铁路运输是我国的交通运输中的重要运输方式之一,我国国民经济对铁路运输提出了很高的要求。我国的高速动车组是通过接触网—受电弓来获取电网中的电能,进而驱动列车和保证控制或辅助设备运行。因此,接触网—受电弓是保障动车组整个系统安全稳定运行的关键。我国的高速动车组在运行时最高速度可达350km/h,因此受电弓受到了高速摩擦、强风阻、强冲击和高频振动的影响。在这种情况下,受电弓极易发生结构损坏或位置不合理等故障。我国目前在高速动车组针对受电弓、接触网运行监控装有车载接触网运行状态监测装置(3C),通过该装置记录的监控视频,可事后了解受电弓故障发生时的可见光下和红外线下的视频和数据状态。但是该装置目前的用途为事后的监控回看记录,且判别手段为依靠维修工的目视检查,无法记录可疑的不正常状态和难以预测故障的发生。因此,对该装置的监控视频进行自动识别,不但可以大大提高故障判别的准确性,同时判别结果也可作为高速动车组检修的参考依据。起到了节省人工成本,高效保障动车组安全稳定运行,提高检修效率的作用。论文研究了图像处理与识别技术在车载接触网运行状态监测装置(3C)获取的图像中的应用。在动车组列车正常运行时,计算机系统通过调取受电弓监视器获得的实时图像,实施对该图像进行处理与识别,可得到受电弓本身及其与接触网的接触关系的实时状态。若发生受电弓或弓网关系故障,可实时报警,以便司机和检修人员采取措施及时应对,以防止事故扩大化。论文的研究内容如下:1、动车组弓网关系的研究:(1)分析弓网故障的几种类型:自动降弓、受电弓弹跳、接触点拉弧、结构破坏等,为故障判别建立专家库或神经网络网络参数配置。(2)了解分析网故障时的特征,通过对特定监测位置的特征进行提取,进行后续的图像识别和故障判别。(3)对于弓网故障,对其进行了分类,分类后采用相对位置和相对角度两个特征综合判别对应的故障。2、图像处理方面的研究:采用MATLAB语言为基础进行编程,可对图像进行如下处理:(1)图像增强:包括对亮部的降低和对暗部的加亮。(2)图像降噪:采用均值滤波、顺序统计滤波或自适应滤波,可滤除图像中的高斯噪声和椒盐噪声。(3)图像复原:采用逆滤波法复原或维纳滤波法复原,可得到离焦模糊造成的退化后的复原的图像;采用维纳滤波复原法及其衍生算法或盲解卷积复原法可以获得由于运动模糊造成的退化后的复原的图像。3、图像识别方面的研究:(1)特征提取:通过Radon,可以提取图像中的几何特征,通过对几何特征的转换,即可识别到其代表的现实中受电弓的各个重要零部件。(2)特征分析:通过对上一步中得到的被监测零部件的数据特征进行分析,可以发现被监测的零部件的数据特征无论是相对位置还是结构大小均符合正态分布,由于知道正态分布本身符合“3σ准则”,故在分布范围外的可认为是异常特征,需要报警记录。(3)人工神经网络技术:除了利用分析特征之间的关系进行图像识别外,还可以通过利用CNN卷积神经网络进行图像识别。卷积神经网络对数据化后的图像进行直接的深度学习,通过给与正常和异常两种图像,CNN可在学习中对每一个像素的权重值进行不断调整,最终得到完整的网络参数配置;通过网络参数配置可以检测新的待测试图像。4、程序设计方面的研究:将上述的几种方法进行总结和归纳,利用MATLAB本身的GUI页面设计,得到完整的符合本文技术路线的程序。程序最终可实现的功能包括:图像处理、图像识别、图像数据化变换、输出网络参数配置和得到检测结果。论文通过对3C装置获取的受电弓—接触网监控图像进行处理和识别的研究,基本上实现了对采集图像进行识别的功能,可实时进行基于图像的状态监测,可实现对动车组运行中的弓网接触状态进行实时监测和可疑故障报警记录。