张云佐，宋洲臣，杨攀亮

(石家庄铁道大学 信息科学与技术学院, 石家庄 050043)

铁路的移动通信系统是保障列车安全运行的关键部分，山区隧道段主要通过铺设泄漏电缆来搭建通信网络，一般需将泄漏电缆悬挂在隧道壁上，用专门的漏缆卡扣将其固定[1].目前检测漏缆卡扣仍旧停留在人工定点定期逐一排查的阶段，该方法不仅受到环境因素和人为因素的影响[2]，检测效率也十分低下.特别是随着近些年铁路事业的高速发展，隧道里程不断增加，定点定期排查法很难再满足实际的需求，结合计算机视觉的自动化检测技术将是该领域发展的主要趋势.在采集隧道漏缆卡扣图像数据集时，需要先在列车窗口处安置一台高速摄像机，以便收集列车在隧道运行过程中拍摄到的全部画面，即便能省去了大量现场勘察工作，倘若由人工逐一筛选，工作量也十分庞大.深度学习在图像处理方面有着十分出色的表现，但故障卡扣的图像数据量非常有限，达不到模型训练的最低标准，于是采用基于统计学习的特征提取算法进行故障卡扣的筛选，能有效规避数据集不平衡带来的检测问题，提高故障卡扣的识别准确率.

基于统计学习的故障检测算法仍是通过特征提取和特征分类这两步来实现，并且主要通过特征融合[3-4]以及改变分类决策[5]来提升检测的准确率.LBP[6]能侧重把握待检测物体的纹理特征，因此被广泛运用于人脸识别和纹……