高速列车接触网的定位器夹持导线,在保证受电弓具有良好的受流质量方面上发挥着关键作用。定位器容易受到弓网耦合系统所引起的激励作用而出现坡度值异常的情况,进而威胁列车的安全行驶。传统的定位器检测方法包括人工巡检和采用传统的图像处理技术。人工巡检方式高度依赖检测人员的经验,工作强度比较大。利用传统的图像处理技术检测定位器,检测的精确率和实时性都比较差。近年来,定位器检测领域逐渐开始应用基于卷积神经网络的计算机视觉技术,希望借此突破传统图像处理技术的检测性能的瓶颈,提高定位器检测的精度和速度。本文在前人定位器检测算法的研究基础上,设计了基于初定位和精定位级联的高速列车接触网定位器视觉检测系统,提出了特征金字塔网络(Feature Pyramid Networks,FPN)和基于更快速候选区域的卷积神经网络(Faster Regions with Convolutional Neural Network,Faster R-CNN)相融合的目标检测模型,利用FPN融合Faster R-CNN的检测模型对定位器关键区域进行初定位,然后在获得的关键区域内采用图像处理技术精确检测定位器。整体定位器检测系统采用了由粗检到精检的策略,具体工作如下:在接触网定位器的关键区域初定位过程中,详细比较了主流的目标检测算法之间的差异性,并根据定位器检测的实际情况,提出了基于Faster R-CNN的定位器关键区域初定位的检测模型,并采用FPN对其进行优化和改进,使基于FPN融合Faster R-CNN的定位器初定位检测模型能够融合更加抽象、更多语义的深层卷积特征和更高分辨率、更多细节信息的浅层卷积特征,形成包含信息更加丰富充足的多尺度卷积特征。通过对高速列车接触网检测车采集的接触网图像试验分析,本文所提出的定位器初定位检测模型在检测精度和速度方面上表现出优异的性能,同时具有较强的鲁棒性。基于FPN融合Faster R-CNN的定位器初定位检测模型获得定位器所在的关键区域后,采用图像处理技术完成定位器的精定位过程。首先对接触网图像进行灰度化处理和平滑处理等图像预处理操作,然后利用LSD(Line Segment Detector)对定位器的关键区域进行直线检测。最后根据定位器结构的特点,设计了滤线机制来筛选并计算出最佳的拟合定位器直线段,实现对定位器的精确检测。