Pantograph is one of the most important components in electrical railway vehicles. To guarantee steady power supply for the train, the surface of the pantograph slide plate should be smooth enough so that the catenary can move on it from one side to the other side steadily with low friction. In addition, the thickness of the pantograph slide plate cannot be smaller than the lower limit for the sake of safety. Therefore, periodical inspection and maintenance of the pantograph slide plate are significant in terms of safe and stable operation. In this paper, an innovative and intelligent method based on deep learning and image processing technologies is proposed for the online condition monitoring of the pantograph slide plate. In the first stage, the surface defect detection and recognition method of the pantograph slide plate is proposed. Four typical surface defects of the slide are considered, and a deep learning model, pantograph defect detection neural network (PDDNet), is trained for the defect detection and recognition. In the second stage, five key criteria for qualifying the wear condition are proposed. The wear edge estimation based on image processing technology is investigated in detail. Furthermore, they are used to calculate the wear depth and evaluate the wear condition of the pantograph slide. The experiment results demonstrate that the proposed PDDNet can detect the surface defects and also recognize the four kinds of defects with a sound accuracy. The wear depth estimation results are compared with on-site measurement data, and the proposed method can achieve high estimation accuracy.

中文翻译：

---

基于深度学习和图像处理技术的受电弓滑动缺陷检测

受电弓是电气化铁路车辆中最重要的部件之一。为保证列车稳定供电，受电弓滑板表面应足够光滑，使接触网能平稳地从一侧移动到另一侧，摩擦小。另外，为了安全起见，受电弓滑板的厚度不能小于下限。因此，定期检查和维护受电弓滑板对于安全稳定运行具有重要意义。本文提出了一种基于深度学习和图像处理技术的创新智能方法用于受电弓滑板的在线状态监测。第一阶段，提出了受电弓滑板表面缺陷检测与识别方法。考虑了载玻片的四种典型表面缺陷，并训练了深度学习模型——受电弓缺陷检测神经网络（PDDNet）进行缺陷检测和识别。在第二阶段，提出了五项鉴定磨损条件的关键标准。详细研究了基于图像处理技术的磨损边缘估计。此外，它们还用于计算受电弓滑块的磨损深度和评估磨损状况。实验结果表明，所提出的 PDDNet 可以检测表面缺陷，并以良好的精度识别四种缺陷。将磨损深度估计结果与现场测量数据进行对比，该方法可以达到较高的估计精度。受电弓缺陷检测神经网络（PDDNet），被训练用于缺陷检测和识别。在第二阶段，提出了五个确定磨损条件的关键标准。详细研究了基于图像处理技术的磨损边缘估计。此外，它们还用于计算受电弓滑块的磨损深度和评估磨损状况。实验结果表明，所提出的 PDDNet 可以检测表面缺陷，并以良好的精度识别四种缺陷。将磨损深度估计结果与现场测量数据进行对比，该方法可以达到较高的估计精度。受电弓缺陷检测神经网络（PDDNet），被训练用于缺陷检测和识别。在第二阶段，提出了五个确定磨损条件的关键标准。详细研究了基于图像处理技术的磨损边缘估计。此外，它们还用于计算受电弓滑块的磨损深度和评估磨损状况。实验结果表明，所提出的 PDDNet 可以检测表面缺陷，并以良好的精度识别四种缺陷。将磨损深度估计结果与现场测量数据进行对比，该方法能够达到较高的估计精度。提出了鉴定磨损条件的五个关键标准。详细研究了基于图像处理技术的磨损边缘估计。此外，它们还用于计算受电弓滑块的磨损深度和评估磨损状况。实验结果表明，所提出的 PDDNet 可以检测表面缺陷，并以良好的精度识别四种缺陷。将磨损深度估计结果与现场测量数据进行对比，该方法可以达到较高的估计精度。提出了鉴定磨损条件的五个关键标准。详细研究了基于图像处理技术的磨损边缘估计。此外，它们还用于计算受电弓滑块的磨损深度和评估磨损状况。实验结果表明，所提出的 PDDNet 可以检测表面缺陷，并以良好的精度识别四种缺陷。将磨损深度估计结果与现场测量数据进行对比，该方法可以达到较高的估计精度。实验结果表明，所提出的 PDDNet 可以检测表面缺陷，并以良好的精度识别四种缺陷。将磨损深度估计结果与现场测量数据进行对比，该方法可以达到较高的估计精度。实验结果表明，所提出的 PDDNet 可以检测表面缺陷，并以良好的精度识别四种缺陷。将磨损深度估计结果与现场测量数据进行对比，该方法可以达到较高的估计精度。