铁路机车是钢厂内大宗物资运输的主要工具,如矿石、焦炭、铁水罐、钢坯、钢产品等的转运,需24小时作业。钢厂内铁路道口多,人员流动大,夜晚、雾天、雨雪时视野模糊,因此,铁路道口、铁路沿线通常是各大钢厂安全事故易发区域,分析表明,铁路道口人车抛锚、铁路沿线落石、杂物、雨雪覆盖,司机疲劳,铁路轨道缺损、弯道转弯不及时等情况是铁路事故发生的主要原因。采用基于深度学习的机器视觉技术检测轨道,及时发现情况,并输出预警信息,辅助机车司机的瞭望,可极大减少铁路安全事故的发生。该方面的研究工作,也可为未来轨道机车无人驾驶奠定一定的技术基础。文中采用基于YOLO深度学习算法,开展轨道检测算法研究。主要工作有以下几个方面:首先,对图片进行预处理操作和数据标注,对数据集进行逆透视变换处理,建立训练集和测试集。进而,分别用YOLO-v1、YOLO-v2、YOLO-v3网络结构模型,对训练数据集和测试数据集进行训练检测,分析多种环境下的适应能力,特别是光线较弱、雨雾天气等复杂环境下的鲁棒性以及有效性。结果表明YOLO-v3模型在检测精度和速度上具有明显优势。最后,对YOLO-v3做了边界框的水平和垂直密度改进,并采用两阶段特征提取的轨道模型在检测速度上优于其他模型,比基础YOLO-v3网络在检测精度以及检测速率上均有一定的提升。