随着中国铁路技术的不断进步,高速列车已成为人们出行的首选。截止2019年第一季度末,我国高铁累计运输旅客已经突破100亿人次。为了保障高速列车高效安全的运行,每辆列车都需要在夜间花费长达100分钟进行全面检修。无法快速增长的检修能力与日益增加的列车保有量之间的矛盾日益突出,这使得“人检”向“机检”的转变迫在眉睫。当前高速列车检测采用TEDS系统,但存在较高的误报率和漏报率,所以仍然需要投入大量的人力去检测。自从2012年始,深度学习在图像识别领域不断取得突破并在Image Net大赛上表现不俗。相比较传统SVM等图像识别技术,深度神经网络不再需要CV工程师手动设计特定的图像特征,而是依靠卷积神经网络训练大量的图片来提取深层次的图像特征,因此无论是识别精度还是运算速度都超越了传统的图像处理。本文提出的基于深度学习的检测方法,能够实现高速列车底部螺栓的精准定位,并且识别其状态正常与否,这对于提高列车的检修效率具有重要实践意义。本文将列车螺栓缺陷检测分为两个阶段,第一阶段完成对底板螺栓的定位任务,第二阶段完成定位螺栓的缺陷检测任务,判断其工作状态是正常还是丢失,主要工作如下:一是在螺栓的定位方面,采用Label Img标图软件标注了13239张底板图像中的三类螺栓,完成数据集的制作。通过实验对比了Faster R-CNN、SSD和Yolov3等三类算法在螺栓定位中的检测效果,并针对Yolov3算法进行了改进:提出了一种基于k-means++的遗传算法对anchor的计算进行优化。通过k-means++来生成遗传算法的初始种群,依据各类anchor与目标框之间距离的倒数作为适应度函数,采用基于适应度的自适应交叉变异率,进化出与目标真实框更贴近的anchor。实验结果证明Yolov3在实时性和检测精度均超过其余两类算法,并且基于遗传算法生成的anchor也有效地提升了Yolov3的召回率和IOU。二是在螺栓的缺陷检测方面,针对神经网络权重过大,检测效率较低的问题,对VGG16网络进行了两种改进。第一种是采用全局平均池化替代全连接层;第二种是采用网络剪枝,剔除对网络输出贡献较低的卷积核,实现网络的压缩。在网络微调训练过程中,引入了warm-up的预热学习率,通过与其他学习率的对比实验,选出最为合适的学习衰减策略,最终实现网络压缩率达到98.38%,网络检测效率提高63.35%的优化效果。