随着高速铁路的不断发展,铁路沿途的隧道数量不断增长,给隧道泄漏同轴电缆(简称漏缆)卡具检修人员的工作带来了巨大的挑战。漏缆是隧道内保证通讯安全的重要设施,对铁路列车安全运营起着重要作用。目前我国主要以人工步行查看的方式对铁路隧道漏缆卡具进行故障检测,此方法检测周期长、效率低。本文针对以上问题设计了一个基于深度学习的隧道漏缆卡具故障检测系统。该系统是由图像提取、卡具识别、故障样本扩充、数据可视化四个部分组成,各部分的具体内容如下:Mobile Netv3网络模型是一种轻量级注意力模型,延用了Mobile Netv1和Mobile Netv2的深度可分离卷积和线性瓶颈的倒残差结构,利用两个1×1的卷积层代替全连接层直接输出类别结果。本文使用Mobile Netv3网络模型提取隧道内图像,实验结果的准确率为97%。提出了一种基于YOLOv4改进的目标检测方法,该方法采用K-means聚类算法获取漏缆卡具的基准框,以Darknet-59结构作为特征提取的主干网络。Darknet-59是在Darknet-53的基础上,在conv25、conv42和conv51后面分别增加了两个卷积核大小是1×1和3×3的卷积层。本改进网络模型在实验中的正常卡具识别率达97.2%,故障卡具识别率为95.33%。经对比实验发现本改进算法就平均识别精度而言比YOLOv3和YOLOv4分别提高了0.08和0.03。使用高斯滤波、叠加噪声、明暗处理等对故障样本做单一和复合处理,解决故障样本不足的问题。实验结果表明故障卡具样本数量得到21倍的扩增。针对检测结果数量庞大造成的分析和浏览结果信息不方便、工作量大等问题,提出使用图像处理的方法对检测结果进行批量显色拼接处理,且最终结果以系统软件界面的形式展现。