權利要求書： 1.基于超聲波探傷儀數(shù)據(jù)的鋼軌螺孔裂紋識別方法，其特征是，包括：

獲得鋼軌螺孔裂紋類傷損的掃描數(shù)據(jù)；

對掃描數(shù)據(jù)進行預處理后選取典型傷損數(shù)據(jù)制作數(shù)據(jù)集，分為訓練集和測試集；

以一個螺孔為單位樣本對數(shù)據(jù)集中的傷損數(shù)據(jù)進行正負樣本標記，以標簽的方式區(qū)分正負樣本，建立邏輯回歸模型；

用訓練集進行模型的訓練學習，調整優(yōu)化參數(shù)；

基于訓練好的邏輯回歸模型，建立鋼軌螺孔裂紋檢測模型，將測試集作為輸入，傷損位置信息作為輸出，檢驗模型的螺孔裂紋檢測準確率；

利用測試后的鋼軌螺孔裂紋檢測模型對待檢測的鋼軌螺孔進行裂紋檢測；

建立邏輯回歸模型，用訓練集進行模型的訓練學習，調整優(yōu)化參數(shù)，具體為：將數(shù)據(jù)集中的數(shù)據(jù)和標簽同時加載，初始化參數(shù)，選取目標優(yōu)化函數(shù)、學習率、訓練次數(shù)，最后將數(shù)據(jù)集導入進行訓練、學習，過程中通過梯度下降的方式使代價函數(shù)的值降到最低，將最優(yōu)化的參數(shù)和結構保存；

假設訓練集一共有m個樣本，y表示原訓練樣本中的實際值，也就是標準答案，i表示第i個樣本，hθ表示用參數(shù)θ和x預測出來的y值；整個模型需要通過訓練學習，找到讓代價函數(shù)J最低的權重參數(shù)，當J最低時，也就是模型擬合、預測能力最好的時候，推導出代價函數(shù)：

2.如權利要求1所述的基于超聲波探傷儀數(shù)據(jù)的鋼軌螺孔裂紋識別方法，其特征是，獲得鋼軌螺孔裂紋類傷損的掃描數(shù)據(jù)并建立螺孔裂紋探傷數(shù)據(jù)庫，其中，采集含有螺孔裂紋的探傷數(shù)據(jù)，截取探傷數(shù)據(jù)中含有螺孔裂紋的片段，存儲到螺孔裂紋數(shù)據(jù)庫。

3.如權利要求1所述的基于超聲波探傷儀數(shù)據(jù)的鋼軌螺孔裂紋識別方法，其特征是，所述鋼軌螺孔裂紋類傷損的掃描數(shù)據(jù)為經(jīng)過壓縮、加密的，對掃描數(shù)據(jù)進行預處理包括解壓和解析，恢復探傷數(shù)據(jù)的原始面貌。

4.如權利要求1所述的基于超聲波探傷儀數(shù)據(jù)的鋼軌螺孔裂紋識別方法，其特征是，對掃描數(shù)據(jù)進行預處理后，基于鋼軌傷損不同類型在探傷數(shù)據(jù)上的通道分布特點，提取螺孔裂紋所在通道數(shù)據(jù)。

5.如權利要求4所述的基于超聲波探傷儀數(shù)據(jù)的鋼軌螺孔裂紋識別方法，其特征是，經(jīng)過預處理的掃描數(shù)據(jù)，是以脈沖計數(shù)為時間順序的序列數(shù)據(jù)，每個脈沖計數(shù)下數(shù)值的大小代表超聲回波距離探頭的距離。

6.如權利要求1所述的基于超聲波探傷儀數(shù)據(jù)的鋼軌螺孔裂紋識別方法，其特征是，對掃描數(shù)據(jù)進行預處理后選取典型傷損數(shù)據(jù)制作數(shù)據(jù)集，具體為：制作數(shù)據(jù)集時，以連續(xù)設定個脈沖計數(shù)的序列數(shù)據(jù)為基本單位提取有效數(shù)據(jù)，數(shù)據(jù)集中既含有正常螺孔的序列數(shù)據(jù)也含有帶裂紋傷損的螺孔序列數(shù)據(jù)。

7.如權利要求6所述的基于超聲波探傷儀數(shù)據(jù)的鋼軌螺孔裂紋識別方法，其特征是，基于訓練好的邏輯回歸模型，建立鋼軌螺孔裂紋檢測模型，將測試集作為輸入，傷損位置信息作為輸出，檢驗模型的螺孔裂紋檢測準確率，具體為：將保存的最優(yōu)化參數(shù)加載到鋼軌螺孔裂紋檢測模型的計算機指令中，使得該模型擁有識別螺孔裂紋的能力，再將測試集的數(shù)據(jù)輸入鋼軌螺孔裂紋檢測模型中，該模型會通過比對輸入數(shù)據(jù)與學習訓練得來的“標準螺孔裂紋傷損”的結果，并做出預測，如果輸入數(shù)據(jù)是螺孔裂紋傷損則輸出該傷損位置信息，如果不是，則繼續(xù)檢測下一段測試數(shù)據(jù)，檢測完整個文件后將所有螺孔裂紋傷損的位置信息全部輸出。

8.基于超聲波探傷儀數(shù)據(jù)的鋼軌螺孔裂紋識別系統(tǒng)，其特征是，包括：

數(shù)據(jù)集建立模塊，被配置為：獲得鋼軌螺孔裂紋類傷損的掃描數(shù)據(jù)；

對掃描數(shù)據(jù)進行預處理后選取典型傷損數(shù)據(jù)制作數(shù)據(jù)集，分為訓練集和測試集；

邏輯回歸模型建立模塊，被配置為：以一個螺孔為單位樣本對數(shù)據(jù)集中的傷損數(shù)據(jù)進行正負樣本標記，以標簽的方式區(qū)分正負樣本，建立邏輯回歸模型；

用訓練集進行模型的訓練學習，調整優(yōu)化參數(shù)；

建立邏輯回歸模型，用訓練集進行模型的訓練學習，調整優(yōu)化參數(shù)，具體為：將數(shù)據(jù)集中的數(shù)據(jù)和標簽同時加載，初始化參數(shù)，選取目標優(yōu)化函數(shù)、學習率、訓練次數(shù)，最后將數(shù)據(jù)集導入進行訓練、學習，過程中通過梯度下降的方式使代價函數(shù)的值降到最低，將最優(yōu)化的參數(shù)和結構保存；

假設訓練集一共有m個樣本，y表示原訓練樣本中的實際值，也就是標準答案，i表示第i個樣本，hθ表示用參數(shù)θ和x預測出來的y值；整個模型需要通過訓練學習，找到讓代價函數(shù)J最低的權重參數(shù)，當J最低時，也就是模型擬合、預測能力最好的時候，推導出代價函數(shù)：鋼軌螺孔裂紋檢測模型建立模塊，被配置為：基于訓練好的邏輯回歸模型，建立鋼軌螺孔裂紋檢測模型，將測試集作為輸入，傷損位置信息作為輸出，檢驗模型的螺孔裂紋檢測準確率；

傷損數(shù)據(jù)檢測模塊，被配置為：利用測試后的鋼軌螺孔裂紋檢測模型對待檢測的鋼軌螺孔進行裂紋檢測。

9.一種計算裝置,包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征是，所述處理器執(zhí)行所述程序時實現(xiàn)上述權利要求1?7任一所述的方法的步驟。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執(zhí)行時執(zhí)行上述權利要求1?7任一所述的方法的步驟。

說明書： 基于超聲波探傷儀數(shù)據(jù)的鋼軌螺孔裂紋識別方法及系統(tǒng)技術領域[0001] 本公開屬于鐵路系統(tǒng)鋼軌無損檢測下的超聲波探傷技術領域，尤其涉及基于超聲波探傷儀數(shù)據(jù)的鋼軌螺孔裂紋識別方法及系統(tǒng)。背景技術[0002] 本部分的陳述僅僅是提供了與本公開相關的背景技術信息，不必然構成在先技術。[0003] 當前我國鐵路探傷部門的鋼軌探傷工作基本上由相關設備機械化操作完成，但唯獨探傷數(shù)據(jù)的傷損檢測技術，仍舊通過人工來完成，并且存在著效率低、工作量大、準確率不高等問題。[0004] 發(fā)明人在研究中發(fā)現(xiàn)，在實際探傷工作中，探傷數(shù)據(jù)的傷損篩選工作高度依賴探傷工人的技術和經(jīng)驗，只有熟練度高、經(jīng)驗豐富的探傷工人才能比較高效的人工檢測出傷損數(shù)據(jù)，嚴重影響工作效率及檢測精度。發(fā)明內容[0005] 為克服上述現(xiàn)有技術的不足，本公開提供了基于超聲波探傷儀數(shù)據(jù)的鋼軌螺孔裂紋識別方法，減少故障漏判率，減輕探傷人員工作負擔，提高探傷工作效率。[0006] 為實現(xiàn)上述目的，本公開的一個或多個實施例提供了如下技術方案：[0007] 第一方面，公開了基于超聲波探傷儀數(shù)據(jù)的鋼軌螺孔裂紋識別方法，包括：[0008] 獲得鋼軌螺孔裂紋類傷損的掃描數(shù)據(jù)；[0009] 對掃描數(shù)據(jù)進行預處理后選取典型傷損數(shù)據(jù)制作數(shù)據(jù)集，分為訓練集和測試集；[0010] 以一個螺孔為單位樣本對數(shù)據(jù)集中的傷損數(shù)據(jù)進行正負樣本標記，以標簽的方式區(qū)分正負樣本，建立邏輯回歸模型；[0011] 用訓練集進行模型的訓練學習，調整優(yōu)化參數(shù)；[0012] 基于訓練好的邏輯回歸模型，建立鋼軌螺孔裂紋檢測模型，將測試集作為輸入，傷損位置信息作為輸出，檢驗模型的螺孔裂紋檢測準確率；[0013] 利用測試后的鋼軌螺孔裂紋檢測模型對待檢測的鋼軌螺孔進行裂紋檢測。[0014] 進一步的技術方案，獲得鋼軌螺孔裂紋類傷損的掃描數(shù)據(jù)并建立螺孔裂紋探傷數(shù)據(jù)庫，其中，采集含有螺孔裂紋的探傷數(shù)據(jù)，截取探傷數(shù)據(jù)中含有螺孔裂紋的片段，存儲到螺孔裂紋數(shù)據(jù)庫。[0015] 進一步的技術方案，基于獲得鋼軌螺孔裂紋類傷損的掃描數(shù)據(jù)為經(jīng)過壓縮、加密的，對掃描數(shù)據(jù)進行預處理包括解壓和解析，恢復探傷數(shù)據(jù)的原始面貌。[0016] 進一步的技術方案，對掃描數(shù)據(jù)進行預處理后，基于鋼軌傷損不同類型在探傷數(shù)據(jù)上的通道分布特點，提取螺孔裂紋所在通道數(shù)據(jù)。[0017] 進一步的技術方案，經(jīng)過預處理的探傷數(shù)據(jù)，是以脈沖計數(shù)為時間順序的序列數(shù)據(jù)，每個脈沖計數(shù)下數(shù)值的大小代表超聲回波距離探頭的距離。[0018] 進一步的技術方案，對掃描數(shù)據(jù)進行預處理后選取典型傷損數(shù)據(jù)制作數(shù)據(jù)集，具體為：[0019] 制作數(shù)據(jù)集時，以連續(xù)設定個脈沖計數(shù)的序列數(shù)據(jù)為基本單位提取有效數(shù)據(jù)，數(shù)據(jù)集中既含有正常螺孔的序列數(shù)據(jù)也含有帶裂紋傷損的螺孔序列數(shù)據(jù)。[0020] 進一步的技術方案，建立邏輯回歸模型，用訓練集進行模型的訓練學習，調整優(yōu)化參數(shù)，具體為：[0021] 將數(shù)據(jù)集中的數(shù)據(jù)和標簽同時加載，初始化參數(shù)，選取目標優(yōu)化函數(shù)、學習率、訓練次數(shù)，最后將數(shù)據(jù)集導入進行訓練、學習，過程中通過梯度下降的方式使代價函數(shù)的值降到最低，將最優(yōu)化的參數(shù)和結構保存。[0022] 進一步的技術方案，基于訓練好的邏輯回歸模型，建立鋼軌螺孔裂紋檢測模型，將測試集作為輸入，傷損位置信息作為輸出，檢驗模型的螺孔裂紋檢測準確率，具體為：[0023] 將保存的最優(yōu)化參數(shù)加載到鋼軌螺孔裂紋檢測模型的計算機指令中，使得該模型擁有識別螺孔裂紋的能力，再將測試集的數(shù)據(jù)輸入鋼軌螺孔裂紋檢測模型中，該模型會通過比對輸入數(shù)據(jù)與學習訓練得來的“標準螺孔裂紋傷損”的結果，并做出預測，如果輸入數(shù)據(jù)是螺孔裂紋傷損則輸出該傷損位置信息，如果不是，則繼續(xù)檢測下一段測試數(shù)據(jù)，檢測完整個文件后將所有螺孔裂紋傷損的位置信息全部輸出。[0024] 第二方面，公開了基于超聲波探傷儀數(shù)據(jù)的鋼軌螺孔裂紋識別系統(tǒng)，包括：[0025] 數(shù)據(jù)集建立模塊，被配置為：獲得鋼軌螺孔裂紋類傷損的掃描數(shù)據(jù)；[0026] 對掃描數(shù)據(jù)進行預處理后選取典型傷損數(shù)據(jù)制作數(shù)據(jù)集，分為訓練集和測試集；[0027] 邏輯回歸模型建立模塊，被配置為：以一個螺孔為單位樣本對數(shù)據(jù)集中的傷損數(shù)據(jù)進行正負樣本標記，以標簽的方式區(qū)分正負樣本，建立邏輯回歸模型；[0028] 用訓練集進行模型的訓練學習，調整優(yōu)化參數(shù)；[0029] 鋼軌螺孔裂紋檢測模型建立模塊，被配置為：基于訓練好的邏輯回歸模型，建立鋼軌螺孔裂紋檢測模型，將測試集作為輸入，傷損位置信息作為輸出，檢驗模型的螺孔裂紋檢測準確率；[0030] 傷損數(shù)據(jù)檢測模塊，被配置為：利用測試后的鋼軌螺孔裂紋檢測模型對待檢測的鋼軌螺孔進行裂紋檢測。[0031] 以上一個或多個技術方案存在以下有益效果：[0032] 本公開技術方案可以通過計算機自動完成對探傷數(shù)據(jù)的識別和傷損定位工作，并且能夠達到人工分析的指標要求。在此方法中引入的邏輯回歸模型，能夠準確的識別螺孔裂紋傷損數(shù)據(jù)，并把傷損的位置信息輸出，為探傷人員提供有價值的參考，提供鋼軌傷損數(shù)據(jù)的檢測效率。[0033] 本公開技術方案是基于GTC?8C型鋼軌超聲波探傷儀探傷數(shù)據(jù)的螺孔裂紋檢測系統(tǒng)，可在現(xiàn)行探傷作業(yè)條件下直接檢測GTC?8C型鋼軌超聲波探傷儀探傷數(shù)據(jù)，不需要其他輔助設備進行操作。[0034] 本公開技術方案進行了通道預處理。本發(fā)明專門針對螺孔裂紋傷損單獨設計了邏輯回歸模型進行檢測，針對它的通道分布特點，提取探傷數(shù)據(jù)中的7，8通道，減少了其他通道數(shù)據(jù)對模型的干擾，同時大大降低了運算量。[0035] 本公開技術方案對探探傷儀的探傷數(shù)據(jù)進行了解壓、解析和恢復，改變了其原有的數(shù)據(jù)格式，使其更容易作為邏輯回歸模型的輸出。[0036] 本公開技術方案直接針對探傷數(shù)據(jù)中的螺孔裂紋這一單一類型傷損進行識別和二分類，針對性強，干擾少，特征選取明顯，檢測準確率高。[0037] 本公開技術方案基于邏輯回歸的鋼軌螺孔裂紋檢測模型在測試集中的檢測準確率為：閾值設定為0.5時，識別軌底傷損序列的準確率達到95.67，優(yōu)于人工判斷傷損的準確率，檢測效率更是遠超人工方式。[0038] 本發(fā)明附加方面的優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。附圖說明[0039] 構成本公開的一部分的說明書附圖用來提供對本公開的進一步理解，本公開的示意性實施例及其說明用于解釋本公開，并不構成對本公開的不當限定。[0040] 圖1為不同角度的探頭檢測鋼軌部位示意圖；[0041] 圖2為探傷儀檢測到鋼軌傷損時B顯數(shù)據(jù)生成的原理圖；[0042] 圖3為螺孔裂紋傷損在B顯圖像中的示意圖；[0043] 圖4為螺孔裂紋樣本和正常螺孔樣本進行顏色標記的示意圖；[0044] 圖5為sigmoid函數(shù)圖像；[0045] 圖6為訓練模型時代價函數(shù)Loss值的收斂圖；[0046] 圖7為探傷車采集的B顯數(shù)據(jù)在內存中存儲格式。具體實施方式[0047] 應該指出，以下詳細說明都是示例性的，旨在對本公開提供進一步的說明。除非另有指明，本文使用的所有技術和科學術語具有與本公開所屬技術領域的普通技術人員通常理解的相同含義。[0048] 需要注意的是，這里所使用的術語僅是為了描述具體實施方式，而非意圖限制根據(jù)本公開的示例性實施方式。如在這里所使用的，除非上下文另外明確指出，否則單數(shù)形式也意圖包括復數(shù)形式，此外，還應當理解的是，當在本說明書中使用術語“包含”和/或“包括”時，其指明存在特征、步驟、操作、器件、組件和/或它們的組合。[0049] 在不沖突的情況下，本公開中的實施例及實施例中的特征可以相互組合。[0050] 針對當前鋼軌探傷設備檢測數(shù)據(jù)采用人工回放和人工對比方式效率較低的問題，本公開技術方案以超聲波探傷設備采集的現(xiàn)場數(shù)據(jù)為基礎，通過前期數(shù)據(jù)的預處理，針對鋼軌螺孔裂紋這一種傷損類型，建立了鋼軌螺孔裂紋探傷數(shù)據(jù)庫，利用邏輯回歸這一經(jīng)典算法，設計了鋼軌螺孔裂紋探傷數(shù)據(jù)識別模型，并使用傷損庫中的螺孔裂紋樣本進行訓練、學習，提取有效特征，自動識別出正常螺孔上述和非正常螺孔數(shù)據(jù)，最終將疑似螺孔傷損數(shù)據(jù)對應的位置信息輸出，為探傷人員提供有價值的參考信息，減少故障漏判率，減輕探傷人員工作負擔，提高探傷工作效率。[0051] 實施例一[0052] 本發(fā)明以GTC?8C型鋼軌超聲波探傷儀在濟南工務段禹城標定線采集的探傷數(shù)據(jù)為例進行說明。[0053] 本實施例公開了基于超聲波探傷儀數(shù)據(jù)的鋼軌螺孔裂紋識別方法，包括下述步驟：[0054] (1)使用超聲波探傷設備收集鋼軌螺孔裂紋類傷損的B掃描數(shù)據(jù)，建立螺孔裂紋探傷數(shù)據(jù)庫；[0055] (2)對螺孔裂紋探傷數(shù)據(jù)庫中的B掃描傷損數(shù)據(jù)進行解壓、解析、分割等預處理；[0056] (3)選取預處理后的部分典型傷損數(shù)據(jù)制作數(shù)據(jù)集，并按9：1的比例分為訓練集和測試集；[0057] (4)以一個螺孔為單位樣本對數(shù)據(jù)集中的傷損數(shù)據(jù)進行正負樣本標記；[0058] (5)基于傷損數(shù)據(jù)的特點，建立邏輯回歸(LogisticRegression)模型，用訓練集進行模型的訓練學習，調整優(yōu)化參數(shù)；[0059] (6)基于訓練好的邏輯回歸模型，設計鋼軌螺孔裂紋檢測模型，將測試集作為輸入，傷損位置信息作為輸出，檢驗模型的螺孔裂紋檢測準確率,鋼軌螺孔裂紋檢測模型具體為：從邏輯回歸模型優(yōu)化得到的參數(shù)作為分類標準，通過設定合適閾值，將檢測數(shù)據(jù)與其比對，得到輸出結果。該過程是以程序指令完成。待檢測的數(shù)據(jù)輸入模型以后，通過比對得出輸出結果：0或1，分別表示有無螺孔傷損，同時返回該數(shù)據(jù)對應的鐵路里程。[0060] 步驟(1)中，使用超聲波探傷設備收集鋼軌螺孔裂紋類傷損的B掃描數(shù)據(jù)，建立螺孔裂紋探傷數(shù)據(jù)庫，具體為：[0061] 在濟南工務段轄區(qū)禹城標定線，使用GTC?8C型鋼軌超聲波探傷儀，采集含有螺孔裂紋的探傷數(shù)據(jù)，采集的探傷數(shù)據(jù)中，螺孔裂紋類型盡量豐富、數(shù)量確保足夠。因為傷損數(shù)據(jù)在探傷數(shù)據(jù)中是離散分布的，因此需要手動截取探傷數(shù)據(jù)中含有螺孔裂紋的片段，存儲到螺孔裂紋數(shù)據(jù)庫。[0062] 步驟(2)中，具體為：[0063] 直接獲取的探傷數(shù)據(jù)是經(jīng)過壓縮、加密的，需要通過特定方式進行解壓和解析，恢復探傷數(shù)據(jù)的原始面貌才能作為模型的輸入。[0064] 由于鋼軌傷損不同類型在探傷數(shù)據(jù)上的通道分布特點(對于該探傷設備來說，軌頭核傷僅存在于1?6通道，螺孔裂紋只存在于7?8通道)，我們針對探傷數(shù)據(jù)庫中的數(shù)據(jù)解壓、解析后，僅提取7?8通道數(shù)據(jù)即可。[0065] 經(jīng)過預處理的探傷數(shù)據(jù)，是以脈沖計數(shù)為時間順序的序列數(shù)據(jù)，每個脈沖計數(shù)下數(shù)值的大小代表，超聲回波距離探頭的距離。[0066] 具體的，GTC?8C型鋼軌超聲波探傷儀一共配備9個探頭，對應了9個檢測通道：6個70°通道，2個37°通道，1個0°通道。其中：1?6通道為70°探頭，用來探測軌頭部分的傷損，7?8通道為37°探頭用來探測軌腰和軌底部分的傷損，9通道為0°探頭，用來校準探頭的水平放置，保持與鋼軌的準確耦合，保證覆蓋整個軌頭，如圖1。

[0067] 本發(fā)明主要針對GTC?8C型鋼軌超聲波探傷儀探傷數(shù)據(jù)7?8通道存在的螺孔裂紋傷損進行檢測，因此在數(shù)據(jù)通道的預處理上，只提取其中7?8通道的探傷數(shù)據(jù)即可。[0068] 圖2為探傷設備檢測到鋼軌傷損時候的示意圖。當探頭發(fā)射的超聲波脈沖遇到傷損裂紋、有縫接口、或者螺孔等介質中斷的時候，會反射回波，反射信號被超聲波傳感器接收放大，與探頭閘門的閾值進行比較，如果回波的電壓幅值超過當前探頭閘門的閾值，反射信號會被記錄為有效字節(jié)，其中，反射回波到探頭的距離，就會被記錄下來。探傷設備隨著車輪滾動而依次記錄回波中的有效信號，經(jīng)過一系列繪圖處理形成了B顯圖像。[0069] 直接獲取的探傷數(shù)據(jù)是被探傷設備生產商加密、處理過的，正常情況下只能通過B掃圖像查看。本發(fā)明將探傷儀采集的B顯數(shù)據(jù)進行解壓、解析和恢復，把它處理成按脈沖時序分布的數(shù)字稀疏矩陣，并以10進制的數(shù)字序列存儲在excel文件中。[0070] 下面以右軌8通道的一段信息為例說明如何恢復原始B顯數(shù)據(jù)。探傷車采集的B顯數(shù)據(jù)在內存中存儲格式如圖7所示；[0071] 每一個脈沖下,B掃描數(shù)據(jù)開始的前4個字節(jié)是脈沖計數(shù)，中間是通道號+掩碼+數(shù)據(jù)的方式，最后以FF結束。其中，脈沖計數(shù)代表采樣時間順序，通道號代表檢測鋼軌傷損信息的不同超聲波探頭，掩碼代表了數(shù)據(jù)在采樣點中的位置，數(shù)據(jù)中若某一位是0，表明這是個有效信號，需要進行繪圖，bit是1表示無回波，不需要進行繪，這樣B顯圖像其實就是一個9個通道疊加的二進制稀疏矩陣。

[0072] 10通道即右軌8通道，先定義一個15個字節(jié)的數(shù)組，初始值均為0xff，其中掩碼0200表明了有效數(shù)據(jù)的位置(聲程)，PC是小端模式，讀取后的值是0020，將0x8000從0開始，依次與0020進行按位與操作，如果結果不為0，表示該位有一個數(shù)據(jù)，然后右移一位，繼續(xù)與操作。上面的數(shù)據(jù)依次按位與，直到第15次結果不為0，表明0x3F是第15個數(shù)據(jù)。掩碼中bit為1的位，都對應一個數(shù)據(jù)。那么恢復后：

[0073] 10(右軌8通道)：000000000000779810012312300[0074] 經(jīng)過預處理的探傷數(shù)據(jù)，是以脈沖計數(shù)為時間順序的序列數(shù)據(jù)，每個脈沖計數(shù)下數(shù)值的大小代表，超聲回波距離探頭的距離。[0075] 上述B顯數(shù)據(jù)的解壓、解析和恢復過程，以計算機指令的方式編輯為一個模塊，使用時可以直接把數(shù)據(jù)加載到該模塊中輸出excel文件。[0076] 步驟(3)中，具體為：[0077] 經(jīng)過預處理的7?8兩通道探傷數(shù)據(jù)中，正常螺孔數(shù)據(jù)和傷損數(shù)據(jù)仍是離散分布的，中間有大量空白無效的片段和噪聲雜波。一個完整的螺孔回波數(shù)據(jù)是一段連續(xù)15?30個脈沖計數(shù)的序列數(shù)據(jù)，因此，制作數(shù)據(jù)集時，我們以連續(xù)20個脈沖計數(shù)的序列數(shù)據(jù)為基本單位提取有效數(shù)據(jù)，這樣就將所有有效數(shù)據(jù)集中到了一起，作為數(shù)據(jù)集。數(shù)據(jù)集中既含有正常螺孔的序列數(shù)據(jù)也含有帶裂紋傷損的螺孔序列數(shù)據(jù)，為了提高模型泛化能力，將其充分打亂，并把其中90％作為訓練集，10％作為測試集。[0078] 步驟(4)中，具體為：[0079] 在B顯圖像上含有鋼軌螺孔裂紋傷損的回波和正常螺孔回波是具有比較明顯的形態(tài)區(qū)別的，這也是探傷人員判斷鋼軌螺孔裂紋傷損的主要依據(jù)。如圖3，B顯圖像中7、8通道的回波處于下半部分，其中螺孔裂紋傷損使用白色方框標出，該范圍內未標出的是正常螺孔回波和其他回波。而對應到預處理后的數(shù)據(jù)中，含有螺孔裂紋的傷損數(shù)據(jù)和正常數(shù)據(jù)在“數(shù)值大小”(數(shù)值大小反應)和“連續(xù)序列的個數(shù)”上存在明顯差別，在相同位置可以很明顯看出哪些連續(xù)脈沖下的數(shù)字序列是含有傷損的，哪些是正常的。通過對數(shù)據(jù)施加不同顏色，來區(qū)分正常螺孔和含有傷損的螺孔數(shù)據(jù)，也就是通過手工打上標簽的方式區(qū)分正負樣本，如圖4。相應的，在程序中定義一個數(shù)據(jù)顏色區(qū)分函數(shù)，在加載數(shù)據(jù)時，用0和1代表不同顏色(0代表正常螺孔，1代表含有裂紋的螺孔)，這樣所有數(shù)據(jù)中，每一個螺孔樣本對應一個0或1標簽，用以區(qū)分是否為正常螺孔，數(shù)據(jù)集就是一張帶0和1標簽的螺孔樣本集合。[0080] 步驟(5)中，將數(shù)據(jù)集中的數(shù)據(jù)和標簽同時加載，一個螺孔樣本的大小是20個數(shù)據(jù)，這也是輸入節(jié)點的大小。設計邏輯回歸模型的結構，搭建邏輯回歸模型，包括：初始化參數(shù)，選取合適代價函數(shù)(目標優(yōu)化函數(shù))、學習率、訓練次數(shù)等等。最后將數(shù)據(jù)集導入進行訓練、學習，過程中通過梯度下降的方式使loss值(代價函數(shù)的值)降到最低，將最優(yōu)化的參數(shù)和結構保存。[0081] 具體為：[0082] LogisticRegression雖然被稱為回歸，但其實際上是分類模型，并常用于二分類。LogisticRegression因其簡單、可并行化、可解釋強深受工業(yè)界喜愛。在本發(fā)明中需要根據(jù)訓練集中的數(shù)據(jù)，擬合出分類的邊界，以便來區(qū)分正常螺孔和含有裂紋的螺孔，這本身是一個輸入變量與輸出變量均為連續(xù)變量的預測問題。[0083] 邏輯回歸也被稱為廣義線性回歸模型，它與線性回歸模型的形式基本上相同，都具有ax+b，其中a和b是待求參數(shù)，其區(qū)別在于他們的因變量不同，多重線性回歸直接將ax+b作為因變量，即y＝ax+b，而logistic回歸則通過函數(shù)S將ax+b對應到一個隱狀態(tài)p，p＝S(ax+b)，然后根據(jù)p與1?p的大小決定因變量的值。這里的函數(shù)S就是Sigmoid函數(shù)，函數(shù)圖像如圖5：[0084][0085] 通過函數(shù)S的作用，我們可以將輸出的值限制在區(qū)間[0，1]上，也就是將預測結果—是否為正常螺孔，限制在兩只結果之間。實際運算中，我們最終得到的預測值值是在[0,1]這個區(qū)間上的一個數(shù)，然后我們可以選擇一個閾值，假設為0.5，當輸出y>0.5時，就將這個輸入x歸到1這一類，也就是檢測數(shù)據(jù)歸為1這一類，如果輸出y<0.5就將輸入x歸到0這一類，這樣就實現(xiàn)了探傷數(shù)據(jù)的二分類。[0086] 輸入層節(jié)點數(shù)。輸入節(jié)點數(shù)取決于輸入向量的維數(shù)。在我們解析恢復后的超聲波B掃數(shù)據(jù)中，螺孔樣本相關信息存在于7?8通道中，而7?8通道中每個脈沖計數(shù)下的探傷數(shù)據(jù)由3位十進制數(shù)字組成，輸入節(jié)點數(shù)：20*3＝60[0087] 輸出層節(jié)點數(shù)。輸出節(jié)點的個數(shù)同樣需要從實際問題中得到的抽象模型來確定。這里我們輸出的結果是鋼軌螺孔傷損的存在與否，因此輸出層采用1個輸出節(jié)點，0代表B掃數(shù)據(jù)正常，1則代表存在螺孔裂紋傷損。

[0088] 選取代價函數(shù)。假設訓練集一共有m個樣本，y表示原訓練樣本中的實際值，也就是標準答案，i表示第i個樣本，hθ表示用參數(shù)θ和x預測出來的y值。整個模型需要通過訓練學習，找到讓代價函數(shù)J最低的權重參數(shù)，當J最低時，也就是模型擬合、預測能力最好的時候，推導出總代價函數(shù)：[0089][0090] 步驟(6)中，將上一步保存的最優(yōu)化參數(shù)加載到鋼軌螺孔裂紋檢測模型的計算機指令中，使得該模型擁有識別螺孔裂紋的能力。再將測試集的數(shù)據(jù)輸入鋼軌螺孔裂紋檢測模型中，該模型會通過比對輸入數(shù)據(jù)與學習訓練得來的“標準螺孔裂紋傷損”的結果，并做出預測，如果輸入數(shù)據(jù)是螺孔裂紋傷損則輸出該傷損位置信息，如果不是，則繼續(xù)檢測下一段測試數(shù)據(jù)。檢測完整個文件后將所有螺孔裂紋傷損的位置信息全部輸出。[0091] 具體為：[0092] 訓練和測試的數(shù)據(jù)來自于GTC?8C型鋼軌超聲波探傷儀，在濟南工務段轄區(qū)禹城標定線采集一共采集了35000多個螺孔數(shù)據(jù)數(shù)據(jù)樣本，其中含有裂紋的螺孔樣本17000多個。[0093] 訓練過程，可以由圖6看出，代價函數(shù)隨著計算次數(shù)的增加迅速減小并收斂，也就意味著訓練集樣本中的實際值和模型的預測值之差隨著模型的訓練越來越小，模型的預測能力逼近實際值，大約訓練到13000次以后，停止了訓練，模型訓練完成。[0094] 實驗中還將邏輯回歸模型在35000個樣本測試集上進行檢驗，選取閾值為0.5時，識別螺孔裂紋的準確率達到95.67，閾值為0.65時,螺孔裂紋的識別準確率達到了99.13％，提高閾值的同時，誤檢率也會提高，篩選出的疑似傷損數(shù)量就會增大，因此需要謹慎選擇合適的閾值，保證準確率的同時，減少疑似傷損的數(shù)量。[0095] 為了驗證該網(wǎng)絡模型對于螺孔裂紋的識別能力，另取濟南工務段轄區(qū)禹城標定線螺孔樣本100個，其中含有螺孔裂紋的樣本20個，正常螺孔的樣本數(shù)量為80個，檢驗中直接記錄模型的輸出值，檢驗結果隨機抽取其中20個樣本統(tǒng)計如下：[0096][0097][0098] 從檢驗結果可以看出，基于邏輯回歸的螺孔裂紋檢測模型的預測值和樣本實際值完全一致。后期經(jīng)過多次檢驗和測試，只要合適的設定閾值，就可以準確的檢測到螺孔裂紋的位置。[0099] 實施例二[0100] 本實施例的目的是提供一種計算裝置,包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)上述實施例子一中的方法的步驟。[0101] 實施例三[0102] 本實施例的目的是提供一種計算機可讀存儲介質。[0103] 一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執(zhí)行時執(zhí)行上述實施例子一中的方法的步驟。[0104] 實施例四[0105] 本實施例的目的是提供基于超聲波探傷儀數(shù)據(jù)的鋼軌螺孔裂紋識別系統(tǒng)，包括：[0106] 數(shù)據(jù)集建立模塊，被配置為：獲得鋼軌螺孔裂紋類傷損的掃描數(shù)據(jù)；[0107] 對掃描數(shù)據(jù)進行預處理后選取典型傷損數(shù)據(jù)制作數(shù)據(jù)集，分為訓練集和測試集；[0108] 邏輯回歸模型建立模塊，被配置為：以一個螺孔為單位樣本對數(shù)據(jù)集中的傷損數(shù)據(jù)進行正負樣本標記，以標簽的方式區(qū)分正負樣本，建立邏輯回歸模型；[0109] 用訓練集進行模型的訓練學習，調整優(yōu)化參數(shù)；[0110] 鋼軌螺孔裂紋檢測模型建立模塊，被配置為：基于訓練好的邏輯回歸模型，建立鋼軌螺孔裂紋檢測模型，將測試集作為輸入，傷損位置信息作為輸出，檢驗模型的螺孔裂紋檢測準確率；[0111] 傷損數(shù)據(jù)檢測模塊，被配置為：利用測試后的鋼軌螺孔裂紋檢測模型對待檢測的鋼軌螺孔進行裂紋檢測。[0112] 上述實施例子二、三、四等的具體內容或者模塊的執(zhí)行可參見實施例子一中的詳細步驟，此處不再進行說明。[0113] 本領域技術人員應該明白，上述本公開的各模塊或各步驟可以用通用的計算機裝置來實現(xiàn)，可選地，它們可以用計算裝置可執(zhí)行的程序代碼來實現(xiàn)，從而，可以將它們存儲在存儲裝置中由計算裝置來執(zhí)行，或者將它們分別制作成各個集成電路模塊，或者將它們中的多個模塊或步驟制作成單個集成電路模塊來實現(xiàn)。本公開不限制于任何特定的硬件和軟件的結合。[0114] 以上所述僅為本公開的優(yōu)選實施例而已，并不用于限制本公開，對于本領域的技術人員來說，本公開可以有各種更改和變化。凡在本公開的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本公開的保護范圍之內。[0115] 上述雖然結合附圖對本公開的具體實施方式進行了描述，但并非對本公開保護范圍的限制，所屬領域技術人員應該明白，在本公開的技術方案的基礎上，本領域技術人員不需要付出創(chuàng)造性勞動即可做出的各種修改或變形仍在本公開的保護范圍以內。