白堂博 高嘉琳 杨建伟 许贵阳

1.北京建筑大学机电与车辆工程学院，北京100044；2.北京建筑大学城市轨道交通车辆服役性能保障北京市重点实验室，北京100044

扣件是城市轨道中不可忽视的基础部件，扣件状态的准确智能化检测对于保证轨道列车安全运行具有重要意义［1］。在列车运行过程中扣件容易出现移位、断裂、丢失等问题。这些问题所产生的振动及噪声十分微小，基于振动、噪声信号分析的检测方法处理难度大，检测效果差［2］。

目前基于图像采集与处理的扣件状态检测方法有流行排序方法［3］、十字交叉与特征测度方法［4］、引导滤波与积分投影方法［5］、垂向定位与灰度投影方法［6］、置信图方法［7］等。这些方法优点是计算效率较高，但需要分别进行扣件的定位及扣件图像特征的提取，并须根据特定的检测对象进行算法修正，难以适应多变的现场情况。

近年来随着目标检测技术的发展，深度学习被应用于扣件状态检测。Guo等［8］提出基于YOLOv4（You Only Look Once v4）算法的扣件状态检测方法；龙炎［9］提出了基于Faster R-CNN（Faster Region-based Convolutional Neural Networks）算法的扣件状态检测方法；李兆洋等［10］建立了基于改进SSD（Single Shot Multibox Detector，SSD）算法的扣件定位方法。该类方法不用经过目标定位及图像特征提取，可直接对图像中的扣件区域进行检测，但是该类方法重点在于检出目标，对扣件断裂及缺失检测效果好，对扣件偏移的检测效果较差。

针对这种情况，本文提出一种基于改进Mask R-CNN的铁路扣件状态检测方法，首先利用Mask R-CNN方法实现扣件的位置检测与扣件图像分割，然后利用最小外接矩形法改进Mask R-CNN的输出层，计算获得扣件图像角度信息，进而识别偏移扣件。……