基于YOLOX的鋼軌探傷大數(shù)據(jù)智能判傷系統(tǒng)研究

朱興俊 中國鐵路上海局集團(tuán)有限公司科研所

1 概述

鋼軌是鐵路運(yùn)輸基礎(chǔ)設(shè)施之一，引導(dǎo)列車的車輪前進(jìn)方向，直接承受列車車輪作用力。鋼軌在車輪長期、重復(fù)作用下，容易產(chǎn)生各種疲勞傷損。而鋼軌服役狀態(tài)直接影響著鐵路運(yùn)輸安全。對鐵路在役鋼軌進(jìn)行傷損檢測、識別與判別是進(jìn)行線路維修決策的前提和基礎(chǔ)。

目前人工回放數(shù)據(jù)工作存在以下問題：

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

（2）判傷結(jié)果準(zhǔn)確性易受回放人員水平影響。不同的回放人員，對B顯數(shù)據(jù)的理解程度不同，有些傷損往往需要經(jīng)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(yè)務(wù)水平的要求更加嚴(yán)格。

由此可見，對于探傷數(shù)據(jù)的回放，急需尋找一種科學(xué)、高效、準(zhǔn)確的分析方式。國內(nèi)外早期的鋼軌傷損識別多采用傳統(tǒng)機(jī)器學(xué)習(xí)方法，如模糊邏輯、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、聚類解釋、支持向量機(jī)、貝葉斯網(wǎng)絡(luò)等方法，探傷數(shù)據(jù)的分析通過人工提取圖形特征進(jìn)行分類識別，特征選取好壞直接影響了分類識別的結(jié)果。如美國探傷車生產(chǎn)廠家先后與多家大學(xué)聯(lián)合，對檢測數(shù)據(jù)處理進(jìn)行了許多研究，主要采用神經(jīng)網(wǎng)絡(luò)算法，超聲B顯圖像作為神經(jīng)網(wǎng)絡(luò)的輸入，每個獨(dú)立的神經(jīng)網(wǎng)絡(luò)訓(xùn)練用來識別一種缺陷類型，共10個神經(jīng)網(wǎng)絡(luò)，可以對10種鋼軌缺陷類型（包括無缺陷）進(jìn)行傷損識別與分類。

近幾年，隨著人工智能技術(shù)的不斷發(fā)展，該項技術(shù)也被應(yīng)用到各行各業(yè)，將人工智能技術(shù)應(yīng)用到軌道檢測領(lǐng)域，利用路局現(xiàn)有鋼軌傷損數(shù)據(jù)，研發(fā)基于深度學(xué)習(xí)模型的鋼軌探傷大數(shù)據(jù)智能判傷系統(tǒng)，對于提高探傷數(shù)據(jù)回放效率和質(zhì)量、減輕回放工作強(qiáng)度有著積極的作用。

2 系統(tǒng)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(shù)據(jù)智能判傷系統(tǒng)被設(shè)計成一種兼容不同廠家不同回放軟件的智能分析系統(tǒng)，在不改變原有回放軟件的基礎(chǔ)上，對回放數(shù)據(jù)進(jìn)行智能分析，保證系統(tǒng)的兼容性。因為各廠家探傷數(shù)據(jù)標(biāo)準(zhǔn)不統(tǒng)一，且探傷數(shù)據(jù)協(xié)議為各廠商的私有協(xié)議，不便公開。因此，為兼容各廠商的回放數(shù)據(jù)，系統(tǒng)采用圖像識別的方式進(jìn)行研發(fā)。基于各廠商回放軟件，實(shí)時采集B顯圖像，對B顯圖像做出傷損預(yù)判，以解決兼容不同廠商的數(shù)據(jù)協(xié)議不統(tǒng)一的問題。

鋼軌探傷大數(shù)據(jù)智能判傷系統(tǒng)采用YOLOX模型進(jìn)行研發(fā)。YOLOX基于YOLO系列，Anchor-free的特性使得模型成為全卷積的網(wǎng)絡(luò)，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(qiáng)大的數(shù)據(jù)增強(qiáng)后可以使得模型能夠不需要ImageNet預(yù)訓(xùn)練，相比于其他加載預(yù)訓(xùn)練參數(shù)的模型能夠更好地適應(yīng)智能判傷的場景。單階段的設(shè)計讓YOLOX可以被端到端的訓(xùn)練，降低了訓(xùn)練的成本。YOLOX已經(jīng)在標(biāo)準(zhǔn)的數(shù)據(jù)集上取得了良好的實(shí)驗效果。

鋼軌探傷大數(shù)據(jù)智能判傷系統(tǒng)基于深度學(xué)習(xí)和計算機(jī)視覺的目標(biāo)檢測模型，對于傷損的分析基于樣本庫，且具備學(xué)習(xí)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(shù)路線圖

圖2 系統(tǒng)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(shù)字式鋼軌探傷儀具有數(shù)字化處理模數(shù)轉(zhuǎn)換的能力，使得當(dāng)前利用B顯數(shù)據(jù)圖形進(jìn)行回放，進(jìn)而實(shí)現(xiàn)對現(xiàn)場作業(yè)標(biāo)準(zhǔn)化的控制，檢查探傷作業(yè)任務(wù)完成情況，以及對現(xiàn)場作業(yè)進(jìn)行二次探傷成為了可能。在B顯數(shù)據(jù)回放中，由于鋼軌探傷數(shù)據(jù)B顯圖形具有直觀、易于分辨的特點(diǎn)，B顯數(shù)據(jù)回放在鋼軌探傷作業(yè)中發(fā)揮出了越來越明顯的作用，極大程度上彌補(bǔ)了現(xiàn)場探傷作業(yè)因受外部環(huán)境、人員影響造成的不足。

所有回放數(shù)據(jù)軟件，都具有拼孔模式，按照一定規(guī)則進(jìn)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(fā)射方向是向前還是向后，均應(yīng)壓在一條線上，這個位置應(yīng)該是兩側(cè)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(jìn)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(fā)現(xiàn)，多數(shù)B顯圖像特征較為明顯，基于此考慮，鋼軌探傷大數(shù)據(jù)智能判傷系統(tǒng)以拼孔后的B顯圖像作為輸入。

3.2 樣本采集分類子系統(tǒng)

對于傷損的智能分析基于樣本庫，因此首先需要根據(jù)B顯特征對樣本進(jìn)行分類和采集。B顯圖像樣本主要分為正樣本和負(fù)樣本，正樣本主要為常見的正常信號，如接頭、焊縫、螺孔等，負(fù)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(shù)據(jù)主要來自于歷年探傷過程中出現(xiàn)過的自然傷損以及標(biāo)定線的傷損。本文開發(fā)的樣本采集分類系統(tǒng)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(xiàn)，但是實(shí)際探傷作業(yè)中沒有出現(xiàn)過的傷損，進(jìn)行樣本繪制，以保證樣本庫的多樣性。實(shí)際收集的探傷數(shù)據(jù)，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(xùn)練

選取80%采集的樣本進(jìn)行深度學(xué)習(xí)模型的訓(xùn)練，從而生成可以進(jìn)行人工智能分析傷損的模型。模型使用的是輕量化目標(biāo)檢測模型-YOLOX，在進(jìn)行檢測之前，會將圖片輸入到主干網(wǎng)絡(luò)中進(jìn)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(jìn)行目標(biāo)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(xùn)練過程

訓(xùn)練系統(tǒng)支持對樣本庫的擴(kuò)充和再訓(xùn)練，如出現(xiàn)漏判的情況，可通過對遺漏的傷損進(jìn)行重采樣，再交由訓(xùn)練系統(tǒng)進(jìn)行訓(xùn)練，從而產(chǎn)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(tǒng)

智能傷損分析系統(tǒng)主要利用訓(xùn)練系統(tǒng)訓(xùn)練出的模型，對回放數(shù)據(jù)中的B顯圖像進(jìn)行傷損的智能判別。分析系統(tǒng)由回放圖像采集和智能分析兩部分組成。回放圖像采集系統(tǒng)負(fù)責(zé)實(shí)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(tǒng)，分析系統(tǒng)對采集的圖像開始進(jìn)行分析，并對B顯圖像進(jìn)行傷損預(yù)測，并將預(yù)測結(jié)果反饋于前端顯示。回放人員只需對反饋的結(jié)果進(jìn)行二次確認(rèn)，確認(rèn)完成，可通過系統(tǒng)生成回放報告。見圖8、圖9。

圖8 智能系統(tǒng)分析后傷損B顯圖

圖9 系統(tǒng)總體業(yè)務(wù)流程

4 系統(tǒng)分析過程及結(jié)果統(tǒng)計

智能判傷系統(tǒng)建立經(jīng)歷了4個階段，經(jīng)過每個階段不斷的完善，最終形成適合現(xiàn)場使用的版本。

（1）規(guī)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(jìn)行針對性的采集樣本，繼續(xù)完善樣本庫。此階段主要以分析數(shù)據(jù)為主，針對分析中未識別的樣本進(jìn)行采集，重新訓(xùn)練YOLOX模型參數(shù)，歷經(jīng)數(shù)月后，正常傷損識別率達(dá)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(yīng)增加，此時的雜波誤報率在150～300個/條數(shù)據(jù)。第三階段通過將一些鋼軌探傷的規(guī)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(shù)據(jù)以內(nèi)（正常數(shù)據(jù)下統(tǒng)計）。

對于前三個階段，主要目標(biāo)是為實(shí)現(xiàn)對已知1 000多個自然傷實(shí)現(xiàn)100%的檢出，經(jīng)過不斷的完善算法和樣本庫，用于驗證的數(shù)據(jù)，實(shí)現(xiàn)了100%的智能識別。

（4）查缺補(bǔ)漏

第四階段開始大量分析數(shù)據(jù)，針對一些不常見的傷損進(jìn)行采集，不斷優(yōu)化完善現(xiàn)有樣本庫，系統(tǒng)分析結(jié)果統(tǒng)計見表1。

表1 傷損檢出率統(tǒng)計

5 結(jié)論

基于YOLOX的鋼軌探傷大數(shù)據(jù)智能判傷系統(tǒng)，在收集歷年現(xiàn)場探傷數(shù)據(jù)的基礎(chǔ)上，采用人工智能技術(shù)實(shí)現(xiàn)自動回放數(shù)據(jù)，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(tǒng)分析結(jié)果做二次確認(rèn)，大大減輕了回放人員的工作強(qiáng)度。相對于傳統(tǒng)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(yè)面向智能化提供了新的方向。