基于YOLO的轨道扣件状态检测*

王兵水，郑树彬，柴晓冬，李立明

(上海工程技术大学 城市轨道交通学院，上海 201620)

0 引 言

扣件作为固定轨枕和钢轨的器件，它的状态好坏直接关系到行车的安全。故对扣件状态的检测从而判断扣件是否正常工作保证行车安全就显得尤为重要。伴随计算机技术的快速发展，结合卷积神经网络的深度学习算法日渐成熟，国内外许多优秀的专家和学者将机器视觉技术应用于特定目标识别上，并做出了许多相关的研究。深度学习技术在图像识别、目标跟踪、语音识别和自然语言处理等方面均有广泛的应用，利用机器视觉技术与深度学习的图像处理技术进行扣件状态的检测也成为一个热点研究领域[1]。基于卷积神经网络的扣件检测具有广泛的应用前景和巨大的实用价值。卷积神经网络是一种通过对现有的大量的数据进行训练从而搭建一个具有特定特征的模型来进行特征学习的机器学习方法，目前为止已经有R-CNN[2]，Faster R-CNN[3]，Fast R-CNN[4]和YOLO[5]等检测算法。YOLO采用彻底的端到端的检测方法，不需要区域建议寻找目标，具有检测速度快，背景误判率低等优点。

1 YOLO网络结构

YOLO(you only look once)网络结构由输入层、卷积层、池化层、全连接层和输出层这五部分组成。卷积层作为神经网络的典型层其作用是对输入的扣件照片进行卷积操作，将照片信息和卷积核进行卷积以达到特征提取的作用[6]。本网络中采用了24个卷积层和2个全连接层。卷积核包含了3×3和1×1两种。

1.1 优化的卷积层

在整个卷积层中放弃传统神经网络所采用的单一卷积核而采取两种卷积核进行卷积处理的措施，研究结果也表明该种方式处理速度更快，有效缩短了特征提取的时间。……