基于深度学习的弓网异常状态在线检测研究

弓网系统作为电力机车的关键供能系统,其运行状态直接决定了电力机车的受流质量,影响列车运行的安全和效率。为了解决传统弓网检测方法效率低、实时性差等问题,文章设计了一种基于深度学习的弓网状态在线检测系统方案,采用英伟达（NVIDIA）的XavierSoC模块进行图像处理,通过YOLOv4实现弓网检测并添加自适应图像增强模块,优化前后目标检测的mAP分别为0.950和0.961（IOU阈值为0.5）;实现基于ViT轻量级注意力模型的吊弦状态分类,平均准确率为97.69%;使用NVIDIA的推理加速器TensorRT加速后,检测模型和分类模型的推理时间分别为31.0ms和2.2ms。系统具有较高的鲁棒性与实用性,可为后续弓网异常在线检测功能拓展提供理论依据和设计参考。