基于深度學(xué)習(xí)的鐵路異物檢測(cè)綜述

摘要：鐵路異物檢測(cè)對(duì)鐵路安全至關(guān)重要，深度學(xué)習(xí)是鐵路異物檢測(cè)領(lǐng)域安全監(jiān)測(cè)的重要技術(shù)。基于此，首先，說明了鐵路接觸網(wǎng)和鐵路異物檢測(cè)的基本概念，繼而介紹了基于深度學(xué)習(xí)的鐵路異物檢測(cè)方法，將鐵路異物的深度學(xué)習(xí)算法進(jìn)行介紹與比較；其次，從深度學(xué)習(xí)方面對(duì)鐵路異物檢測(cè)現(xiàn)狀進(jìn)行綜述?？偨Y(jié)了現(xiàn)有模型的魯棒性和小目標(biāo)檢測(cè)的問題，并提出展望。

關(guān)鍵詞：鐵路異物目標(biāo)檢測(cè)深度學(xué)習(xí)機(jī)器視覺

中圖分類號(hào)：TP18;TP391.41;U298

AReviewofRailwayForeignBodyDetectionBasedonDeepLearning

CAIZhengdaCHENYueQIUQiyuan

XihuaUniversity，Chengdu，SichuanProvince，610039China

Abstract：Railwayforeignobjectdetectioniscrucialtorailwaysafety，anddeeplearningisanimportanttechnologyforsafetymonitoringinthefieldofrailwayforeignobjectdetection.Inthisregard，thebasicconceptsofrailwayoverheadcontactlineandrailwayforeignobjectdetectionarefirstexplained，andthentherailwayforeignobjectdetectionmethodbasedondeeplearningisintroduced，andthedeeplearningalgorithmofrailwayforeignobjectdetectionisintroducedandcompared.Then，thepresentsituationofrailwayforeignbodydetectionissummarizedfromtheaspectofdeeplearning.Theproblemsofrobustnessandsmalltargetdetectionof&d1259bd8aeaf3de20b72aae2d44e7efcnbsp;existingmodelsaresummarized，andprospectsarepresented.

Keywords：Railwayforeignmatter;Targetdetection;Deeplearning;Machinevision

高鐵是我國主要交通運(yùn)輸方式之一。隨著中國鐵路的發(fā)展，有關(guān)于高速鐵路接觸網(wǎng)的安全問題日益突出。其中，由于鐵路周圍異物而引起的關(guān)于接觸網(wǎng)安全事故頻頻發(fā)生。鐵路系統(tǒng)一旦出現(xiàn)故障，則有可能影響到整條線路鐵路運(yùn)輸安全，所以必須要對(duì)鐵路接觸網(wǎng)進(jìn)行監(jiān)測(cè)。鐵路異物入侵檢測(cè)方法主要包括接觸式和非接觸式兩類，接觸式檢測(cè)方法在鐵路異物入侵檢測(cè)中依賴物理接觸或電氣互動(dòng)，僅能在物體接觸時(shí)有效，對(duì)于一些非接觸型入侵情況無法提供有效檢測(cè)，且受到檢測(cè)范圍和設(shè)備依賴的限制，容易產(chǎn)生誤報(bào)和漏報(bào)，增加了系統(tǒng)運(yùn)營成本和復(fù)雜性。隨著機(jī)器視覺的高速發(fā)展，使用基于深度學(xué)習(xí)的非接觸式檢測(cè)方法已然成為一種新的檢測(cè)趨勢(shì)。

1深度學(xué)習(xí)算法介紹

鐵路異物檢測(cè)的自動(dòng)檢測(cè)算法在近年來備受關(guān)注。深度學(xué)習(xí)在鐵路異物識(shí)別方面已顯現(xiàn)出強(qiáng)大的功能和靈活性。在視覺檢測(cè)領(lǐng)域，目前目標(biāo)檢測(cè)算法主要分為兩種類型。

1.1two-stage兩步檢測(cè)法

two-stage兩步檢測(cè)法，如候選區(qū)加卷積神經(jīng)網(wǎng)絡(luò)結(jié)合（Region-basedConvolutionalNeuralNetwork，R-CNN）系算法，其基本原理是先生成一組較稀疏的候選框，然后對(duì)這些候選框進(jìn)行分類與回歸，兩步檢測(cè)法的優(yōu)勢(shì)是精度高，但相較于一步法檢測(cè)速度較慢。

1.2one-stage一步檢測(cè)法

one-stage一步檢測(cè)法，如Yolo（YouOnlyLookOnce）和SSD（SingleShotMultiBoxDetector）算法，其核心思路是在圖像的各個(gè)位置進(jìn)行密集采樣，然后通過卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）提取特征，直接進(jìn)行分類和回歸。由于整個(gè)過程只需一步完成，所以這種方法的優(yōu)勢(shì)在于速度快，能夠直接預(yù)測(cè)目標(biāo)的位置和種類。然而，密集采樣的一個(gè)主要缺點(diǎn)是訓(xùn)練較為困難。接下來，將主要以SSD算法為例，介紹并比較鐵路異物目標(biāo)檢測(cè)算法。

2鐵路異物目標(biāo)檢測(cè)算法介紹與比較

2.1FasterR-CNN存在的問題

在對(duì)異物的檢測(cè)研究中，當(dāng)目標(biāo)離相機(jī)較遠(yuǎn)時(shí)會(huì)產(chǎn)生小目標(biāo)樣本；FasterR-CNN在樣本中存在小目標(biāo)時(shí)檢測(cè)效果很差（只在最后一個(gè)特征層預(yù)測(cè)，這個(gè)特征層是已經(jīng)過很多卷積層之后的，圖像抽象的層次比較高，圖像的細(xì)節(jié)信息保留較少，小目標(biāo)效果較差，要在相對(duì)低層次上的特征來進(jìn)行預(yù)測(cè)）并且模型大，檢測(cè)速度慢（兩次預(yù)測(cè)，twostages方法的通?。?。圖1為FasterR-CNN的整體框架圖。

2.2SSD算法介紹

SSD算法，全稱SingleShotMultiBoxDetector，是應(yīng)用于鐵路異物檢測(cè)的主要檢測(cè)框架之一；SSD算法相較于FasterRCNN算法，它的測(cè)速優(yōu)勢(shì)非常明顯，相比YOLO算法又有明顯的mAP優(yōu)勢(shì)。

2.3SSD算法結(jié)構(gòu)介紹

深度神經(jīng)網(wǎng)絡(luò)（DeepNeuralNetwork，DNN）是目前解決圖像識(shí)別問題最有效的算法，它一經(jīng)出現(xiàn)到現(xiàn)在一直是機(jī)器學(xué)習(xí)領(lǐng)域的主流處理算法。DNN算法的識(shí)別率和分類率比之前的圖像處理算法有著顯著提升。而目前異物檢測(cè)主要使用的SSD是一種工程中常見的目標(biāo)識(shí)別與定位算法之一，是基于生成先驗(yàn)框的深度學(xué)習(xí)網(wǎng)絡(luò)算法。它的主要優(yōu)勢(shì)是比FasterRCNN網(wǎng)絡(luò)更快，又比YOLO網(wǎng)絡(luò)識(shí)別率更準(zhǔn)確。SSD算法是深度神經(jīng)網(wǎng)絡(luò)中一種直接預(yù)測(cè)目標(biāo)類別和boundingbox（檢測(cè)目標(biāo)的位置參數(shù)）的多目標(biāo)檢測(cè)算法，該SSD算法與FasterRCNN相比，沒有生成regionproposal（候選區(qū)域）的過程，經(jīng)過單次檢測(cè)即可直接得到最終的檢測(cè)結(jié)果，極大提高了檢測(cè)速度。SSD目標(biāo)檢測(cè)算法可在逐級(jí)卷積層中進(jìn)行特征映射。它的網(wǎng)絡(luò)結(jié)構(gòu)與VGG（VisualGeometryGroup，一種深度卷積神經(jīng)網(wǎng)絡(luò)模型）前5層相似，而把比較耗費(fèi)系統(tǒng)資源的全連接層改成卷積層[1]。

2.4SSD算法框架

SSD算法使用VGG作為基礎(chǔ)框架，同時(shí)取消了VGG最后的兩個(gè)全連接層，同時(shí)又添加了幾個(gè)卷積層和一個(gè)平均的池化層來提取特征，每層通過設(shè)置卷積層的步長來實(shí)現(xiàn)降采樣，得到不同尺寸的featuremap（特征圖）。SSD算法框架以及和YOLO算法的比較如圖2和圖3所示。

SSD算法是在YOLO算法的基礎(chǔ)上進(jìn)行改進(jìn)，其精確度能夠和兩階段方法媲美，同時(shí)在模型檢測(cè)時(shí)還能保持較快的運(yùn)行速度。SSD在結(jié)構(gòu)方面也采用了網(wǎng)格劃分的思路，不同于FasterRCNN的是，它將所有操作整合在一個(gè)卷積網(wǎng)絡(luò)中完成。為了檢測(cè)不同尺度的目標(biāo)，SSD對(duì)不同卷積層的特征圖進(jìn)行了滑窗掃描。在前面的卷積層輸出的特征圖中檢測(cè)小目標(biāo)，在后面的卷積層輸出的特征圖中檢測(cè)大目標(biāo)。

2.5SSD算法的優(yōu)缺點(diǎn)

優(yōu)點(diǎn)方面，在運(yùn)行速度方面SSD算法和YOLO算法相當(dāng)，在檢測(cè)精度方面和FasterR-CNN算法相當(dāng)，并且SSD算法的檢測(cè)精度和速度在76.8mAP和22FPS超過了Faster-RCNN算法和YOLO算法。

缺點(diǎn)方面，需要手動(dòng)設(shè)置參數(shù)，如riorbox的min-size、max-size和aspect-ratio值。

3鐵路異物視覺監(jiān)測(cè)現(xiàn)狀

目前，鐵路異物入侵檢測(cè)網(wǎng)絡(luò)模型的改進(jìn)主要是在CNN基礎(chǔ)上，將現(xiàn)有模型結(jié)構(gòu)進(jìn)行改進(jìn)；如YOLOv5是Ultralytics公司提出的目標(biāo)檢測(cè)算法[2]，改進(jìn)YOLOv5算法的neck部分，嵌入注意力機(jī)制；替換YOLOv5的特征提取網(wǎng)絡(luò)等；具體敘述如下。

3.1基于YOLOv5的鐵路接觸網(wǎng)異物檢測(cè)

趙仲瑜等[3]通過建模實(shí)驗(yàn)，在基于YOLOv5模型的基礎(chǔ)上構(gòu)建了兩種接觸網(wǎng)異物檢測(cè)模型：YOLOv5+坐標(biāo)注意力（CA，CoordinateAttention）改進(jìn)模型和YOLOv5+ConvNextBlock改進(jìn)模型，具體改進(jìn)方法是通過在YOLOv5模型neck部分的第一個(gè)concat嵌入CA注意力機(jī)制模塊或者ConvNextBlock模塊。相比YOLOv5算法，模型改進(jìn)后檢測(cè)小尺寸目標(biāo)的能力更強(qiáng)。

3.2基于YOLOv3高鐵接觸網(wǎng)異物檢測(cè)

蔣欣蘭等人[4]先基于LSD檢測(cè)算法獲取鳥巢的感興趣區(qū)域；其次利用YOLOv3網(wǎng)絡(luò)在ImageNet上進(jìn)行訓(xùn)練得到一個(gè)預(yù)訓(xùn)練權(quán)重，并使用人工標(biāo)注的數(shù)據(jù)集繼續(xù)訓(xùn)練網(wǎng)絡(luò)直到網(wǎng)絡(luò)收斂；最后使用訓(xùn)練好的網(wǎng)絡(luò)對(duì)感興趣區(qū)域存在的鳥巢進(jìn)行檢測(cè)。這種算法的特點(diǎn)是先使用傳統(tǒng)視覺提取鳥窩可能存在的感興趣區(qū)域，以便深度學(xué)習(xí)模型進(jìn)行檢測(cè)；再通過訓(xùn)練好的YOLOv3模型在感興趣區(qū)域?qū)δ繕?biāo)進(jìn)行精確定位和分類。優(yōu)點(diǎn)是能夠排除鐵路背景復(fù)雜的問題；增加目標(biāo)檢測(cè)定位準(zhǔn)確性。

3.3基于YOLOV5s的接觸網(wǎng)鳥巢異物檢測(cè)

王曉紅等人[5]提出了一種輕量級(jí)ESA4-YOLOV5s網(wǎng)絡(luò)模型，用于對(duì)鳥巢異物進(jìn)行實(shí)時(shí)監(jiān)控。該模型采用了EfficientNet-B4作為特征提取網(wǎng)絡(luò)，通過特征融合，提高了模型的檢測(cè)速度和精度。

3.4基于SSD算法的鐵路接觸網(wǎng)異物檢測(cè)

張萌[6]提出了一種基于MobileNetV2+FPN（FeaturePyramidNetwork，特征金字塔網(wǎng)絡(luò)）+注意力模塊的SSD改進(jìn)算法。將VGG-16網(wǎng)絡(luò)替換成輕量級(jí)的MobileNetV2，為了解決小目標(biāo)檢測(cè)效果較差的問題引入了FPN。同時(shí)為了使網(wǎng)絡(luò)能夠提取圖像中有用信息，在網(wǎng)絡(luò)中引入混合注意力模塊，使網(wǎng)絡(luò)能夠更加關(guān)注有用信息，同時(shí)抑制冗余信息對(duì)特征提取的影響，進(jìn)一步提升檢測(cè)精度。這種算法在減少了參數(shù)量的同時(shí)提升了檢測(cè)精度，進(jìn)而提高了運(yùn)算速度。

3.5改進(jìn)SSD算法的鳥窩檢測(cè)

祁婕等人[7]為了提高模型對(duì)數(shù)據(jù)特征的提取能力，將SSD算法的前置網(wǎng)絡(luò)VGGNet替換成了ResNet-101，并將Softmaxloss（損失函數(shù)）用Focal?9kKPPcUUv4Z3Pz51q2N7NQ==;loss（損失函數(shù)）代替以改善SSD算法中樣本不平衡的問題，并利用數(shù)據(jù)增廣提高數(shù)據(jù)多樣性，以提高模型的魯棒性。

4總結(jié)與展望

總體而言，應(yīng)用于鐵路異物的SSD和YOLO算法通過多尺度檢測(cè)策略和one-stage檢測(cè)策略后的模型準(zhǔn)確度能夠達(dá)到生產(chǎn)工業(yè)要求，但依然存在著一些尚未解決的問題，具體如下。

1. 模型特征算子對(duì)深層語義特征的捕獲問題，模型的魯棒性待提高。模型在實(shí)際應(yīng)用場(chǎng)景下，常常因?yàn)殍F路線路的不同、樹木的遮擋、光照、相機(jī)等因素導(dǎo)致難以提取到有效特征。
2. 當(dāng)目標(biāo)在圖像中占比小時(shí)YOLO類模型較難識(shí)別。由于列車上的攝像頭采集的圖像數(shù)據(jù)是由遠(yuǎn)到近。所以會(huì)出現(xiàn)小目標(biāo)樣本，和重復(fù)樣本，所以會(huì)出現(xiàn)一個(gè)目標(biāo)重復(fù)檢測(cè)的情況。因此如何在視頻中選取最優(yōu)幀作為數(shù)據(jù)集圖像是一個(gè)重要問題。

參考文獻(xiàn)

• 劉繼丹，孫吉，仲天舒，等.改進(jìn)SSD卷積神經(jīng)網(wǎng)絡(luò)在鋼板邊裂紋檢測(cè)中的應(yīng)用[J].冶金自動(dòng)化，2020，44（4）：43-47，80.
• 張國名.基于YOLOv5算法的接觸網(wǎng)異物識(shí)別研究[D].石家莊：石家莊鐵道大學(xué)，2024.
• 趙仲瑜，唐偉忠，張文輝，等.基于YOLOv5的鐵路接觸網(wǎng)異物檢測(cè)模型初步研究[J].鐵路計(jì)算機(jī)應(yīng)用，2024，33（2）：13-18.
• 蔣欣蘭，賈文博.高鐵接觸網(wǎng)異物侵入的機(jī)器視覺檢測(cè)方法[J].計(jì)算機(jī)工程與應(yīng)用，2019，55（22）：250-257.
• 王曉紅，杜云飛，劉暢.基于YOLOV5s的接觸網(wǎng)鳥巢異物檢測(cè)[J].長江信息通信，2023，36（6）：51-54.
• 張萌.基于無人機(jī)的鐵路接觸網(wǎng)異物檢測(cè)[D].大連：大連交通大學(xué)，2022.
• 祁婕，焦良葆.改進(jìn)SSD的輸電鐵塔鳥窩檢測(cè)[J].計(jì)算機(jī)系統(tǒng)用，2020，29（5）：202-208.