高铁是一种非常重要的交通方式,具有承载能力强、速度快、成本低、耐候性强等特点。目前,我国在高铁发展方面的投入持续提高,高铁的规模极速提升,而相关安全问题愈加值得重视。然而,传统的缺陷检测方法效率低、错误率高。本文基于深度学习,重点研究了接触网部件识别方法、接触网与钢轨缺陷检测方法。主要工作和贡献如下:1、数据预处理。对采集到的数据进行图像筛选处理、数据增强处理、手工标注处理等。当前,大多数深度学习目标检测方法都是数据驱动的,数据集的质量对模型的最终结果至关重要。但是,由于领域的特殊,公开的接触网数据与钢轨数据基本没有。本文的数据集为采集自定江桂北联络线上行的真实接触网数据和钢轨数据。相对于coco等公开的训练型数据集,收集到的数据集单张图片更为复杂,纯净度较低,无效数据多。要将些数据应用于深度学习方法就必须进行相应的处理。本文实验分析了使用不同数据增强方法的效果。结果表明,几何数据增强与Mixup结合的方案取得了较好的效果。2、基于YOLO v3,对目标检测方法进行了改进。我们实际采集到的数据集中,许多待检测对象在图像中所占比例非常小、类别多且失衡、类间正负样例不均衡。直接使用YOLO v3进行检测效果不佳。针对数据集的这些问题,本文结合YOLO v3中的多尺度检测,使用Dice损失函数和Focal损失函数有机结合的方案改进了YOLO v3中原始的损失函数。经过实验对比,本文改进的YOLO在数据集上取得了相对较好的效果。3、基于YOLO v3改进了缺陷检测方法。由于安全性的要求,我们能采集到的数据中负样本极其少,这很不利于模型学习缺陷类别的特征,甚至会使得学习到的模型在实践中根本就不能被用于检测缺陷。针对这个问题,本文利用堆叠去噪自编码器的特点,将它和YOLO v3的多尺度检测相结合,鉴别待检测目标与真实的无缺陷数据的相似程度,最后将鉴别的结果与对应检测尺度的检测结果进行加权综合。实验表明,本文提出的缺陷检测方法较原始YOLO v3取得了更好的效果。4、接触网与钢轨缺陷检测系统的设计与实现。基于本文改进的目标表检测方法和缺陷检测方法设计并实现了接触网与钢轨缺陷检测系统。