随着我国高速铁路运营里程的快速增长,如何保障铁路安全运营成为一个关键问题。铁路异物侵限作为铁路行车安全重要威胁之一,要求检测系统具有较高的实时性和可靠性。目前,基于视频图像分析的铁路异物侵限检测算法主要是部署于后端服务器中,图像数据由于带宽限制在传输过程中存在丢失,且多路图像用单个设备的处理方法会进一步加剧检测延迟,难以实时高效地识别异物。因此,为了满足铁路异物检测任务的要求,本文提出了一套基于嵌入式GPU平台的铁路异物侵限检测系统。本文主要完成了铁路数据集的构建,异物检测算法的设计和嵌入式平台下的系统优化三个方面的工作。为了解决样本类别不平衡问题,本文利用高速铁路沿线相机采集的监控视频和网络中采集的图像构建了铁路异物入侵数据集,包含了不同天气,光线变化和地域等诸多场景符合实际要求。为了提高网络的计算效率,本文以SSD框架为基础提出了AF-SSD算法来实现异物识别任务,首先通过K-means算法得到适合铁路数据集的候选框信息来加速网络收敛速度;然后使用轻量化网络Mobile Net替换VGG-16作为新的特征提取网络减少主干网络的计算量,通过修改卷积层步幅使得浅层预测特征图后置包含更强的语义信息来提高对小目标的分类性能;最后设计了一个自适应特征融合模块,使得网络在推理过程中能够根据输入图像中目标的尺寸大小自主地以不同的权重进行深度特征和浅层特征融合。AFSSD算法在PASCAL VOC公共数据集检测精度达到了76.1%,其中小目标的检测效率比SSD提升了一倍,铁路数据集上的检测精度达到了89.66%。为了解决数据长距离传输过程中丢失和检测延迟问题,将检测算法AF-SSD部署到嵌入式平台NVIDIAI Jetson TX2中。但由于平台功耗限制,可以通过优化方法来最大化平台性能以提高检测实时性。具体优化策略包括:利用Tensor RT优化模型计算图来提升GPU的利用率,并降低网络推理的数值精度以节省内存和计算量;使用Gstreamer组件进行视频硬解码减少CPU的工作负荷,并采用多线程设计将视频读取和模型推理分离,避免视频阻塞;将非极大值抑制模块NMS重构使其能利用GPU资源来加速后处理过程。本文设计的铁路异物检测系统,通过在嵌入式GPU平台上应用不同场景下的数据测试,该系统的整体平均准确率达到了96.68%,其中小目标的检出率为79.41%,单位时间的速率在16FPS以上,具有良好的检测效率和实时性,满足实际铁路场景下异物检测的要求。