电力机车是远距离交通运输的主力军,机车在行驶过程中通过受电弓滑板与接触网的接触来获得电能,良好的受电弓滑板可以保证机车在运行中获得良好的电能。受电弓滑板也有一定的使用寿命,滑板的裂纹、烧伤是行驶中最常见的故障,一旦发现这些故障就需要及时更换新的受电弓滑板,避免发生严重的行车事故,减少经济损失,保证人员安全。目前针对受电弓滑板接触面的伤损检测依旧依赖人力,需要工作人员登上车顶来检测滑板是否出现裂纹、烧伤等缺陷,存在一定的主观误差和安全隐患。因此需要一种结合实际现场,快捷、安全的新型检测方法。本文在考察了实际情况的基础上,利用电力机车需要回到整备厂做整备检查这一特性,利用图像处理技术来检测受电弓滑板接触面,通过算法来判断滑板是否出现裂纹,大面积烧伤。检测过程不影响电力机车的正常行驶计划,符合现场检测这一要求。本文采用斜向下俯拍降弓视频,应用机器学习理论和图像处理技术识别受电弓和检测滑板区域。主要工作如下:（1）在列车回到整备厂后,在整备台上斜向下俯拍降弓视频,利用ffmpeg分解视频,得到大量的降弓图像,其中有包含受电弓的图像与不包含受电弓的图像。（2）针对分解后的图像存在图像过暗或曝光不足的问题,利用改进的光照修正MSR算法增强图像画质,解决了图像过暗导致后续滑板故障识别困难的问题。（3）筛选包含受电弓滑板图像。针对受电弓滑板设计了一个8层结构的卷积神经网络,利用大量样本对网络模型进行训练,识别检测出包含受电弓滑板的图像。大量的图像验证表明利用卷积神经网络做受电弓识别筛选,准确度可以达到97.4%,能准确的完成受电弓检测。（4）对包含受电弓滑板的图像进行边缘检测处理,采用不同边缘检测算子对比效果,最终确定使用Canny算子,得到受电弓以及滑板的边缘轮廓,为后续识别与提取滑板区域做铺垫。（5）边缘检测后的图像利用Hough直线检测找寻滑板的直线边缘,根据滑板在图像中特殊的长横线这一特征,通过参数设置找到滑板的上下边缘,检测出的直线所包围区域就是滑板区域。检测得到的滑板区域存在一定的倾斜,利用透视变换可以对检测到的滑板进行畸变校正,避免了后续滑板接触面伤损检测的误差。（6）对校正后得到的滑板接触面区域做裂纹检测与烧伤检测。针对滑板裂纹故障,利用二代曲波变换识别出伪裂纹及接缝干扰,用形态学处理即可计算出存在的裂纹长度。针对滑板烧伤特性,运用白色像素所占区域的百分比的方法实现对烧伤的检测,根据结论判定是否更换新的滑板条。