铁路列车作为交通运输的重要工具,其发展关系着国计民生。随着列车的日益发展,列车的安全运营也渐渐成为人们关注的焦点问题。传统的列车安全检测是依靠人工去列车箱底逐一排查,这样耗时耗力,还有可能因为视觉疲劳等因素导致错检漏检。因此,完善列车智能化自动检测系统十分必要。目标检测作为列车智能化自动检测系统中的重要一环,主要负责对列车零部件的监测。而由于工业领域下列车零部件数据的场景复杂性和物体尺度多变性,目标检测算法的设计会受到很大的考验。本文目的旨在进一步完善对列车零部件智能检测的目标检测算法,并融合结构化知识、深度学习等技术,提出两种对列车零部件检测的智能算法。本文的研究内容主要包括:1.本文提出了一种利用结构化知识的列车零部件智能目标检测算法。针对列车零部件之间强关联性和尺度多变性,算法建立在级联的卷积神经网络上,利用物体间空间关系的结构化知识来对列车零部件进行目标检测。该算法的核心思想在于,首先检测大型的且易于被发现的零部件,并发现可能包含小零部件的感兴趣的区域,以便进行进一步的开发。然后,算法提出了ROIs优化模块,该模块可以在结构化知识的基础上对这些区域进一步分析与优化。优化后的区域被裁剪、放大并输入到下面的深度学习模型中进行进一步检测。最后经过实验证明,该算法的取得了优秀的检测结果,检测精度m AP达92.30%,可以运用在有高精度需求的检测系统中。2.本文设计并实现了一种融合了结构化知识和场景信息的目标检测算法。算法主要分成三个模块同时进行,模块一是利用构建好的空间关系知识对原始特征进行优化,得到空间特征;模块二是判定输入的图像的场景类别,并提取出场景特征;模块三是根据判别好的场景类别,利用对应的结构化知识监督关系特征的生成。最后,算法设计了特征融合模块将场景特征、关系特征和空间特征进行融合,并送入最后的分类和回归网络中进行检测。实验证明显示,该算法检测能力相比基准模型有了较高的提升,整体检测准度达87.63%。该算法虽在准确度上稍逊于第一种算法,但其检测速度更快,达0.23秒/帧,适用于对检测时间有要求的检测系统。