电气化铁路接触网作为向高铁动车组、电力机车提供可靠、不间断电能的关键基础设施,其工作状态的安全稳定直接影响铁路的安全运输。接触网定位管开口销是接触网腕臂结构中的重要紧固件,户外的恶劣环境和列车长期运行中产生的振动可能会导致其脱落,造成腕臂结构松动,影响列车安全运行。随着高铁接触网4C检测车投入使用,工作人员通过检测车采集的接触网高清图像逐一判断零部件工作状态,该方法效率较低且不能及时指导检修。因此,有必要研究接触网零部件缺陷的智能识别方法。本文设计了一种基于开口销定位提取,缺陷样本集扩充和缺陷识别模型训练的三级级联架构,将改进DCGAN生成的模拟缺陷样本经过轻量级CNN的筛选后,用于优化VGG16缺陷识别模型的训练,克服了开口销缺陷样本数量不足的问题,实现了基于类别数量不均衡样本的开口销缺陷识别。首先,在架构第一级中进行开口销定位提取。针对4C检测车采集的接触网腕臂结构中间局部图像中包含多个零部件且图像背景灰度与零部件接近的问题,选用Faster R-CNN由粗到精定位开口销,并设计了中心点提取法,依据定位坐标提取相同尺度的开口销,完成开口销样本集的搭建。然后,在架构第二级实现了开口销缺陷样本集的扩充。为解决缺陷样本数量不足对缺陷识别模型训练造成的过拟合等问题,通过对比分析主流GANs的生成效果,选择适合开口销的DCGAN并调整其模型结构,在此基础上,基于改进后的DCGAN生成模拟缺陷样本,并搭建轻量级CNN分类模型对生成的模拟缺陷样本进行筛选,保证扩充缺陷样本集达到精度要求。最后,在架构第三级对开口销缺陷识别模型进行训练,将第一级搭建的开口销样本集与第二级中的扩充缺陷样本集合并作为训练集,在迁移VGG16预训练参数的优化VGG16模型上训练至收敛,从而实现开口销的缺陷识别。基于Tensor Flow深度学习架构和依据4C检测车采集图像的实验结果表明,本文设计的三级级联架构在开口销缺陷识别中的准确率高达99%,对于不同拍摄角度和曝光强度的图像有很强的鲁棒性。