机车轮对的踏面损伤将会影响到机车的安全运行。目前的机车轮对踏面损伤检测方法主要是人工检测,存在检测效率低、劳动强度高等不足。因此,机车轮对踏面损伤检测技术的自动化与智能化显得尤其关键。本文主要针对机车轮对踏面损伤检测技术进行深入研究,利用数字图像处理方法与光电测量技术,设计研发了机器视觉系统下的车轮踏面损伤检测系统,用于实现机车轮对踏面损伤的动态在线检测。论文主要从机车轮对踏面损伤检测系统的机车轮对图像预处理、机车轮对踏面损伤检测及机车轮对踏面损伤判定等三个方面进行了研究。主要工作包括以下几个方面:1)机车轮对图像预处理。机车轮对图像预处理包括:机车轮对踏面提取与机车轮对踏面图像增强。针对机车轮对踏面提取问题,基于机器视觉系统下的机车车轮踏面损伤检测系统定点成像的特点,本文提出了一种基于机抽样一致性(Random Sample Consensus,RANSAC)的轮缘线拟合方法实现机车轮对踏面的提取。利用机车轮缘的梯度信息,获取车轮轮缘点,采用RANSAC对机车轮缘线进行有效拟合,从而实现机车轮对踏面提取。在机车轮对踏面图像增强的过程中,针对图像内存在光照不均的问题,研究了基于照明—反射模型的同态滤波技术与基于多尺度的Retinex增强技术。采用基于多尺度Retinex增强技术,取得了显著的处理效果。2)机车轮对踏面损伤检测。提出基于纹理聚类与区域生长相结合的踏面损伤检测方法。利用灰度共生矩阵,获取方差、对比度与同质性纹理特征矢量用于描述踏面区域纹理特性;采用K-Means++聚类算法,确定包含损伤的可疑区域。利用损伤区域轮廓梯度信息,检测损伤轮廓点;选取轮廓点交点作为种子点,提出基于3?原则的区域生长技术,提取损伤区域。利用基于方向性结构元素的形态学方法,合并损伤区域,实现机车轮对踏面损伤检测。3)机车轮对踏面损伤判定。针对踏面损伤检测中的误检问题,通过对比灰度共生矩阵的生成灰度级、生成间距以及生成方向对描述损伤特性影响的对比实验,选择合适的灰度共生矩阵参数,生成对比度、相关性与同质性纹理特征矢量;引入反向传播(Back-propagation,BP)神经网络与支持向量机(Support Vector Machine,SVM),对踏面损伤进行判定。实验结果表明,在踏面损伤样本数较少的情况下,SVM分类器损伤判定的泛化性优于传统的BP神经网络。基于上述技术研发的损伤检测系统于美国Transportation Technical Center Incorporation(TTCI)的机车在线检测线上进行了试验,损伤判定准确率达到94.375%,为机车轮对踏面在线检测系统的产品化打下了良好的基础。