一种铁路钢轨缺陷检测方法、系统、设备及存储介质与流程

1.本发明涉及计算机视觉技术领域，尤其涉及一种铁路钢轨缺陷检测方法、系统、设备及存储介质。


背景技术：

2.铁路是国民经济大动脉、关键基础设施和重大民生工程，是综合交通运输体系的骨干和主要运输方式之一，在我国经济社会发展中的地位和作用至关重要。伴随着铁路运行向着高速、大密度和重载列车的方向发展，如何切实高效的保障铁路运行安全是正面临的严峻考验。钢轨是铁路轨道的基本承重结构，用于引导机车车辆行驶，同时为车轮的滚动提供最小阻力的接触面。受到重载、疲劳磨损以及外界环境影响，钢轨表面产生的擦伤、掉块、凹陷、划痕、裂纹等缺陷会给铁路运行安全造成重大安全隐患。近年来，随着计算机视觉技术，图像处理技术的迅速发展，钢轨表面缺陷检测正朝着新的方向发展，从人工检测向智能化检测技术方向转变。
3.传统的铁路日常维修检测中主要依靠巡道工人去人工巡检。由于轨道地形复杂和线路较长，且钢轨表面缺陷呈随机分布、大小不一、分布不连续的特点，人工巡检花费的时间多且不易检测出缺陷位置，难度大，存在安全隐患。目前，针对钢轨缺陷，较智能化的检测方法有涡流线圈检测、超声波探伤检测、传统机器视觉检测等。但是，其方法最终的检测结果仍需人工处理，做出判断，且易受外部环境干扰，在实时性方面难以达到理想应用效果。因此，仍需对钢轨缺陷采用一种更为高效的方法进行应用，从而解决目前存在的问题。
4.目前，我国的轨道巡检列车虽然已实现对轨道某些方面的自动巡检，但在钢轨缺陷的检测方面，还存在着不少问题，尚未有检测效果良好的钢轨缺陷检测系统应用于综合巡检列车上。由于铁路运行里程很长，因此，每次检测运行过程会产生非常大的待检测数据，而铁路场景下网络通信速度有限，无法将庞大的数据量实时传送回数据中心进行检测。目前，对于巡检列车采集到的铁路钢轨大量数据，通常存储在可移动硬盘中，待巡检结束再带回到数据中心进行检测，时效性差，会耗费大量的时间精力。较之于目前所采用的检测方法，基于深度学习技术的在巡检列车上进行的铁路钢轨缺陷检测方法具有更强的应用意义，有效地节省人工成本，有效地解决数据传输问题，对实时采集的数据进行实时的检测，极大地提高检测效率，保障铁路的运行安全。


技术实现要素：

5.本发明目的在于，提供一种铁路钢轨缺陷检测方法、系统、设备及存储介质，达到对采集的铁路钢轨缺陷快速检测分析的目的。
6.为实现上述目的，本发明实施例提供一种铁路钢轨缺陷检测方法，包括：
7.获取钢轨表面图像数据集，并对所述钢轨表面图像数据集内的数据缺陷进行标记，得到标记数据集；
8.采用目标检测算法对所述标记数据集进行训练，得到钢轨缺陷的检测模型；
9.对所述钢轨表面图像数据集内的缺陷类别进行分类，得到分类数据集；
10.采用目标检测分类算法对所述分类数据集进行训练，得到钢轨缺陷的分类模型；
11.获取待测钢轨图像，采用所述检测模型对所述待测钢轨图像进行检测，得到缺陷定位信息；
12.采用所述分类模型对所述待测钢轨图像的缺陷定位信息进行类别判定，得到缺陷判定结果。
13.优选的，所述获取钢轨表面图像数据集，并对所述钢轨表面图像数据集内的数据缺陷进行标记，得到标记数据集，包括：
14.获取钢轨表面图像数据集，对所述钢轨表面图像数据集内的数据进行数据增强，得到增强后数据集；所述数据增强包括旋转、翻转变换、缩放变换和平移变换；
15.对所述增强后数据集中的数据内的数据缺陷进行标记，得到标记数据集。
16.优选的，所述采用目标检测算法对所述标记数据集进行训练，得到钢轨缺陷的检测模型，包括：
17.构建目标检测算法的网络模型，用于钢轨图像的缺陷定位检测，使用划分好的钢轨缺陷图像数据集的训练集，进行多尺度训练，得到钢轨缺陷的检测模型。
18.优选的，所述对所述钢轨表面图像数据集内的缺陷类别进行分类，得到分类数据集，包括：
19.获取钢轨表面图像数据集，对所述钢轨表面图像数据集内的数据进行数据增强，得到增强后数据集；所述数据增强包括旋转、翻转变换、缩放变换和平移变换；
20.对所述增强后数据集根据图像内所含缺陷类别进行分类标记排序，得到分类数据集。
21.优选的，所述采用目标分类算法对所述分类数据集进行训练，得到钢轨缺陷的分类模型，包括：
22.采用目标分类算法对所述分类数据集进行训练分类，网络梯度更新，学习缺陷特征，得到钢轨缺陷的分类模型。
23.本发明实施例还提供一种铁路钢轨缺陷检测系统，包括：
24.标记模块，用于获取钢轨表面图像数据集，并对所述钢轨表面图像数据集内的数据缺陷进行标记，得到标记数据集；
25.检测模型构建模块，用于采用目标检测算法对所述标记数据集进行训练，得到钢轨缺陷的检测模型；
26.分类模块，用于对所述钢轨表面图像数据集内的缺陷类别进行分类，得到分类数据集；
27.分类模型构建模块，用于采用目标分类算法对所述分类数据集进行训练，得到钢轨缺陷的分类模型；
28.定位模块，用于获取待测钢轨图像，采用所述检测模型对所述待测钢轨图像进行检测，得到缺陷定位信息；
29.判定模块，用于采用所述分类模型对所述待测钢轨图像的缺陷定位信息进行类别判定，得到缺陷判定结果。
30.优选的，所述标记模块，还用于：
31.获取钢轨表面图像数据集，对所述钢轨表面图像数据集内的数据进行数据增强，得到增强后数据集；所述数据增强包括旋转、翻转变换、缩放变换和平移变换；
32.对所述增强后数据集中的数据内的数据缺陷进行标记，得到标记数据集。
33.优选的，所述检测模型构建模块，还用于：
34.构建目标检测算法的网络模型，用于钢轨图像的缺陷定位检测，使用划分好的钢轨缺陷图像数据集的训练集，进行多尺度训练，得到钢轨缺陷的检测模型。
35.本发明实施例还提供一种计算机终端设备，包括一个或多个处理器和存储器。存储器与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一实施例所述的铁路钢轨缺陷检测方法。
36.本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一实施例所述的铁路钢轨缺陷检测方法。
37.与现有技术相比，本发明具有以下有益效果：
38.本发明提供一种铁路钢轨缺陷检测方法，包括：获取钢轨表面图像数据集，并对所述钢轨表面图像数据集内的数据缺陷进行标记，得到标记数据集；采用目标检测算法对所述标记数据集进行训练，得到钢轨缺陷的检测模型；对所述钢轨表面图像数据集内的缺陷类别进行分类，得到分类数据集；采用目标分类算法对所述分类数据集进行训练，得到钢轨缺陷的分类模型；获取待测钢轨图像，采用所述检测模型对所述待测钢轨图像进行检测，得到缺陷定位信息；采用所述分类模型对所述待测钢轨图像的缺陷定位信息进行类别判定，得到缺陷判定结果。本发明能够在巡检列车上高效地对复杂轨道场景下的铁路钢轨缺陷进行快速检测定位，如果发现钢轨缺陷，便可以及时定位并报警，提醒工作人员维修时对相应位置的钢轨及时采取维修措施。
附图说明
39.为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
40.图1是本发明某一实施例提供的铁路钢轨缺陷检测方法的流程示意图；
41.图2是本发明某一实施例提供的cspdarknet53网络使用的cross stage partial结构示意图；
42.图3是本发明某一实施例提供的目标检测算法结构示意图；
43.图4是本发明某一实施例提供的分类算法网络结构示意图；
44.图5是本发明某一实施例提供的分类算法使用的倒残差(inverted residual block)原理示意图；
45.图6是本发明某一实施例提供的分类算法使用的bottleneck residual block 原理示意图；
46.图7是本发明某一实施例提供的小型化边缘设备部署深度学习算法流程；
47.图8是本发明某一实施例提供的计算机终端设备的结构示意图。
具体实施方式
48.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
49.应当理解，文中所使用的步骤编号仅是为了方便描述，不作为对步骤执行先后顺序的限定。
50.应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
51.术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
52.术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
53.请参阅图1，本发明实施例提供一种铁路钢轨缺陷检测方法，包括以下步骤：
54.s101，获取钢轨表面图像数据集，并对所述钢轨表面图像数据集内的数据缺陷进行标记，得到标记数据集；
55.s102，采用目标检测算法对所述标记数据集进行训练，得到钢轨缺陷的检测模型；
56.s103，对所述钢轨表面图像数据集内的缺陷类别进行分类，得到分类数据集；
57.s104，采用目标分类算法对所述分类数据集进行训练，得到钢轨缺陷的分类模型；
58.s105，获取待测钢轨图像，采用所述检测模型对所述待测钢轨图像进行检测，得到缺陷定位信息；
59.s106，采用所述分类模型对所述待测钢轨图像的缺陷定位信息进行类别判定，得到缺陷判定结果。
60.在本发明实施例中，所述获取钢轨表面图像数据集，并对所述钢轨表面图像数据集内的数据缺陷进行标记，得到标记数据集，包括：获取钢轨表面图像数据集，对所述钢轨表面图像数据集内的数据进行数据增强，得到增强后数据集；所述数据增强包括旋转、翻转变换、缩放变换和平移变换；对所述增强后数据集中的数据内的数据缺陷进行标记，得到标记数据集。
61.在本发明实施例中，所述采用目标检测算法对所述标记数据集进行训练，得到钢轨缺陷的检测模型，包括：构建目标检测算法的网络模型，用于钢轨图像的缺陷定位检测，使用划分好的钢轨缺陷图像数据集的训练集，进行多尺度训练，得到钢轨缺陷的检测模型。
62.在本发明实施例中，所述对所述钢轨表面图像数据集内的缺陷类别进行分类，得到分类数据集，包括：获取钢轨表面图像数据集，对所述钢轨表面图像数据集内的数据进行数据增强，得到增强后数据集；所述数据增强包括旋转、翻转变换、缩放变换和平移变换；对所述增强后数据集根据图像内所含缺陷类别进行分类标记排序，得到分类数据集。
63.在本发明实施例中，所述采用目标分类算法对所述分类数据集进行训练，得到钢轨缺陷的分类模型，包括：采用目标分类算法对所述分类数据集进行训练分类，网络梯度更新，学习缺陷特征，得到钢轨缺陷的分类模型。
64.在某一具体实施例中，为解决目前铁路检测中的时效性差、效率低、漏检率高等问题，通过对深度学习算法在具有gpu算力的小型化边缘设备上配置运行，减少人力成本，达到对实时采集的铁路钢轨缺陷快速检测分析的目的。引入阶段检测的思想对钢轨缺陷进行检测识别，便于判定钢轨的运行状态。铁路钢轨缺陷检测方法，包括：
65.(1)钢轨表面缺陷定位与检测：收集相关钢轨缺陷图像样本数据，对其中各类型的缺陷进行统一标记，如斑块、划痕等缺陷，应用深度学习目标检测领域内优秀的目标检测算法训练出钢轨表面缺陷定位与检测模型。对于实时采集到的钢轨表面数据，利用训练完成的缺陷定位与检测算法模型，检测识别钢轨表面上包含的各类型缺陷，并输出缺陷相应的结果位置信息。进一步，根据目标检测算法结果中各缺陷的位置信息，裁剪出局部缺陷图像。图3是本发明使用的目标检测算法结构示意图。
66.(2)局部钢轨缺陷分类判定：收集局部钢轨缺陷数据集，使用深度学习轻量级的分类算法训练局部钢轨缺陷分类模型。对于目标检测算法裁剪出的局部钢轨缺陷，使用局部钢轨缺陷分类模型进行分类判定。最终，根据分类模型的结果，输出缺陷类别及定位结果。图4是本发明的分类算法网络结构示意图。
67.(3)深度学习算法在小型化边缘设备的配置实现：对于训练完成的目标检测算法、分类算法模型，进行适当的模型压缩优化，部署运行在具有gpu算力的小型化边缘设备上。
68.在某一具体实施例中，铁路钢轨缺陷检测方法的详细步骤包括：
69.步骤1，钢轨表面缺陷定位与检测：由于钢轨表面缺陷呈随机分布、大小不一、分布不连续的特点，同时由于光照不均、轨面锈迹、噪声等因素影响，对直接基于整体钢轨表面的缺陷分割方法有严重的影响，导致精确度不高。因此，采用二维图像领域内优秀的深度学习实时目标检测算法对收集的钢轨表面图像数据集内标注好的各种缺陷进行训练，训练出钢轨缺陷的检测模型。
70.步骤1.1：收集相关钢轨缺陷图像样本，对数据集进行数据增强，所述的数据增强包括旋转、翻转变换、缩放变换、平移变换。数据增强可以扩大数据集，提高神经网络模型识别能力和泛化能力，从而提高训练精度。
71.步骤1.2：对样本图像内的各类型缺陷，如斑块-patches、划痕-scratches，进行矩形框标注统一标注类别为“defect”，得到图像对应包含图像内缺陷的位置信息xmax、xmin、ymax、ymin的标注文件。标注文件内包含某张图像内所有缺陷的位置信息及其对应的缺陷类别“defect”与样本图像共同组成钢轨缺陷图像数据集a。对标注好的钢轨缺陷图像数据集a，根据0.7:0.15:0.15的比例，划分训练所需的训练集、验证集、测试集。
72.步骤1.3：构建目标检测网络并训练，构建目标检测算法网络模型，用于钢轨图像的缺陷定位检测，使用划分好的钢轨缺陷图像数据集a的训练集，进行多尺度训练，网络梯度更新，不断学习钢轨缺陷特征，训练出对验证集、测试集达到理想精度的钢轨缺陷的检测定位模型。
73.所述使用的目标检测算法使用cspdarknet53(cross stage partial darknet53)作为主干网络。进一步，以特征金字塔(fpn)检测框架对主干网络的输出特征图进行多尺度检测作为所述算法检测框架，使用基于iou改进的ciou损失函数作为算法定位边框的损失函数。图2是cspdarknet53网络使用的cross stage partial结构示意图。
74.本发明所使用的cspdarknet53网络，为darknet53中每一次特征图降采样后的整
体残差结构(residual block)使用了cross stage partial(csp)思想，可以增强cnn的学习能力，能够在轻量化的同时保持准确率甚至略有提升。算法使用的cspdarknet53的主干网络删去了不需要的用于分类的全局均值池化层以及softmax分类层，共使用其中前100层网络层(从第0层算起)，包含72层卷积层、23层shortcut层、5层concatenate层。其中卷积层可以对图像进行特征提取；shortcut层对不同层的特征进行相加，可以避免训练梯度发散，难以训练，大大地提高模型的精度；concatenate层可以实现不同层的特征融合，有利于特征信息的重复利用。
75.当输入图像后，随机resizing，输入cspdarknet53网络中，进行特征提取。为了对输入图像使用多尺度检测，分别输出最后三个cross stage partial结构的输出特征图，即第51、81、99的特征图，用于特征金字塔(fpn)检测框架的多尺度检测。
76.特征金字塔fpn网络接收来自cspdarknet53的三种大小的特征图，对特征图进行卷积，上采样，特征融合的操作，分别以相对于输入图像8倍、16倍、32倍降采样的三种尺度输出结果。
77.本发明所述ciou(complete-iou loss)损失函数是基于iou(交并比，intersection over union)的改进，iou计算表达式为：
[0078][0079]
其中a，b分别表示目标检测算法中真实框与预测框的区域。
[0080]
ciou及其损失函数的计算表达式为：
[0081]
loss
oiou
＝1-ciou
[0082]
其中，b，b
gt
分别代表了预测框和真实框的中心点，且ρ代表的是计算两个中心点间的欧式距离。c代表的是能够同时包含预测框和真实框的最小外接矩形区域的对角线距离。α是用于权衡的参数，v是用来衡量长宽比一致性的参数，其表达式为：
[0083][0084]
步骤1.4：再利用训练好的模型，对巡检列车实时采集的钢轨图像数据，进行检测识别，并输出实时图像内可能包含的各缺陷相应的结果位置信息，图中标记框根据输出结果位置信息xmax、xmin、ymax、ymin画出。
[0085]
步骤1.5：进一步，根据目标检测算法结果中缺陷的位置信息，裁剪出定位的局部缺陷图像。
[0086]
步骤2，局部钢轨缺陷分类判定：为了正确识别检测定位出的钢轨缺陷的类别，以便量化受损程度，使用深度学习分类算法对裁剪出的局部钢轨缺陷进行分类判别。
[0087]
步骤2.1：收集相关局部钢轨缺陷图像数据，对数据集进行数据增强，所述的数据增强包括旋转、翻转变换、缩放变换、平移变换。
[0088]
步骤2.2：对数据集内图像，根据图像内所含缺陷类别进行分类标记排序：0-斑块(patches)、1-划痕(scratches)，即在数据集中以“0、1”表示“斑块、划痕”，构成局部钢轨缺陷分类数据集c。再对整个数据集c，根据0.7:0.15:0.15的比例，划分训练所需的训练集、验
证集、测试集。
[0089]
再对数据集c的训练集，使用深度学习分类算法进行训练分类，网络梯度更新，学习缺陷特征，至网络模型对验证集、测试集达到理想精度后，停止训练。所述的深度学习分类算法使用基于mobilenet的改进算法。
[0090]
在本发明实施例中，所使用的算法使用了深度可分离卷积即depthwise(dw)卷积操作，对每个输入通道使用不同的卷积核，每个通道对应一个卷积核，再连接pointwise(pw)卷积即卷积核大小为1
×
1的卷积层，有效地利用depthwise卷积不同通道在相同空间位置上的特征信息。depthwise卷积可以有效地减少计算量和参数量，因此可以大大地提高运行速度，有效解决小型化边缘设备的算力不足问题。
[0091]
此外，本发明使用了逆残差——inverted residual block结构，如图6所示，对于输入特征图采取先升维、再卷积、再降维的操作，提高了dw输入特征图的数量，使得可以学习更多的特征。另外，在每一次升维的pw和卷积dw之后使用了relu6激活函数，保证了在移动端设备低精度时的数值分辨率，而降维的pw之后直接线性输出，减弱relu变换后造成的特征信息耗损以及对学习梯度弥散的影响，具体结构如图7所示。其中，relu6的表达式为：relu6＝min(max(x，0)，6)。
[0092]
经过一系列bottleneck residual block和一层普通卷积层后，再连接全局均值池化层，生成1
×1×
n的矩阵用于结果输出，最后输入到全连接层中使用中心损失函数与交叉熵损失函数相结合的方法进行分类，构造完整的网络结构。其中全局池化层在整个特征图上取均值，可大量减少模型的总参数量，提高检测速度。
[0093]
进一步，使用训练好的模型对实时目标检测算法裁剪结果中得到的局部钢轨缺陷图像进行分类判定。最终，根据分类模型的结果，输出缺陷类别及定位结果。
[0094]
步骤3，深度学习算法在小型化边缘设备的配置实现：在小型化边缘设备上，如nvidia jetson agx xavier、nvidia jetson tx2、华为海思hi3559a等，具有的gpu算力有限，要使复杂的深度学习算法在小型化边缘设备上达到理想的运行速度，需要对训练完成的钢轨缺陷目标检测模型、局部钢轨缺陷分类模型进行适当的模型压缩优化，再将其部署运行在具有gpu算力的小型化边缘设备上。
[0095]
步骤3.1：对小型化边缘设备上进行初始配置，包括cuda、tensorrt等加速工具。
[0096]
步骤3.2：对训练出来的达到理想精度后算法模型，对不重要的通道或者层进行剪枝，剪枝后对模型进行微调恢复精度。
[0097]
步骤3.3：将以上深度学习目标检测、分类算法经过模型压缩优化后，在具有gpu算力的小型化边缘设备上集成运行，实现对钢轨缺陷检测判别的综合系统。
[0098]
经过以上处理，便可以在巡检列车上高效地对复杂轨道场景下的铁路钢轨缺陷进行快速检测定位。如果发现钢轨缺陷，便可以及时定位并报警，提醒工作人员维修时对相应位置的钢轨及时采取维修措施。
[0099]
本发明实施例还提供一种铁路钢轨缺陷检测系统，包括：
[0100]
标记模块，用于获取钢轨表面图像数据集，并对所述钢轨表面图像数据集内的数据缺陷进行标记，得到标记数据集；
[0101]
检测模型构建模块，用于采用目标检测算法对所述标记数据集进行训练，得到钢轨缺陷的检测模型；
[0102]
分类模块，用于对所述钢轨表面图像数据集内的缺陷类别进行分类，得到分类数据集；
[0103]
分类模型构建模块，用于采用目标分类算法对所述分类数据集进行训练，得到钢轨缺陷的分类模型；
[0104]
定位模块，用于获取待测钢轨图像，采用所述检测模型对所述待测钢轨图像进行检测，得到缺陷定位信息；
[0105]
判定模块，用于采用所述分类模型对所述待测钢轨图像的缺陷定位信息进行类别判定，得到缺陷判定结果。
[0106]
其中，缺陷判定结果最终判定存在缺陷，则可以设置发出报警，提示存在缺陷，及时定位并报警，提醒工作人员维修时对相应位置的钢轨及时采取维修措施。
[0107]
在本发明实施例中，所述标记模块，还用于：
[0108]
获取钢轨表面图像数据集，对所述钢轨表面图像数据集内的数据进行数据增强，得到增强后数据集；所述数据增强包括旋转、翻转变换、缩放变换和平移变换；
[0109]
对所述增强后数据集中的数据内的数据缺陷进行标记，得到标记数据集。
[0110]
在本发明实施例中，所述检测模型构建模块，还用于：
[0111]
构建目标检测算法的网络模型，用于钢轨图像的缺陷定位检测，使用划分好的钢轨缺陷图像数据集的训练集，进行多尺度训练，得到钢轨缺陷的检测模型。
[0112]
关于铁路钢轨缺陷检测系统的具体限定可以参见上文中对于铁路钢轨缺陷检测方法的限定，在此不再赘述。上述铁路钢轨缺陷检测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0113]
请参阅图6，本发明实施例提供一种计算机终端设备，包括一个或多个处理器和存储器。存储器与所述处理器耦接，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任意一个实施例中的铁路钢轨缺陷检测方法。
[0114]
处理器用于控制该计算机终端设备的整体操作，以完成上述的铁路钢轨缺陷检测方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机终端设备的操作，这些数据例如可以包括用于在该计算机终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。
[0115]
在一示例性实施例中，计算机终端设备可以被一个或多个应用专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digital signal processor，简称dsp)、数字信号处理设备(digital signal processing device,简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列
(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的铁路钢轨缺陷检测方法，并达到如上述方法一致的技术效果。
[0116]
在另一示例性实施例中，还提供了一种包括计算机程序的计算机可读存储介质，该计算机程序被处理器执行时实现上述任意一个实施例中的铁路钢轨缺陷检测方法的步骤。例如，该计算机可读存储介质可以为上述包括计算机程序的存储器，上述计算机程序可由计算机终端设备的处理器执行以完成上述的铁路钢轨缺陷检测方法，并达到如上述方法一致的技术效果。
[0117]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。