王兵水， 郑树彬， 李立明， 钟倩文

(上海工程技术大学 城市轨道交通学院， 上海 201620)

0 引 言

为了能够及时发现会严重影响列车行车安全的隐患，铁路部门需要定期地对铁路沿线进行相关巡查，其中重要的一项便是对轨道扣件进行检测。轨道扣件作为固定钢轨和轨枕的连接件，扣件状态的好坏直接影响着行车的安全。但目前国内主要采用人工巡检的方式，该方式存在的弊端是巡检效率低下，漏检率高并且检测结果与巡检人员技术熟练程度严重正相关。

随着近年来人工智能研究的日趋深入，作为其应用基础的图像检测技术也获得飞速发展。代表性成果主要有：通过对含有待检测目标的图像利用卷积神经网络提取目标特征并正确识别出目标的技术，例如人脸识别技术[1]，车牌识别技术等。然而，目前主流的应用在目标检测方面的智能算法主要有两类。一类是基于区域的目标检测算法，主要有Fast R-CNN[2]，Faster R-CNN[3]等,该类算法虽有较高的检测精度，但是检测速度较慢。另一类是基于回归的目标检测算法，主要有YOLO[4],SSD[5]等，该类算法的特点是采用端到端的检测，具有较快的检测速度。基于卷积神经网络的扣件检测算法具有广泛的应用前景和巨大的商业价值。

本文提出一种基于改进YOLO算法的扣件状态检测方法，通过对采集到的扣件图像进行预处理后输入到改进的YOLO网络中即可得到标注类别的输出结果，准确高效。本文改进了传统的YOLO网络，增加了Darknet-53基础网络。……