随着交通系统不断完善,铁路线路也不断扩展和完善,铁路运输在经济发展中已经起到至关重要的作用,因此对支撑列车运行的钢轨的安全检测也非常重要。以前传统的检测主要依赖于人工,存在一定的漏检率和误判率。近年来,随着计算机技术发展,基于机器视觉的钢轨表面缺陷检测技术逐渐取代了人工检测。由于铁路系统钢轨分布较复杂、空间较广泛,同时受到地域特点及钢轨老化等因素的影响,相机拍摄的图像受到光照环境的影响,钢轨检测仍然具有一定的困难。本文在现有表面缺陷检测算法的基础上,对钢轨表面缺陷检测算法展开了研究,主要研究内容如下:本文根据采集图片的背景和轨面亮度的特点,设计了一种基于亮度标准差与最大亮度和的钢轨定位方法对采集图片中钢轨轨面进行提取。该方法能够快速提取钢轨表面区域信息并且可以同时处理彩色图像和灰度图像,该方法具有适用性广和高效性。分析了常用的图像去噪方法,通过实验对比,采用了自适应中值滤波对钢轨图像去噪,采用了混沌天牛须算法进行图像增强,和常用的直方图均衡化法和线性变换法比较,表明本文增强算法更适于与钢轨图像处理。最后对钢轨表面特征信息进行分析,采用了基于天牛须算法的三维Otsu算法对轨面图像缺陷进行分割,利用形态学中的膨胀腐蚀运算对分割后的二值图像进行处理,根据轨面锈迹和轨面缺陷的灰度梯度特征信息,进行锈迹去除,通过连通区域标记法标记出缺陷部分。通过对实际采集的图像进行实验分析,验证了本文采用的算法的有效性,能够完成钢轨表面的复杂缺陷的快速自动分割,适用于钢轨轨面的掉块检测。