連接，解決了網(wǎng)絡(luò)加深后的圖像退化問題，避免了訓(xùn)練過程中的梯度消失，取得了優(yōu)異的分類效果。殘差網(wǎng)絡(luò)的示意見圖4。

殘差結(jié)構(gòu)可用如下公式為

H(x)=F(x,[Wi])+x

(2)

式中：x、H(x)分別為神經(jīng)網(wǎng)絡(luò)此環(huán)節(jié)的輸入、輸出值；F(x,[Wi])為殘差塊的內(nèi)部運(yùn)算。

圖4中第一層的輸入為x，若忽略偏差影響，則輸出為F(1)=W2ReLU(W1x)，那么殘差映射為F=W2F(1)=W2ReLU(W1x)，通過“shortcut連接”與原輸入值x相加得到輸出結(jié)果為H(x)=F(x)+x，當(dāng)F(x)=0時(shí)，H(x)=x，即恒等映射。于是ResNet改變了學(xué)習(xí)目標(biāo)，不再是學(xué)習(xí)一個(gè)完整的輸出，而是目標(biāo)值H(x)和x的差值，也就是所謂的殘差F(x)=H(x)-x，降低了計(jì)算的復(fù)雜程度。因此，后面的訓(xùn)練目標(biāo)就是要將殘差結(jié)果逼近于0，使得隨著網(wǎng)絡(luò)加深，準(zhǔn)確率不下降。殘差網(wǎng)絡(luò)已使神經(jīng)網(wǎng)絡(luò)的層數(shù)可以超越之前的約束，達(dá)到幾十層、上百層甚至千層，為高級(jí)語義特征提取和分類提供了可行性。

圖4 殘差網(wǎng)絡(luò)模型示意

2.3 遷移學(xué)習(xí)

輸入訓(xùn)練集圖像在卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行正向?qū)W習(xí)時(shí)，每個(gè)卷積層都包含數(shù)量巨大的參數(shù)，并通過反向傳播的方式不斷進(jìn)行更新以縮小預(yù)測(cè)值和真實(shí)值之間的差距，提高模型識(shí)別結(jié)果的準(zhǔn)確率。對(duì)于一般的工程監(jiān)測(cè)問題而言，模型中含有的參數(shù)數(shù)量要遠(yuǎn)遠(yuǎn)大于訓(xùn)練集的圖片數(shù)量(ResNet-50模型中參數(shù)數(shù)量共23.51×106，B顯圖像僅為5 000余張)，如果這些參數(shù)從零開始初始化，將會(huì)耗費(fèi)大量的訓(xùn)練時(shí)間，難以達(dá)到最優(yōu)的訓(xùn)練效果，并且由于參數(shù)規(guī)模遠(yuǎn)遠(yuǎn)大于訓(xùn)練集圖片數(shù)量，訓(xùn)練容易進(jìn)入過擬合的狀態(tài)(達(dá)到局部最優(yōu)值)，從而使訓(xùn)練過程偏離正確的方向，降低訓(xùn)練結(jié)果的準(zhǔn)確率。因此采用遷移學(xué)習(xí)的方法，采用ResNet-50深度殘差網(wǎng)絡(luò)在ImageNet(120萬張標(biāo)注圖像，1 000種類別)上已經(jīng)訓(xùn)練好的參數(shù)作為訓(xùn)練的初始值，這些參數(shù)經(jīng)過ImageNet數(shù)據(jù)庫中120萬張標(biāo)注圖像的訓(xùn)練，具備了較強(qiáng)的泛化能力，能夠很好地區(qū)分1 000種類別的圖像，包含這些參數(shù)的卷積層輸出的節(jié)點(diǎn)向量可以被作為任何圖像的一個(gè)更加精簡(jiǎn)且表達(dá)能力更強(qiáng)的特征向量，從而節(jié)約了大量的訓(xùn)練時(shí)間，而且有助于提高模型在鋼軌內(nèi)部傷損B顯圖像數(shù)據(jù)庫上的分類性能，避免過擬合的產(chǎn)生。

3 模型測(cè)試與驗(yàn)證

3.1 試驗(yàn)環(huán)境及參數(shù)設(shè)置

以GPU(CPU：AMD2990WX@3.0 GHz，RAM=64 GB；GPU：NVIDIA GeForce RTX 2080Ti)為計(jì)算核心，依靠由Google開發(fā)的深度學(xué)習(xí)框架Tensorflow軟件實(shí)現(xiàn)。

ResNet-50網(wǎng)絡(luò)通過學(xué)習(xí)速率、權(quán)重衰減、步長(zhǎng)、批次大小等來控制和優(yōu)化圖像訓(xùn)練過程。模型的參數(shù)是在訓(xùn)練過程中結(jié)合實(shí)驗(yàn)結(jié)果進(jìn)行反復(fù)調(diào)試得到的，經(jīng)過大量參數(shù)調(diào)整實(shí)驗(yàn)，最終在4 000個(gè)訓(xùn)練圖像和1 000個(gè)測(cè)試圖像上獲得超參數(shù)的最佳設(shè)置。網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練的參數(shù)設(shè)置見表4，其中使用指數(shù)衰減方法更新學(xué)習(xí)率見圖5。

表4 參數(shù)設(shè)置

圖5 學(xué)習(xí)率指數(shù)衰減

3.2 模型優(yōu)化策略

采用交叉熵?fù)p失函數(shù)會(huì)在準(zhǔn)確性和收斂性上優(yōu)于最小二乘損失函數(shù)。交叉熵函數(shù)計(jì)算公式為

(3)

式中：E為交叉熵?fù)p失值；Ti為真實(shí)樣本類別；Yi為預(yù)測(cè)樣本類別；N為樣本個(gè)數(shù)。

本文使用L2正則化梯度防止過擬合和梯度閾值策略防止梯度爆炸。在遇到較大斜率的懸崖結(jié)構(gòu)時(shí)，梯度閾值也可以防止梯度改變較大參數(shù)值。L2正則化式為

(4)

式中：J為加入L2正則化后的損失函數(shù)；J0為原損失函數(shù)；λ為正則化系數(shù)。

本文使用適應(yīng)性動(dòng)量估計(jì)(Adaptive moment estimation，Adam)優(yōu)化算法[20]對(duì)ResNet-50網(wǎng)絡(luò)的輸入權(quán)重矩陣、循環(huán)權(quán)重矩陣和偏置權(quán)重矩陣以及靜態(tài)注意力機(jī)制的權(quán)值和偏置進(jìn)行梯度更新，其算法公式為

(5)

(6)

(7)

3.3 結(jié)果對(duì)比與評(píng)價(jià)

3.3.1 不同訓(xùn)練集和測(cè)試集對(duì)比

使用4 000張訓(xùn)練集圖像對(duì)卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練，1 000張測(cè)試集圖像驗(yàn)證網(wǎng)絡(luò)的學(xué)習(xí)效果，但由于訓(xùn)練和測(cè)試集的圖像是固定的，結(jié)果可能會(huì)落入局部最小值或最大值。為了驗(yàn)證ResNet-50網(wǎng)絡(luò)的通用性和可重復(fù)性，使用交叉驗(yàn)證(k=5)方法，基于數(shù)據(jù)庫建立多個(gè)訓(xùn)練集和測(cè)試集，并使用準(zhǔn)確性和F1分?jǐn)?shù)作為評(píng)價(jià)指標(biāo)來比較和評(píng)估網(wǎng)絡(luò)的分類效果。首先，將B顯圖像數(shù)據(jù)庫(5 000張圖像，5個(gè)標(biāo)簽)隨機(jī)均勻地分為五個(gè)較小的圖像集(k=1、2、3、4、5)，每個(gè)圖像集包含1 000張圖像，而每個(gè)標(biāo)簽占200張圖像。然后將其中一個(gè)圖像集作為測(cè)試集，將剩余的四個(gè)圖像集用作訓(xùn)練集，則可以獲得五個(gè)不同的訓(xùn)練集以及與其相對(duì)應(yīng)的測(cè)試集，并且每個(gè)訓(xùn)練集和測(cè)試集中的圖像數(shù)量與原始數(shù)據(jù)庫一致。

使用ResNet-50網(wǎng)絡(luò)對(duì)每個(gè)訓(xùn)練集進(jìn)行學(xué)習(xí)，并在相應(yīng)的測(cè)試集上輸出分類結(jié)果的混淆矩陣。根據(jù)網(wǎng)絡(luò)的混淆矩陣結(jié)果計(jì)算準(zhǔn)確率和F1分?jǐn)?shù)，見式(8)、式(9)。其中準(zhǔn)確率用于反映ResNet-50網(wǎng)絡(luò)對(duì)每個(gè)測(cè)試集的分類效果，F(xiàn)1分?jǐn)?shù)用于反映ResNet-50網(wǎng)絡(luò)對(duì)測(cè)試集中每個(gè)標(biāo)簽的分類效果，并充分考慮分類結(jié)果中的假陽性和假陰性錯(cuò)誤。將獲得的五個(gè)訓(xùn)練和測(cè)試集的準(zhǔn)確率和F1分?jǐn)?shù)的平均值(見(式)10)作為ResNet-50網(wǎng)絡(luò)的最終分類結(jié)果，分別為99.3%，99.24%(標(biāo)簽1)，98.5%(標(biāo)簽2)，99%(標(biāo)簽3)，99.75%(標(biāo)簽4)和100%(標(biāo)簽5)。結(jié)果表明ResNet-50網(wǎng)絡(luò)的分類結(jié)果在不同的訓(xùn)練集和測(cè)試集上表現(xiàn)出良好的一致性且?guī)缀醪皇芗訇栃院图訇幮藻e(cuò)誤的干擾。

(8)

(9)

式中：F1為P和R的調(diào)和平均值；P為精確率；R為召回率；TP(正陽性)為實(shí)際為正，被預(yù)測(cè)為正的樣本數(shù)量；TN(正陰性)為實(shí)際為負(fù)被預(yù)測(cè)為負(fù)的樣本數(shù)量；FP(假陽性)為實(shí)際為負(fù)但被預(yù)測(cè)為正的樣本數(shù)量；FN(假陰性)為實(shí)際為正但被預(yù)測(cè)為負(fù)的樣本數(shù)量。

(10)

式中：Q為ResNet-50網(wǎng)絡(luò)的最終準(zhǔn)確率和F1分?jǐn)?shù)；qi為每個(gè)測(cè)試集的準(zhǔn)確率和F1分?jǐn)?shù)；k為分割圖像集的數(shù)量。

訓(xùn)練集和測(cè)試集的損失函數(shù)曲線見圖6。在設(shè)置了超參數(shù)并進(jìn)行了近3 000次訓(xùn)練后，發(fā)現(xiàn)訓(xùn)練集損失和測(cè)試集損失都達(dá)到了收斂和穩(wěn)定。當(dāng)兩者的損失最接近時(shí)，網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練已達(dá)到擬合狀態(tài)。

圖6 訓(xùn)練集和測(cè)試集的損失函數(shù)曲線

3.3.2 不同分類方法對(duì)比

將ResNet-50網(wǎng)絡(luò)與三種傳統(tǒng)的機(jī)器學(xué)習(xí)方法：支持向量機(jī)(SVM)，反向傳播人工神經(jīng)網(wǎng)絡(luò)(BPANN)和貝葉斯分類器(Bayes)進(jìn)行對(duì)比。SVM被定義為在特征空間中具有最大間隔的線性分類器。它依靠核函數(shù)映射在由輸入訓(xùn)練數(shù)據(jù)組成的n維空間上設(shè)置分類超平面，從而最大程度地提高了不同類別之間的差距[21]。BPANN是從輸入空間到輸出空間的非線性映射。它由輸入層，隱藏層和輸出層組成，兩層之間的大量神經(jīng)元使用權(quán)重系數(shù)相互連接，通過調(diào)整權(quán)重和閾值來判斷和分類輸入數(shù)據(jù)，并且使用反向傳播來不斷減少錯(cuò)誤[22]。Bayes是一種基于概率論的機(jī)器學(xué)習(xí)算法。它使用從訓(xùn)練圖像接收的先驗(yàn)知識(shí)來獲得測(cè)試圖像的后驗(yàn)概率，并不斷修正決策函數(shù)，以更新信息使得分類更加準(zhǔn)確[23]。

四種方法的單張圖片檢測(cè)時(shí)間與總體準(zhǔn)確率的對(duì)比結(jié)果見圖7(a)，ResNet-50網(wǎng)絡(luò)的分類準(zhǔn)確性最高的同時(shí)檢測(cè)時(shí)間較短，僅為0.016 9 s(200×200像素)。與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比，極大地提高了傷損識(shí)別和分類的效率。各個(gè)圖像標(biāo)簽的F1分?jǐn)?shù)對(duì)比結(jié)果見圖7(b)，可以看出ResNet-50網(wǎng)絡(luò)對(duì)于每個(gè)標(biāo)簽的F1分?jǐn)?shù)均高于98%。而Bayes和SVM這兩種方法都存在無法檢測(cè)出一類標(biāo)簽的情況，BPANN雖能識(shí)別每類標(biāo)簽，但各個(gè)標(biāo)簽的F1分?jǐn)?shù)結(jié)果較差。綜上所述，ResNet-50網(wǎng)絡(luò)可以有效地識(shí)別和分類五類鋼軌傷損B顯圖像，具有高準(zhǔn)確率、高效率的特點(diǎn)，明顯優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)方法。

圖7 不同分類方法的對(duì)比結(jié)果

3.3.3 雜波干擾環(huán)境下的測(cè)試結(jié)果

為了探究模型在不良條件下的適應(yīng)性和魯棒性，以及避免搜集數(shù)據(jù)集可能造成的人工影響，開展了復(fù)雜背景條件下病害圖像的測(cè)試。超聲波圖像具有不受噪聲、陰影、模糊等環(huán)境因素的干擾的特點(diǎn)，故主要展開雜波噪聲干擾測(cè)試。圖8展示了部分結(jié)果，ResNet-50網(wǎng)絡(luò)的分類結(jié)果具有良好的一致性，其準(zhǔn)確率和F1均保持在90%以上。表明ResNet-50網(wǎng)絡(luò)具有很好的魯棒性和對(duì)抗雜波噪聲的適應(yīng)性。

圖8 染波干擾環(huán)境下部分傷損B顯圖像分類結(jié)果

表5 雜波干擾環(huán)境下部分傷損B顯圖像分類結(jié)果 %

4 結(jié)論

針對(duì)鋼軌傷損的自動(dòng)化識(shí)別和分類問題，提出了基于深度殘差網(wǎng)絡(luò)的超聲B顯數(shù)據(jù)后處理方法對(duì)鋼軌內(nèi)部不同位置處的傷損狀況進(jìn)行實(shí)時(shí)地識(shí)別和分類，并從圖像數(shù)據(jù)，分類方法和干擾因素三個(gè)方面進(jìn)行了驗(yàn)證和測(cè)試，取得了如下結(jié)論：

(1)ResNet-50深度卷積神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)地從GCT-8C鋼軌探傷儀采集到的B顯圖像數(shù)據(jù)中提取豐富、深層和表達(dá)能力強(qiáng)的特征，并能夠精準(zhǔn)地和高效地識(shí)別并區(qū)分四種類型的鋼軌傷損和正常狀況。

(2)在分類方法方面，分類準(zhǔn)確率為99.3%，單張圖像測(cè)試時(shí)間0.016 9 s(200×200像素)，且五類標(biāo)簽(軌頭核傷、軌腰裂縫、軌底裂縫、鋼軌連接處和正常)的F1分別為99.24%，98.5%，99%，99.75%和100%，遠(yuǎn)優(yōu)于支持向量機(jī)、反向傳播人工神經(jīng)網(wǎng)絡(luò)和樸素貝葉斯等傳統(tǒng)機(jī)器學(xué)習(xí)方法。

(3)在圖像數(shù)據(jù)方面，ResNet-50網(wǎng)絡(luò)取得的傷損分類結(jié)果在交叉驗(yàn)證(k=5)得到的五個(gè)不同的訓(xùn)練集和測(cè)試集組合上具有良好的通用性和可重復(fù)性；在干擾因素方面，使用的B顯數(shù)據(jù)具有圖像像素不隨光線、陰影、噪聲等變化的明顯優(yōu)勢(shì)，且ResNet-50網(wǎng)絡(luò)對(duì)雜波噪聲干擾等不利環(huán)境具有優(yōu)異的適應(yīng)性和魯棒性。

(4)研究成果在降低勞動(dòng)力需求的同時(shí)極大地提升了鋼軌傷損檢測(cè)的精度和效率，以保障鐵路的安全運(yùn)營(yíng)并實(shí)現(xiàn)科學(xué)管養(yǎng)。但無法獲得鋼軌傷損的實(shí)時(shí)里程信息，在應(yīng)用方面具有一定的局限性，這將是進(jìn)一步研究的方向。