钢轨扣件是将钢轨与轨枕进行联结的重要铁路设施,在列车运营时容易受到冲击力的影响,导致扣件出现松动、损坏甚至遗失,进而出现列车脱轨等安全事故。因此,必须定期检查钢轨扣件状态并进行维护。在对钢轨扣件的维护工作中,大部分是对扣件进行先松后紧来实现紧固,依赖人工来参与完成。由此,研发一种能够代替人工来进行钢轨扣件自动拆装的系统具有深远的意义,而研究该系统的关键点之一便是完成钢轨扣件的识别与定位。结合国内外钢轨扣件识别与定位技术的发展现状,以及铁路环境中存在的挑战,本文以弹性Ⅶ型钢轨扣件作为研究对象,采用粗定位和细定位两步法来实现钢轨扣件中螺栓的自动识别与精确定位。第一步采用粗定位,快速识别并定位出钢轨扣件的大概位置。由于未有公开的数据集,本文通过数据采集、数据增强、数据标注的方法建立钢轨扣件数据集。分别基于Faster-RCNN、SSD和YOLOv4算法建立钢轨扣件识别与定位模型,以钢轨扣件数据集为样本,进行对比实验分析。发现YOLOv4算法在钢轨扣件数据集上表现最好,平均精度均值可达97.11%,检测速度为28.66FPS,然而视频识别时,出现卡顿现象。为此,本文从三个方面进行了改进:首先用基于深度可分离卷积的Mobile Netv3网络替换原YOLOv4算法的CSPDark Net53网络;然后使用K-means Ⅱ聚类算法来选择出最优锚框;最后对YOLOv4的预测层进行了优化,去掉了尺寸大小为13*13的特征层,减少训练过程中网络模型的语义丢失。结果表明,改进后YOLOv4算法的识别定位结果与原YOLOv4算法相比,在无砟轨道上,在不损失原精度的情况下,检测速度比原YOLOv4高11.96FPS,可以满足对钢轨扣件的识别与粗定位。第二步采用细定位,在粗定位基础上,进一步定位出钢轨扣件的精确位置。基于扣件中螺栓特殊的几何特征,本文首先采用直方图均衡化提高钢轨扣件图像的质量,再使用改进的中值滤波去噪,利用改进的Canny算子完成图像边缘提取,最后对离散的边缘信息进行霍夫变换,检测螺栓的中心坐标。本文分别在无砟和有砟轨道上完成钢轨扣件的识别与定位实验。研究表明,对于无砟轨道,钢轨扣件的平均定位误差为5.28mm,最大定位误差为6.33mm。对于有砟轨道,钢轨扣件的平均定位误差为6.25mm,最大定位误差为7.42mm。可以很好地满足拆装系统定位精度的需求。