用于电气化铁路接触网的异物检测数据集与网络

为什么架空线上的奇怪物体很重要

抬头看电气化铁路线上方，你会看到一张静静为列车输送电力的电缆网络。当鸟巢、塑料袋或被风吹起的风筝等异物缠到这张网络上时，可能引发停电、列车延误，甚至安全隐患。本研究要解决的是现代铁路的一个实际问题：如何教会计算机自动识别这些危险的入侵物，以便在它们造成问题之前发现并处理。

维护架空电力线安全的问题

架空供电系统称为接触网，包含电线杆、接触线和支撑电缆，延伸数百公里。随着时间推移，天气和人类活动会使意外物体落到这些线路上。鸟巢、气球和塑料薄膜可能燃烧、短路设备或掉落到列车和轨道上。如今，许多铁路仍依赖人工巡查或工作人员观看数小时视频来查找此类隐患。这既慢又昂贵，而且容易漏检，尤其当异物体积小、部分被遮挡或在恶劣天气下拍摄时。

普通计算机视觉为何难以胜任

数字摄像头和人工智能可以实现对接触网的持续监控，但现成算法在这种环境下难以应对。背景复杂：电线杆、树木、建筑和电缆以令人眼花缭乱的方式重叠，异物往往呈现为远处的微小斑点或细长条。基于卷积神经网络的经典深度学习检测器在识别清晰、中等大小的目标时表现良好，但它们的“视野”有限，容易漏掉挂在线缆上的细长、长形或远处目标。公开训练数据也很稀缺，因为收集并共享运行铁路的真实故障图像存在困难。

构建真实的图片集合

为了解决数据短缺问题，作者们组建了一个专门针对电气化铁路线路上异物的新图像集合，命名为 RailCatFOD-DS。该数据集包含13,866张图像，标注对象超过14,000个。数据集聚焦两类主要风险：鸟巢和轻型碎屑，包括塑料袋、薄膜和风筝。为了模拟现场的恶劣条件，团队做的不仅是简单的翻转和旋转，而是加入了逼真的计算机生成雨、雾状模糊、随机噪声、亮度变化和人工遮挡，使模型能在大雨、强光、低光和杂乱场景中学习工作。结果是一个对小目标和部分遮挡目标特别有挑战性的基准数据集。

针对微小、棘手目标调优的网络

基于该数据集，研究者设计了一个名为 RailCatFOD-Net 的检测系统。其核心采用了一种现代视觉架构——Swin Transformer，它在重叠窗口中扫描每幅图像并关联远处区域，帮助模型理解微小目标与更大场景之间的关系。在此核心周围，团队构建了两个专门的附加模块。其一是多分支融合特征金字塔，它将细粒度的层与更粗全局的层的信息融合，以便同时检测尺寸差异很大的目标。其二是区域边缘聚焦模块，它扩展了每个点的上下文区域并强化边界，尤其适用于沿电缆悬挂的长条形碎屑。

新方法的表现如何

在新数据集上测试时，RailCatFOD-Net 在一系列知名检测方法中表现优越，涵盖基于 Transformer 的模型到流行的实时系统如 YOLO。按照严格的评估标准，它取得了约60%的总体准确率，在发现小目标和细长目标方面相比以往技术有显著提升。该系统在一个由不同图像来源和合成异物构建的公开数据集上也具有良好泛化能力，再次名列前茅。可视化示例显示它能正确检测部分遮挡的鸟巢、同一场景中的多个异物，以及在雨、炫光和噪声条件下的碎屑，而竞争方法要么漏检要么产生误报。

这对未来铁路出行的意义

对非专业读者而言，结论很直接：这项工作使自动化铁路监测更接近现实。通过将真实且精心准备的图像集合与针对架空电力线特点量身定制的检测网络相结合，作者们表明计算机可以可靠标记那些人类可能忽视的风险物体。尽管该系统目前对最小的车载设备仍然偏重且仅依赖普通摄像图像，其成功表明未来可能出现更聪明、更轻量的版本——或与红外等其他传感器融合——以实现全天候监控数千公里轨道。这将带来更安全的旅程、更少的服务中断和更高效的电气化铁路维护。

引用: Li, F., Cao, J., Yang, H. et al. A foreign object detection dataset and network for electrified railway catenary systems. Sci Rep 16, 9104 (2026). https://doi.org/10.1038/s41598-026-39129-8

关键词: 铁路安全, 计算机视觉, 目标检测, 架空电缆, 交通监测