钢轨是铁路轨道的重要组成部分,其运行过程中因反复冲击、过载、老化等因素的影响易导致各类伤损的发生,从而影响、甚至危害铁路运行安全。因此,准确检测钢轨伤损、特别是钢轨内部伤损是保障铁路安全的重要举措。当前,主要采用超声检测技术识别钢轨内部伤损,如以钢轨探伤仪采集超声波回波信号所成的钢轨B型图像后,通过人工校对的方式完成钢轨内部伤损检测。该方法主观性较强、效率低下,且受限于检测人员的伤损识别经验和责任心等因素。虽然传统的图像处理技术可在一定程度解决上述问题,然而,现实中由于难以精确提取图像中的各类伤损特征并进行准确建模,从而影响伤损检测的可靠性和准确性。为此,论文针对超声波采集的钢轨B型图像研究了基于深度学习的钢轨内部伤损检测方法。该方法将自动学习B型图像中的伤损特征并构建相应的检测模型与算法,从而提高伤损检测准确率,实现伤损的智能识别。论文的主要研究内容如下:1、阐述课题研究的背景与意义,分析当前钢轨表面及其内部伤损检测的研究现状,探究深度学习在钢轨伤损检测领域的研究进展,剖析钢轨B型图像内部伤损检测存在的问题和难点,明确论文的主要研究内容。2、钢轨B型图像内部伤损分析及目标检测算法构建。首先,分析钢轨B型图像的成像原理、成像质量的影响因素及其数据特征,明确B型图像表征的钢轨内部特征演变规律。其次,通过研究钢轨内部核伤、螺孔裂纹和轨底裂纹等伤损的产生机理和形状特征,分析其B型图像的成像特点及其伤损形成规律,为后续钢轨B型图像的样本标注提供参考。最后,结合钢轨B型图像及其伤损的数据特点,分析基于卷积神经网络的目标检测模型,进而探索论文所需的基础模型。3、提出一种基于Anchors设计和模型迁移的钢轨内部伤损检测方法。首先,分析B型图像中伤损的特点及其检测要求,并在典型Faster R-CNN模型的基础上,采用Res Net-50网络为特征提取网络以提取伤损的深层特征,进而引入特征金字塔结构FPN以有效检测伤损。其次,通过统计和分析B型图像中的伤损大小并采用K-means聚类算法设计Anchors多维度约束以有效定位伤损目标。在此基础上,分析B型图像数据集特点,在小样本条件下通过迁移学习方法进行模型训练,以解决模型过拟合问题。然后,针对B型图像数量过少和模型训练时算力要求较高的问题,对现有的B型图像进行预处理和数据增强,以构建伤损图像数据库。最后,设计模型的训练环境和训练方式,并给出模型性能的评估指标。实验结果表明,所提方法的检测精确率、召回率和1值均达到99%,可有效检测钢轨内部伤损。4、设计一种基于增强型网络和模块设计的钢轨内部伤损检测方法。首先,分析不同特征层的伤损特征信息,如细节信息和语义信息。然后,在前述所提方法的基础上,设计增强型网络结构以有效利用模型中的高低层特征信息,提高模型识别准确性。最后,研究和分析Re LU和Mish激活函数的性能特性,并使用Mish函数设计Res Net-50特征提取网络的Block模块,实现模型检测性能的提升。实验结果与分析检验了该方法的有效性,可为伤损检测模型的建立和工程应用提供参考。