Page 65 - 无损检测2024年第六期

刘 建，等：

基于深度学习的列车车轴缺陷超声检测

别车轴镶入部是否存在疲劳裂纹缺陷的依据，然而 于YOLO v5s网络的目标检测算法，构建了改进的
在噪声信号幅值较大的情况下，缺陷信号仍会被淹 网络模型，通过仿真数据、GAN生成式数据和实际
没在噪声信号中，而无法准确识别，制约了车轴缺陷 检测数据构建混合样本数据集，以此训练网络，最后
的检出率。 进行了实际列车车轴缺陷验证试验，结果表明，所提
近年来，深度学习在列车各部件异常识别和 方法实现了对噪声干扰的有效抑制，提高了对微弱
缺陷检测中得到了广泛应用。ZHENG等 提出了 缺陷信号的准确识别能力。
[8]
深度迁移学习（DTL）框架，采用两种对象检测算
1 超声检测成像原理
法（YOLO v3 和RetaNet）在公共对象（COCO）数
据集 上进行预训练，并利用轨道缺陷的图像定位 超声检测主要包括A、B、C等扫描，在相控阵超
[9]
缺陷。LIU等 [10] 提出了一种结合目标检测模型的 声检测中，A扫将换能器发射后接收到的回波信号进
“DeepAugment”数据增强策略，通过模型测试增强 行一维显示，通过观察始波与底波信号之间是否有回
后的图像，提高了内部裂纹检测的识别精度和置信 波信号，可判断被测件内部的缺陷情况。B扫将多条
度。YU等 [11] 开发了一种由粗到细的模型（CTFM）， A扫进行叠加，用于显示换能器移动方向和发射声束
该模型依次在子图像、区域和像素级别上实现了轨 轴线所确定的二维截面检测图像。列车车轴镶入部
道缺陷的有效分割。 缺陷超声检测原理如图1所示，文章采用扇形扫描的
针对车轴超声检测中镶入部缺陷信号易被噪声 方式对车轴进行一周的全面检查。
干扰而出现的缺陷检出率低的情况，提出了一种基 如图 1 所示，探头在一周的扫查中移动的步

图 1 列车车轴镶入部缺陷超声检测原理示意
进次数为m，根据扇形扫描偏转和聚焦延时的计 系列等。
算原理，单个角度的波束相干叠加形成A扫，当一次 相比之前的YOLO系列目标检测模型，YOLO
扇 扫 有n个 角 度 时，可 生 成n个 不 同 的 A 扫 结 果 v5更加注重小目标检测，有较高的精度和速度，包
A i (i=1，2，... ， n)。通过将不同扫描步径中相同入 括5个版本， 分别为YOLO v5n、YOLO v5s、YOLO
射角度的A扫结果A i j (i=1，2，... ， n； j=0，1，... ， v5m、YOLO v51、YOLO 5x，这些模型的宽度和深
m)叠加形成B扫，生成车轴镶入部缺陷的超声检测 度不同，能适应不同的数据集。考虑到实时检测
图像。 和部署的需求，笔者选择参数量和计算量较少的
YOLO v5s 模型作为基础模型。
2 基于深度学习的车轴缺陷超声检测
所提 EM-YOLO v5s 网络结构如图 2 所 示，
2.1 网络结构 Backbone层网络参数如表1所示，表中H i 和W i 分别
目前，主流的目标检测模型分为两种：二阶段 为分辨率的长和宽。该模型基于YOLO v5s变体构
模型（two-stage）和一阶段模型（one-stage）。其中， 建，由Backbone层、Neck层和Output层等主要结构
二阶段目标检测模型先生成候选目标区域（region 组成。其中Backbone层利用替换后的EMblock模块
proposal），后利用卷积神经网络进行样本的分类 来提取输入数据的特征信息；Neck层是一个特征金
和回归，其代表性网络模型包括 R-CNN 、SPP- 字塔结构，将浅层的图形特征和浅层的语义特征结
[12]
[15]
[13]
[16]
[14]
Net 、Fast R-CNN 、Faster R-CNN 和 R-FCN 合在一起；Output层使用 3 个 1×1（长×宽，下同）
等；一阶段目标检测模型直接在网络中提取特征，预 卷积层作为输出。
测物体的类别和位置，可减少网络的训练时间和模 2.2 EMblock模块
型的复杂程度，速度较快，更适合移动端的部署，其 网络中使用的EMblock模块结构如图 3 所示，
[17]
[18]
代表性网络模型包括 SSD 、RetinaNet 和 YOLO 其采用一个尺寸为1×1的CBH模块对输入数据进
31
2024 年 第 46 卷 第 6 期
无损检测