弓网系统是城市轨道交通列车供电系统的关键系统,其担负着将牵引网电能输送给电力机车的重要任务。受电弓和接触网是弓网系统的关键组成部分,由于其恶劣的工作环境和所承受的强烈的电气和力学作用,受电弓和接触网都容易产生各式各样的病害,其中最为常见的就是磨耗病害。目前地铁相关部门最常用的检测手段仍然是人工检测方式,耗时耗力,同时效率较低,本文主要的研究内容就是利用计算机视觉相关技术,通过深度学习、图像处理、双目视觉和线结构光等方法,实现对受电弓和接触网磨耗特征的建模以及病害分析,为城市轨道交通受电弓和接触网磨耗病害的自动化、智能化检测提供技术支持。本文的研究内容主要包括以下几个方面:(1)基于深度学习的受电弓区域提取和病害识别。针对受电弓滑板表面病害的检测问题,采用深度学习理论方法,以Faster R-CNN框架为基础,对其网络结构以及参数等进行调整,并应用了Soft-NMS技术改进,经过模型训练后,实现了从原始图像中提取受电弓区域并识别病害类别,经过模型测试,验证所用方法能够具有较高的精度;(2)基于图像处理的受电弓碳滑板磨耗分析。以上一章提取的受电弓区域以及大致病害类型为基础,应用了图像处理技术,实现了受电弓滑板磨耗曲线的提取和拟合,并根据不同类型病害的数学定义,对实际采集的受电弓滑板病害进行量化分析,经过与实测数据对比,验证检测精度较高;(3)基于双目视觉的接触网表面三维重建和病害分析。针对单相机检测方式的局限性,基于双目视觉理论,在实验室环境下搭建立体成像检测系统,完成系统标定后采集接触网图像对,经过图像校正、立体匹配和转换计算后,实现了接触网表面的三维重建,并提出了一种基于采样磨耗曲线的病害定义方法,对不同类型接触网磨耗病害进行分析;(4)基于线结构光的接触网表面三维重建。针对双目视觉方案易受环境干扰、特征提取和匹配困难等问题,提出使用线结构光方案,对系统参数进行标定,进行光平面标定和光条中心提取后,即可以较高的精度获取光条中心点的三维坐标,最后利用仿真生成的接触网表面点云数据,对接触网表面进行三维重构。