(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211217879.6 (22)申请日 2022.09.30 (71)申请人 王建强 地址 100000 北京市海淀区清华园1号 160402 (72)发明人 王建强　 (74)专利代理 机构 成都鱼爪智云知识产权代理 有限公司 513 08 专利代理师 郑发志 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种用于钢轨 轨道表面探伤的探测方法 (57)摘要 本发明提出了一种用于钢轨轨道表面探伤 的探测方法， 涉及钢轨缺陷探测技术领域。 一种 用于钢轨轨道表面探伤的探测方法， 包括如下步 骤： 硬伤采集模块获取第一钢轨表 面的显著缺陷 图像； 显著损伤检测算法分析显著缺陷图像， 判 断缺陷类别， 若未检测出缺陷， 细微损伤检测模 块获取的第一钢轨表面的微伤 缺陷图像； 细微损 伤检测算法分析微伤缺陷图像， 判断缺陷类别输 出检测结果， 若未检测出缺陷则无缺陷。 该用于 钢轨轨道表 面探伤的探测方法， 其能够通过对钢 轨同一表面的多级分析得出钢轨缺陷的缺陷程 度以及缺陷的类别， 有效的增加钢轨表面缺陷的 探伤准确率以及探伤的效率。 权利要求书2页 说明书7页 附图1页 CN 115393346 A 2022.11.25 CN 115393346 A 1.一种用于钢轨 轨道表面探伤的探测方法， 其特 征在于， 包括如下步骤： 驱动探伤车运动， 使设置在探伤车上的硬伤采集模块对准第一钢轨表面， 所述硬伤采 集模块获取第一钢轨表面的显著缺陷图像； 通过显著损伤检测算法分析所述显著缺陷 图像， 若得出所述显著缺陷 图像的缺陷类别 结果， 则输出所述第一钢轨表 面探测结果， 若未得出第一钢轨表面的缺陷类别结果， 则通过 细微损伤检测模块获取的第一钢轨表面的微伤缺陷图像； 通过细微损伤检测算法分析所述微伤缺陷 图像， 若仍然未得出所述第 一钢轨表面缺陷 类别， 则判定所述第一钢轨表 面无损伤， 若得出该区域钢轨表面的缺陷类别， 直接输出探测 结果。 2.如权利要求1所述的一种用于钢轨轨道表面探伤的探测方法， 其特征在于， 所述显著 损伤检测算法包括YOLOv5s、 ResNet ‑18和YOLOv5l， 所述YOLOv5s、 所述ResNet ‑18和所述 YOLOv5l并行运行。 3.如权利要求1所述的一种用于钢轨轨道表面探伤的探测方法， 其特征在于， 所述 YOLOv5s包括如下步骤： S101： 采集钢轨表面 缺陷数据集； S102： 对S101中的钢轨表面缺陷数据集进行预处理及标注后， 将钢轨表面缺陷数据集 划分为用于训练的训练集、 用于验证的验证集以及用于测试的测试集； S103： 搭建YOLOv5s网络结构模型， 对YOLOv5s网络结构模型进行改进， 得到改进的 YOLOv5s网络结构模型； S104： 使用S102中的训练集对步骤3中的改进的YOLOv5s网络模型进行训练， 得到钢轨 表面缺陷检测模型； S105： 利用S104中的钢轨表面 缺陷检测模型， 对所述测试集进行测试。 4.如权利要求2所述的一种用于钢轨轨道表面探伤的探测方法， 其特征在于， 所述 ResNet‑18包括如下步骤： S101： 基于钢轨图像数据集， 对钢轨缺陷模式图进行图像预处 理； S102： 选取 经典神经网络ResNet ‑18作为主干网络； S103： 引入卷积注意力机制， 提出一种基于特 征图特定方向映射的空间注意力模块： S104： 将深度注意力模块放置在ResNet ‑18神经网络中， 验证基于深度注意力机制的钢 轨表面缺陷模式检测的性能。 5.如权利要求2所述的一种用于钢轨轨道表面探伤的探测方法， 其特征在于， 所述 YOLOv5l包括如下步骤： S101： 获取公开的钢轨缺陷数据集作为数据集一， 对数据集一中的图像和标签进行处 理； S102： 利用改进的YOLOv5l网络模型对数据 集一进行预训练， 先将数据 集一中的图像进 行统一缩放并送入改进的YOLOv5l网络模型中， Y OLOv5l网络模 型先根据钢轨缺陷图像的大 小， 采用自适应锚框方法选择合适的锚框， 并通过Backbone层 进行特征提取， 提取钢轨缺陷 图像的特征图， 再通过Neck层将上层的特征图进行图像特征混合和组合， 最后通过输出层 对图像特征进行预测， 并采用NMS方式对多个预测 框进行筛选， 在筛选过程当中采用NWD计 算方法生成边界框和预测类别， 得到训练好的网络模型model1；权　利　要　求　书 1/2 页 2 CN 115393346 A 2S103： 采集实景钢轨数据， 作为数据集二， 采用滑动窗口方式， 在经步骤S101处理后的 数据集一中随机选取若干图像进行裁剪， 将图像中的缺陷部分单独裁剪下来， 将裁剪下来 的缺陷部分存 入到数据集 二中， 对数据集 二进行扩充； S104： 将数据集二划分为训练集、 验证集和测试集， 其中， 训练集和验证集为已将钢轨 图像中的缺陷标记出来、 图像带有钢轨缺陷标签， 测试集未对钢轨图像中的缺陷进 行标记， 图像不带有钢轨缺陷标签， 采用训练好的网络模型model1对测试集进行预测， 对测试集中 带有缺陷的钢轨图像标记上 标签， 并将大于设定预测阈值的标签作为伪标签； S105： 将数据集二中的训练集和测试集整合后， 输入到网络模型model1中对网络模型 model1进行训练， 得到训练好的网络模型model2， 并通过验证集在网络模型model1与 model2中选择 出最佳的网络模型best  mode； S106： 对网络模型best  mode进行本地部署， 实时采集钢轨图像输入到网络模型best   mode中， 网络模型best  mode输出钢轨表面 缺陷的类别和数量。 6.如权利要求1所述的一种用于钢轨轨道表面探伤的探测方法， 其特征在于， 所述细微 损伤检测算法包括U‑Net、 U‑Net++和HR ‑Net， 所述U ‑Net、 所述U ‑Net++和所述HR ‑Net并行运 行。 7.如权利要求6所述的一种用于钢轨轨道表面探伤的探测方法， 其特征在于， 所述U ‑ Net的运行步骤如下： S101： 图像预处理： 将每个原始图像和对应的标签均变成相同像素分辨率的图片， 并通 过翻转、 颜色抖动和高斯模糊的数据增强操作来扩充训练样本以提高网络的泛化能力， 并 按比例将数据集随机分成训练集、 验证集和 测试集； S102： 模型训练： 设置钢轨损伤检测网络模型的参数， 输入图像及其对应的分割图， 通 过深度学习算法平台实现检测网络的训练， 并根据训练网络的评价指标来修改检测网络模 型参数， 直至得到 评价指标； S103： 利用模型进行裂纹检测： 依据U ‑Net网络计算出的分割图在原始输入图像上用矩 形框进行标记， 如果所采集的图像包含缺陷， 则 在计算机中提示相关处理结果， 并将含缺陷 工件标识入库， 如果没有缺陷则丢弃图像继续 运行。权　利　要　求　书 2/2 页 3 CN 115393346 A 3