铁路运输为我国综合交通运输体系的重要组成部分,近年来取得了举世瞩目的快速发展。安全作为铁路运营的前提条件,是铁路运营维护工作的重中之重。为确保庞大复杂铁路网的安全运营,我国已构建了覆盖车务、机务、工务、电务、车辆等主流专业的安全检测监测体系,面向基础设施、移动装备、内外部环境等建立了多个安全管理信息系统,产生和积累了大量的检测图像数据,迫切需要开展面向海量图像数据的分析挖掘工作,进一步提升铁路运营安全保障能力。受限于传统图像分析技术的性能瓶颈,目前检测图像的分析主要以定期采集图像后由人工分析完成。一方面庞大的检测数据给识别人员带来繁重的工作负荷,造成人力物力的大量消耗;另一方面图像分析的准确性和覆盖度与人员的能力和经验直接相关,难以确保分析工作的质量;此外由于人工分析一般在图像采集后进行,无法确保分析的时效性。当前随着人工智能技术的发展,深度学习算法在图像识别领域取了突破性进展,因此研究采用深度学习算法解决铁路检测图像智能分析问题极为必要。铁路检测图像涵盖车辆关键部件检测图像、接触网检测图像、钢轨检测图像、隧道质量检测图像等诸多场景。其特点如下,如分辨率尺度差异明显、图像成像质量差异较大、拍摄角度多样等,造成其检测难度高于自然场景图像。为推动人工智能、大数据、物联网等先进技术在铁路图像智能分析领域中的应用,本文针对铁路图像智能分析任务涉及的关键技术及工程应用开展了一系列研究。主要工作及成果如下:(1)基于深度残差网络模型,提出一种融合迁移学习与模型可视化技术的铁路图像场景分类方法,解决铁路场景分类领域图像数据量较小造成分类模型难以收敛的问题,通过在Railway12数据集上开展的实验验证了方法有效性。本文根据图像所属场景进行分类,实现对历史图像数据的分类管理,可为后续图像检测分析提供预处理操作。基于迁移学习思想,对已在大型数据集完成训练的网络固定其浅层参数,在铁路图像场景分类数据集上对网络深层参数进行训练。基于模型可视化方法,提升铁路场景分类模型的可解释性。在Railway12数据集开展的铁路场景分类实验表明,本文方法取得了82.6%(Top1)及95.3%(Top3)的分类准确率。同时,可视化方法有助于降低数据类间不均衡性,本文实验证明对数据集进行可视化分析从而调整数据均衡性,可提升分类准确率约2%左右。(2)基于Faster R-CNN目标检测算法,提出一种基于监督学习理论的双通道缺陷检测方法,解决将目标检测方法应用于缺陷检测任务引起的缺陷分类性能受限问题,通过在铁路关键部件缺陷检测数据集及NEU缺陷检测数据集上开展的实验验证了模型有效性。本文提出一种将缺陷检测任务划分为部件检测与缺陷分类的双通道缺陷检测方法。利用改进的Faster R-CNN方法提升关键部件检测性能,进而结合SRGAN及RAISR超分辨率方法对小尺寸关键部件实现超分辨率提升,最终利用单独训练的缺陷分类网络判别部件图像是否含有缺陷。在对某路局TEDS检测系统收集的图像开展缺陷检测实验证明,该方法的mAP值可达0.792,相比目标检测方法性能提升明显。(3)基于半监督学习理论,提出一种基于空间映射的异常检测方法,以解决利用监督学习进行缺陷检测引起的数据不平衡问题,通过在MNIST、CIFAR10及高铁螺栓状态异常数据集上开展的实验验证了本方法有效性。本文提出一种图像异常检测方法,其基于BEGAN方法实现正常图像样本生成,通过多重映射模型学习正常样本的多空间映射规律。在测试阶段,通过定义适宜的阈值区分正负样本。在对4C检测系统收集的接触网螺栓检测图像进行的实验证明,该方法相比现有半监督学习异常检测算法性能提升显著,可应用于实际异常检测任务中。(4)基于Tensorflow-Serving模型部署机制,提出一种云边融合的深度学习部署方案,解决现有方法网络传输带宽压力大,影响分析时效性的问题,通过铁路图像大数据智能分析平台的建设验证了本方法的有效性。边缘计算具有节省带宽、存储成本及可在边缘节点实现任务实时响应的优点,边缘端+云端融合的形式可为铁路视频分析业务提供可行工程化方案。通过量化、剪枝、权值共享等模型轻量化技术构建适用于小算力场景下的边缘端网络模型,实现对检测视频的边缘端实时分析。云端可借助大规模算力优势,实现复杂模型的分布式训练及推理,融合多终端设备历史数据进行多维度分析,实现对业务的预测及预警。