随着我国高速列车领域技术的飞速发展,对电力系统等基础设施的在线智能维保技术需求更加迫切。高铁接触网吊弦结构的不正常受力甚至断裂将导致机车对能量的吸收不良,造成较大的能量损失和对弓网的损坏,从而对高速铁路的安全构成威胁。而机器视觉智能检测技术模拟人类视觉功能,接收并处理图像数据,适用于吊弦结构故障诊断的研究。本文针对高铁接触网吊弦绞线结构,从各功能的现有方法入手,明确诊断模型算法的框架,进一步对用于吊弦绞线故障检测的LeNet网络进行改进,并通过实验对比几种定位和故障诊断方法的效果进行评价。具体内容如下:(1)对接触悬挂系统的故障诊断技术与卷积神经网络在目标检测方向发展的国内外研究现状进行了综述,论述了吊弦绞线故障诊断领域研究的前景和方向。(2)针对吊弦结构,阐述了吊弦故障诊断的吊弦图像预处理、吊弦定位和吊弦绞线故障检测三个检测功能的现有方法分析研究。针对深度学习方法,提出几种主流目标检测和几种图像分类的网络结构及工作原理,为论文研究和相关算法提供理论基础。(3)将Fire模块用于LeNet网络中对其进行改进,将改进LeNet应用于吊弦绞线故障的检出。并对改进LeNet中的Fire模块进行优化,探究模块中的3?3卷积层占比及模块中的挤压层比例对于网络性能的影响,探究改变卷积层数对于网络性能的影响。最后纵向对比LeNet网络改进前后的效果,突出改进LeNet网络的先进性。结果表明:针对本文数据集,当挤压层1?1卷积、扩展层1?1卷积和3?3卷积数量分别为24,16,16层时,Fire模块在LeNet网络中的效果最佳。纵向对比改进前后的效果,改进后的LeNet将模型压缩至原LeNet的1/10大小,且精度比原LeNet提升了5.7个百分点。(4)针对吊弦故障检测的具体功能,归纳吊弦定位与绞线故障诊断模型的基本步骤与具体框架。结合每一功能上对典型吊弦图像的初步处理效果,对于吊弦定位与绞线故障诊断模型的细节进一步探讨。具体内容为:基于预处理理论呈现吊弦图像预处理效果;基于几种吊弦定位方法的初步应用效果选出深度学习目标检测方法;基于几种吊弦绞线故障检测方法的初步应用效果选出深度学习图像分类方法。(5)实验对比Faster R-CNN,YOLO v3,R-FCN,Corner Net-Lite中的Corner Net-Squeeze和Corner Net-Saccade五种主流模型的吊弦定位效果,结果表明:Corner Net-Saccade的定位精度最高(99.1%),Corner Net-Squeeze在较高计算速度的同时保持不错的检测精度(94.7%)。同时探究改进LeNet的实验效果,并引入Mobile Net v2和Res Net-34作为横向对比,实现检出吊弦绞线故障及故障分类,结果表明:改进LeNet在吊弦图像分类上平衡检测精度和速度效果最好,其精度也保持在较高水平。因此,Corner Net-Saccade和改进LeNet组合检测方法精度高达95.0%,Corner Net-Squeeze和改进LeNet组合检测方法可实时检测,其准确率为90.7%。