一种基于深度学习的列车内部异常智能检测方法及系统

本发明涉及轨道交通智能运维技术领域，具体公开了一种基于改进YOLOv11与GLASS算法融合的轨道列车内部设施异常检测方法及系统。本发明改进了YOLOv11分割模型，通过引入双向特征金字塔网络(BiFPN)和自适应特征增强(AFE)模块，提升模型分割效果，对列车内部异型部件(消火器安装箱、门锁手把及盖板、通风板和防护板等)进行高精度分割，消除背景干扰；同时，创新性地改进GLASS算法，整合特征级全局异常合成(GAS)和图像级局部异常合成(LAS)策略，采用梯度上升引导的截断投影技术，实现对分割后图像的有效异常检测和定位，本发明显著提高了轨道列车内部设施异常检测的准确率和鲁棒性，为轨道交通智能运维提供了高效解决方案。