随着我国高速铁路的发展,铁路网络规模不断扩大,铁路安全受到了越来越多关注。接触网是高速铁路不可缺少的一部分,接触网是在高速铁路外侧修建的供电设施,其作用是把电能通过导线传输给高速列车。接触网系统的质量和工作状况对高速铁路的运输安全有直接的影响。据统计,接触网故障占铁路供电故障的七成,为了保证高速铁路运输的安全运行,需要对接触网关键零件进行细致检查。传统的人工巡检的方法,存在巡检精度低、检测周期长的缺点,需要一种有效的检测算法来检测接触网零件异常。本文使用图像处理和深度学习技术,针对以下几个方面进行了具体的研究:(1)针对现有的接触网关键零件检测算法检测精度不高,接触网零件小,光照条件差和背景复杂等情况,论文中提出了改进的YOLO检测算法,通过增加旁路连接,融合网络底层特征和高层特征能,网络在提取特征时,能够保留提小目标特征从而增加对小目标检测的敏感度;同时增加了Spatial Dropout,解决了网络容易出现过拟合的问题,提高了网络的泛化能力;网络的类别损失函数修为成焦点损失函数,通过对容易错分样本设置更大的权重,提高零件的检测能力。最终识别m AP达到92.49%,FPS为6.75,达到系统要求检测精度。(2)针对接触网零件异常检测中样本不平衡问题—正常样本远多于异常样本,提出基于GAN的接触网零件异常检测。使用接触网零件中的正常样本训练网络,让网络学习到正常样本的重构潜在变量。对于网络输入的图片进行自动编码得出编码潜在变量,重构潜在变量和编码潜在变量的距离小于阈值,则认为该图没有出现异常,否则认为即图片中的零件存在异常。文中对网络结构进行了修改并增加了跳层连接,使得网络模型的效果得到提升。(3)针对正负样本不平衡的情况的另一种策略,使用DCGAN网络对接触网检测出来的各个零件进行数据增强,使得正常样本和异常样本数量趋于平衡,再使用数据增强后的图片训练分类网络,ResNet分类网络的准确度分别达到91%。本文基于上述研究内容,设计并实现了高铁接触网异常检测系统。使用Python开发了一个跨平台的系统,保证系统能在多个平台上运行。通过使用大量的真实图片对系统进行测试,结果表明该检测系统能够稳定运行,并且达到预期检测精度。证明高铁接触网异常检测系统设计合理,能够准确有效的检出异常零件。