既有线路基病害车载GPR检测数据的处理方法

我国既有线铁路路基下沉和翻浆冒泥等病害比较普遍。为了确保行车安全,如何快速准确检测这两类常见的路基病害是亟需解决的问题。车载GPR以其快速无损和高分辨率等优势已经逐渐成为铁路既有线路基病害检测的首要选择,但该技术在数据处理方面仍需深入研究。在综合比较多种处理方法的应用效果与运行速度后,对之前处理方法进行优化改进,提出一种专门适用于既有线路基病害检测的车载探地雷达数据处理方法。经焦柳线实地挖探验证,数据解释结果与实际情况较为吻合,该处理方法能够在保持计算速度快和通用性强的前提下,显著提升车载GPR铁路路基病害检测数据的可视性,突显路基层位及病害异常相关信息,对于铁路快速无损检测有着重要意义。

基于深度学习的铁路路基雷达检测信号中强干扰压制方法研究

探地雷达具有快速、非接触式、无损的特点,已成为铁路路基病害检测的重要手段.但由于铁路路基检测对于探地雷达而言具有复杂的电磁干扰环境,尤其是来自轨枕强反射干扰湮没了路基介质层病害的弱反射雷达信号.针对上述问题,本文开展了铁路路基雷达检测信号中轨枕强干扰压制方法研究.论文首先介绍了深度学习网络框架以及原理,并对随机生成的含典型病害铁路路基模型进行时域有限差分法正演,获得探地雷达仿真数据;然后将仿真数据预处理后导入深度学习网络中训练,并且利用测试集中数据验证该深度学习网络对一维探地雷达信号的噪声压制效果;最后,从图像上分析并评价了深度学习处理铁路路基雷达信号噪声压制的效果.采用上述方法处理后的雷达图像中异常体反射信号明显,同轴信号连续清晰,图像分辨率提高.研究结果表明该处理方法能有效压制轨枕强干扰信号,显著提高了雷达信号的信噪比,而且训练好的网络能实时处理海量的路基检测资料.