基于YOLO-v5的双块式轨枕裂缝智能识别

轨枕正常工作是高速铁路安全运营的重要保障,开展轨枕裂缝的损伤检测研究意义重大。建立YOLO-v5裂缝目标检测模型,将计算机视觉技术应用于双块式轨枕裂缝的智能识别研究。通过图像标注、参数选取、模型构建、模型训练及模型预测等步骤完成轨枕裂缝目标检测试验,研究结果表明:YOLO-v5目标检测模型参数选取合理,模型训练结果准确,无过拟合或欠拟合现象发生;轨枕裂缝目标检测模型的识别正确率为98.35%,mAP值为48.72%,Recall值为90.32%,单张图片识别速度为0.01 s,说明模型预测结果可满足实际工程对精度和实时性的要求;通过对正常光照、暗光线及微裂纹等不同条件下裂缝的识别,YOLO-v5目标检测模型表现出高精度智能识别,体现了模型良好的泛化能力和鲁棒性,说明模型可以满足实际工程复杂工况的需求。

编组站轨枕埋入式无砟轨道裂缝稳定性评估及轨枕松动修复研究

针对编组站驼峰缓行器前端的轨枕埋入式无砟轨道新旧混凝土界面开裂问题,基于断裂力学理论建立了轨枕边缘道床板裂缝稳定性计算模型。通过轨枕周边裂缝处的应力强度因子评价了裂缝稳定性;提出了裂缝修复材料的合理参数取值,并验证了有效性和可行性。结果表明:温度荷载是影响埋入式轨枕周边裂缝稳定性的主要因素,降温幅度越大,轨枕周围道床板的容许初始裂缝深度越小,轨枕越容易松动;为有效限制修复后裂缝的扩展,采用环氧树脂混凝土对编组站缓行器前端无砟轨道的轨枕松动病害进行修复时,应在环境温度15℃左右的春秋季节进行修复工作,修复层厚度在40 mm左右为宜。