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AP60.2%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