摘要
随着我国电气化铁路的迅猛发展，铁路系统的运营维护难度逐渐增加，其安全性和稳定性也越来越受到关注。接触网是电气化铁路供电系统的重要组成，主要负责向列车持续供电，而绝缘子作为系统的绝缘部件，其能否正常工作将直接影响到铁路安全，所以需要定期对其进行状态检测。目前，接触网的状态检测主要以巡检装置先采集接触网部件的高清图片，再对图像进行分析的方式进行。然而传统的图像分析主要依赖人工进行，不但对工作人员造成较重负担，同时也会导致检测周期较长与准确率不稳定。随着深度学习与人工智能技术的不断发展，基于视觉的自动化检测技术已被广泛应用于各个领域，检测精度与效率都较人工取得了巨大进步。本文设计了基于深度学习技术的绝缘子检测总体方案并展开研究，实现接触网绝缘子典型故障检测。 分析了接触网基本组成与常见缺陷类型，根据接触网图像数据制定了基于计算机视觉的绝缘子典型故障检测总体方案与各部分具体流程并进行阐述。针对接触网原始图像采集过程中存在的各种干扰失真因素，确定图像预处理的具体算法，增强目标的有效信息。 分析了绝缘子的安装位置与形状特点，选择RetinaNet检测算法为基础，使用Ghost模块与CBAM注意力机制对其进行改进，能够有效降低模型的参数量并提高特征提取能力。同时使用旋转矩形框代替水平框以实现绝缘子精确定位，并重新定义训练过程的正负样本。实验结果表明改进后的算法相较传统方法精度更高，能够更好地实现绝缘子定位，为后续绝缘子缺陷识别奠定基础。 针对绝缘子缺陷特征尺度相对较小与不同缺陷特征间差异性低等特点，分析了传统方法在绝缘子缺陷识别的不足，选择弱监督的MMAL-Net细粒度分类模型作为基础，并结合CA注意力机制实现绝缘子状态分类。实验结果表明改进方法能够更好地完成绝缘子典型缺陷识别。 基于绝缘子数据集，利用人工涂污制作与生成对抗网络自生成的方式，解决了绝缘子污秽样本不足的问题，并通过图像分割技术进一步获得精确的绝缘子盘面以去除背景干扰因素。对比卷积神经网络与视觉Transformer的特点，利用将两者优点结合的混合模型完成绝缘子污秽等级分类。实验结果表明混合模型能够更好完成污秽等级检测，满足检测精度要求。
NETL