开口销是接触网支撑悬挂装置的重要零件,广泛用在各个部件连接处的螺母上,防止部件之间出现松动或脱落,其状态对接触网结构的稳定性有重要的影响。目前,开口销状态智能检测技术发展有限,开口销状态检测还处于人工查看阶段,存在耗时长、劳动强度大、效率低下的缺点。针对上述问题,本文展开了接触网开口销状态检测的方法研究,此外,为了准确知道缺陷状态的开口销属于哪个接触网,对接触网支柱号牌识别方法也进行了研究。针对高速巡检车成像质量较差的情况,提出了一种基于形态学变换的号牌定位算法与一种基于投影矩阵的字符分割方法。首先使用形态学变换得到号牌候选区域,并利用其结构特征与HOG&SVM(Histogram of Oriented Gradient&Support Vector Machine,梯度直方图与支持向量机)进行筛选,然后通过仿射变换与两次水平投影提取号牌上下边界,再利用投影矩阵的极值点得到候选分割点,分析其距离的变异系数得到合理的字符分割点,最后利用深度残差网络对字符进行识别。在普速铁路上的实验表明,号牌定位与字符分割正确率分别达到96.9%与95%,相对于传统垂直投影分割法与自适应投影分割法,字符分割正确率分别提升了19.9%与6.5%。由于接触网悬挂状态检测监测装置(4C)图片分辨率过高以及接触网支撑装置结构多变,因此提出了一种基于Tiny-YOLOv3的接触网开口销快速定位方法,该方法采用固定的滑动窗口扫描高分辨率接触网图片,由于滑动窗口效率较低且同一相机拍摄的图片相似度较高,使用感知哈希算法计算图片之间的相似度,在相似度较高的图片之间使用候选区域减少搜索区域。此外,为了避免距离较近的候选区域之间的重叠问题,利用Floyd算法合并距离较近的候选区域。通过对不同结构的接触网图片进行测试验证了该方法的有效性。开口销正常状态样本与缺陷状态样本数量极度不平衡,无法训练分类器去判断开口销状态。为了解决该问题,提出了一种基于Deep Labv3+的开口销状态检测方法,此方法可在训练过程中不需要缺陷状态样本,而且还可通过开口销语义信息判断其是否处于松脱状态。先使用训练好的Deep Labv3+模型从开口销图片中提取语义信息,包括开口销头部与尾部信息,然后对开口销头部与尾部的连通域进行分析,根据分析结果判断开口销状态。通过对不同状态开口销的测试,验证了该方法的有效性且在一定程度上解决了传统算法无法解决的开口销松脱状态检测问题。