陈智羽，闵 锋

武汉工程大学计算机科学与工程学院，湖北 武汉430205

随着科技的发展，我国铁路里程数已经一跃成为世界第一，高铁营业里程已达2.9×104km，超过世界高铁总里程的2/3，成为世界上高铁里程最长、运输密度最高、成网运营场景最复杂的国家。在这种情况下，铁路的安全维护便成为了一个难题。现阶段，我国对于铁路接触网的维护和检修，是依靠接触网悬挂状态检测监测装置（4C）车［1］对支柱杆进行拍摄，然后通过大量人工对每张图像进行查看，进行故障的排查。4C系统采集的图像均为高分辨率图像，需要人工对图像进行多次缩放操作查看，这样的检测方式受限于技术人员的个人经验水平、注意力的集中程度等诸多不可控因素，且存在故障筛查时间长、漏检风险高等问题。对于我国铁路的里程数来说，人工的方式是无法及时发现故障，保证铁路安全的。

随着深度学习技术的不断发展［2］，各种基于深度学习的目标检测［3-4］和目标跟踪算法［5］被提出。深度卷积神经网络可以通过收集大量目标物体的图像样本，进行训练，得到目标物体的检测模型，所以神经网络被运用在各个领域中，如：人脸识别［6］、视网膜血管分割［7］等。而目前广泛使用的目标检测算法分为双步目标检测算法和单步目标检测算法两种。双步目标检测算法常用的有：快速的区域卷积神经网络（fast region-based convolutional neural networks，Fast R-CNN）［8］，加速的区域卷积神经网络（faster region-based convolutional neural networks，Faster R-CNN）［9］，分割掩模的区域卷积神经网络（mask region-based convolutional neural networks，Mask R-CNN）［10］等，该类算法是先生成一系列样本的候选框，再通过卷积神经网络在这些候选框中进行样本分类，以此完成对目标的检测和识别。……