在目前的铁路系统场景下,关键区域(包括桥梁、隧道及咽喉区域)不允许外来人员上道,但经常会发生人员等外物私自入侵铁路关键领域,导致重大事故的发生。随着人工智能技术的兴起,深度学习已经成为一种较为普遍的技术来代替重复的人工操作,可以在精度相同甚至高于人类识别精度的情况下,大幅度提升工作效率。本文提出一种新型的基于深度学习的铁路关键区域的入侵检测系统,实现了关键区域内的异物目标的识别检测,去除非关键区域外的异物干扰。系统在关键区域内识别检测发现存在异物时,会主动发出告警信息,避免入侵事故的发生,并在web终端中进行数据分析统计为工作人员提供全面的入侵信息。入侵检测系统采用deeplab语义分割模型实现了铁路关键区域的识别检测,在图像背景发生变化时仍可以正确识别出铁轨区域,采用YOLO目标检测网络实现了异物识别,对比异物目标位置与铁轨关键区域是否存在交集判断是否发生入侵事件。为了提升检测的效率,本文对目标检测网络提出优化改进方法,进行稀疏化训练并压缩裁剪。最终检测数据通过基于finereport的终端数据平台实现分析统计。终端数据平台实时上报检测信息并发出入侵事件预警。本文的主要研究内容和研究工作为:(1)本文采用deeplabv3和YOLOv3相结合的方式,实现铁路关键区域内的异物识别检测,区分铁轨区域内的异物与非铁轨区域的异物。在摄像头发生转动或变焦时,图像背景发生变化后对铁路关键区域仍可以智能进行再次识别,无需人为修正。(2)本文针对YOLOv3目标检测检测模型进行优化改进,使模型更适合于铁路场景下的目标识别。通过压缩裁剪模型参数体积,使模型参数体积更小,不仅减少了模型运算时的内存占用,而且提高了模型的检测性能,提升了运算速度,提高了检测效率。(3)本文针对入侵检测结果,搭建了入侵检测数据的终端平台网页。入侵检测数据上报入侵检测系统终端平台,在终端平台上可以实时查看入侵检测结果,并完成数据的统计分析,提供更全面的监控信息。该入侵检测系统对轨道关键区域的检测准确率可以实现95%以上。优化改进后的检测模型更适应铁路场景下目标的检测,m AP由0.77提升至0.95,对模型进行压缩裁剪后损失不超过0.01。裁剪后的模型内存占用缩小为原始模型的五分之一,模型同步检测的视频流数由6路提升到10路,在相同的计算资源下,检测效率提升了8倍。