随着铁路的快速发展,列车的运行速度、行车密度以及载重量正在不断提升,因此对列车安全行驶的要求也变得更加严格。钢轨是支撑列车运行的铁路设备,其表面与列车车轮直接接触,会直接承受列车带来的冲击力,此外再加上恶劣环境以及天气的影响,因此钢轨表面容易受损形成缺陷。钢轨表面存在缺陷会直接影响到列车的运行安全,因此需要及时、准确地检测出轨面缺陷并根据其类别采取相应的维护措施,以此减少铁路交通事故的发生。针对传统的轨面缺陷检测方法存在效率低、成本高以及危险性大等问题,本文以铁路上采集的钢轨图像为研究对象,应用图像处理技术和神经网络对钢轨表面缺陷的检测和分类识别展开了研究。论文的主要内容如下:第一,对采集的钢轨图像进行钢轨表面区域图像的提取。本文提出了一种基于Lab颜色空间的钢轨表面区域图像提取方法,首先将钢轨图像转换到Lab颜色空间并提取出b分量图像,然后根据b分量图像的灰度分布特征来完成轨面区域图像的提取。仿真实验结果表明,该方法能够快速准确地提取出钢轨图像中的轨面区域部分,尤其是在轨面的提取精度上较其他轨面提取方法有了进一步的提高。第二,对提取出的钢轨表面图像进行预处理。首先利用加权平均法对轨面图像进行灰度化;然后再对轨面图像进行滤波处理,对几种滤波算法进行轨面图像去噪仿真实验,通过对滤波效果进行对比分析,最终选择自适应中值滤波法来完成轨面图像的去噪。第三,对预处理后钢轨表面图像进行缺陷分割。本文提出了一种基于背景差分和改进遗传算法最大熵法的轨面缺陷分割方法。首先利用改进的基于列灰度均值的背景图像模型建立方法对轨面图像进行背景建模,并将轨面图像与背景图进行差分操作以此来得到轨面差分图像;然后利用基于改进遗传算法的最大熵法来确定差分图的最佳分割阈值并对其进行二值化;最后对轨面二值图进行形态学处理和滤波处理后得到最终的轨面缺陷分割图。仿真实验结果表明,该方法能够快速准确地分割出轨面图像上的缺陷区域,尤其是在缺陷分割的精准率和正确率上较其他方法有了进一步的提高。第四,对轨面缺陷进行分类识别。首先将轨面图像中分割出的缺陷提取出来,并对其进行特征描述;然后将缺陷分为疤痕、裂纹和伪缺陷三类,并选用灰度均值、致密度和长宽比三个特征参数来对缺陷类型进行区分;最后,应用BP神经网络设计轨面缺陷分类器来完成缺陷的分类识别。仿真实验结果表明,完成训练后的分类器能够有效地完成轨面缺陷的分类识别。通过本文方法的这四步就能够对采集的钢轨图像完成钢轨表面缺陷的检测和分类识别,而且精度和速度都较高,对实际应用具有一定的参考价值。