1.一种基于车载移动深度学习平台的杆号识别方法，其特征在于，包括以下步骤：步骤1：获取高铁接触网零部件图像并标记，再筛选得到接触网杆号图像的数据集；获取的高铁接触网零部件图像为高铁检测车天窗拍摄收集的图像，并通过人工标记的方式生成含有零部件位置及种类信息的xml文件，其中数字1被标记为“1”，数字2被标记为“2”，以此类推；

步骤2：使用加速区域卷积神经网络模型Faster R‑CNN对步骤1的接触网杆号图像数据集进行训练，对全局接触网杆号图像中的杆号牌定位，得到杆号牌图片数据集；

步骤3：使用快速定位模型SSD对步骤2的杆号牌图片数据集进行训练，对杆号牌图片中的数字定位，得到杆号牌数字图片数据集；

步骤4：在嵌入式深度学习移动平台部署深度学习模型；

步骤5：使用多类别非极大抑制算法对步骤4得到的识别目标进行筛选，得到杆号数字文本，具体为：S51：通过新的图片输入到步骤4中的嵌入式深度学习平台，经过目标定位和分类，得到每个杆号数字定位框位置(x,y,w,h)、概率p及类别c，但仍会存在多个误识别框或一个数字被多个同类框定位；

S52：根据步骤S51得到的定位框坐标(x,y,w,h)、概率p及类别c，将其按照概率大小降序排列得到序列L；

S53：按照S52得到排列序列，从序列L中第一个定位框L(0)开始依次对其他定位框做交并比IOU计算，如果存在其他定位框L(i)与概率最大定位框L(0)的IOU大于0.5，则删除该定位框L(i)；

交并比IOU计算公式如下：

式中，A和B是定位框L(i)与概率最大定位框L(0)两个定位框区域；

S54：保留第一个定位框L(0)从降序序列L中去除该定位框，返回S53直至降序序列L为空；

S55：遍历保存的定位框，计算每个定位框的中心位置(xm,ym)，按照位置从上到下排列；

定位框中心位置计算公式如下：

式中，xm和ym是定位框中心点坐标，x、y、w和h分别为定位框的左上角横、纵坐标、定位框的宽和高；

S56：按照S55的排列顺序遍历保存的定位框，计算相邻两个定位框的中心距离，如果小于杆号牌像素大小的九分之一，则删除两者置信度低的定位框。

2.根据权利要求1所述的一种基于车载移动深度学习平台的杆号识别方法，其特征在于，所述步骤4中嵌入式深度学习移动平台部署过程如下：S41：所使用的嵌入式移动深度学习平台为Nvidia Jetson TX2，该平台面向移动嵌入式系统市场中的GPU加速并行处理；

S42：对深度学习平台进行刷机并安装JetPack3.1与CTI‑L4T，开启平台多核模式，编译安装tensorflow1.3.0版本。