基于深度学习的钢轨伤损超声检测与分类

钢轨内部伤损的实时检测与治理将有效地降低事故发生的风险.人工物探方法费时费力;超声检测技术能够实时地探查钢轨的内部状态,但伤损的辨识仍依赖于人工或图像处理技术逐个手动处理,易漏检或错检.提出一种新的基于深度学习的钢轨内部伤损超声检测数据后处理方法以实现伤损识别和分类的自动化,并从数据,方法和干扰因素三个方面对分类效果进行验证和评价.结果表明:Resnet-50深度残差网络对五类标签的分类准确率达到了99.3％,F1分数分别为99.24％(轨头核伤),98.5％(轨腰裂缝),99％(轨底裂缝),99.75％(钢轨连接处)和100％(正常),并对杂波干扰具有良好的鲁棒性,优于三种机器学习方法,保障了钢轨内部伤损检测与治理的实时、精准和高效.