导读接触网作为电气化铁路供电系统的重要组成部分承担着电力传输的重任然而鸟窝的入侵可能造成接触网接地跳闸或绝缘击穿等故障对行车安全造成危害。由于人工对鸟窝巡检的效率偏低利用动车车载接触网运行状态检测装置(3C)采集的可见光全景图像并基于深度学习方法来识别鸟窝已经成为当今技术发展的一种趋势。现有深度学习框架的训练方式大多是基于大量带标注的训练数据而鸟窝在接触网中的稀缺性使得很难采集到充足的样本数据且鸟窝的目标较小容易受背景干扰。因此本文采用级联的方法对鸟窝进行识别第一级检测网络基于YOLOv8算法实现对鸟窝潜在区域(横梁、支柱和杆塔)的识别排除大面积无关背景的干扰第二级检测网络基于域适应小样本目标检测算法AcroFOD以潜在区域作为输入识别并定位鸟窝通过域感知增强和定向优化策略将源域的鸟窝特征迁移到目标域达到96.9%的检出率和2.4%的误报率。此外根据鸟窝区域的几何特征对算法进行后处理优化在保证相同检出率的基础上误报率降低至0.1%解决了工程化应用瓶颈。本文方法只需6张极少量的接触网鸟窝数据就能实现鸟窝的有效检测为后续接触网鸟窝的清除提供有力支撑。作者信息王 犇, 田 野, 李 晨, 皮 魏, 孙木兰, 袁希文株洲中车时代电气股份有限公司智能工控事业部湖南 株洲王俊平株洲中车时代电气股份有限公司数据与智能技术中心湖南 长沙论文详情本文提出的接触网鸟窝检测系统整体框架流程如图 1 所示。这里采用 YOLOv8 网络进行鸟窝分布区域的检测识别图 2 展示了 YOLOv8 目标检测网络的结构图该算法是一阶段检测算法的代表。如图 4 所示网络主要包含三个步骤首先通过域感知增强来扩展目标域的数据分布然后将扩展后的数据和目标域数据同时输入到特征提取器提取后的特征向量再经定向优化策略来过滤掉不适合减小域偏移的样本最后再将优化后的数据送入检测器进行训练训练后的模型能够缓解领域之间的差距所导致的性能下降。定向优化前和定向优化后的适应情况如图 6 所示最后将优化后的数据投入检测器进行训练有利于检测器减轻域偏移现象。LSD 是一种传统直线检测算法通过利用检测图像中局部轮廓灰度的剧烈变化查找近似矩形区域来获得其中直线的数量该方法具有结果准确误检可控同时不需要调节参数的优点算法流程如图 7 所示测试集数据为 510 张最终测试结果如表 1 所示均值达到了 96%的精度96%的召回率以及 97%的 mAP 值。为了说明 YOLOv8 模型的有效性在同等实验设置下相继比较了该算法与其他方法Faster R-CNN、SSD和 YOLOv3在同一测试集中的性能。实验结果如图 11 和表 2 所示其中 Faster R-CNN 为二阶段目标检测方法SSD、YOLOv3 和 YOLOv8 为一阶段目标检测方法由图 11 可见本文采用的 YOLOv8 网络在三种指标上均取得了最高精度其中 mAP 指标超出 Faster R-CNN 2%Precision 指标超过 Faster R-CNN 和 SSD2%由表 2 可见YOLOv8 检测速度优于其他同类型算法。可见在对鸟窝潜在区域的检测识别上YOLOv8 网络模型具有更好的性能。实验结果如表 6 所示可以看出无论是检出率还是误报率本文提出的级联的方法都要优于直接用原始图像进行检测。为 了验证算法优化后的有效性本文统计了 48 万张测试集的误报情况结果如表 7 所示在保持原来检出率的同时误报率由之前的 2.4%降到了 0.1%可见优化后的算法程序能够有效降低误报。本文针对高速铁路接触网中的鸟窝检测提出了一种级联的解决方法在第一级检测器中用前沿目标 检测网络 YOLOv8以较高精度定位鸟窝可能出现的横梁、杆塔、支柱区域大幅缩小目标物检测的搜索范围避免了部分无关背景的干扰。在第二级检测中只需检测潜在区域中的鸟窝位置将域适应小样本目标检测方法首次应用在接触网鸟窝场景标注少量目标域数据就能获得较高精度。为说明 AcroFOD 算法在本场景中的优越性将 AcroFOD 与主流的小样本目标检测方法 FSDetView 进行对比该方法得到了 96.9%的检出率远远高出主流算法证明了场景迁移比类别迁移更适合于高速铁路接触网上的鸟窝识别。并在后续对算法进行优化在保持相同检出率的前提下误报率由 2.4%降到了 0.1%体现了本文方法的可行性。此外轨道交通普遍存在故障样本数量很少的情况小样本学习方法在鸟窝识别中的有效性证明该方法可移植到弓网异常识别项点和主动防撞等场景中为少量异常样本训练导致故障识别模型鲁棒性和泛化性差的问题提供一种低成本高精度的解决方案。原文链接https://doi.org/10.12677/airr.2026.153089