机车关键部位,存在许多细小部件,例如机车车底轴承盖上的螺栓。人工检查易疲劳且很难准确记录所有部件的正常状态和形式,容易发生漏检、错检造成严重后果。近年来,在铁路应用方面,基于二维图像的缺陷自动检测系统已经趋向成熟,但仍然存在一些无法逾越的问题,二维平面的检测更加依赖于设备本身的精确度,零件表面油污灰尘易造成遮挡。三维获取数据不仅可以记录物体表面的形态,几何特征,还可以获取空间坐标等信息,将其应用于铁路场景的缺陷检测中可以有效地解决此类问题,由于三维点云之间不存在自然拓扑连接关系,无法准确描绘目标物体的外貌轮廓。那么,如何提取三维点云数据的特征,形成更贴合物体实际形貌轮廓,实现三维图像的缺陷识别是本文研究重点。如何更准确、可靠地检测和识别机车车底故障,具有十分重要的现实意义。本文为解决以上问题,进行以下几个方面的研究:1.本文重点在于将统计滤波与双边滤波结合,应用于铁路场景,提高点云去噪平滑的效果。实验中三维数据利用激光线扫的方式采集得到,在实际场景当中,由于外界干扰因素,产生大量噪声点,噪声点的存在影响着点云的特征提取及后期处理结果的准确性,文章中使用的去噪平滑算法,达到了较好的滤波处理效果,为点云的特征提取奠定了基础;2.本文重点工作在于研究了三维特征点提取算法,并进行实验对比,分别对比了运行时间和提取效果,选择最优提取算法,将其与基于聚类分析的特征线提取算法相结合,提取得到贴合实际物体三维模型的轮廓线,此方法在时间和效果上相对于传统的特征线提取算法有一定的改进和优化,并将其应用于铁路场景;3.研究了机车车底螺栓存在的几种常见的缺陷问题,分别提出了相应的解决方案;对待螺栓缺失问题使用建立特征描述符以此达到匹配效果,识别缺失位置;螺栓的表面缺陷,需通过提取螺栓的表面三维图像的轮廓线达到检测目的,但由于实际数据中,外界光等多方面的干扰,影响了采集数据的完整性,使得物体表面折角处存在缺失问题,因此,本文将折角修复的方法与特征线提取的方法相结合,使得实验结果能够更贴合实际物体表面轮廓;机车车底的螺栓还会存在凸起及弯曲问题,针对此类问题,本文提出将螺栓表面提取得到的点云数据及轴承盖表面采集到的点云数据进行平面拟合,使两个平面存在于同一坐标体系当中,拟合得到两个平面后对两个平面进行判断,实现检测。