随着我国经济的高速发展以及民众出行需求的日益增长,我国铁路运营里程由1978年的5.2万公里增长到2018年底的13.2万公里,2019年运营里程增长到13.9万公里。在铁路高速发展的过程中,针对保障铁路安全运营的基础设施状态的检测显得格外重要,其中扣件作为固定钢轨和轨枕的连接件,其状态直接影响着行车安全,所以扣件状态的检测是整个基础设施安全检测中的最重要的环节之一。然而,我国轨道扣件状态检测手段主要依赖于铁路工人的沿线检查。这种检测方式随着我国铁路里程的不断增加其缺点日渐明显:检测效率很低而且劳动强度大。由于检测结果严重依赖检测工人的技术熟练程度,而巡检方式漏检率高,所以其结果可靠性偏低。本文提出,结合深度学习技术建立基于卷积神经网络的轨道扣件状态检测模型。基于卷积神经网络的检测方式,以充足的扣件图像数据作为支撑,网络能够自动学习扣件图像数据的特征,而非人工手动提取特征,这样不仅有效节省时间,而且大幅提高了检测的准确度。本文的主要工作有:1.根据实验项目的要求,设计符合要求的扣件图像采集系统,期间主要对采集系统中所需的相机各部件比较优缺点,并结合实际实验的要求进行正确的选型,为使得采集车能够适应不同的环境(露天和隧道)而选取合适的线阵光源辅助照明,最后通过将编码器与采集车车轮轴连接来确定正确的相机触发方案。2.数据集的采集与预处理:利用轨道扣件图像采集车采集了大量的扣件图像数据。以单张照片中的扣件必须拍摄完整且扣件位置不得在图像边缘的原则进行筛选,符合要求的扣件照片有3150张。扣件图像采集来源地为石家庄某轨道线路。3150张扣件图像中,正常扣件2268张,非正常扣件882张,为保证数据集不出现类别不平衡的问题,后期对数据集中的扣件图像进行了增广操作。将扣件图像数量扩大到5300张。3.针对扣件的特征提取,比较分析了几种常见的图像特征提取的技术,主要包括基于HOG算子的特征提取和基于卷积神经网络的特征提取技术(R-CNN、Fast R-CNN、Faster R-CNN、YOLO),通过比较并结合本文研究的扣件照片的特点,最终选取了合适的特征提取的方法。本文基于前面的研究内容确定了扣件图像特征提取的方式,首先介绍了YOLO算法网络结构,设计出基于YOLO的扣件状态检测算法网络结构图,而后使用YOLO网络进行训练和后期的检测。最后通过实验比较YOLO网络和另外两种网络的检测结果。4.在此基础之上对YOLO网络进行了改进优化,主要通过增加多尺度特征的融合和特征通道分权重等来使得特征提取更加充分合理。为了提高算法的检测速度,对于数据集做了预先的目标聚类分析,最后通过实验对比得出结论:改进之后的网络进一步提高了扣件检测的性能。数据显示,改进后的YOLO网络检测结果m AP达到96.7%,查准率达到96.3%,查全率达到95.2%与网络改进前检测结果相比m AP提高了3.9%,查准率提高了2.2%,查全率提高了11.9%。