在铁路系统中传输信号的通信电缆通过固定卡具固定在隧道的一侧,由于卡具的损坏会导致电缆脱落,因此卡具的维护是保证铁路安全运行的关键。目前,这项任务由人工来完成,工人通过巡检铁路搜寻需要替换的缺陷卡具。为了检测铁路相关设备,使用计算机视觉算法的多功能综合巡检车被开发出来替代人工去巡检铁路。近些年来,学者们在铁路自动巡检方面做了许多努力,然而关于卡具的研究处于空白。对漏缆卡具检测问题,本文采用图像处理技术实现对漏缆卡具的自动化检测。自动漏缆卡具检测算法的开发,不仅减少了铁路巡检时间,而且提高了列车运行的安全性。针对铁路通信漏缆卡具缺陷检测,本文的主要工作如下:1总结与铁路运行相关设备自动化检测相关研究的国内外现状,详细对比分析深度学习与局部特征算法在卡具检测中的优缺点。为通信漏缆卡具缺陷检测研究提供理论支持。2针对铁路通信漏缆卡具缺陷检测问题,提出了一种基于局部特征的卡具缺陷检测算法。该算法主要由两部分组成:卡具定位和分类,卡具缺陷识别。针对多类型卡具数据集,首先利用Yolov3-tiny完成卡具定位和分类,然后利用HOG+SVM策略检测缺陷卡具。实验验证,在复杂卡具数据集上,对比使用基于光带特征识别缺陷卡具,该算法对定位和分类后的缺陷卡具区域图像检测精度达到93.4%,召回率达到96.6%,检测效果显著的提升。理论分析和实验结果表明,该算法能够满足实际使用的需求。3针对多类型卡具缺陷检测的实时性要求,提出了一种缺陷卡具快速检测算法。该算法改进Yolov4-tiny中的CSP（Cross Stage Partial）结构,来进一步减少网络对梯度信息重复地利用。此外,通过增加一个惩罚因子对分类损失函数进行修正,使网络在训练过程中更加关注不平衡数据集中的小类目标。实验结果表明,与基准算法Yolov4-tiny相比,改进后的算法缺陷卡具的检测精度和召回率分别提高了3.3%和2.4%。同时,相较于HOG+SVM,该算法检测时间减少了40%。理论分析和实验结果表明,该算法在保证了检测性能的基础上显著减少了检测时间。