基于YOLOX的鋼軌探傷大數據智能判傷系統研究

朱興俊 中國鐵路上海局集團有限公司科研所

1 概述

鋼軌是鐵路運輸基礎設施之一，引導列車的車輪前進方向，直接承受列車車輪作用力。鋼軌在車輪長期、重復作用下，容易產生各種疲勞傷損。而鋼軌服役狀態直接影響著鐵路運輸安全。對鐵路在役鋼軌進行傷損檢測、識別與判別是進行線路維修決策的前提和基礎。

目前人工回放數據工作存在以下問題：

（1）回放數據工作量大。各工務段管轄線路的里程長，母材探傷每月一遍，每5 km數據分析用時約1 h，回放人員需長時間的觀看回放軟件，易產生疲勞，造成疏忽而誤判或漏判。

（2）判傷結果準確性易受回放人員水平影響。不同的回放人員，對B顯數據的理解程度不同，有些傷損往往需要經驗豐富人員才能判別，尤其在高靈敏度探傷模式下，從雜波中找到傷損，對回放員業務水平的要求更加嚴格。

由此可見，對于探傷數據的回放，急需尋找一種科學、高效、準確的分析方式。國內外早期的鋼軌傷損識別多采用傳統機器學習方法，如模糊邏輯、神經網絡、專家系統、聚類解釋、支持向量機、貝葉斯網絡等方法，探傷數據的分析通過人工提取圖形特征進行分類識別，特征選取好壞直接影響了分類識別的結果。如美國探傷車生產廠家先后與多家大學聯合，對檢測數據處理進行了許多研究，主要采用神經網絡算法，超聲B顯圖像作為神經網絡的輸入，每個獨立的神經網絡訓練用來識別一種缺陷類型，共10個神經網絡，可以對10種鋼軌缺陷類型（包括無缺陷）進行傷損識別與分類。

近幾年，隨著人工智能技術的不斷發展，該項技術也被應用到各行各業，將人工智能技術應用到軌道檢測領域，利用路局現有鋼軌傷損數據，研發基于深度學習模型的鋼軌探傷大數據智能判傷系統，對于提高探傷數據回放效率和質量、減輕回放工作強度有著積極的作用。

2 系統研究方案

目前探傷儀器的種類的較多，有手推探傷儀、雙軌探傷儀、大型探傷車等，每種探傷儀器也有多個廠家，且廠家的回放軟件不同，界面也不同，本文提出的鋼軌探傷大數據智能判傷系統被設計成一種兼容不同廠家不同回放軟件的智能分析系統，在不改變原有回放軟件的基礎上，對回放數據進行智能分析，保證系統的兼容性。因為各廠家探傷數據標準不統一，且探傷數據協議為各廠商的私有協議，不便公開。因此，為兼容各廠商的回放數據，系統采用圖像識別的方式進行研發?；诟鲝S商回放軟件，實時采集B顯圖像，對B顯圖像做出傷損預判，以解決兼容不同廠商的數據協議不統一的問題。

鋼軌探傷大數據智能判傷系統采用YOLOX模型進行研發。YOLOX基于YOLO系列，Anchor-free的特性使得模型成為全卷積的網絡，不僅在速度上有所提升，相比于Anchorbase的模型也更容易部署。在使用強大的數據增強后可以使得模型能夠不需要ImageNet預訓練，相比于其他加載預訓練參數的模型能夠更好地適應智能判傷的場景。單階段的設計讓YOLOX可以被端到端的訓練，降低了訓練的成本。YOLOX已經在標準的數據集上取得了良好的實驗效果。

鋼軌探傷大數據智能判傷系統基于深度學習和計算機視覺的目標檢測模型，對于傷損的分析基于樣本庫，且具備學習功能，對于漏報的傷損，可以通過采集樣本的方式，不斷的提高傷損的識別率，減少漏報。見圖1、圖2。

圖1 技術路線圖

圖2 系統總體框架

3 研究過程

3.1 超聲波B顯圖像特征研究

由于數字式鋼軌探傷儀具有數字化處理模數轉換的能力，使得當前利用B顯數據圖形進行回放，進而實現對現場作業標準化的控制，檢查探傷作業任務完成情況，以及對現場作業進行二次探傷成為了可能。在B顯數據回放中，由于鋼軌探傷數據B顯圖形具有直觀、易于分辨的特點，B顯數據回放在鋼軌探傷作業中發揮出了越來越明顯的作用，極大程度上彌補了現場探傷作業因受外部環境、人員影響造成的不足。

所有回放數據軟件，都具有拼孔模式，按照一定規則進行拼孔后，鋼軌中部分特定特征的回波，會具有一定的特征。在普通接頭拼孔中，對于所有70°探頭的斷面回波，不論其發射方向是向前還是向后，均應壓在一條線上，這個位置應該是兩側一孔的中間位置，也就是普通接頭斷面的位置，見圖3。

圖3 接頭圖像特征

在普通接頭正常出波的螺孔處進行前后37°拼孔，可以看到此時軌底橫向裂紋正好形成正八字。需要控制落空拼圖間隔，間隔過大，會造成正八字分離，且不利于套孔、上裂紋的判斷；如果過小，會造成正八字交叉，同樣不利于套孔、上裂紋的判斷。見圖4。

圖4 螺孔及螺孔裂紋

通過拼孔后發現，多數B顯圖像特征較為明顯，基于此考慮，鋼軌探傷大數據智能判傷系統以拼孔后的B顯圖像作為輸入。

3.2 樣本采集分類子系統

對于傷損的智能分析基于樣本庫，因此首先需要根據B顯特征對樣本進行分類和采集。B顯圖像樣本主要分為正樣本和負樣本，正樣本主要為常見的正常信號，如接頭、焊縫、螺孔等，負樣本為常見傷損信號，如軌頭核傷、焊縫核傷、螺孔裂紋（上裂、下裂、水平裂紋）、軌底裂紋等。見圖5。

圖5 傷損B顯特征分類

樣本數據主要來自于歷年探傷過程中出現過的自然傷損以及標定線的傷損。本文開發的樣本采集分類系統可以提高前期對樣本采集的工作效率，同時支持人工繪制傷損，對一些可能出現，但是實際探傷作業中沒有出現過的傷損，進行樣本繪制，以保證樣本庫的多樣性。實際收集的探傷數據，80%用于樣本的采集，其余20%用于驗證判傷效果。見圖6。

圖6 樣本采集分類軟件

3.3 傷損識別模型的訓練

選取80%采集的樣本進行深度學習模型的訓練，從而生成可以進行人工智能分析傷損的模型。模型使用的是輕量化目標檢測模型-YOLOX，在進行檢測之前，會將圖片輸入到主干網絡中進行特征提取，提取出的特征會送入到FPN中分層輸出多尺度特征，隨后再將多尺度特征送入檢測頭進行目標檢測。多尺度特征擁有不同尺度的感受野，可以兼容檢測出不同大小的傷損。檢測頭的輸出包括了分類和得分，用于指示檢測出的傷損類型和置信度，還有一個矩形框位置，用于指示傷損在圖像上的位置。見圖7。

圖7 訓練過程

訓練系統支持對樣本庫的擴充和再訓練，如出現漏判的情況，可通過對遺漏的傷損進行重采樣，再交由訓練系統進行訓練，從而產生更加豐富的傷損分析模型，保證傷損的檢出率。

3.4 智能傷損分析系統

智能傷損分析系統主要利用訓練系統訓練出的模型，對回放數據中的B顯圖像進行傷損的智能判別。分析系統由回放圖像采集和智能分析兩部分組成?；胤艌D像采集系統負責實時采集B顯圖像，按照一定的步長，將回放中的圖像采集后交于分析系統，分析系統對采集的圖像開始進行分析，并對B顯圖像進行傷損預測，并將預測結果反饋于前端顯示?；胤湃藛T只需對反饋的結果進行二次確認，確認完成，可通過系統生成回放報告。見圖8、圖9。

圖8 智能系統分析后傷損B顯圖

圖9 系統總體業務流程

4 系統分析過程及結果統計

智能判傷系統建立經歷了4個階段，經過每個階段不斷的完善，最終形成適合現場使用的版本。

（1）規模性采集樣本

樣本采集第一階段開始于2020年4月至2020年6月，共采集樣本10 500張，傷損識別率約65.8%，這一階段其中一些傷損識別不出，見圖10。

圖10 焊縫核傷識別為正常焊縫

（2）提高傷損識別率

第二階段針對第一階段未識別的傷損進行針對性的采集樣本，繼續完善樣本庫。此階段主要以分析數據為主，針對分析中未識別的樣本進行采集，重新訓練YOLOX模型參數，歷經數月后，正常傷損識別率達到87.4%。

（3）降低雜波誤報

第二階段提高了傷損的識別率但同時誤報率也相應增加，此時的雜波誤報率在150～300個/條數據。第三階段通過將一些鋼軌探傷的規則和對雜波的處理，在保證傷損檢出的前提下盡量減少雜波的誤報，目前將誤報控制在100個/條數據以內（正常數據下統計）。

對于前三個階段，主要目標是為實現對已知1 000多個自然傷實現100%的檢出，經過不斷的完善算法和樣本庫，用于驗證的數據，實現了100%的智能識別。

（4）查缺補漏

第四階段開始大量分析數據，針對一些不常見的傷損進行采集，不斷優化完善現有樣本庫，系統分析結果統計見表1。

表1 傷損檢出率統計

5 結論

基于YOLOX的鋼軌探傷大數據智能判傷系統，在收集歷年現場探傷數據的基礎上，采用人工智能技術實現自動回放數據，智能提取疑似傷損，回放人員無需長時間觀看電腦屏幕，只需對系統分析結果做二次確認，大大減輕了回放人員的工作強度。相對于傳統人工分析模式，識別傷損能力較高，并配合人工輔助，能極大的降低傷損漏檢情況，減少斷軌隱患，也為探傷作業面向智能化提供了新的方向。