钢轨表面损伤影响到的不仅有列车运行的舒适性和平稳性,同时也会危害到列车的安全性。随着我国有线铁路的提速,重载铁路以及高速铁路的发展,随之而来的就是轨道线路长期服役。钢轨很容易因为列车司机操作不当、环境因素以及列车紧急制动等原因出现各种各样的损伤,加上钢轨的长期使用,表面损伤只会越来越多。因此,及时发现钢轨表面损伤,并对其进行识别分类,根据不同的损伤类别采取对应的维护措施,对铁路尤为重要,可以保障铁路的安全、舒适和连续运行。基于图像处理的钢轨表面损伤识别因为高精度、全自动、无需接触等优点,成为钢轨表面损伤识别的重要方法。本文通过对钢轨表面图像进行处理,对其钢轨表面区域存在的损伤进行检测与识别。首先,阐述基于图像检测的钢轨表面损伤的识别的研究背景和研究意义,研究大量文献,分析国内外关于图像处理技术在钢轨表面损伤检测识别的研究现状,总结现有的研究成果,明确本文的具体工作内容。进一步,由于在实际环境中采集钢轨表面图像时,会受到环境因素、器材因素以及光线等因素的影响,对图像进行预处理非常重要。研究直方图均衡化、单尺度Retinex和多尺度Retinex的原理,对比三种方法的增强效果,选择直方图均衡化法对钢轨图像进行图像增强。对常见的滤波器高斯滤波和双边滤波的原理进行研究,为了保证在滤波过程中去除最多的噪声同时保留更多的有效边缘,提出一种自适应中值-引导滤波对钢轨图像进行滤波降噪处理,对三种滤波器进行实验仿真,并用滤波器客观评价指标PSNR对三种滤波器的效果进行检验。其次,要提取钢轨表面区域,轨面区域之外的会影响后续的检测和识别工作。使用滤波改进的Canny边缘检测算法对预处理后的钢轨表面图像进行粗提取,尽可能的消除钢轨表面区域之外的杂物。对粗提取后的图像使用Hough变换检测钢轨直线,将钢轨表面区域提出。提取出钢轨表面区域之后,要对图像的损伤部分进行检测。研究传统Canny算法,分析它的优缺点,对传统Canny算法高斯滤波降噪和人工设置双阈值进行改进。用自适应中值-引导滤波将高斯滤波替换掉,达到更好的滤波效果并保留更多边缘信息;用改进的Otsu法让传统Canny边缘检测算法可以在最后自适应的对阈值进行选取,放弃人工设定双阈值的方法。最后,使用深度学习的方法对检测到的损伤图像进行识别分类。深度学习可以最大限度的减少识别的复杂度和计算量。本文对Faster R-CNN进行改进,将原本占内存大、运算速率低的VGG-16特征提取网络用Mobile Net V2轻型网络进行替换,使得改进Faster R-CNN在识别效果不变的情况下,达到更快的检测速率,对钢轨表面损伤图像进行识别分类。通过和SSD、YOLOv3进行仿真实验对比,改进Faster R-CNN具有更好的识别效果。本文提出的基于图像检测的钢轨表面损伤识别的研究可以快速精准的定位钢轨区域和其损伤;准确的将损伤进行识别,能够满足对钢轨表面损伤图像检测的精度和速度,具有较高的应用前景。