高速铁路接触网供电是一个复杂的系统,包含零部件巨多,种类各不相同,各自起着不同的功能,保证高速动车能够正常的获得动力,任何设备发生故障都会危及高铁的运行安全。目前高铁接触网设备检修方式就是派人上杆进行目视检查,在检修过程中,主要是利用眼睛进行查看设备,检查设备有无缺陷,检修的速度较慢,每年根据设备的检修周期进行检修,设备的缺陷不易及时被发现。为解决上述存在的问题,各个路局都引进6C系统,对接触网设备的运行状态进行监测,4C系统主要检测接触悬挂的状态,图片数据量极大,全部依靠人工分析图片,查找设备存在的缺陷,人员的劳动强度极大,劳动效率也不高。为了解决作业人员的劳动强度以及提高劳动效率的问题,我们可以考虑利用科技手段来解决。目前,图像处理技术发展迅速,在许多行业许多领域都得到了应用推广,在帮助人类解决一些难题上取得了喜人的成效,所以我想借助卷积神经网络处理接触网设备缺陷上的一些工作,把图像识别技术应用于收集的接触网设备图像,然后识别设备图片中的缺陷,达到检测监测高速铁路接触网设备的状态的目的,实现对设备安全隐患进行排查以及对设备缺陷进行定位。本文主要研究卷积神经网络缺陷识别所常用的方法,并学习其中常用的模型,然后吸收消化,针对接触网设备方面的缺陷建立新的模型,通过对比分析我们在这个问题上可以考虑以目标检测为基础,在这个框架上,引入轻量级网络来进行提取特征,通过这个网络得到的特征图后,就在网络中添加全局注意力模块,对网络参数进行优化,然后在整个模型中引入起相互增强作用的分类器,同时针对分类器匹配相对应的检测器,最后通过模型训练以及验证,对接触网零部件缺陷识别方法进行检验,效果较好,准确率也很可观,根据检测结果对生产有知道作用,另外方面大大缩减了人力,降低了劳动强度,同时提高了劳动效率,同时保证了接触网设备缺陷能及时发现并及时处理,消除安全隐患,保证高铁运行安全。