王瑞峰，陈小屹

(兰州交通大学 自动化与电气工程学院，甘肃 兰州 730070)

由于自然和人为因素，铁路限界内时常出现落石、滚木、动物以及行人，对设备及人员安全造成威胁.检测系统及时发现铁路异物，准确识别异物并进行报警，对保证有关部门快速高效地处理突发事件具有重要意义.

铁路异物入侵检测方式分为接触式和非接触式.一般采用非接触式，目前常见的检测方法包含视频检测法、雷达检测法、超声检测法和红外线屏障检测法[1].其中视频检测法可以检测出异物的位置、大小，具有直观性，且检测精度更高.文献[2]基于机器视觉与嵌入式技术对获得异物进行分类，使用卡尔曼滤波进行行为分析，以滤除干扰.文献[3]在背景差分的基础上，提出基于前景目标统计分布的铁路背景更新方法.文献[4-5]将深度学习中的卷积神经网络应用到异物检测中，通过训练得到适用的模型.但上述方法中，传统视觉算法易受到光线和气候变化的影响，背景差分的方法也普遍存在误报率高，且不能确定侵限异物的种类.深度学习在铁路侵限研究中正成为一个新的研究方向，但卷积神经网络(Convolutional Neural Network，CNN)作为双阶段检测算法，需要预先设置大量先验框，检测速度较慢且算法复杂.YOLO 算法作为单阶段检测算法，大大提高了检测速度[6]，但准确度有待提升.在此基础上增加了Darknet-53 网络和FPN网络，以及增加尺度特征图后得到YOLOv3[7]，检测精度有所提高，但对小目标效果不明显.而……