余宁 魏世斌 李颖 侯智雄

（1.中国铁道科学研究院研究生部，北京 100081；2.中国铁道科学研究院集团有限公司基础设施检测研究所，北京 100081）

铁路线路的曲线段结构特殊，容易发生轨道病害，而且危害较大，是轨道的薄弱环节。曲线段的线路状态不仅关系到列车实际运行的最高速度［1］，还直接影响乘车舒适性和车辆运行安全性［2］。只有对曲线参数进行准确的检测，及时发现病害，才能进行有效的养护维修，保持曲线区段线路的良好状态。曲线参数包括曲线长度、曲线正矢、轨距加宽、超高设置以及曲线上的轨道不平顺等，准确定位曲线特征点是精确检测曲线参数的基础。

我国自主研发的轨道检测系统中，曲线特征点检测算法是基于曲率和曲率变化率实现的［3］。由于实际线路中曲线半径范围过大，在普速铁路上识别较好的参数在高速铁路上容易发生漏检的情况，在高速铁路上检测效果较好的参数在普速铁路上容易发生误检的情况。即使识别出了曲线特征点，往往也会由于某些阈值设置不当而出现检测位置和实际位置偏差较大的问题。

本文结合当下流行的机器学习算法，提出一种全新的基于卷积神经网络的曲线特征点检测方法。该方法识别准确率高，同时适用于高速铁路和普速铁路的曲线特征点检测。

1 曲线特征点

从平面位置来看，轨道由直线段和曲线段组成。曲线段由两段曲率逐渐变化的缓和曲线和一段曲率恒定的圆曲线组成，如图1 所示。……