截至2015年底,我国普通铁路运营里程为10.2万公里,高铁运营里程为1.9万公里,所以钢轨的检测和维护显得愈加重要。传统的检测方法都是基于人工巡逻检测,每个铁路巡道工需要负责几十公里的路段,对于钢轨状况的判断缺乏统一客观的标准,因为铁路巡检工作的特殊性质:重复性强、工作强度大,人工缺陷检测的漏检率和误判率往往很高。因此铁路相关部门以及铁路科研院所就需要设计一个自动化的铁路缺陷检测系统来部分取代传统的人工寻道检测。基于计算机视觉的钢轨检测算法不仅解决了人工检测的漏检率高和误判率高等问题,算法在检测速度上也有很大的提高,算法基本上一个小时就可以完成人工寻道几天的工作量,大大节约了检测成本。本文提出的检测算法主要用于识别钢轨的块状缺陷和光带缺陷。块状缺陷检测算法主要有分为四个模块:(1)基于钢轨图像的特点设计了一个预处理算法用于提高钢轨缺陷部分与背景部分的对比度;(2)构建基于相位谱的显著性模型,将显著性区域检测和钢轨缺陷检测相融合;(3)根据钢轨背景一致性的特点,构建钢轨的背景差模型,最后将背景差模型和钢轨显著图相结合;(4)提出了基于OTSU的双阈值分割方法用于提取缺陷。算法的误报率和漏报率很低,检测速度上也基本满足实时检测的要求。光带缺陷检测算法分成为光带检测和缺陷分类两个模块:(1)基于钢轨图像的特点,构建钢轨图像列向量的特征,提出了基于列向量特征的光带边缘检测算法;(2)从光带边缘的检测结果中提取特征信息用于光带缺陷的分类:光带过宽、光带过窄、光带偏心和光带不匀,这种异常光带检测方法主要是用于替代人工使用刻度尺检测。