色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發帖/加入社區
會員中心
創作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

詳解機器學習在鐵路缺陷檢測中的實際應用

jf_f8pIz0xS ? 來源:51CTO ? 作者:李睿 ? 2021-05-02 17:26 ? 次閱讀

機器學習在鐵路缺陷檢測中的實際應用

本文介紹了在鐵軌的超聲波檢測過程中有效使用機器學習技術自動檢測缺陷的經驗,并提出了一種使用數學建模為神經網絡創建訓練數據集的有效方法,為實際缺陷圖的識別提供了更高精度的指標。文中訓練神經網絡運算的原型實例,其實際缺陷圖的預測精度高達92%。

鐵軌在列車行進過程中往往承受著巨大的壓力,而這一過程可能會產生導致火車發生事故的缺陷。

鐵軌缺陷與預防性檢測是鐵路安全領域的一個極其重要的領域。本文將對廣泛應用于火車鐵軌診斷的超聲波檢測技術進行闡述和分析。

分析缺陷檢測結果面臨的一個主要問題是,目前缺乏在數百公里的鐵軌上捕獲缺陷數據的自動檢測能力。而在人工搜索缺陷時,遺漏缺陷的可能性很高,并且其結果主要取決于檢測人員的經驗和人為因素。

問題陳述

在這項工作中,主要的任務是創建一個神經網絡的工作原型,以自動檢測鐵軌超聲檢測圖上的缺陷,其準確性需要超過85%。

超聲波檢測中的鐵軌缺陷的分類

為了訓練神經網絡,需要以數字形式對鐵軌進行超聲波檢查的初始數據,這些數據可以使用相應的缺陷圖的檢測儀獲得,這些檢測儀以B掃描(BSCAN)的形式顯示。

BSCAN形成的原理是將脈沖超聲波信號以一定的角度和距離輸入到鐵軌中,并記錄其反射信號(如圖2所示)。在反射信號強度圖中,不同的輸入角度的信號生成不同亮度的點。使用不同輸入角度的超聲波信號探測是由于缺陷具有不同性質,而反映信號的深度取決于缺陷的深度和形狀。

圖2:使用六個傳感器的鐵軌測深方案示例

為了對缺陷進行分類,需要考慮鐵軌缺陷分類的原則。而根據PJSC俄羅斯鐵路公司2017年推出的文件“關于無損鐵軌檢測結果解密的聲明”,其分類的所有鐵軌缺陷都用三位數字進行編碼。

為了創建數據集,以下選擇了8個最常見的缺陷。表1和表2顯示了所選鐵軌缺陷的視圖、缺陷代碼以及BSCAN的外觀。

表1:缺陷代碼及其缺陷圖列表的第1部分

表2:缺陷代碼及其缺陷圖列表的第2部分

在實際缺陷圖框架上訓練的神經網絡第一版

對現有缺陷圖數據庫的分析表明,由于各種制造商生產的設備具有各種信號處理算法、不同數量的發射器和接收器,因此無法同時使用它們。對于每個缺陷組都采用了Avikon-11檢測儀,根據估計,在兩個車站之間的鐵軌獲得的缺陷不會超過20個,而這對于創建有效的神經網絡來說,這些缺陷的數量非常少。因此,在特定位置的參考缺陷鐵軌的現有站點上也采用了一組缺陷圖。這樣的一段鐵路被稱為“控制死區”。圖3顯示了一條鐵軌控制死區的缺陷圖。

圖3:采用Avikon-11檢測儀顯示的一根鐵軌截面的缺陷圖

可以將連續的缺陷圖“切割”為單獨的片段,然后將其分類并保存為單獨的文件——幀。圖3(第5點)所示的每個切割的幀同時包括沿其鐵軌截面的所有檢查區域。其測量通道的這種綜合考慮允許使用所有可用的信息特征來對缺陷圖幀進行分類。而[500,800]個條件點組成的幀數量很大,在訓練神經網絡時需要大量的時間和計算成本。此外,它還需要較大的數據集。為了擴大帶有缺陷的數據集規模,可以使用一種偏移幀方法,如圖4所示。因此可以在一個缺陷上獲得50個以上的幀。這種方法允許將9個類的數據集從1,000個增加到60,000個,其中0類是無缺陷的鐵軌。

圖4:用于創建帶有缺陷的擴展數據集的幀

在這一過程中,合成了一個卷積神經網絡用于無歧義的分類,其輸出端有一個完全連接的分類器(CNN)。經過訓練的神經網絡在驗證數據上顯示35%的準確性。而每個可用的9類的準確率比純粹的隨機分類器要高出3倍。由于選擇了神經網絡的結構和超參數,因此無法提高識別精度。在這一階段,缺少規模足夠大的通用數據集是導致神經網絡效率低下的關鍵因素。

基于模型數據訓練的神經網絡第二版

基于模型數據訓練的神經網絡第一版的效率比較低下的原因并不是因為使用的算法不佳,而是由于缺乏針對其訓練的代表性的數據集,這才是關鍵因素。在測試鐵軌時,由于獲得新數據而導致數據集的增加是一個漫長的過程,可能會持續數年的時間。在這里實施的任務是考慮使用模型數據訓練神經網絡的可能性。

建模是加快增加數據集過程的一種方法,因此有必要基于數學模型,來獲得具有不同類別的缺陷圖幀的樣本。

建模類型選擇

神經網絡操作及其訓練的主要原理是抽象化在輸入端接收到的可見圖像,將其轉換為高級視覺概念,并同時過濾不重要的視覺細節。神經網絡應該只記住圖像,而細節只會妨礙它識別,這就是不必在鐵軌中創建精確的超聲波傳播物理模型的原因。超聲波在鐵軌中傳播的物理模型不能解決導致各種形式的缺陷及其位置的問題。此類缺陷需要人工創建,數量多達數萬個。而在鐵軌中引入超聲波并測量反射信號的模型、隨機性、對許多因素(生成器位置等)的依賴性等問題也沒有得到解決。

在這項工作中提出了一種方法,該方法包括創建參數仿真模型,基于該模型可以生成一個數據集,用于訓練處理數以千計的每類缺陷的神經網絡。

為了構建這種神經網絡的工作原型,選擇了超聲波輸入角為α=0(嚴格向下)的通道。其幀長(沿鐵軌長度)增加到1000個條件點,這對識別的準確性非常重要。

數學模型是在LabVIEW環境中開發的,用于原型設計和建模。所獲得的數學模型不僅考慮從反射器獲得的波形,而且考慮振幅的分布。在公共參數模型的輸出處獲得的每個幀都是唯一的,這是因為該模型的每個參數都有隨機生成器。表3和表4顯示了鐵軌中各個異質結構的測量數據和模型數據的BSCAN示例。

表3:鐵軌螺栓孔的實測數據和模型數據的BSCAN示例


表4:30組實測缺陷和模型缺陷掃描(表面缺陷和軌頭缺陷)



將單個鐵軌故障的超聲波檢查的測量數據與獲得的模型數據進行比較,可以了解它們的相似性。建議基于神經網絡識別實際缺陷的準確性指標來檢查所獲得模型的適當性,該神經網絡將從模型數據中學習。

從不同的鐵軌故障模型中,可以獲得對鐵軌進行超聲波檢查的幀。與此同時,模型的參數將會發生變化,以獲得在實際條件下可能發生的各種組合,也就是:

各種深度的缺陷;

各種坐標的缺陷;

以螺栓孔的形式存在的缺陷和過程反射器的各個相對位置;

根據螺栓孔數的不同,螺栓連接的組合方式不同;

鐵軌中不同形式的缺陷和工藝異質結構;

鐵軌中所有異類結構的振幅響應隨機性。

模型數據樣本的示例

圖5顯示了具有30組缺陷-表面缺陷和軌頭缺陷模型幀的樣本。

圖5:具有30組缺陷的模型幀樣本—表面缺陷和軌頭缺陷

為了進行比較,圖6顯示了來自Avikon-11檢測儀的實際數據。

圖6:具有第30組缺陷的真實幀的樣本—表面缺陷(軌頭缺陷)

圖7顯示了具有33組缺陷—軌頸缺陷模型幀的樣本。

圖7:具有33組缺陷—軌頸缺陷模型幀的樣本

為了進行比較,圖8顯示了來自Avikon-11檢測儀的實際數據。

圖8:具有33組缺陷-軌頸缺陷實際幀的樣本

圖9顯示了具有55組缺陷(軌頸中的缺陷)模型幀的樣本。圖10顯示了具有55組缺陷的實際幀。

圖9:具有55組缺陷-—軌頸缺陷模型幀的樣本

圖10:具有55組缺陷—-軌頸缺陷實際幀的樣本

圖11顯示了具有無缺陷條件(帶有和不帶有螺栓孔)模型幀的樣本。

c0e7db4ca2fb8cd5a27e46a8301ad3cb.png

圖11:處于無缺陷狀態(有螺栓孔和不帶有螺栓孔)模型幀的樣本

根據表5為每組模型幀分配一個類別編號(編碼標記)

表5-分配類別

7a53eb1eadbee198d7e7041143185ac2.png

508dd64bfc5c6cad3ad4374d471716a1.png

創建的數學模型使得有可能針對4個給定的類別(如上表中的0、1、2、3)生成10000個訓練數據、1000個驗證數據和1000個測試數據的平衡集。這樣一個數據集的生成時間為10分鐘。

想法的有效性

此外,這項工作還進行了卷積神經網絡(CNN)模型的綜合、訓練以及對創建的數據集的綜合(模型)數據的驗證。實踐表明,其訓練數據的識別準確率為98%,測試數據的識別準確率為97%。

為了檢查識別實際缺陷幀(由檢測儀測量)的準確性,將來自控制死區的標記幀(通過Avikon-11檢測儀檢查數據集,這里有3000個樣本)提供給所創建的神經網絡的輸入。對Avikon-11型檢測儀實測數據的識別準確率為92%。

獲得的精度是一個很好的結果。但是采用一些方法可以提高精度。失配矩陣(如圖12所示)有助于了解神經網絡在哪些幀上出錯。

72a91d0108ec656bb823e7cd38d56ae7.png

圖12:失配矩陣

在分析矩陣之后,很明顯,神經網絡會在3類(缺陷組-55)的幀中做出主要預測誤差,而在0類(無缺陷狀態)的幀中進行預測,神經網絡將其識別為一個螺栓孔的位置。由于其相似性,導致第55組出現缺陷(如圖13所示)。在這種情況下,有必要添加其他通道的信息符號,從而提高預測的準確性(在這種情況下通常是軌頸控制通道,這是由于存在螺栓孔)。這對圖13進行了解釋。

ebaa300728e7ad983841306ca2afb352.png

圖13:將幀錯誤分配給3類的示例

目前,在識別系統中已添加了在神經網絡已“決定”分類的幀上突出顯示信息符號的算法(圖14中的黃色背景)。

fdfa157989ea10af80c04c0a4c04b00a.png

結論和進一步的發展策略

獲得的92%的準確度表明了將模型數據用于訓練網絡的可能性,并將其應用于自動識別鐵軌超聲檢測的實際缺陷圖,從而解決了訓練數據量少的問題,這將顯著加快采用自動缺陷識別系統生成軟件的進程。這一想法的進一步發展包括以下步驟:

(1)軌頭控制通道、軌頸控制通道、軌底控制通道的模型綜合。

(2)調整模型以消除噪音。

(3)將生成的缺陷“植入”(放置和引入)到實際缺陷圖(具有引入缺陷的真實噪聲圖)。

(4)改進模型以提高神經網絡的精度。

工作原型所提出的發展階段將允許增加:

缺陷識別的準確性

已識別的缺陷類別的數量

創建一個完整的系統,以通過所選檢測儀的所有測量通道來自動檢測缺陷。

所獲得的模型可以適合所需的檢測儀。
編輯:lyn

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規問題,請聯系本站處理。 舉報投訴
  • 神經網絡
    +關注

    關注

    42

    文章

    4771

    瀏覽量

    100720
  • 超聲波檢測
    +關注

    關注

    0

    文章

    23

    瀏覽量

    8594
  • 機器學習
    +關注

    關注

    66

    文章

    8408

    瀏覽量

    132575
收藏 人收藏

    評論

    相關推薦

    zeta機器學習的應用 zeta的優缺點分析

    探討ZETA機器學習的應用以及ZETA的優缺點時,需要明確的是,ZETA一詞不同領域可能
    的頭像 發表于 12-20 09:11 ?198次閱讀

    cmp機器學習的作用 如何使用cmp進行數據對比

    機器學習領域,"cmp"這個術語可能并不是一個常見的術語,它可能是指"比較"(comparison)的縮寫。 比較機器
    的頭像 發表于 12-17 09:35 ?149次閱讀

    eda機器學習的應用

    機器學習項目中,數據預處理和理解是成功構建模型的關鍵。探索性數據分析(EDA)是這一過程不可或缺的一部分。 1. 數據清洗 數據清洗 是機器
    的頭像 發表于 11-13 10:42 ?293次閱讀

    機器學習的數據分割方法

    機器學習,數據分割是一項至關重要的任務,它直接影響到模型的訓練效果、泛化能力以及最終的性能評估。本文將從多個方面詳細探討機器
    的頭像 發表于 07-10 16:10 ?1728次閱讀

    深度學習工業機器視覺檢測的應用

    隨著深度學習技術的快速發展,其工業機器視覺檢測的應用日益廣泛,并展現出巨大的潛力。工業機器
    的頭像 發表于 07-08 10:40 ?1045次閱讀

    基于AI深度學習缺陷檢測系統

    工業生產中,缺陷檢測是確保產品質量的關鍵環節。傳統的人工檢測方法不僅效率低下,且易受人為因素影響,導致誤檢和漏檢問題頻發。隨著人工智能技術的飛速發展,特別是深度
    的頭像 發表于 07-08 10:30 ?1377次閱讀

    深度學習視覺檢測的應用

    深度學習機器學習領域中的一個重要分支,其核心在于通過構建具有多層次的神經網絡模型,使計算機能夠從大量數據自動學習并提取特征,進而實現對復
    的頭像 發表于 07-08 10:27 ?706次閱讀

    外觀缺陷檢測原理

    的結合應用加速滲透進工業產品的 外觀缺陷檢測 領域。思普泰克憑借深耕機器視覺多年沉淀的技術實力,建立以深度學習技術為核心的差異化發展優勢,開發出視覺引擎等工業級視覺應用產品,全面賦能產
    的頭像 發表于 06-17 17:38 ?419次閱讀
    外觀<b class='flag-5'>缺陷</b><b class='flag-5'>檢測</b>原理

    產品標簽OCR識別缺陷檢測系統方案

    目前實驗來看,康耐德機器視覺可以檢測出標簽有無以及有沒貼歪斜,印刷字符只能檢測出缺陷比較大的產品,具體還要以實際缺陷產品來模擬確認。此方案適
    的頭像 發表于 06-10 18:26 ?741次閱讀
    產品標簽OCR識別<b class='flag-5'>缺陷</b><b class='flag-5'>檢測</b>系統方案

    基于深度學習缺陷檢測方案

    圖像預處理通常包括直方圖均衡化、濾波去噪、灰度二值化、再次濾波幾部分,以得到前后景分離的簡單化圖像信息;隨后利用數學形態學、傅里葉變換、Gabor 變換等算法以及機器學習模型完成缺陷的標記與
    發表于 04-23 17:23 ?866次閱讀
    基于深度<b class='flag-5'>學習</b>的<b class='flag-5'>缺陷</b><b class='flag-5'>檢測</b>方案

    基于深度學習的芯片缺陷檢測梳理分析

    雖然表面缺陷檢測技術已經不斷從學術研究走向成熟的工業應用,但是依然有一些需要解決的問題?;谝陨戏治隹梢园l現,由于芯片表面缺陷的獨特性質,通用目標檢測算法不適合直接應用于芯片表面
    發表于 02-25 14:30 ?1488次閱讀
    基于深度<b class='flag-5'>學習</b>的芯片<b class='flag-5'>缺陷</b><b class='flag-5'>檢測</b>梳理分析

    機器視覺織物缺陷圖像識別的應用與分析

    基于圖像的織物疵點自動檢測技術已成為了該領域近年來的的研究熱點,其代替人工織物疵點檢測的研究算法也逐漸成為可能,主流方法一般分為兩大類, 一是基于傳統圖像處理的織物缺陷檢測方法,二是基
    發表于 02-20 14:24 ?605次閱讀
    <b class='flag-5'>機器</b>視覺<b class='flag-5'>在</b>織物<b class='flag-5'>缺陷</b>圖像識別<b class='flag-5'>中</b>的應用與分析

    淺談安科瑞智慧消防鐵路系統的應用與發展

    摘要:文章從基于物聯網技術的“智慧消防”概念入手,探討了智慧消防物聯網技術鐵路工程的應用,分析了實際應用過程
    的頭像 發表于 02-04 15:30 ?375次閱讀
    淺談安科瑞智慧消防<b class='flag-5'>在</b><b class='flag-5'>鐵路</b>系統<b class='flag-5'>中</b>的應用與發展

    良品學習高良率制造業缺陷檢測的應用

    電子制造行業正逐步邁向高度“數智化”時代,越來越多的企業開始采用AI機器視覺技術進行缺陷檢測和品質管控。由于良品率極高,大量正常的產品,
    的頭像 發表于 01-26 08:25 ?719次閱讀
    良品<b class='flag-5'>學習</b><b class='flag-5'>在</b>高良率制造業<b class='flag-5'>中</b><b class='flag-5'>缺陷</b><b class='flag-5'>檢測</b>的應用

    描繪未知:數據缺乏場景的缺陷檢測方案

    了解更多方案細節,歡迎您訪問官網(Neurocle | 友思特 機器視覺 光電檢測 ) 導讀 深度學習模型幫助工業生產實現更加精確的缺陷檢測
    的頭像 發表于 01-25 10:46 ?563次閱讀
    描繪未知:數據缺乏場景的<b class='flag-5'>缺陷</b><b class='flag-5'>檢測</b>方案
    主站蜘蛛池模板: ai换脸在线全集观看| 亚洲一区精品在线| 国产女人毛片| 国产视频这里只有精品| 国色天香视频在线社区| 久久精品国产视频澳门| 蜜桃狠狠色伊人亚洲综合网站| 欧美激情一区二区三区视频| 神马伦理不卡午夜电影| 中文字幕亚洲乱码熟女在线萌芽 | 在线a视频| 97无码欧美熟妇人妻蜜桃天美| 办公室里呻吟的丰满老师电影| 浴室里强摁做开腿呻吟的漫画男男| 中文字幕在线观看亚洲视频| ppypp午夜限制不卡影院私人| 国产成+人+综合+亚洲不卡| 国产在线精品一区二区在线看 | 亚洲A片不卡无码久久尤物| 伊人久久久久久久久久| qvod在线观看| 国产亚洲欧美在线观看三区 | 日韩欧美一区二区三区免费观看| 亚洲国产精品无码中文在线| 2019天天射干网站| 国产精品97久久AV麻豆| 久久秋霞理伦片| 巨乳中文无码亚洲| 全黄H全肉细节文短篇| 亚洲国产精品久久人人爱| 4480yy午夜私人影院| 国产成人久久AV免费看澳门| 久久人妻少妇嫩草AV蜜桃35I| 日韩hd高清xxxⅹ| 伊人色综合久久大香| 高潮久久久久久久久不卡| 久久re这里视频只精品首页| 日本久久久| 中国女人精69xxxxxx视频| 国产精品久久久久久亚洲影视| 麻豆免费观看高清完整视频|