泄漏电缆是铁路通信系统的重要组成部分之一,在铁路隧道等特殊地段中会利用漏缆来实现无线覆盖。为避免漏缆脱落影响铁路正常运行,对其固定卡具的状态监测至关重要。传统人工巡检,即使用肉眼观测卡具是否出现损坏、松脱,效率低下,无法满足铁路系统实时监测的要求,故需寻求新的卡具缺陷识别方法。本文选取基于深度学习的目标检测算法开展卡具缺陷识别研究,通过在漏缆卡具数据集上训练不同的检测算法并分析实验结果,验证自动化缺陷识别的切实性和可靠性。同时根据数据集的特点,不断改进算法,使模型具有更高的卡具缺陷识别准确率。主要的研究内容可以分为两部分。第一部分主要是分析对比不同目标检测模型的性能,分别选取了一阶段算法和二阶段算法中具有代表性的模型进行训练。本文首先根据原始图像质量、目标物体大小、卡具故障情形等漏缆卡具数据集特点,明确实验所面临的难点,拟定完整的技术路线。然后,选定具体的检测模型对数据集中的所有卡具进行识别,包括一阶段算法YOLOv3和Retina Net,二阶段算法Faster-Rcnn-FPN和Libra-Rcnn。实验结果表明,一阶段算法具有较高的模型推理速度,但存在预测框冗余的问题。二阶段算法的推理速度稍慢,但产生的预测框与真实框数量更为接近,避免了检测精度虚高的问题。经过此阶段的大量实验,验证目标检测算法在缺陷检测任务中的可行性,并为后续的改进实验打下基础。第二部分主要是对检测算法进行的改进,从之前所训练的模型中选取最符合准确高效要求的Faster-Rcnn-FPN模型进行算法改进,尝试对数据集所面临的诸多问题一一给出相应的解决方案,最终提高算法在卡具缺陷识别任务上的性能。具体的改进措施包括:结合数据集特点,采用均衡化、锐化、数据增强等预处理和样本扩充方法,并利用较小尺寸锚点框匹配卡具大小,减小图像昏暗、卡具过小等问题带来的影响;同时利用在线难例挖掘和焦点损失技术,探索难分类卡具的检测增强方法;最后尝试加大分类损失函数中缺陷类别的权重以及缩减卡具类别数量,体现缺陷卡具的重要性。通过这些改进实验,本文对缺陷卡具的平均召回率达到96.8%、平均准确率达到90.4%,相比于文中所使用的基础模型,两项数值分别提升了6.2%以及5.9%,缺陷识别系统的性能得到明显优化,也能为高速铁路的通信安全提供更好的保障。