姚宗伟，杨宏飞，胡际勇，黄秋萍，王 震，毕秋实

(1.吉林大学 机械与航空航天工程学院,吉林 长春 130025；2.数控装备可靠性教育部重点实验室,吉林 长春 130025；3.一汽-大众汽车有限公司，吉林 长春 130011)

高速铁路钢轨的质量是影响高铁列车运行安全的关键因素，实时准确检测轨道表面缺陷，对于及时排除轨道的潜在风险至关重要。轨道缺陷检测方法主要分为以下三类：一是人工应用工具敲打和裸眼目测的方法，具有较大的主观性；二是借助于激光[1]、超声波[2-3]、红外线[4]和涡流[5]等传感器的检测方法，此类方法对传感器本身的可靠性和精度要求较高；三是基于传统的图像处理和机器视觉方法[6]，此类方法的主要关注点在于异常对象的定位，其中图像处理过程占用了大量的计算时间[7]。

除此以外，随着计算机和信息技术的发展，出现了利用机器视觉和基于神经网络的检测方法[8-10]。该方法可以较好地降低检测人员的主观影响，文献[9]应用该方法对轨道表面质量进行了检测，但查准率和召回率不够高，距离实际应用相差较远。

本文提出一种基于机器视觉和卷积神经网络的轨道表面缺陷检测方法。首先应用灰度化、分割ROI(Region of Interest)、图像形态学变换以及概率霍夫变换等机器视觉方法对图像中的轨道进行智能识别；然后通过中值滤波[11]和双边滤波[12]剔除图像中的噪声信息，并结合Canny算法[13]，顺次应用阈值法和离散法去除伪边缘，提取轨道的真正边缘；最后，基于卷积神经网络建立高效的轨道表面形态分类器[14]，完成对轨道表面特征的自动提取，从而将轨道分成完好和有缺陷两类。……