高铁栅栏是将高铁行驶区域与外界隔离的一道安全屏障,对保障高速铁路行车安全具有重要作用。高铁栅栏检测系统的任务主要包括栅栏入侵检测和栅栏破损检测,现有的栅栏检测系统运用到了振动光纤、电子围栏、对射探测、智能监控等系统技术,但仍然存在检测方式单一、误报率高、成本高、有监控盲区和需要巡检人员全天候实时检测栅栏破损状态等问题。因此,如何解决栅栏检测系统存在的问题,降低成本,减轻工作人员劳动强度,提高检测精度,成为高速铁路围界安防的新问题。为此,课题从移动监控入手,利用出色的计算机视觉技术,以轨道巡检机器人为载体,设计开发了基于移动视觉的高铁栅栏检测系统,研究了基于深度学习的栅栏破损检测算法和栅栏入侵检测控制系统。主要工作与成果如下:(1)针对传统目标检测方法存在的不足,对深度学习的相关知识进行了介绍。首先重点分析了卷积神经网络的结构,包括卷积层、池化层、全连接层、批归一化层和非常重要的激活函数。接着对SVM分类器和Softmax分类器进行了简要介绍,最后分析了基于深度学习的目标检测模型,论证表明Faster RCNN模型的目标检测最高效。(2)提出了一种基于深度学习的目标检测算法,该算法是对现有的先进模型Faster RCNN进行改进。首先建立栅栏破损数据集,并通过数据增强(Data Augmentation)手段来增加数据集中的图片数量,有效避免了训练过程中过拟合的发生。然后针对栅栏破损的尺寸大小不相同这一特点,采用基于Faster RCNN的目标识别框架,以深度残差网络RseNet-50代替原始的VGG-16网络作为栅栏破损模型的特征提取网络,同时对锚(Anchor)的尺寸和比例进行改进,使得锚的尺寸更加接近破损栅栏的实际尺寸。最后对改进后的模型进行训练,实现栅栏中破损栅栏部分的分类和定位。训练后的模型在验证集上的准确率达到了95.45%,召回率达到了96.61%,对比改进前后模型的破损栅栏识别结果,改进后的模型在小尺寸破损栅栏识别效果要优于原始模型。(3)针对现有高铁栅栏入侵检测方法存在的不足,设计了移动视觉的入侵检测控制系统,阐述了硬件结构和软件算法的设计方案,搭建了实验测试平台,对入侵自主巡检等功能进行了测试分析,经过200次的入侵测试,发现巡检机器人到达入侵区域的定位误差都能控制在0.3m之内,完全能满足本设计的要求。实验结果表明栅栏入侵检测控制系统具有可靠性高、控制精确、视频拍摄清晰等特点,以上所完成的工作对高铁栅栏入侵检测具有一定的现实意义。(4)针对高铁栅栏检测系统的功能需求,实际开发了一套人机交互监控系统,包括对监控系统的登录界面和操作界面的设计开发。图[46]表[4]参[61]