[发明专利]一种基于深度学习的钢轨裂纹定量涡流检测方法和装置以及设备

权利要求书

1.一种基于深度学习的钢轨裂纹定量涡流检测方法，其特征在于，所述方法包括：采集裂纹涡流响应，建立第一信号曲线；计算裂纹倾角，并对称化转换所述第一信号曲线，输出第二信号曲线；将所述第二信号曲线导入垂直裂纹深度学习模型进行计算，基于计算结果重构斜裂纹并确定斜裂纹深度和宽度。

2.如权利要求1所述的基于深度学习的钢轨裂纹定量涡流检测方法，其特征在于，

所述对称化转换所述第一信号曲线，输出第二信号曲线具体包括如下步骤：

计算信号曲线的不对称率；基于不对称率计算裂纹倾角；若裂纹倾角≠0，则将信号曲线对称化转换，输出第二信号曲线，否则输出原始信号曲线。

3.如权利要求2所述的基于深度学习的钢轨裂纹定量涡流检测方法，其特征在于：

所述不对称率的计算公式为

式中，R代表不对称率，x_max、x₁、x₂分别代表信号曲线峰值以及信号曲线最小值加上处的横坐标，表示信号曲线的最大值和最小值之差；

所述裂纹倾角的计算公式为

θ_c＝160.0R-2.9

式中，θ_c为信号曲线对应的倾角计算值，R为信号曲线的不对称率；

所述对称化转换的计算公式为

f(x_max-x_i,R)＝(-1.90×10^-2R+2.20×10^-3)cos[(-0.37R+0.43)(x_max-x_i)]+(1.00×10^-2R-1.90×10^-4)sin[(-0.37R+0.43)(x_max-x_i)]+(-6.90×10^-3R+5.00×10^-4)cos[(-0.74R-0.86)(x_max-x_i)]+(4.80×10^-3R-2.70×10^-4)sin[(-0.74R+0.86)(x_max-x_i)]-1.60×10^-2R+1.00

式中，R代表不对称率，x_max-x_i代表信号曲线峰值点横坐标与第i个点横坐标之差。

4.如权利要求1所述的基于深度学习的钢轨裂纹定量涡流检测方法，其特征在于，

将所述第二信号曲线导入垂直裂纹深度学习模型进行计算，基于计算结果重构斜裂纹并确定斜裂纹深度和宽度，具体包括如下步骤：将所述第二信号曲线导入垂直裂纹深度学习模型计算第二信号曲线对应的裂纹剖面轮廓曲线；结合裂纹倾角及第二信号曲线对应的裂纹剖面轮廓曲线重构斜裂纹轮廓曲线；基于斜裂纹轮廓曲线计算斜裂纹宽度及深度。

5.一种基于深度学习的钢轨裂纹定量涡流检测装置，其特征在于，包括：

采集模块，用于采集裂纹涡流响应，建立第一信号曲线；

对称化转换模块，用于计算裂纹倾角，并对称化转换所述第一信号曲线，输出第二信号曲线；

深度学习模块，用于将所述第二信号曲线导入垂直裂纹深度学习模型进行计算，基于计算结果重构斜裂纹并确定斜裂纹深度和宽度。

6.如权利要求5所述的基于深度学习的钢轨裂纹定量涡流检测装置，其特征在于，

所述对称化转换模块具体可用于：计算信号曲线的不对称率；基于不对称率计算裂纹倾角；若裂纹倾角≠0，则将信号曲线对称化转换，输出第二信号曲线，否则输出原始信号曲线。