一种轨道车辆走行部焊缝的检测方法及其系统与流程

1.本发明涉及轨道车辆检测技术领域，具体涉及一种轨道车辆走行部焊缝的检测方法及其系统。


背景技术：

2.走行部作为轨道交通车辆中的关键组成部分，在列车运行中发挥着重要作用。但是，由于目前走行部的焊缝焊接工艺尚不完备，例如：走行部的转向架、轮对和侧架的焊缝焊接工艺尚不完备，导致车辆在行驶过程中受到线路不平顺或者轮轨作用容易产生走行部的疲劳问题，以转向架结构为例，若体现在构架焊缝部位的疲劳缺陷长期未进行及时有效的检测，会诱发构架的结构安全隐患，严重后果直接影响列车的行车安全。
3.目前，在构架焊缝缺陷自动化检测应用中，传统的焊缝检测方法包括：超声无损检测技术，但是该方法的检测过程需要耦合剂，过分依赖超声探头与被检测表面在耦合剂作用下的接触情况，并且超声检测技术主要检测内部缺陷，存在表面及近表面的检测盲区，这对于焊缝不规则表面或近表面的缺陷检测是十分不利的，检测结果的准确性无法有效保证；磁粉检测方法，该方法一样需要注磁、表面打磨、涂磁粉或磁悬液、退磁、荧光照射识别缺陷等一系列繁杂措施，检测效率低下且检测结果受外部环境影响较大，同时磁粉对人体伤害较大。
4.综上所述，传统的轨道车辆走行部焊缝的检测方法存在准确率低下的问题。


技术实现要素：

5.有鉴于此，本发明提供一种轨道车辆走行部焊缝的检测方法及其系统，通过改进走行部焊缝电涡流检测方法及检测数据的处理方法，解决了传统的轨道车辆走行部焊缝的检测方法存在的准确率低下的问题。
6.为解决以上问题，本发明的技术方案为采用一种轨道车辆走行部焊缝的检测方法，其特征在于，包括：获取检测图像；基于所述检测图像进行下采样并生成多尺度的特征图；融合多个所述特征图并生成多个融合特征图；基于所述融合特征图提取缺陷类别信息和缺陷位置信息；基于所述缺陷类别信息和所述缺陷位置信息生成检测报告。
7.可选地，基于全部尺度的所述特征图构建语义特征金字塔，其中，所述语义特征金字塔被配置为：由多个独立的特征层的不同尺度的所述目标检测网络构成，通过自上而下的路径和横向连接，将低分辨率语义强大的特征与高分辨率语义较弱的特征结合；提取所述语义特征金字塔的底层特征图及其相邻的上层特征图包含的低分辨率特征与高分辨率特征并融合，生成所述融合特征图；按照分辨率逐渐增大的顺序，重复提取其余尺度的彼此相邻的两个所述特征图包含的低分辨率特征与高分辨率特征并融合，生成多个所述融合特征图。
8.可选地，获取检测图像包括：对走行部焊缝结构进行电涡流无损探伤；基于所述电涡流无损探伤的探测结果生成表面c扫数据构成的所述检测图像。
9.可选地，基于所述融合特征图提取缺陷类别信息和缺陷位置信息，包括：基于所述融合特征图生成包含缺陷特征的检测框；提取所述检测框的类别信息作为所述缺陷类别信息；提取所述检测框在所述融合特征图中的第一坐标信息；基于所述第一坐标信息进行坐标转换并生成所述检测框在所述检测图像中对应的第二坐标信息；基于所述第二坐标信息生成所述缺陷位置信息。
10.可选地，所述检测方法还包括：在生成所述检测框后，基于所述检测框包含的所述缺陷类别信息、所述第一坐标信息和置信度，计算目标定位偏移量损失、目标置信度损失和目标分类损失，并构成损失函数，基于所述损失函数更新网络模型参数。
11.相应地，本发明提供，一种轨道车辆走行部焊缝的检测系统，包括：电涡流检测单元，用于生成检测图像；数据存储单元，用于存储多个样本图像和所述检测图像；神经网络单元，由预训练的神经网络构成，能够基于所述检测图像进行下采样并生成多尺度的特征图，并融合多个所述特征图生成多个融合特征图后，基于所述融合特征图提取缺陷类别信息和缺陷位置信息；数据处理单元，用于基于所述缺陷类别信息和所述缺陷位置信息生成检测报告。
12.可选地，所述神经网络单元基于全部尺度的所述特征图构建语义特征金字塔后，通过提取底层特征图及其相邻的上层特征图包含的低分辨率特征与高分辨率特征并融合，生成所述融合特征图后，所述神经网络单元按照分辨率逐渐增大的顺序，重复提取其余尺度的彼此相邻的两个所述特征图包含的低分辨率特征与高分辨率特征并融合，生成多个所述融合特征图。
13.可选地，在所述神经网络单元基于darknet
‑
53构建初始化网络模型的情况下，所述神经网络单元获取包含人工标记缺陷的所述样本图像构成的训练数据集和测试数据集；基于所述训练数据集和所述测试数据集训练并测试所述网络模型。
14.可选地，所述电涡流检测单元通过对走行部焊缝结构进行电涡流无损探伤后，能够基于所述电涡流无损探伤的探测结果生成表面c扫数据构成的所述检测图像。
15.本发明的首要改进之处为提供的轨道车辆走行部焊缝的检测方法，通过使用电涡流无损探伤改进走行部焊缝的检测方法，有效提升了检测效率，同时通过提取检测图像包含的多尺度的特征图，利用不同尺度的特征图包含的语义信息强度不同的特性，通过将不同尺度的特征图进行特征融合，一方面实现了将不同尺度的特征图包含的语义信息进行互补利用，提升了检测的准确性，另一方面避免了因检测图像尺寸不确定而导致在检测图像预处理过程中将会引入不可靠数据或失去重要目标特征的影响，提高了检测焊缝微小缺陷的图像特征识别能力。
附图说明
16.图1是本发明的轨道车辆走行部焊缝的电涡流检测方法的简化流程图；
17.图2是本发明的一优选实施例的深度学习网络的简化流程图；
18.图3是本发明的一优选实施例的特征图融合的简化流程图；
19.图4是本发明的轨道车辆走行部焊缝的检测系统的简化单元连接图。
具体实施方式
20.为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步的详细说明。
21.如图1所示，一种轨道车辆走行部焊缝的检测方法，包括：获取检测图像；基于所述检测图像进行下采样并生成多尺度的特征图；融合多个所述特征图并生成多个融合特征图；基于所述融合特征图提取缺陷类别信息和缺陷位置信息；基于所述缺陷类别信息和所述缺陷位置信息生成检测报告。其中，获取检测图像包括：对走行部焊缝结构进行电涡流无损探伤；基于所述电涡流无损探伤的探测结果生成表面c扫数据构成的所述检测图像。
22.进一步的，基于全部尺度的所述特征图构建语义特征金字塔；提取所述语义特征金字塔的底层特征图及其相邻的上层特征图包含的低分辨率特征与高分辨率特征并融合，生成所述融合特征图；按照分辨率逐渐增大的顺序，重复提取其余尺度的彼此相邻的两个所述特征图包含的低分辨率特征与高分辨率特征并融合，生成多个所述融合特征图。其中，所述语义特征金字塔被配置为：如图2所示，由多个独立的特征层的不同尺度的所述目标检测网络构成，通过自上而下的路径和横向连接，将低分辨率语义强大的特征与高分辨率语义较弱的特征结合。
23.更进一步的，发明人在使用传统的深度学习网络处理表面c扫数据构成的所述检测图像时，发现输出的缺陷预测结果的准确性随样本集的改变而改变，进而通过设置多组对照组进行实验并分析后，创造性的发现，造成上述预测准确性改变的原因在于：预测准确性与构成样本集的多个检测图像的尺寸的方差负相关，即，将传统的深度学习网络应用在车辆走行部检测技术领域时，由于表面c扫数据构成的所述检测图像的尺寸无法统一，进而导致检测图像输入神经网络时需要对图像尺寸预处理，而图像尺寸预处理过程中将会引入不可靠数据或失去重要目标特征的影响，因此造成深度学习网络的预测结果准确性存在波动。
24.因此，发明人通过设置特征融合层，使得特征融合层输出的融合特征图的尺寸能够适应预测网络，使得深度学习网络无需对输入的不同尺寸的检测图像进行预处理，即，能够适应构架焊缝电涡流检测系统输出的不规则图像尺寸，提高适应性，避免了由于图像尺寸裁剪等步骤导致检测图像失真或畸变，进而影响检测结果。具体的，如图2所示，本技术通过采用金字塔结构方式创建所有预测层尺度上的语义特征金字塔，并通过自上而下的路径横向连接，将低分辨率语义强大的特征与高分辨率语义较弱的特征结合，从而将顶层特征的语义信息和底层特征的细节信息互补利用，在多个不同尺度的融合特征上预测，提高精度。如图3所示，详细给出了预测阶段自上而下的路径及横向连接方式，该方式将抽象化且语义表达能力更强的高层次图像特征进行空间粗上采样，变成低层次的特征；横向连接将原先金字塔低一层的特征与上采样得到的同级特征融合，增强特征金字塔低层级特征表达能力。
25.进一步的，基于所述融合特征图提取缺陷类别信息和缺陷位置信息，包括：基于所述融合特征图生成包含缺陷特征的检测框；提取所述检测框的类别信息作为所述缺陷类别信息；提取所述检测框在所述融合特征图中的第一坐标信息；基于所述第一坐标信息进行坐标转换并生成所述检测框在所述检测图像中对应的第二坐标信息；基于所述第二坐标信息生成所述缺陷位置信息。
26.更进一步的，所述检测方法还包括：在生成所述检测框后，基于所述检测框包含的所述缺陷类别信息、所述第一坐标信息和置信度，计算目标定位偏移量损失、目标置信度损失和目标分类损失，并构成损失函数，基于所述损失函数更新网络模型参数，从而避免了深度学习网络在使用过程/训练过程中，出现函数过拟合或神经网络退化等问题的出现。
27.本发明通过使用电涡流无损探伤改进走行部焊缝的检测方法，有效提升了检测效率，同时通过提取检测图像包含的多尺度的特征图，利用不同尺度的特征图包含的语义信息强度不同的特性，通过将不同尺度的特征图进行特征融合，一方面实现了将不同尺度的特征图包含的语义信息进行互补利用，提升了检测的准确性，另一方面避免了因检测图像尺寸不确定而导致在检测图像预处理过程中将会引入不可靠数据或失去重要目标特征的影响，进一步提升了检测的准确性。
28.相应的，如图4所示，本发明提供，一种轨道车辆走行部焊缝的检测系统，包括：电涡流检测单元，用于生成检测图像；数据存储单元，用于存储多个样本图像和所述检测图像；神经网络单元，由预训练的神经网络构成，能够基于所述检测图像进行下采样并生成多尺度的特征图，并融合多个所述特征图生成多个融合特征图后，基于所述融合特征图提取缺陷类别信息和缺陷位置信息；数据处理单元，用于基于所述缺陷类别信息和所述缺陷位置信息生成检测报告。其中，所述电涡流检测单元通过对走行部焊缝结构进行电涡流无损探伤后，能够基于所述电涡流无损探伤的探测结果生成表面c扫数据构成的所述检测图像。
29.进一步的，所述神经网络单元基于全部尺度的所述特征图构建语义特征金字塔后，通过提取底层特征图及其相邻的上层特征图包含的低分辨率特征与高分辨率特征并融合，生成所述融合特征图后，所述神经网络单元按照分辨率逐渐增大的顺序，重复提取其余尺度的彼此相邻的两个所述特征图包含的低分辨率特征与高分辨率特征并融合，生成多个所述融合特征图。
30.更进一步的，在所述神经网络单元基于darknet
‑
53构建初始化网络模型的情况下，所述神经网络单元获取包含人工标记缺陷的所述样本图像构成的训练数据集和测试数据集；基于所述训练数据集和所述测试数据集训练并测试所述网络模型。其中，包含人工标记缺陷的所述样本图像构建训练数据集和测试数据集的方法可以是：将样本图像随机分成训练集和测试集，占比分别为80％和20％。将数据集中的样本图像进行人工标注，标注方法可以是使用labelimg软件。训练方法可以是：每轮迭代从训练样本中抽取16个参与训练，再将16个样本均分成4次送入网络参与训练，减轻gpu计算压力。为对比不同训练次数的训练效果，设置每训练1000个训练轮数保存一次权重。通常，根据样本数量及训练时间，选择最佳权重文件得到较好的目标定位准确率。当迭代次数(平均loss)降至最低时，方可停止训练。测试所述网络模型的方法可以是：基于当前训练生成的权重文件配置深度学习网络，将所述测试集输入所述深度学习网络并生成检测结果，基于所述检测结果判断缺陷定位准确性是否达到要求，若达到要求则训练结束，若未达到要求则进一步增加训练样本量并重新进行网络训练，直至检测结果的缺陷定位准确性达到要求。
31.以上对本发明实施例所提供的一种轨道车辆走行部焊缝的检测方法及其系统进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部
分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
32.专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
33.结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd
‑
rom、或技术领域内所公知的任意其它形式的存储介质中。