铁路接触网是向列车供电的输电线路,其运行状态对于铁路的安全运营具有重要意义,吊弦是接触网重要悬挂部件,随着列车运行中的机械振动与零部件之间的磨损,容易出现松弛、断裂等情况,影响列车安全行驶。传统人工巡检以及人工筛选故障图像的方式存在效率低、时间长、劳动强度大等问题,不能满足快速、高效的检测需求,因此研究出一种接触网吊弦智能检测方法具有十分重要的意义。本文的研究工作是根据3C系统中接触网状态实时监测展开的,本文实验数据来源于3C车载高清摄像机组采集到的接触网图像,以图像中的吊弦为研究对象,利用深度学习和图像处理技术实现吊弦智能化检测定位和状态识别,主要工作如下:在接触网吊弦检测网络的实验数据集制作过程中,首先使用Label Img标注图像数据,同时为了减少人工花费大量的时间标注样本数据,采用Albumentations增强库对标注图像数据进行数据增强。在接触网吊弦状态识别网络的实验数据制作过程中,首先编写程序实现从已经标注完成的吊弦图像数据中批量截取吊弦区域,然后人工筛选得到大量正常状态样本及少量的真实断裂、松弛样本;为了解决样本不平衡问题,首先人工制作部分伪异常样本数据,然后通过数据增强扩充伪异常样本量。在接触网吊弦检测中,采用YOLO v3为基础网络,并根据吊弦特征对网络做相应的改进,首先是结合吊弦特征通过K-means聚类得到适用于吊弦检测的特定先验框,实现对接触网吊弦区域的准确定位,对于吊弦的检测,考虑到吊弦先验框尺寸的特殊性,从原始的三个尺度特征图上的预测改进为两个尺度特征图上的预测,最后通过置信度和NMS筛选出最终的预测结果,实现对接触网吊弦的快速高效检测。在接触网吊弦状态识别中,采用Squeeze Net网络作为基础网络,对吊弦状态进行识别。吊弦状态识别过程是,首先从接触图像中截取出已经检测定位到的吊弦区域,然后把吊弦输入到状态识别网络中完成吊弦状态的分类。吊弦检测定位网络和状态识别网络在训练的过程中,都分别采用迁移学习的方式进行训练,解决了样本不足但参数庞大模型训练时的局限性,同时很大程度上减少了模型训练时间。