[发明专利]一种基于卷积神经网络的无砟轨道CA砂浆层缺陷检测方法

权利要求书

1.一种基于卷积神经网络的无砟轨道CA砂浆层缺陷检测方法，其特征在于，包括如下步骤：

S1：将缺陷信息转换为信号信息，利用扫描式冲击回波测试系统对缺陷模型进行测试，获得不同缺陷类型信号；

S2：将信号信息转换为三维图像信息，作为特征图像，运用希尔伯特黄变换对数据进行预处理，获得信号的希尔伯特谱图，并对希尔伯特谱图进行预处理，作为信号的特征图像；

S3：建立数据集，将回波信号的特征图像进行标签化，建立训练、测试数据集；

S4：训练卷积神经网络，根据建立的数据集和缺陷判断需求，依据训练算法训练卷积神经网络；

S5：获取待检测缺陷数据，利用扫描式冲击回波测试系统对待检测试件进行检测，获得待检测缺陷数据；

S6：待检测缺陷数据预处理，根据预处理算法对所述待检测数据进行预处理，得到预处理待检测数据；

S7：计算检测结果，将预处理待检测缺陷数据输入到训练好的卷积神经网络中进行计算，得到检测结果。

2.根据权利要求1所述的一种基于卷积神经网络的无砟轨道CA砂浆层缺陷检测方法，其特征在于：标准轨道板厚度为0.2m时，所述扫描式冲击回波测试系统中冲击器频率范围为3kHz～24kHz，采样点设置为2048，每点抽样频率设置为10μs，增益值根据实际测试波形情况手动调整。

3.根据权利要求1所述的一种基于卷积神经网络的无砟轨道CA砂浆层缺陷检测方法，其特征在于，于步骤S2和S6中，所述预处理算法具体包括：引入希尔伯特黄变换对所测冲击回波信号进行特征提取,将信号转换三维图像数据，将得到的三维数据图像化，并进行归一化处理作为回波信号的特征图像。

4.根据权利要求3所述的一种基于卷积神经网络的无砟轨道CA砂浆层缺陷检测方法，其特征在于，特征图像的处理步骤为：

Ⅰ.对回波信号进行Hilbert谱分析，得到信号的时间-频率-幅值的三维分布情况，反应缺陷状况；

Ⅱ.截取频率0～20KHz，时间0～10μs范围内的频谱图像，减少背景干扰，提高识别精确度，使信号特征表达更加准确；

Ⅲ.将裁剪后的RGB图像转换为32×32pixel的灰度图像，作为卷积神经网络的输入。

5.根据权利要求1所述的一种基于卷积神经网络的无砟轨道CA砂浆层缺陷检测方法，其特征在于：于步骤S4中，所述训练算法选取ReLU函数作为激活函数，损失函数采用交叉熵函数，输出层选择softmax函数，完成模型分类，S4中，所述卷积神经网络依次包括第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层。

6.根据权利要求5所述的一种基于卷积神经网络的无砟轨道CA砂浆层缺陷检测方法，其特征在于：第一个卷积层，采用6个5×5的卷积核，步长为1，对32×32pixel的图像进行卷积，卷积后特征图大小为28×28pixel，对卷积运算后的数据进行ReLU变换，然后进行池化，特征图尺寸减半为14×14pixel。

7.根据权利要求5所述的一种基于卷积神经网络的无砟轨道CA砂浆层缺陷检测方法，其特征在于：第二个卷积层，采用12个5×5的卷积核，对池化后的14×14pixel特征图进行卷积，得到12个10×10pixel的特征图，对卷积运算后的数据进行ReLU变换，然后进行池化后，特征图尺寸减半为5×5pixel。

8.根据权利要求5所述的一种基于卷积神经网络的无砟轨道CA砂浆层缺陷检测方法，其特征在于：第一全连接层，神经元个数为84。

9.根据权利要求5所述的一种基于卷积神经网络的无砟轨道CA砂浆层缺陷检测方法，其特征在于：输出层，利用softmax分类器，进行多类别分类，输出按所需分类的类别数设置。