地铁隧道安全目前主要依靠地铁轨道巡检员在轨道无车时人工巡轨检查。这种方法速度慢、占用线路时间长、工作效率低,而且巡检效果完全依赖于轨道巡检员的经验和状态。针对这一问题,提出了一种基于改进的GoogLeNet网络模型的地铁隧道巡检视频异常报警系统,可以对视频中的隧道情况进行实时分类并在检测到异常时发出报警声,达到无人检测、结果准确、运行高效的目的。首先将采集到的地铁隧道巡检视频进行处理制作成适用于卷积神经网络分类的Subway-5图像数据集;在GoogLeNet inception_v2结构的基础上利用MobileNet_v1中的深度可分离卷积以及 MobileNet_v2 中引进的跳跃连接进行改进,提出了Subway_inception_v1和Subway_inception_v2两种构建块,使用提出的构建块分别搭建了SubwayNet_v1和SubwayNet_v2两种网络,分别进行训练并将训练好的网络模型及参数保存以用于后续工作;同时为了方便人机交互使检测效果的显示更为直观,制作了图形用户界面,并为系统添加了报警功能,报警声音会随着检测结果的不同而发生改变;然后将程序文件打包为可执行文件便于移植使用,同时也设计了分析系统的应用场景;最后在Subway-5 数据集上对比了 SubwayNet_v1、SubwayNet_v2、MobileNet_v1、MobileNet_v2等轻量化网络的准确率和参数量,并对比了不同网络的单张巡检图像处理速度;可视化了网络的特征图和类激活图,用于分析网络提取到的特征和类别判定依据;同时为了检验提出的网络的通用性在CIFAR-10数据集上对比了不同网络的准确率和参数量。在Subway-5数据集上SubwayNet_v1网络模型的准确率达到了 94%,在单块Nvidia TESLA-K80 GPU上图像的处理速度为52帧/秒,能够实现对视频实时、准确的分析;而SubwayNet_v2网络模型在处理速度不变的基础上将准确率提高至96%。结果表明,基于SubwayNet_v2网络模型的视频分析系统能够实时检测地铁隧道巡检视频中的异常状况并自动报警。相比于人工巡检由于地铁隧道处于弱光环境下并且有电力线缆、输水管道等设施干扰容易产生漏检,本系统具有很强的抗干扰性与准确性,同时也具有较强的可移植性。