近年来,随着高速列车的提速,对轨道入侵异物的监测也成为了铁路线路安全领域中越来越重要的课题。传统图像信息获取方法有在高速列车前安装摄像机,还有就是在固定铁路段的立式摄像机,这两种方式有一个共同点就是距离摄像机远的地方因为视角的原因会出现检测不准确的情况,而对于车载前摄像机检测会出现即使识别出也不能及时避开障碍物的状况。对图片中异物检测的传统方法是帧间差分法,但是此方法受场景和光线的影响较大,所以会导致检测时间较长不能够满足轨道异物实时检测。目前,微型飞行器的技术也愈来愈成熟,将其应用到图像信息的采集,有着较大的优势,既可以满足检测的实时性,又可以解决图像采集时的视角问题;而在轨道异物检测算法方面,深度学习因其网络训练模型以及特征表达方式在目标检测中有着很大的优势,所以将其应用到本文研究,并将其加以改进,使之适用于轨道图像异物检测。本文将采用微型飞行器采集轨道图像信息,应用Faster RCNN算法网络模型对收集到的轨道图片进行数据集训练以及仿真实验检测,得到较好的检测结果;同时也对改进后的算法网络模型进行了实验,经过对实验结果的分析,发现其对轨道异物检测的准确度有较大提高。课题是基于深度学习的轨道图片异物检测研究,在所做的研究工作中主要有三大部分。首先,为建立完整的数据库,使用微型飞行器沿轨道进行图像采集,航拍时飞行器摄像头调整至与地面合适角度,可以拍摄轨道沿途各段清晰的图像信息,包括带有入侵异物(人、狗、树枝和落石等)的图像拍摄,在数据集PASCAL-VOC2007的基础上进行网络训练,使网络系统学习到图像中轨道背景以及一些入侵异物的特征向量,用于仿真实验时对输入测试图像中异物的准确位置以及分类的判断。然后是对卷积神经网络结构的Faster RCNN算法的分析研究,从算法的特征提取,RPN网络Anchor的产生,对候选框的调整,入侵物的分类,以及实验参数的设定优化,使之能够适应于轨道异物的检测。也通过实验分析了通过航拍以及固定摄像机进行数据采集两种方式的检测准确精度。最后,为了在检测中可以提高图像中较小异物以及被遮挡异物的检测率,对算法进行了优化改进,引入ION(Inside-Outside Net)网络结构,其中InsideNet可以在ROI内采用skip pooling的方式连接不同卷积输出层输出的Feature maps实现多尺度融合,对较小异物的检测起到很好的作用;OutsideNet是在ROI外通过添加RNNs(special Recurrent Neural Net)网络实现上下文信息的提取,对于被遮挡异物可以提高检测精准率。最后通过仿真实验得到,引入ION网络结构后的算法网络检测系统,能够对异物的检测准确性达到较优的效果。