点击蓝字
关注我们
关注并星标
从此不迷路
计算机视觉研究院
公众号ID｜计算机视觉研究院
学习群｜扫码在主页获取加入方式
https://pmc.ncbi.nlm.nih.gov/articles/PMC12996579/pdf/41598_2026_Article_39129.pdf
计算机视觉研究院专栏
Column of Computer Vision Institute
本文攻克技术瓶颈，构建铁路接触网异物专用数据集，研发RailCatFOD-Net 智能检测网络，在多尺度、细长形异物检测上实现精度突破，为铁路智能运维筑牢安全屏障。
PART/1
安全红线！接触网异物成铁路运行头号隐患
电气化铁路接触网长期暴露在户外，受环境、人为因素影响，鸟巢、轻质漂浮物（塑料袋、风筝、薄膜）是最常见的入侵异物。这类异物会导致接触网短路、断电，引发列车停运，严重时造成人员伤亡与重大经济损失。
当前行业检测存在三大痛点：
- 检测方式落后：传统人工巡检、物理传感无法高效识别异物，视频监控仍需人工逐帧查看；
- 数据极度稀缺：铁路数据保密严格，公开专用数据集极少，模型无高质量数据训练；
- 场景适配困难：铁路背景复杂、异物形态多变、尺度差异大，常规检测模型精度不足。
电气化铁路接触网异物预防性维护全流程
PART/2
数据筑基！RailCatFOD-DS 数据集填补行业空白
针对铁路接触网异物检测无专用大数据的核心问题，团队首次构建RailCatFOD-DS（铁路接触网供电系统异物数据集），彻底解决模型训练的数据短板。
数据集核心亮点：
- 覆盖全场景：包含雾天、光照变化、遮挡、雨雪等复杂环境，还原真实铁路运营工况；
- 类别精准：聚焦鸟巢、轻质漂浮物两大核心异物，标注贴合 COCO/YOLO 格式；
- 规模充足：原始采集 + 数据增强后，总样本达13866 张，异物标注总量 14798 个；
- 增强逼真：采用 S2VD 动态雨模拟、高斯噪声、Cutout 遮挡等技术，强化数据泛化性。
数据集部分训练样本（含塑料薄膜、鸟巢、强光 / 弱光 / 雨天场景）
RailCatFOD-DS 数据集对象类型、数量与图片数统计
PART/3
技术攻坚！三大核心模块打造超强检测网络
基于专用数据集，团队研发RailCatFOD-Net 检测网络，针对铁路场景多尺度异物、细长形目标、复杂背景三大难题，设计三大核心模块，实现精准检测。
1. Swin Transformer 编码器：全局特征精准提取
采用 Swin Transformer-Tiny 作为主干网络，通过窗口注意力 + 移位窗口注意力，兼顾局部细节与全局上下文，解决 CNN 感受野局限、无法建模长距离依赖的问题。
2. RRFEM 区域感受野增强边缘模块
针对细长形异物（塑料袋、薄膜），设计串联扩张卷积（膨胀率 1/2/5），扩大感受野、强化边缘特征提取，完美捕捉细长异物轮廓。
RailCatFOD-Net 整体框架 + 核心模块结构
3. MFFPN 多分支融合特征金字塔网络
深度融合浅层细节特征与高层语义特征，解决小目标、多尺度异物检测漏检问题，让不同大小的异物都能被精准识别。
PART/4
实力领跑！实验验证碾压主流检测模型
团队在自建数据集与公开 RailFOD23 数据集上开展大量实验，结果显示：RailCatFOD-Net 全面超越 DETR、DINO、YOLOv8/v10 等主流模型。
核心实验数据：
- 自建数据集：平均精度AP=60.2%，小目标检测 AP53.8%，参数量仅 78.05M，轻量高效；
- 跨数据集泛化：在 RailFOD23 数据集上 AP 达84.8%，较主流模型提升 8.4~14.4 个百分点；
- 复杂场景适配：遮挡、雨天、强光 / 弱光、噪声环境下，无漏检、误检，检测稳定性拉满。
不同主流模型检测精度对比数据
本文模型与主流模型在复杂场景下的检测效果可视化对比
RailFOD23 数据集泛化性实验结果
PART/5
总结
本次研究以数据破局、以技术攻坚，不仅填补了铁路接触网异物检测专用数据集的行业空白，更打造了适配复杂铁路场景的智能检测网络，有效解决小目标、细长形异物检测难题，为电气化铁路智能巡检、安全运维提供了全新技术方案。
未来，团队将聚焦模型轻量化、多传感器融合，让这项技术更快落地应用，守护每一趟高铁的平安出行！
有相关需求的你可以联系我们！
END
转载请联系本公众号获得授权
计算机视觉研究院学习群等你加入！
ABOUT
计算机视觉研究院
计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！
往期推荐
🔗
YOLO-TLA：一种基于 YOLOv5 的高效轻量级小目标检测模型
ViT-YOLO：基于Transformer的用于目标检测的YOLO算法
SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测
LUD-YOLO：一种用于无人机的新型轻量级目标检测网络
Gold-YOLO：基于聚合与分配机制的高效目标检测器
Drone-YOLO：一种有效的无人机图像目标检测
「无人机+AI」“空中城管”
无人机+AI：光伏巡检自动化解决方案
无人机视角下多类别船舶检测及数量统计
机场项目：解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题
2PCNet：昼夜无监督域自适应目标检测（附原代码）
YOLO-S：小目标检测的轻量级、精确的类YOLO网络
大改Yolo框架 | 能源消耗极低的目标检测新框架（附论文下载）
改进的检测算法：用于高分辨率光学遥感图像目标检测
