Page 64 - 无损检测2024年第六期

缺陷的智能识别与分类专题
缺陷的智能识别与分类专题

DOI：10.11973/wsjc202406006

基于深度学习的列车车轴缺陷超声检测

刘 建 ，罗 林 ，李金龙 ，高晓蓉 ，赵 波 2
1
1
1
1
（1. 西南交通大学 物理科学与技术学院，成都 610031；2. 成都主导科技有限责任公司，成都 610000）
摘 要：针对列车车轴超声检测中缺陷（特别是微小缺陷）检出率和检测效率低的问题，提出
了一种基于深度学习的列车车轴缺陷超声检测方法，在YOLO v5s网络的基础上，改进特征提取层
结构并加入SE注意力机制，采用实际车轴检测数据、CIVA仿真数据和GAN生成式数据构建了数
据集，并进行了验证试验。试验结果表明，通过增加仿真数据和GAN生成式数据样本，所提方法在
提高实际车轴超声检测缺陷检出率的同时，可有效检出微小车轴缺陷，其检出率可达99. 25%，具
有较高的应用价值和前景。
关键词：深度学习；超声检测；车轴缺陷；数据增强

中图分类号：TG115.28 文献标志码：A 文章编号：1000-6656(2024)06-0030-06

Train axle ultrasonic defect detection based on deep learning

LIU Jian , LUO Lin , LI Jinlong , GAO Xiaorong , ZHAO Bo 2
1
1
1
1
（1. School of Physical Science and Technology, Southwest Jiaotong University, Chengdu 610031, China;
2. Chengdu Lead Science & Technology Co., Ltd., Chengdu 610000, China）
Abstract: Aiming at the low detection rate and slow efficiency of defects (especially minor defects) in train axle
ultrasonic detection, a method based on deep learning was proposed. On the basis of YOLO v5s network, the feature
extraction layer structure was improved and SE attention mechanism was added. The dataset was constructed using real
axle detection data, CIVA simulation data and GAN generated data and validation experiments were conducted. The
experimental results showed that by adding simulation data and GAN generated data samples, this proposed method can
effectively improve the detection rate of the actual axle ultrasonic detection defects, and the detection rate reached 99.25%,
which showed a high application value and prospect.
Key words: deep learning; ultrasonic inspection; axle defect; data augmentation

列车车轴是其走行部件中的重要组成部分，为 随着无损检测技术的发展，车轴探伤从早期的
确保车辆安全运行，需要对车轴工况进行定期检测。 人工手持常规超声波探头探伤、声发射故障检测和
车轴疲劳裂纹是引起车轴断裂的主要因素，主要发 磁粉检测，逐步转变为基于相控阵超声检测的自动
生在传动轮座、齿轮座、压力制动机转盘座等配合压 化探伤 、直流电位降检测 和非接触式超声检测 [5]
[3]
[4]
装过盈部位，可能导致车轴的断裂 [1-2] 。一直以来， 等，消除了常规人工超声检测扫查范围小、效率低、
如何进一步提高列车车轴缺陷检测能力和准确性， 耦合不良等问题，实现了具有多角度、大范围、多点
是无损检测技术领域中重要的研究课题。 聚焦等功能的自动电子扫查，提高了检测效率、扫查
范围和缺陷检测能力。由于轮对的轮轴接触界面 [6]

收稿日期：2023-11-17 受到应力集中、界面粗糙和微动腐蚀等因素的影响，
作者简介：刘 建（1997—），男，硕士研究生，主要从事超声无损 故超声信号易被噪声干扰，有学者为了提高缺陷信
检测方面的研究工作
号特征，在进行信号特征分析的基础上，采用小波包
通信作者：罗 林（1963—），男，博士，教授，硕士生导师，主要
变换对检测信号进行局部时频域分析 ，提取缺陷
[7]
从事轨道交通相关的光电子技术和无损检测技术研究工作，
happyluolin@vip.163. com 信号特征系数和幅值系数，将重建后的波形作为判
30
2024 年 第 46 卷 第 6 期
无损检测