中国的铁路行业整体正处于飞速发展时期,铁轨伤损检测工作是关系到铁路安全的重要一环,目前有多种铁轨伤损检测的方法,但是仍难以满足对精确性和快速性的要求。卷积神经网络是一种可以处理二维矩阵数据的特殊的神经网络模型,这种新型的人工神经网络融合了深度学习和人工神经网络,由于其可以大规模训练和检测,使得在图像识别领域获得了广泛的应用。拥有非全连接和权值共享这样的网络结构可以使训练更加的简单,权值也会相应的减少,这样得到的卷积神经网络在进行旋转、倾斜、缩放时高度不变。基于卷积神经网络的R-CNN、Fast R-CNN以及Faster R-CNN网络结构使得卷积神经网络继续不断发展,不断改进。本文在深度学习理论框架的基础上,以卷积神经网络模型结构为主要训练部分,设计了基于改进的Faster R-CNN的铁轨伤损检测算法,可以从一组铁轨伤损和非伤损的超声波图像训练集中生成图像特征问题特征提取器,训练完成的特征提取器不需要手动输入特征和伤损区域信息,就能达到识别铁轨伤损的目的。同时,本文从数据标注、迁移学习初始化模型、实验参数设置和训练方法入手,对Faster R-CNN网络结构进行改善,实验结果表明,本文提出的改善的方法对铁轨伤损检测有着良好的检测效果,通过对检测准确率和检测时间的实验数据进行对比分析,本文提出的改进的Faster R-CNN算法的在漏检率和准确率方面均优于基于Faster R-CNN网络模型的铁轨伤损检测方法。本文使用的Faster R-CNN网络模型采用的是区域生成网络(RPN)算法,速度高于在卷积神经网络模型中选取候选区域时采用的SS(Selective Search)算法。同时,由于对锚窗的尺寸进行了改进,可以在较细小的样本中找出铁轨伤损样本,改善后的网络有着更好的检测效果。通过实验证实了本算法中检测识别率为92.3%,优于基于传统网络模型的检测方法,证明了本算法对铁轨伤损大小和类型检测的准确性都比较好,达到了本文研究的主要目的,对铁轨伤损检测领域的研究有着一定的应用价值。图[30]表[6]参[52]