轨道交通已成为当今我国人民出行和货物运输的主要形式,其安全隐患会随着运营时间和里程的增加而增加。铁路沿线彩钢房作为铁路运行环境外部的典型隐患建筑物,不进行定期检测和及时处理会造成铁路停运和人员伤亡等安全事故。目前铁路沿线彩钢房的检测方法主要以铁路工务段人员人工巡检为主,但是由于铁路沿线外部环境复杂且空间辽阔等因素,以人工巡检的方式进行彩钢房检测具有效率低、检查视角有限等缺点,并且缺少自动化的数据记录手段。既有的铁路沿线彩钢房检测方法已不能满足我国逐步增长的铁路沿线外部环境的安全保障需求。因此,本文针对检测铁路沿线彩钢房提出了采用无人机进行自动化巡检的方法,该方法提高了检测彩钢房的效率、改善了巡检数据记录的手段,同时针对采集的无人机巡检图像数据提出了基于深度学习技术的图像分类与铁路沿线彩钢房检测方法,主要研究内容如下:1.简述了本文的研究背景及意义,分析了铁路沿线彩钢房检测的必要性与将无人机巡检和深度学习应用到彩钢房检测的可能性,深入研究了无人机巡检应用现状、铁路沿线彩钢房等建筑物检测现状和深度学习发展现状。基于邯郸某铁路线路环境针对沿线彩钢房检测提出了无人机巡检方法,完成了无人机巡检设备中飞行平台、云台相机以及地面站的选型,设计了无人机航线以及巡检方案,进行了现场无人机巡检实验,采集了丰富的铁路沿线无人机巡检图像。2.为让采集的无人机巡检图像更适合作为卷积神经网络的输入,提出用左右重叠拆分的方法对图像进行预处理,调整像素比例。同时对拆分后的图像用几何变换法和像素变换法进行数据增强,增加试验样本量和样本多样性。3.为能高效、准确地将铁路沿线无人机巡检图像按照是否含有彩钢房进行分类,提出基于MobilenetV1卷积神经网络的无人机巡检图像分类方法。将图像按标签分类后作为网络的输入,对比了引入不同宽度因子α下的分类效果,基于一个架次的数据集验证了所提方法可以按照是否含有彩钢房进行有效分类,并应用该方法筛选出其他架次中含有彩钢房的无人机巡检图像。4.为实现智能化检测无人机巡检图像中的铁路沿线彩钢房,提出基于改进RetinaNet目标检测算法的彩钢房检测方法。针对部分彩钢房的像素占比过小,导致检测效果不理想的问题,通过下移特征金字塔网络使用尺度更大的特征图进行彩钢房检测。通过K均值聚类算法对预设锚框尺寸进行改进,使其更适用于检测彩钢房。使用LabelImg软件进行数据标注,经试验验证了改进的RetinaNet算法可以对铁路沿线彩钢房进行有效检测。同时为集成LabelImg和RetinaNet算法检测程序,实现自动化标注彩钢房数据,开发了Label-RetinaNet标注软件。5.为进一步提升无人机巡检图像中铁路沿线彩钢房检测的检出率和准确率,提出基于改进Mask R-CNN实例分割算法的彩钢房检测方法。通过增加自底向上的特征图融合路径构建双向特征金字塔网络,增强了不同尺度特征图之间彩钢房定位信息的传递。通过引入CBAM卷积注意力机制在通道和空间维度上提高算法对图像中彩钢房区域的关注度,同时对区域建议网络中的锚框进行改进。使用LabelMe软件进行数据标注,经试验验证了改进的Mask R-CNN算法具有更高的检出率与准确率,并且可以对彩钢房与图像背景进行像素分割。通过本文研究,选取了铁路线路应用无人机进行巡检的设备型号并制定了巡检方案,获取了丰富的铁路沿线无人机巡检数据,探究了图像预处理和数据增强的方法。所提出的基于深度学习的图像分类方法与彩钢房检测方法,可以有效解决人工巡检存在的相关问题,实现了高效、高精度、智能化地检测铁路沿线彩钢房。为保障铁路系统的安全稳定,提升轨道交通运营经济与社会效益起到积极的作用。