您當前的位置：檢測資訊 > 科研開發
嘉峪檢測網 2024-09-03 18:09
列車車軸是其走行部件中的重要組成部分，為確保車輛安全運行，需要對車軸工況進行定期檢測。
車軸疲勞裂紋是引起車軸斷裂的主要因素，主要發生在傳動輪座、齒輪座、壓力制動機轉盤座等配合壓裝過盈部位，可能導致車軸的斷裂。一直以來，如何進一步提高列車車軸缺陷檢測能力和準確性，是無損檢測技術領域中重要的研究課題。
隨著無損檢測技術的發展，車軸探傷從早期的人工手持常規超聲波探頭探傷、聲發射故障檢測和磁粉檢測，逐步轉變為基于相控陣超聲檢測的自動化探傷、直流電位降檢測和非接觸式超聲檢測等，消除了常規人工超聲檢測掃查范圍小、效率低、耦合不良等問題，實現了具有多角度、大范圍、多點聚焦等功能的自動電子掃查，提高了檢測效率、掃查范圍和缺陷檢測能力。
由于輪對的輪軸接觸界面受到應力集中、界面粗糙和微動腐蝕等因素的影響，故超聲信號易被噪聲干擾，有學者為了提高缺陷信號特征，在進行信號特征分析的基礎上，采用小波包變換對檢測信號進行局部時頻域分析，提取缺陷信號特征系數和幅值系數，將重建后的波形作為判別車軸鑲入部是否存在疲勞裂紋缺陷的依據，然而在噪聲信號幅值較大的情況下，缺陷信號仍會被淹沒在噪聲信號中，而無法準確識別，制約了車軸缺陷的檢出率。
近年來，深度學習在列車各部件異常識別和缺陷檢測中得到了廣泛應用。西南交通大學的研究人員針對車軸超聲檢測中鑲入部缺陷信號易被噪聲干擾而出現的缺陷檢出率低的情況，提出了一種基于YOLO v5s網絡的目標檢測算法，構建了改進的網絡模型，通過仿真數據、GAN生成式數據和實際檢測數據構建混合樣本數據集，以此訓練網絡，最后進行了實際列車車軸缺陷驗證試驗，結果表明，所提方法實現了對噪聲干擾的有效抑制，提高了對微弱缺陷信號的準確識別能力。
1、超聲檢測成像原理
超聲檢測主要包括A、B、C等掃描，在相控陣超聲檢測中，A掃將換能器發射后接收到的回波信號進行一維顯示，通過觀察始波與底波信號之間是否有回波信號，可判斷被測件內部的缺陷情況。
B掃將多條A掃進行疊加，用于顯示換能器移動方向和發射聲束軸線所確定的二維截面檢測圖像。
列車車軸鑲入部缺陷超聲檢測原理如圖1所示，采用扇形掃描的方式對車軸進行一周的全面檢查。
圖1 列車車軸鑲入部缺陷超聲檢測原理示意
探頭在一周的掃查中移動的步進次數為m，根據扇形掃描偏轉和聚焦延時的計算原理，單個角度的波束相干疊加形成A掃，當一次扇掃有n個角度時，可生成n個不同的A掃結果Ai（i=1,2,...,n）。通過將不同掃描步徑中相同入射角度的A掃結果Aij（i=1,2,...,n；j=0,1,...,m）疊加形成B掃，生成車軸鑲入部缺陷的超聲檢測圖像。
2、基于深度學習的車軸缺陷超聲檢測
1、網絡結構
目前，主流的目標檢測模型分為二階段模型和一階段模型兩種。
其中，二階段目標檢測模型先生成候選目標區域，后利用卷積神經網絡進行樣本的分類和回歸，其代表性網絡模型包括R-CNN，SPP-Net，Fast R-CNN，Faster R-CNN和R-FCN等；一階段目標檢測模型直接在網絡中提取特征，預測物體的類別和位置，可減少網絡的訓練時間和模型的復雜程度，速度較快，更適合移動端的部署，其代表性網絡模型包括SSD，RetinaNet和YOLO系列等。
相比之前的YOLO系列目標檢測模型，YOLO v5更加注重小目標檢測，有較高的精度和速度，包括5個版本。考慮到實時檢測和部署的需求，選擇參數量和計算量較少的YOLO v5s模型作為基礎模型。
所提EM-YOLO v5s網絡結構如圖2所示，由Backbone層、Neck層和Output層等主要結構組成。其中Backbone層利用替換后的EMblock模塊來提取輸入數據的特征信息；Neck層是一個特征金字塔結構，將淺層的圖形特征和淺層的語義特征結合在一起；Output層使用3個1×1卷積層作為輸出。
圖2 EM-YOLO v5s網絡結構示意
2、EMblock模塊
網絡中使用的EMblock模塊結構如圖3所示，其采用一個尺寸為1×1的CBH模塊對輸入數據進行升維，再通過尺寸為k×k的CBH模塊提取1×1數據特征信息，而SE空間注意力機制模塊在不引入額外參數的情況下，通過學習得到每個通道的權重，從而引導網絡更加關注當前任務的重要特征，Conv模塊用于最終輸出的準備。
圖3 EMblock模塊結構示意
此外，還采用Dropout模塊進行正則化處理增強泛化能力，以及全連接處理防止網絡梯度爆炸。以上模塊構成了EMblock模塊，用于對輸入數據進行特征提取和處理。
3、檢測試驗
1、試驗環境及配置
試驗所用深度學習模型的開發基于PyTorch1.7.0框架，使用Python作為主要開發語言。在模型訓練過程中，采用隨機梯度下降（SGD）作為優化器，設置動量為0.3。每次訓練批次為2，初始學習率為0.01。為了獲得理想的性能，共進行了500次訓練epochs。
2、數據集
數據集由CIVA仿真數據、GAN網絡生成式數據和原始實際車軸缺陷超聲檢測數據混合組成，其中包括尺寸在0.5 mm以內的微小缺陷。由于缺陷樣本數量有限，采用GAN網絡生成式、CIVA仿真和剪裁等方法進行了數據擴充。
實際數據
實際車軸缺陷超聲檢測數據采用尺寸為626像素×8100像素的B掃圖像，共240個B掃圖像形成樣本，其中120個樣本（50%）用作訓練數據集，100個樣本（42%）用作測試集，20個樣本（8%）為驗證集。
裁剪數據
通過裁剪（Crop）B掃缺陷部分圖像和疊加不同B掃背景的方式形成新的樣本，利用背景噪聲較弱的區域進行剪裁，并疊加較強形式的噪聲，以增加缺陷背景噪聲的多樣性。經過裁剪擴充了2500組樣本，其中1200組樣本（48%）用作訓練數據集，1000組樣本（40%）用作測試集，另外300組樣本（12%）作為驗證集。裁剪和疊加后的樣本圖像尺寸為626像素×810像素。
GAN生成式數據
基于深度學習的列車車軸缺陷檢測，通常存在樣本量較少、網絡模型泛化能力弱等問題，采用GAN生成式方法可有效擴增樣本，基于Sin-GAN網絡，通過缺陷圖像的學習訓練，捕獲圖像中斑塊的內部分布，能夠生成高質量、多樣化的樣本，并攜帶與原始圖像相同的視覺內容，通過這種方法擴充了約3000組樣本。
仿真數據
基于CIVA仿真平臺對車軸鑲入部位超聲檢測進行了仿真，包括壓裝回波、缺陷回波以及周期性干擾信號的仿真。
由于車軸鑲入部位壓裝回波的特殊性，首先對壓裝回波進行仿真，車軸壓裝后，螺紋狀刀痕類似一系列直徑為0.08 mm的橫通孔，當超聲聲束擴散后，在主聲束覆蓋范圍內的螺紋狀刀痕均會形成“缺陷”反射信號，將這些缺陷信號一個個疊加在一起就形成了有規律的周期性鑲入部噪聲信號，得到壓裝回波的仿真結果后，對車軸整體進行建模，并建立深度為0.5 mm的裂縫缺陷，通過仿真生成了3000組樣本。
通過原始實際數據裁剪、GAN生成式方法和CIVA仿真，構建了6120組訓練樣本，數據集擴增及分類結果如表1所示。裁剪有助于去除噪聲并集中關注重要特征；GAN生成則增加了訓練數據的多樣性，改善了模型的生成能力；CIVA仿真則進一步增加了合成數據的豐富性，使模型能更全面地學習特定任務。
表1 數據集擴增及分類結果（組）
測試集1100組數據和驗證集1500組數據的劃分有助于評估模型性能，確保其在實際應用中具有魯棒性和泛化性。這一整合方法顯著提高了模型的訓練效果和實際應用價值。3種數據增強方法的效果如圖4所示，其中缺陷用紅框標注。
圖4 3種數據增強方法的效果示意
3、評價指標
采用精確率和召回率作為評價指標，結合檢出率、漏檢率和誤報率來評估模型在實際場景中的應用能力。
精確率
精確率表示在模型將樣本識別為正類的情況下，真正為正類的樣本所占的比例，通常情況下，精確率越高，說明模型的效果越好。
召回率
召回率反映了在實際正樣本中，分類器能夠正確預測出多少，表示模型正確識別為正類的樣本數量占總的正類樣本數量的比例，通常情況下，召回率越高，說明模型更有效地捕捉到正類樣本，模型的效果越好。
工業指標
在工業缺陷檢測中常采用檢出率、誤報率和漏檢率等指標評價檢測效果，工業檢出率T表示檢出的缺陷個數K與總的缺陷個數N的比值，誤報率表示誤報的缺陷個數Q與總的缺陷個數N的比值，漏檢率M與檢出率T的和為1。
4、試驗結果
數據增強結果
試驗的主要目的是驗證深度學習網絡在處理超聲檢測數據方面的有效性，不同增強數據的識別準確率對比如表2所示，表中為實際數據集（Real）、裁剪數據集（Crop）、裁剪加仿真數據集（Crop+Simulation）以及混合數據集（Crop+Simulation+GAN）進行網絡訓練和測試的結果。
表2 不同增強數據的識別準確率對比
可以看出，直接采用實際數據的準確率為94.49%，召回率為91.38%，基本能滿足應用要求；擴增數據樣本后，可看到3種方法擴增樣本的結果水平都有明顯改善，其中混合數據集方式的效果最好，準確率達到了99.31%，表明其對正樣本分類的準確性較高，且召回率達到了99.73%，顯示其對正樣本的覆蓋能力較強。
不同模型對比結果
采用所構建的數據集，在相同的訓練方式下，用所提方法與YOLO v5s及同類方法進行比較，其結果如表3所示，可見所提方法的精確率達到了99.89%，召回率達到了100%，與其他方法相比，所提方法在精確率和召回率上分別提高了0.29%和0.11%，表明采用嵌入EMblock模塊有助于網絡模型對提取特征進行細化并突出關鍵特征信息。
表3 不同模型的識別準確率對比
實際檢測結果
為了進一步驗證所提方法在實際列車車軸檢測中的有效性，對實際車軸進行了缺陷檢測，并用檢出率、誤報率和漏檢率評價測試結果。4種不同數據集在目標檢測任務上的識別結果如表4所示，展示了在4種數據集的情況下實際缺陷的檢出率、漏檢率和誤報率。
表4 4種不同數據集在目標檢測任務上的識別結果（%）
結果表明，不同的數據增強對模型性能存在一定差異，在Real數據集上，模型表現出96%的檢出率和4%的誤報率，未出現漏檢，說明在原始數據集上的表現相對較好；在經過裁剪（Crop）的數據集上，檢出率提高至97.75%，誤報率降低至2.75%，表現略有提升；采用Crop+simulation數據集和混合數據集，檢出率分別達到98%和99.25%，誤報率隨之降低，尤其在混合數據集中，模型的性能指標最好，達到99.25%的檢出率和僅0.75%的漏檢率，誤報為0%，其中對較大的缺陷都能100%檢出，個別微小缺陷的檢測結果示例如圖5所示，可見該方法在小型缺陷檢測上方面能力較強。
圖5 混合數據集對個別微小缺陷的檢測結果示例
結語
基于深度卷積神經網絡并通過多種數據樣本增強方法，引入EMblock機制，提出一種基于EM-YOLO v5s的超聲檢測數據識別方法，有效提高了列車車軸缺陷的超聲檢測性能，最后驗證了不同擴充數據對檢測能力的影響。
結果表明，所提出網絡架構能適應相控陣探頭的圖像和擴充的不同數據的缺陷檢測任務，與傳統的YOLO v5s以及同類方法相比，該方法在性能上有明顯提升，具有應用于實際車軸缺陷檢測的水平和潛力。
作者：劉建1，羅林1，李金龍1，高曉蓉1，趙波2
工作單位：1. 西南交通大學 物理科學與技術學院
2. 成都主導科技有限責任公司
第一作者簡介：劉建，碩士研究生，主要從事超聲無損檢測方面的研究工作。
通信作者簡介：羅林，博士，教授，碩士生導師，主要從事軌道交通相關的光電子技術和無損檢測技術研究工作。
來源：《無損檢測》2024年6期
來源：無損檢測NDT
