（华东交通大学信息工程学院，南昌 330013）

0 引言

在铁路运营过程中，列车轮轨与钢轨间产生的强烈摩擦、挤压、弯曲、冲击会使钢轨踏面易呈现块状、长宽比均匀的剥落、凹陷和掉块等块状伤损［1］，该类伤损在灰度和纹理特征上与钢轨无伤损区域有明显差异，且存在形状、尺度多变等特点，若不及时被发现并采取安全措施，当其发展到一定程度时，将会导致列车脱轨、倾覆等重大事故，造成严重的人员伤亡和巨额财产损失。因此，采用有效的目标检测方法对钢轨踏面块状伤损进行准确定位和快速分类具有重大意义。

钢轨表面伤损的物理检测方法主要有涡流、漏磁、超声波、激光扫描、声发射等方法［2-5］，此类伤损检测方法存在效率低、检测慢、分类精度低、成本高、受人为因素影响大等问题，不利于对钢轨表面伤损进行快速、准确的检测。而基于深度学习的目标检测算法则具有检测精度高、速度快且智能化的特点，主要分为基于无区域提名和基于区域提名的两类目标检测算法。其中，基于无区域提名目标检测算法以YOLO（You Only Look Once）系列［6-9］、单击多盒检测器（Single Shot MultiBox Detector，SSD）［10］为主，该类算法将生成候选框和分类回归合并成一个网络中，降低了网络计算的复杂度，提高了目标检测速度，但对小目标却无法准确定位，检测精确度较低。而基于区域提名目标检测算法主要以基于区域卷积神经网络（Regions with Convolutional Neural Network features，RCNN）系列为主，Girshick 等［11-12］先后提出了R-CNN［11］、快速区域卷积神经网络（Fast Regions with Convolutional Neural Network features，Fast R-CNN）算法［12］，在R-CNN 的基础上加入感兴趣区域池化层，提高了训练和测试速度；……