Damage detection method of heavy duty railway rail based on multimodal features
-
摘要:
列车重载运行的情况下钢轨会出现损伤,传统的钢轨损伤检测方法主要依靠人工巡检或使用单一模态特征进行分析,存在准确性低、易漏检漏报等问题。针对这一问题,提出了基于多模态特征的重载铁路钢轨损伤检测方法。首先采集重载铁路钢轨损伤图像,并以直方图均衡化的增强方式预处理原始图像;然后将图像中的信息转换为模态向量进行特征提取,选择置信度矩阵表示不同特征的分布情况,并分解钢轨损伤图像中的特征模态元素;最后基于多模态特征,关联具有相关性的损伤特征模量,标注损失特征标签,实现重载钢轨损伤情况的判断和检测。分别以5 000,10 000,30 000 t重载量级的铁路钢轨作为对象进行测试,试验结果表明,所提方法能够实现精准的损伤定位,且对不同量级钢轨的损伤情况均具有较高检测精度,具有实际应用价值。
Abstract:The rail will be damaged when the train is under heavy load operation. The traditional rail damage detection methods mainly rely on manual inspection or use of single modal characteristics for analysis, which has problems such as low accuracy, missing detection and reporting. Therefore, research is conducted on the detection method of rail damage in heavy-duty railways based on multimodal features. Firstly, images of rail damage in heavy-duty railways are collected, and the original images are preprocessed using histogram equalization. Then, the information in the image is transformed into modal vectors for feature extraction. The confidence matrix is selected to represent the distribution of different features in the image, and the feature modal elements in the rail damage image are decomposed. Finally, based on multimodal features, correlated damage feature moduli with correlation are annotated with loss feature labels to achieve the judgment and detection of heavy-duty rail damage. The experimental results showed that the proposed method can accurately located the damage location and had high detection accuracy for different levels of rail damage, with 5 000, 10 000,30 000 t heavy-duty railway rails as the test objects. It has practical application value.
-
Keywords:
- heavy haul railway /
- confidence matrix /
- multimodal feature /
- rail damage /
- damage detection
-
铁路具有运输承载力强和运输成本低等显著特征,其在大流量和较长的客运和货运中均具有较大优势。现阶段,人们的出行与运输需求不断增加,铁路承载量和运行强度逐渐加大,伴随列车运行时间的累积,列车会对铁路钢轨造成不同程度的损伤,例如钢轨磨损、裂纹、变形等[1-2]。损伤一旦到达某个临界点,会对列车造成颤动影响,带来安全隐患。为此,需要对铁路钢轨的运行情况进行实时跟踪,并对其损伤情况进行有效检测。文章以多模态特征方式为基础,提出重载铁路钢轨的损伤检测方式,为铁路的运行安全提供理论支持。
1. 重载铁路钢轨损伤图像采集与预处理
不同的采集设备中获取的图像信息会存在非有效信息,为实现重载铁路钢轨损伤的有效检测,现阶段对钢轨状态的跟踪,均以小型检测仪为主,用其将现场的环境信息传送至监测终端。但由于传输环境中存在干扰信息,最终形成的图像中会存在干扰噪声,进而降低图像的采集质量,所以需要对采集到的图像进行增强处理。文章采用直方图均衡化[3-4]的增强方式对采集的图像进行预处理,具体步骤为
(1) (2) 式中:w,e为不同的图像灰度级;qw(w),qe(e)为不同灰度级下灰度概率密度函数;r(e)为变换函数;t为变换参数。
当qe(e)和r(e)为已知状态时,可以直接通过式(1)求取灰度级为w的概率密度。而对于式(2)中的灰度级来讲,当e为已知状态时,需要使0≤e≤1,使其在图像增强处理时可以将变换函数进行离散表达,具体为
(3) 式中:i为像素总量[5];ip为灰度级ep的数量;p为qe(ep)为ep在损失图像中出现的概率;yp为变换函数的离散表达形式[6]。
直方图均衡化能够直观反映图像中灰度的分布规律,以此描述每个灰度级代表的具体像素数量。在获取损失图像的像素分布情况后,采用离散处理方式对图像中的灰度级进行均匀分布处理,实现原始图像增强的效果,再在此基础上,区分图像中的损失特征与常量特征,并对损失特征进行提取。
2. 重载铁路钢轨损伤特征提取
在对钢轨损伤进行检测时,需要对图像中的损失特征与常量进行区分,以此实现损伤特征的有序提取[7-8]。根据结构动力学中的应用原理来看,在固有结构中获取的模态向量均具有正交性,因此将图像中的信息转换为模态向量进行特征提取,并建立各个模态在自由度空间中的分布矩阵。具体为
(4) 式中:fs,fd为第s阶和第d阶的模态向量;a为各个模态在自由度空间中生成的向量矩阵,能够判断相应模态向量的分布状态,即交角情况;asd为矩阵中的任意元素。
根据矩阵中元素的分布状态,能够初次判断模态向量的所属类型,即
(5) 式中:δ为交角。
当矩阵a中的某一个元素,表示为asd=1时,则证明第s向量和第d向量的δ为0,即表示该两组模态向量不具备相关性;当asd=0这一关系式成立的情况下,则代表两组向量具备同类型特征,可能为损失特征,也可能为常量特征。在此基础上机械能类型设定,并按照置信度矩阵对其进行分解
(6) (7) 式中:h为置信矩阵;g为满秩矩阵;u,l为向量在自由度空间中的行和列;k11,k12,k1u,kl1,klu为具有自由度的特征子集,设定其为损失特征,则k为损失特征矩阵;j为常量元素矩阵;(zsd)x为具有排列顺序的损失特征模态向量矩阵;csd,css,cdd为广义模态元素;gxs,gxd表示在x行中存在于第s向量和第d向量内的损失特征的模态元素。
基于此,在分解图像中获得损失特征的模态元素后,直接选择多模态特征表示方法来检测钢轨损伤情况。
3. 多模态特征下检测钢轨损伤
通过多模态特征[9-10]的表示方法,将图像中分解出来的损失特征构建为一组带权的有向图,并在有向图中标注损失特征标签,以此区分不同类型的损伤情况,针对性地表达每一种钢轨损伤问题。对不同的损伤特征进行关联,如下
(8) (9) 式中:v为模态特征概念图[11-12];b为定点集合;n为边界集合;m为具有损伤特征的模态概念集合;m1,m2,mR,mT,mQ分别表示不同损伤类型概念标签,且R∈Q、T∈Q[13];nRT为有向变量。
基于此,在同时采集到损伤图像后,对图像中损伤情况的检测方式为
(10) 式中:W为损伤特征的关联权重;E(mR|mT)为给定mR特征后,但标注为mT的检测概率;U(mR)为存在损伤标签的数量[14];U(mR,mT)为同时存在有损伤特征标签的数量。
为减少标签的错误判断,以多模量特征的显著形式进行概念管理,具体为
(11) 式中:P为明显语义;I(·)为区分函数;(mQ,P)为带有明显语义的损伤特征集合[15];YY(mQ)为损伤特征概念标签的检测结果。
当初选的损失标签被明显语义包裹之后,若出现语义显著性较大的特征模量即可判定为主要损伤,以此将其与其他损伤特征进行区分,达到重载铁路钢轨损伤检测的目的。至此,文章基于多模态特征完成了重载铁路钢轨的损伤检测方法设计。
4. 试验测试分析
上文中通过多模态特征方式设计了新的损伤检测方法,为验证新方法在重载铁路钢轨损伤检测中的应用可行性,本阶段通过对比测试进行论证。为保证此次测试的真实性和适用性,以某省实际运行的重载铁路作为测试对象。首先采用小型检测仪对钢轨状态进行跟踪,并将现场的环境信息传送至监测终端,获得的重载铁路钢轨损伤图像如图1所示。
由于图像在传输过程中存在干扰信息,所获得的图像中存在干扰噪声,降低了图像的质量,文章采用直方图均衡化的增强方式对采集的图像进行预处理,提高图像质量,预处理后的图像如图2所示。
对预处理后的图像采用文章的特征提取方法进行钢轨损伤的特征提取,结果如图3所示。
根据上述提取的重载铁路钢轨损伤特征,采用基于多模态特征的钢轨损伤检测方法检测钢轨损伤情况,检测结果如图4所示。
分别采用文献[1]检测方法和文献[2]检测方法作为对照组,以此对不同方法的应用效果进行检验。分别选择不同量级的铁路线路进行测试,并进行全部测试内容的模拟。根据该铁路段的历史数据记载,对记录中存在过维修记录的钢轨进行调取,分别统计其在1年内的数据记录,具体如表1所示。
Table 1. 重载铁路钢轨损伤次数记录时间 铁路运输量级/t 5 000 10 000 30 000 1月 1 2 2 2月 1 1 3 3月 1 2 3 4月 1 2 2 5月 1 1 1 6月 1 2 3 7月 1 1 2 8月 2 2 3 9月 3 3 3 10月 1 2 2 11月 1 2 2 12月 1 1 2 由表1可知,本次随机选择的3组重载铁路钢轨在1年内产生的损伤次数符合测试要求,在过去的12个月内均产生过损伤,其中重载量级越高产生的损伤次数就越多,但最多不超过4次。由于损伤次数达到一定等级后,铁路钢轨的使用寿命会减少,而一旦损伤未被及时检出,则会影响铁路的运输安全,尤其对于重载铁路来讲,其出现安全问题时会带来不可挽回的损失。因此,为保证重载铁路的运行安全,需要采用对应的方法对损伤情况进行检测,既要保证损伤检测的精度,又要保证检测的速度,文章针对定位精度进行检测。
基于上述情况,分别将选择的测试样本上传至Matlab测试平台,并对不同量级钢轨曾出现的损伤情况进行统计,其中3组铁路钢轨在9月份均出现过3次损伤,且在该月份中各组钢轨出现的损伤情况较为严重,基本上为钢轨擦伤,具有测试一致性。因此,直接以该月份的损伤作为测试样本,分别在每组钢轨中选择15组数据,对不同位置产生的损伤面积进行统计,结果如表2所示。
Table 2. 不同量级钢轨的损伤面积序号 铁路运输量级/t 5 000 10 000 30 000 1 0.5 1.0 2.0 2 1.0 1.6 4.0 3 1.5 1.8 6.0 4 1.0 2.0 5.0 5 2.0 2.5 5.0 6 2.5 2.9 5.9 7 2.0 3.0 5.9 8 1.8 2.6 4.8 9 2.5 2.9 5.0 10 1.4 3.4 5.3 11 2.0 2.5 6.3 12 0.8 2.0 7.0 13 3.0 3.0 6.5 14 2.6 3.3 7.2 15 2.2 3.0 7.5 16 2.6 3.2 7.0 由表2可知,在对应选择的钢轨量级中,一旦发生损伤情况,其承载的质量越大,该位置处的损伤面积就越大。只有较为精准地检测出损伤面积,才能为后续维修提供准确的依据,否则维修人员到达现场时仍需要花费时间进行重新检测,造成人力物力的浪费。
此次在不考虑损伤定位的前提下,直接采用不同的方法进行损伤面积的检测,若检测面积不足或面积过大时,则直接认定为对损伤的定位存在偏差。根据设计内容设定此次试验测试的衡量指标,即损伤面积的检测误差绝对值大于0.1 cm2,则表明该检测方法存在定位不理想的问题。分别将3组检测方法连接至测试平台,并上传所有的测试数据进行验证,获取检测结果,如图5所示。
由图5可知,不同方法对钢轨损伤的检测结果具有差异性,其中,文章方法的检测结果基本与表2中数据相一致,表明该方法可以精准定位损伤位置。而两组传统方法的检测结果与实际数据的贴合度较低,尤其在30 000 t重载量级的钢轨损伤中,检测情况与数据差距较大。为具体分析各组方法的检测精度,对各组方法的检测误差进行统计,结果如图6所示。
由图6可知,文章方法对不同量级重载铁路钢轨损伤的检测误差,均在0.01 cm2之内,不会受到量级变化的影响,说明其可以应用在各种量级的铁路钢轨损伤检测中。而两组传统方法的检测结果存在较大误差,且其误差绝对值大于设定标准,甚至当重载量级为30 000 t时,两组方法的检测误差绝对值已经超过0.25 cm2,说明其对损伤的定位存在较大偏差。综上可知,文章方法不仅具有较高的定位精度,能够对实际的损伤面积进行精准检测,且不受铁路重载量级的影响,具有较高的应用价值。
5. 结语
多模态特征技术能够将不同类型的特征有序分类,文章提出了基于多模态特征的重载铁路钢轨损伤检测方法,并将其应用在重载铁路的钢轨损伤检测中,通过试验测试论证了该方法的有效性。
-
Table 1 重载铁路钢轨损伤次数记录
时间 铁路运输量级/t 5 000 10 000 30 000 1月 1 2 2 2月 1 1 3 3月 1 2 3 4月 1 2 2 5月 1 1 1 6月 1 2 3 7月 1 1 2 8月 2 2 3 9月 3 3 3 10月 1 2 2 11月 1 2 2 12月 1 1 2 Table 2 不同量级钢轨的损伤面积
序号 铁路运输量级/t 5 000 10 000 30 000 1 0.5 1.0 2.0 2 1.0 1.6 4.0 3 1.5 1.8 6.0 4 1.0 2.0 5.0 5 2.0 2.5 5.0 6 2.5 2.9 5.9 7 2.0 3.0 5.9 8 1.8 2.6 4.8 9 2.5 2.9 5.0 10 1.4 3.4 5.3 11 2.0 2.5 6.3 12 0.8 2.0 7.0 13 3.0 3.0 6.5 14 2.6 3.3 7.2 15 2.2 3.0 7.5 16 2.6 3.2 7.0 -
[1] 贾强,韩峰. 基于改进二维卷积滤波技术的轨道伤损检测方法[J]. 城市轨道交通研究,2022,25(4):181-185. [2] 罗江平,喻熙倬,曹经纬,等. 基于深度学习与支持向量机的钢轨伤损智能识别系统[J]. 机车电传动,2021(2):100-107. [3] 马群,赵美蓉,郑叶龙,等. 基于自适应条件直方图均衡的红外图像细节增强算法[J]. 红外技术,2024,46(1):52-60. [4] 张桓,陈志盛. 多尺度自校正双直方图均衡化红外图像增强[J]. 红外技术,2023,45(11):1207-1215. [5] 周辉奎,顾牡丹. 自适应加权直方图均衡化的红外图像增强[J]. 光学技术,2023,49(6):750-755. [6] 涂毅晗,汪普庆. 基于多尺度局部直方图均衡化的矿井图像增强方法[J]. 工矿自动化,2023,49(8):94-99. [7] 王宁,杨康华,何庆,等. 基于SEM的曲线段钢轨伤损影响因素量化研究[J]. 北京交通大学学报,2021,45(6):110-116. [8] 韩强,刘俊博,冯其波,等. 基于多层级特征融合的钢轨表面伤损检测方法[J]. 中国铁道科学,2021,42(5):41-49. [9] 王安志,任春洪,何淋艳,等. 基于多模态多级特征聚合网络的光场显著性目标检测[J]. 计算机工程,2022,48(7):227-233,240. [10] 蒋雨肖,丁晟春,吴鹏. 基于BiLSTM-VGG16的多模态信息特征分类研究[J]. 情报理论与实践,2021,44(11):180-186,179. [11] 李佩,陈乔松,陈鹏昌,等. 基于模态特异及模态共享特征信息的多模态细粒度检索[J]. 计算机工程,2022,48(11):62-68,76. [12] 李昆,赵鹏,张帝,等. 基于结构相似性的多模态筛选及在SAR目标识别中的应用研究[J]. 中国电子科学研究院学报,2023,18(11):996-1002,1028. [13] 邹伟,殷国栋,刘昊吉,等. 基于多模态特征融合的自主驾驶车辆低辨识目标检测方法[J]. 中国机械工程,2021,32(9):1114-1125. [14] 沈梦家,张军,金朝,等. 基于多模态数据特征融合的舰船识别算法研究[J]. 光学与光电技术,2023,21(6):22-27. [15] 井佩光,李亚鑫,苏育挺. 一种多模态特征编码的短视频多标签分类方法[J]. 西安电子科技大学学报,2022,49(4):109-117.