随着铁路运输高速化和重载化,铁路钢轨内部伤损数量也在迅速增加。目前,对钢轨内部伤损检测主要采用大型探伤车与小型探伤仪协作的方式进行探伤B型图像采集,并通过人工回放进行判伤,存在工作量大,效率较低等问题。尤其重载铁路长期受严重压力,导致钢轨内部微小伤损一旦形成,发展极其迅速,具有很大安全隐患。据此为背景,本文对基于B型图像的重载铁路钢轨伤损智能检测方法进行了分析研究,意在提高钢轨探伤工作效率的同时,进一步提高伤损检测准确性,保障铁路运输安全。本文针对钢轨伤损检测的研究成果和创新点如下:首先,对国内外钢轨探伤现状及目标检测任务做了详细调研,并对重载铁路钢轨结构、超声波钢轨探伤、常见伤损图谱判伤方法等进行了分析研究。为保障伤损检测准确性,详细分析了钢轨伤损数据(B型图像)的生成原理及特点。此外,将采集的B型图像通过标注工具完成了样本标签的制作。然后,提出了一种基于多尺度特征融合的钢轨伤损检测方法MFDet。该方法选择了精度较高的基于区域提议的Faster R-CNN作为主网络;结合B型图像伤损特点,提出了多尺度特征融合结构TFPN;在此基础上,又提出了候选区域多层特征映射MLRM策略,进一步增强特征表达能力,提高对多尺度的钢轨伤损预测精确度。对钢轨伤损B型图像数据做预处理后进行了相关实验,实验结果表明:MFDet网络模型的检测效果整体比Faster R-CNN表现要好,同时优于主流单阶段目标检测算法。最后,为进一步提高钢轨伤损检测精度。本文又在MFDet模型基础上提出了多阶段级联钢轨伤损检测模型MCDet。其一,由于外界多种干扰因素的存在导致采集的B型图像杂波较多,背景复杂,影响模型检测精度。MCDet模型中提出了多阶段训练方式,实现杂波特征与伤损特征之间的对抗学习,从而更准确的提取伤损特征,提高模型检测性能。其二,由于钢轨伤损不规则,使得伤损边界框的回归位置存在偏差,而该偏差映射到实际线路上差距更大。MCDet通过将检测子网络模块升级为多个检测器级联子网络,并为各阶段检测器设置不同IOU阈值来控制样本质量,可以更准确的定位伤损位置以及对伤损进行准确分类,提高模型的整体检测性能。实验结果表明,MCDet模型在检测速度可接受的情况下,准确性显著提升。