Page 91 - 无损检测2024年第六期

尹段泉：
基于超声检测的主动式钢轨伤损智能识别方法

式钢轨伤损智能识别方法，得到的钢轨伤损智能识 表5 钢轨2伤损不同识别方法的智能识别时间
别时间统计如图9所示。 识别时间/s
伤损类型
笔者设计方法 对比方法1 对比方法2
15 对比方法2
对比方法1 轨底：平底孔 3.6 7.6 12.6
笔者设计方法
轨腰：完好螺孔 3.4 7.6 12.5
12
轨腰：螺孔横向裂纹 3.3 7.7 12.0
识别时间/s 9 轨腰：螺孔三四 3.6 7.5 12.1
轨腰：螺孔一二
象限斜裂纹
6
象限斜裂纹 3.7 7.7 12.2
轨头：3 mm
3 半贯穿孔 3.5 7.8 12.9
轨头：踏面斜26°斜向
0 下缺陷 3.6 7.7 12.5
主动式钢轨1 主动式钢轨2
钢轨编号 轨头剥离 3.6 7.0 12.5
轨头压溃 3.3 7.2 12.8
图 9 不同方法的钢轨伤损智能识别时间统计
轨距变化 3.4 7.6 12.7
对识别结果进行统计，可以得到主动式钢轨 1
的伤损智能识别结果（见表4）。对主动式钢轨2伤 与其他两种方法的识别结果进行对比以验证其优越
损进行智能识别，其结果如表5所示。 性。试验结果表明，所提方法识别的时间较短，能够
实现钢轨伤损快速智能识别，为主动式钢轨伤损的
表4 钢轨1伤损不同识别方法的智能识别时间
识别与分类提供了一些借鉴。
识别时间/s
伤损类型
笔者设计方法 对比方法1 对比方法2 参考文献：
轨底：平底孔 3.3 7.8 12.3
轨腰：完好螺孔 3.4 7.6 12.0 [1] 何庆，陈正兴，王启航，等.基于改进YOLO V3的钢轨
轨腰：螺孔横向裂纹 3.2 7.7 12.6 伤损B显图像识别研究[J].铁道学报，2022，44（12）:82-
轨腰：螺孔一二 3.6 7.6 12.5 88.
象限斜裂纹 [2] 王旭华，郑韵娴，安尚文，等.基于AlexNet神经网络的
轨腰：螺孔三四 3.7 7.8 12.6 手推式双轨探伤仪超声检测系统研究[J].铁道技术监
象限斜裂纹
督，2022，50（4）:19-24.
轨头：3 mm 3.7 7.5 12.9 [3] 曾楚琦，潘自立，莫宏愿，等.基于光纤光栅的高速铁路
半贯穿孔
钢轨损伤识别技术[J].高速铁路技术，2021，12（5）:79-
轨头：踏面斜26°斜向 3.6 7.5 12.5
下缺陷 83.
轨头剥离 3.7 7.6 12.4 [4] 胡文博，邱实，许馨月，等.基于深度学习的钢轨伤损超
轨头压溃 3.7 7.8 12.5 声检测与分类[J].铁道学报，2021，43（4）:108-116.
[5] 罗江平，喻熙倬，曹经纬，等.基于深度学习与支持
轨距变化 3.3 7.7 12.5
向量机的钢轨伤损智能识别系统[J].机车电传动，
从表4，5及图9中可以看出，所提方法相比其他 2021（2）:100-107.
两种方法，对主动式钢轨伤损智能识别的时间较短， [6] 杨志强，王平，贾银亮，等.一种基于漏磁检测的钢轨伤
能实现对伤损的快速识别，具有较好的应用价值。 损判定和计数方法[J].测控技术，2021，40（4）:65-69.
[7] 黄梦莹，罗江平，王文星，等.基于图像处理的钢轨伤损
3 结语 分类算法研究[J].机车电传动，2020（4）:41-46.
[8] 张事成，贾银亮，冀凯伦，等.一种钢轨顶面伤损漏磁
基于超声检测技术、DBSCAN算法和AlexNet
信号缺陷识别方法[J].电子测量技术，2020，43（21）:
网络架构，设计了一套主动式钢轨伤损智能识别方
10-14.
法。首先对钢轨伤损超声回波信号进行采集，并对
[9] 张向阳，罗江平.钢轨探伤车综合智能检测系统[J].机
特征进行了匹配，按照匹配结果，根据提取的特征， 车电传动，2021（1）:133-137.
使用机器学习算法或模式识别技术对超声信号进行 [10] 王平，何庆，杨荣山，等.高速铁路轨道结构安全服役的
分类，并对伤损类型进行精细地搜索与识别，通过 研究[J].中国科学基金，2021，35（1）:236-242.

53
2024 年 第 46 卷 第 6 期
无损检测