随着我国铁路事业的不断发展,铁路货车的行车密度与载重量都在逐年增加。为了满足货车安全运行的高要求,货车运行故障动态检测系统(Trouble of moving Freight car Detection System,TFDS)应运而生,该系统可以检测货车上的各种零件故障,并及时通知工人对发现的故障进行排除,确保了铁路货车的安全运行。但是现阶段的TFDS没有完全实现自动化,在故障识别时依旧需要人工参与。机器视觉技术的发展为完全实现货车故障检测的自动化提供了可能,该技术可以有效提升故障检测效率,降低运营成本。本文以TFDS中的螺栓和挡键为研究对象,使用图像处理和深度学习的相关理论,设计了相应的算法实现故障自动检测,主要内容如下:(一)针对钩托梁、尾框托板和轴端三个部位的螺栓缺失故障,提出了一种基于局部三值模式(Local Ternary Pattern,LTP)的螺栓缺失故障检测算法。首先,需要对原始钩托梁图像、尾框托板图像和轴端图像做预处理,提高定位准确率,简化后续算法。在定位螺栓阶段,采用由粗到精的定位策略,先使用YOLOv3卷积神经网络训练模型定位感兴趣区域,再确定螺栓位置。在故障识别阶段,使用自适应阈值局部三值模式(Adaptive Thresholds Local Ternary Pattern,ATLTP)算子提取螺栓特征,该算子用中心像素邻域内的标准差关联阈值,提高了算子的抗噪性。统计螺栓特征向量后,将其导入支持向量机(Support Vector Machine,SVM)实现故障识别。理论分析和实验结果表明,本文算法的螺栓定位准确率高,螺栓故障检出率与误检率更优,有效地克服了TFDS图像质量差、背景复杂的问题,可以满足螺栓故障自动检测的应用需求。(二)针对货车挡键丢失故障,提出了一种基于局部方向导数模式(Local Directional Derivative Pattern,LDDP)的挡键丢失故障检测算法。首先,在挡键区域定位方面,使用YOLOv3卷积神经网络训练定位模型确定轴端的位置,在此基础上,根据挡键与轴端的位置关系建立数学模型,准确获取挡键区域图像。在挡键故障识别方面,为了在捕捉挡键细节信息的同时降低特征提取算子对噪声的敏感性,使用中值局部方向导数模式(Median Local Directional Derivative Pattern,MLDDP)算子提取挡键特征,在SVM中实现挡键丢失故障的检测。理论分析和实验结果表明,本文的挡键定位算法与传统Hough变换方法相比定位准确率更高,改进后的MLDDP算子比原始模式具有更好的鲁棒性。