李 健，王政彤

0 引言

接触网系统部件种类数量多且复杂，若发生故障会对铁路安全运行造成巨大威胁。在“接触网悬挂状态检测监测装置（4C）”系统中，安装在车顶的高清摄像机对接触网设备进行图像采集，并根据相机安装角度的不同将拍摄到的平腕臂、斜腕臂、承力索座、定位线夹、定位器、吊柱座、附加悬挂设备等特定部件图像及全景图像存储到硬盘中，数据分析人员可通过查看图像分析缺陷[1]。接触网故障检测工作耗时费力，若单纯依靠人工查看分析，检测周期长、工作量大，且存在漏检风险[2]。近几年，随着深度学习技术的快速发展，智能识别已逐渐应用于接触网缺陷检测，研究4C智能识别对接触网缺陷分析具有重要意义。

1 检测算法流程

目前，许多图像处理方法已应用于接触网悬挂 状态的自动检测。文献[3]阐述利用LBP（Local Binary Pattern，局部二值模式）与HOG（Histogram of Oriented Gradient，方向梯度直方图）作为融合特征，通过训练SVM（Support Vector Machine，支持向量机）分类器对接触网旋转双耳开口销缺失进行检测；文献[4]主要探讨利用HOG特征和SVM分类器对线夹部件缺陷进行检测。传统图像处理方式对接触网缺陷具备一定的检测能力，但准确率仍有待提高。随着深度学习技术的不断发展，一些基于深度学习的检测方法已开始应用于接触网缺陷识别检测中。文献[5]阐述利用目标检测算法SSD（Single Shot MultiBox Detector）和特征提取网络Mobile Net，首先对接触网关键区域进行初定位，然后采用Mask R-CNN（Region-CNN）目标分割方法对螺母部件进行精确定位，最后利用精确定位图中的螺母与开口销面积比例判断螺母开口销是否缺失，该方法可对关键部位螺母开口销缺失进行检测，但通用性有待提高。……