[发明专利]一种基于循环神经网络的轨底伤损识别方法及系统

权利要求书

1.一种基于循环神经网络的轨底伤损识别方法，其特征在于，包括：

获取待测区段的超声波探伤数据，将所述数据转换为具有时序特征的数字序列；将所述数字序列输入到训练好的RNN循环神经网络模型，输出是否具有伤损及伤损的位置信息；

其中，对于RNN循环神经网络模型的训练过程包括：

获取设定数量的带有轨底伤损和其他回波样本的B显数据，构建原始数据集；

对原始数据集中的B显数据进行通道预处理，从预处理后的数据集中分别截取若干正负样本，形成样本集，并划分为训练集和测试集；从预处理后的数据集中分别截取若干正负样本，形成样本集，具体过程包括：

截取一个完整伤损回波作为一个正样本，截取一个完整的正常回波作为负样本，总计截取设定数量的正负样本，形成样本集；

将所述样本集转换为具有时序特征的数字序列，对样本集中的正负样本进行标记；利用标记后的样本集对RNN循环神经网络模型进行训练；将所述样本集转换为具有时序特征的数字序列，具体过程包括：

对B显数据进行解压、还原和恢复，将B显数据处理成按脉冲时序分布的数字稀疏矩阵，并以16进制的数字序列进行存储。

2.如权利要求1所述的一种基于循环神经网络的轨底伤损识别方法，其特征在于，对原始数据集中的B显数据进行通道预处理，具体过程包括：

在获取超声波探伤车采集的B显数据后，只提取其中探测轨底伤损的通道的B显数据。

3.如权利要求1所述的一种基于循环神经网络的轨底伤损识别方法，其特征在于，在截取正负样本过程中，过滤掉数据文件中空白数据片段，并通过人工打乱使得样本分布均匀。

4.如权利要求1所述的一种基于循环神经网络的轨底伤损识别方法，其特征在于，对样本集中的正负样本进行标记，具体过程包括：

使用颜色标记法对样本集中的正负样本进行标记，以区分轨底伤损和正常回波。

5.如权利要求1所述的一种基于循环神经网络的轨底伤损识别方法，其特征在于，所述RNN循环神经网络模型包括两层深度循环神经网络，使用LSTM作为循环神经网络的基本单元，并对输入的词向量和LSTM进行随机失活；对深度循环神经网络最后节点的输出做逻辑回归，通过sigmoid函数使结果落到0-1之间，0代表正常，1代表含有伤损。

6.一种基于循环神经网络的轨底伤损识别系统，其特征在于，包括：

探伤数据解析模块：用于获取待测区段的超声波探伤数据，将所述数据转换为具有时序特征的数字序列；

伤损数据检测模块：用于将所述数字序列输入到训练好的RNN循环神经网络模型，输出是否具有伤损及伤损的位置信息；

其中，对于RNN循环神经网络模型的训练过程包括：

获取设定数量的带有轨底伤损和其他回波样本的B显数据，构建原始数据集；

对原始数据集中的B显数据进行通道预处理，从预处理后的数据集中分别截取若干正负样本，形成样本集，并划分为训练集和测试集；从预处理后的数据集中分别截取若干正负样本，形成样本集，具体过程包括：

截取一个完整伤损回波作为一个正样本，截取一个完整的正常回波作为负样本，总计截取设定数量的正负样本，形成样本集；

将所述样本集转换为具有时序特征的数字序列，对样本集中的正负样本进行标记；利用标记后的样本集对RNN循环神经网络模型进行训练；将所述样本集转换为具有时序特征的数字序列，具体过程包括：

对B显数据进行解压、还原和恢复，将B显数据处理成按脉冲时序分布的数字稀疏矩阵，并以16进制的数字序列进行存储。

7.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-5任一项所述的基于循环神经网络的轨底伤损识别方法。

8.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-5任一项所述的基于循环神经网络的轨底伤损识别方法。