随着我国铁路技术的快速发展,高速铁路以其快速舒适等优点为人们出行带来了极大的便利,同时重载铁路也在快速发展,轴重越来越大,为我国的货物运输提供便利。为保证铁路的高效、安全运营,有必要对铁路钢轨健康状况进行快速、实时、自动的检测。针对目前人工检测等技术效率较低、精度较差以及存在安全隐患等问题,本文基于计算机视觉技术通过对轨面图像的处理,完成对钢轨表面裂纹的检测,可以让钢轨裂纹伤损检测更精确高效,并结合深度卷积神经网络,以实现钢轨表面裂纹更智能的检测,实现对钢轨表面裂纹的分类识别与参数计算。本文首先分析了钢轨表面裂纹检测研究的背景与意义,裂纹识别检测的主要功能以及相关需求,基于此,设计了图像采集与处理的总体流程方案。首先对相机进行标定与图像采集,对采集到的钢轨裂纹图像使用图像处理软件进行数据扩充,并且作了可用于铁路钢轨表面裂纹检测的数据集。其次对扩充后的钢轨图像数据进行图像预处理。首先对钢轨表面区域进行提取,采用垂直投影法提取钢轨表面区域,与其他表面提取的方法进行对比,垂直投影方法有快捷准确的优势。通过对比滤波效果选用基于阈值的自适应中值滤波对钢轨图像进行滤波去噪。之后利用Canny算子边缘检测、Roberts算子边缘检测以及OTSU阈值分割分割裂纹图像。通过实验验证了本文算法有着效率高、分割效果好的优点,适用于钢轨裂纹的检测。之后分析要提取的裂纹的几何特征,为钢轨表面裂纹的识别和分析奠定了基础。之后利用全卷积神经网络对钢轨裂纹图像进行分割,模型采用U-Net模型,进行训练。利用训练好的模型对钢轨裂纹数据集进行预测,经实验验证了全卷积神经网络分割裂纹图像具有一定的准确性,得到较好的分割效果并且完成了钢轨表面裂纹的特征提取。利用卷积神经网络对裂纹与剥离掉块进行分类识别,利用基于VGG-19网络的模型对裂纹和剥离掉块进行分类,具有较高的准确率。取得到裂纹信息之后通过形态学处理的开闭运算和梯度运算来计算裂纹的长度宽度,之后利用钢轨裂纹外接矩形与高宽比来判断钢轨裂纹的扩展方向并编写便捷式程序。通过本文研究,机器视觉检测方法对于钢轨裂纹的检测具有一定的准确性。视觉技术对钢轨裂纹伤损图像进行增强、滤波、分割、检测、分类和计算可以成功地提取裂纹的相关特征参数。研究表明对钢轨裂纹采用垂直投影法和卷积神经网络的分类以及全卷积神经网络分割方法可以做到比较高的检测适应性和准确性。