如今城市轨道交通飞速发展,地铁是大多数人不可或缺的交通工具。为保证列车质量可靠、运行安全,列车检查由主要人工定期巡检完成。但人工巡检安全保障模式存在以下问题:可能出现漏检或误检、检查效率低,给行车安全带来隐患。其中地铁列车转向架轴端螺栓属于关键部件,而其尺寸小,数量多,给检测带来了一定困难,因此本课题设计了一种在保证精度下的地铁列车轴端螺栓的快速检测算法。首先针对地铁列车侧面采集设备传回的图像由于车速不均在水平方向上出现压缩或拉伸等畸变问题,同一列车在不同时间所拍摄的图像总数出现偏差,给后续定位和识别带来困难,因此设计了一种基于分块式的列车图像配准方法。通过设定一组标准图像,对待配准图像按固定长度进行分块,取出其中一块进行拉伸或压缩,然后与标准图像相同宽度的对应块进行相似度计算,取出相似度最高的块,以此类推,最后把所有块拼接起来,实现了驶过车辆图像的快速配准。把配准后的图像通过坐标定位的方法截出轴端区域。其次设计了两阶段级联检测模型。第一阶段针对现有的轴箱螺栓缺少负样本、鲁棒性低等问题,研究了背景建模法,对正样本采用混合高斯模型进行训练,生成粗检测模型,其稳定且有自学习能力,对不同工况的正样本有一定的鲁棒性,能检出与正样本模型不同的异常螺栓。将各轴箱端盖区域输入高斯模型中,能快速剔除大量正常螺栓样本,检出的疑似异常样本再进入下一阶段检测模型进行验证。第二阶段针对地铁列车走行部工况复杂、亮度不均且多数检测方法特征单一问题,在上一步粗检测的基础上,利用图像处理技术提取螺栓的边缘和纹理等特征,研究了基于多特征融合的螺栓检测算法。将上一步检出的异常样本的螺栓区域输入此模型中,实现了异常螺栓的精确检测。此精检测算法在保证极低漏报率的基础上提高了检测精度,降低了误报率。通过实验结果分析,验证了算法的可行性和准确性。