申瑞超，柴晓冬，李立明，孙 睿，钟倩文

(上海工程技术大学 城市轨道交通学院, 上海 201620)

0 引 言

铁路运输是一种能源集约式的陆地交通运输，因其运输量大、速度较快、受环境因素影响较小、安全性强等特点受到国家重点发展，截至2020年7月底，中国铁路运输总营业里程已超过14万千米[1]。在铁路运输中安全尤为重要，扣件作为钢轨与枕木的连接部件，扣件状态的检测在铁路运输安全中扮演着重要角色。扣件处于缺失、位移、断裂等失效状态时，可能会造成列车脱轨等重大安全事故。人工巡检是常用的扣件状态检测手段之一，但绵长的铁路线路和复杂的环境，耗费了巨大的人力和财力，工作人员的安全也得不到保障，利用机器视觉技术检测铁路扣件状态已成为趋势。如20世纪90年代，美国的VIS综合系统使用人工和计算机结合的方式对扣件、钢轨和道床等进行检测[2]；2016年，中国自主研发的综合铁路巡检车在昆明铁路局试用，实现了自动化检测钢轨表面和扣件，其对扣件状态检测的准确率达96%[3]。为了提高准确率，机器学习和深度学习应用到扣件检测中，如Khan R A[4]等结合脚点检测和模板匹配检测扣件；王强等[5]利用改进的LBP特征对扣件进行检测，提高了在不同环境下的检测的正确率；林菲等[6]采用深度学习网络VGG自动提取扣件特征，使得扣件检测的精度提升，达97.14%。然而，机器视觉算法的有效性是建立在数据分布大致均衡的假设基础上[7]，采集到的现场扣件图像正负样本往往不均衡[8]，这样的数据训练出的模型就会造成将负样本检测为正样本的情况。……