高铁接触网支柱号是“一杆一档”系统下支柱身份的唯一辨识依据,对其自动准确识别是接触网系统故障预测和健康管理的基础。同时,接触网由于暴露在户外环境工作,容易受到异物侵入导致供电安全受到威胁。现阶段异物排查手段以巡检人员人工巡查为主,成本高且效率低。目前的研究基于高铁接触网安全巡检系统(2C系统)采集的图像,采用图像处理方法实现支柱号识别与异物检测。本文在研究已有支柱号识别及异物检测方法后,发现以下待解决的问题:(1)2C检测图像尺寸较大且背景复杂,同时图像中的支柱号牌尺寸较小,采用通用目标检测算法难以准确定位;(2)对于支柱号牌中的字符识别,采用先分割字符然后对单字符进行分类的方法会因分割时的误差导致识别准确率低,且这种两步骤级联的方式增加了算法复杂性;(3)接触网异物检测问题具有少样本的特点,即检测图像中含有异物的图像相较于正常图像样本量极少,不具备采用常规深度学习检测方法直接检测异物的条件;(4)2C检测图像为连续帧图像,单根支柱会出现在连续多张图像中,处理全部图像会导致支柱被重复检测。针对以上问题,本课题研究高铁接触网支柱号识别与少样本异物检测问题,以2C系统采集的图像作为研究对象,基于计算机视觉的技术检测接触网异物并定位出现异物的支柱位置,主要工作如下:首先,针对2C检测图像中支柱号尺寸小的特点,通过比较常用卷积神经网络及目标检测算法后,采用YOLOv2算法框架,在Darknet-19骨干网络基础上加深网络并引入残差结构避免退化问题,改进网络结构以进行多尺度特征融合,结合特定先验锚框与动态调成的输入方式,实现了单一小支柱号图像的精确定位;利用定位坐标信息提取连续帧图像中的关键帧,减少后续异物检测模型计算量;然后,针对接触网支柱号牌图像,提出一种图像序列识别模型以识别不定长的支柱号字符,并利用前后帧支柱号连续的特点对识别结果进行矫正及异常号牌检测;接着,针对接触网异物样本量少的特点,采用“异物潜在区域定位+区域图像分类”的思路,定位到异物感兴趣区域(Ro I)后,采用基于相似性度量学习的元学习分类器进行图像是否含有异物的分类,并进一步采用元图像增强网络对异物样本集进行补充,提升分类准确率;最后,针对单一分类方法准确率提升的瓶颈问题,采用特征设计分类器进行补充,对Ro I区域提取线条特征并采用支持向量机(SVM)进行分类,进而以堆叠法将元学习分类器与特征设计分类器异质集成并进行因素筛选,得到适合接触网异物检测的集成分类方案。通过对实际线路图像实验分析,验证了本文所提方法的有效性和可行性。