张云佐，杨攀亮，王 蕾

(石家庄铁道大学 信息科学与技术学院, 河北 石家庄 050043)

0 引言

随着我国高速铁路的快速发展，高铁安全运营的重要性日益凸显。铁路移动通讯系统是保障铁路无线通信的重要环节，山区、隧道通信网络的覆盖主要依靠泄漏电缆和直放站。由于泄漏电缆长期经受列车高速行驶时产生的气压冲击以及各种环境的影响，容易产生松动和脱落[1-3]。一旦发生故障会对铁路的安全运营产生严重影响。为保证铁路移动通讯系统的安全运行，需要对泄漏电缆定期检查，主要是判断泄漏电缆卡具是否出现故障。泄漏电缆卡具检测是指在场景图像中指出卡具目标，其目的是利用目标检测技术对泄漏电缆卡具状态进行监测和分析，从而实现对卡具故障的检测和识别。

目标检测技术主要经历了三个阶段。第一阶段是传统模式，通过图片准备、区域选择、特征提取和分类器的方法进行目标检测。传统模式时间复杂度较高、冗余窗口多且对多变化的物体通用性较差[4-5]；第二阶段是基于R-CNN的深度学习目标检测算法，主要包括：R-CNN[6]，Fast R-CNN(ICCV2015)[7]和 Faster R-CNN(NIPS2015)[8]，基于R-CNN的算法速度慢，实时性较差。第三阶段是基于回归方法的深度学习目标检测算法，主要包括：YOLO[9-10]和SSD[11]，YOLO精度不高，而SSD以其速度快精度高的特点得到更广泛的应用。

结合泄漏电缆卡具目标特征和高铁安全的现实需求，本文主要研究基于MobileNet- SSD算法的卡具检测技术，进而实现对铁路隧道泄漏电缆卡具的检测，便于铁路管理部门对卡具的数量、状态等信息进行统计和监控。……