[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

说明书

本发明公开了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，包括如下步骤：S1：将缺陷信息转换为信号信息；S2：将信号信息转换为三维图像信息，作为特征图像；S3：建立数据集；S4：训练卷积神经网络；S5：获取待检测缺陷数据；S6：待检测缺陷数据预处理；S7：计算检测结果。本发明解决了现有技术中存在的特征提取不够准确、缺陷大小不能精确分类、检测准确率低等问题。本发明适用于无砟轨道CA砂浆层缺陷检测技术领域。

技术领域

本发明属于无砟轨道CA砂浆层缺陷检测技术领域，具体地说，涉及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。

背景技术

水泥乳化沥青砂浆((Cement-emulsified Asphalt Mortar，CA砂浆))层是CRTSI、CRTSII板式无砟轨道的弹性调整层，其状态直接影响无砟轨道的耐久性和列车行驶的舒适性与安全性。CA砂浆层的损伤具有隐蔽性特征，无法直接观察。因此针对CA砂浆层隐蔽性损伤的无损检测技术研究对于损伤的早发现、早整治至关重要。

冲击回波法(impact-echo，IE)是最常用的一种检测混凝土结构裂缝和分层的方法，操作便捷、可单侧检测、探测深度大、不受混凝土材料和结构差异影响的特性使其在检测CA砂浆层缺陷中得到广泛应用。CA砂浆层脱空识别方法面临的主要问题为：(1)信号特征提取多基于时、频域特征方面，对于信号的表达不够全面，并且特征参数选取存在难度。(2)模式识别基于传统概率统计方法和有监督机器学习方法，需要人为主观参与，检测精度和速度受到影响。

发明内容

本发明提供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，以解决现有技术中存在的特征提取不够准确、缺陷大小不能精确分类、检测准确率低等问题。

为实现上述目的，本发明所采用的技术方案如下：

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，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。

进一步的，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。

进一步的，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。

进一步的，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；