摘要
近年来，城市轨道交通进入高速发展阶段，路网运营安全影响备受关注，列车受弓区域异物入侵引发事故隐患巨大。城轨列车受电弓区域异物检测技术成为轨道交通安全的热点研究内容，传统非接触式异物检测方式在城轨列车受电区域下检测速度较慢、识别精度不足且鲁棒性差，深度学习的异物检测方式取得了较好的检测效果但仍有但不足之处。本文分析了YOLOv4网络特征提取与特征融合方面的不足，分别对YOLOv4的特征提取网络和特征融合网络进行针对性的改进，构建更适用于城轨列车受电弓区域异物检测网络。本文的研究工作如下： （1）针对YOLOv4在城轨列车受弓区域异物检测过程中检测精度不高的问题，提出了一种基于注意力机制的YOLOv4异物检测网络。在YOLOv4的特征提取网络中引入ECANet注意力模块增强网络的特征提取能力，使感受野更加关注于目标特征而忽略无关特征。实验结果表明，改进后的网络有效的提高了异物识别精度。 （2）针对YOLOv4异物检测过程中易出现小尺寸异物漏检的问题，在之前研究的基础上提出了一种自适应空间特征融合的YOLOv4异物检测网络。将YOLOv4中的特征融合网络替换为FPN+ASFF结构进行自适应特征融合，通过形成不同尺度特征图融合的不同权重，使特征融合时网络突出有效特征并抑制无效特征，增强网络对小目标异物的特征表达能力；采用α-CIoU化边界框的损失策略，优化所有层次的目标并创造了更多空间来学习高IoU目标特征，提升网络的训练效果。实验结果表明，改进后网络有效的降低了小目标异物的漏检率。 （3）本文将改进的YOLOv4算法运用到实际的城轨列车受电弓区域异物检测场景中，搭建了城轨列车受电弓区域异物检测系统，制定并实施了城轨列车受电弓区域图像的获取方案、选定了城轨列车受电弓区域异物图像预处理方式、开发了用于受电弓区域异物检测的上位机软件；通过城轨列车现场过车实验对改进的YOLOv4算法进行验证，实验结果表明，本文开发的算法精确率达到了82.6%，召回率达到了95.85%，能准确的检测出城轨列车受电弓区域异物。
NETL