轨道扣件作为轨道系统的重要组成部分,起着联接钢轨与轨枕,防止钢轨产生横、纵向位移的作用。在列车运行过程中,钢轨与轮毂间会出现频繁的冲击与摩擦,随着时间的积累,扣件状态逐渐恶化,出现一系列故障。扣件故障的检测一直是铁路工务部门重要工作内容之一。我国铁路部门目前已装备了一系列轨道检查车和综合检测车,但在实际运用过程中暴露出检测车数量不足、运用不够灵活、部分检测车不具备扣件故障检测能力等问题,我国铁路部门亟需一种准确、高效、轻便、低成本的扣件缺陷检测方法。近年来随着深度学习技术的不断发展,优秀的目标检测算法不断涌现,基于机器视觉的表面伤损检测技术被广泛应用。在此背景下,本文旨在设计一种运用灵活、低成本的基于机器视觉的轨道扣件缺陷巡检方法。本文介绍了目前常见的扣件缺陷检测设备,针对其运用过程中暴露的问题,设计了一种基于机器视觉技术的扣件巡检实验平台。实验平台需在不超过15km/h速度下拍摄扣件图像,为获取无残影扣件图像,本文设计了基于线阵相机的图像采集单元;为获得完整无畸变的扣件图像,本文设计了一种可预测线阵相机扫描区域与扣件相对位置的扣件定位单元。此外,针对未见公开的扣件数据集,本文还制作了扣件缺陷数据集。本文研究了深度学习基本理论和主流的目标检测算法,通过对扣件巡检系统工作环境和工作方式的分析,综合检测精度和检测速度考虑,最终选定使用YOLOv3算法实现扣件缺陷检测。针对YOLOv3在边缘运算平台检测速度无法满足需求的情况,提出了基于Mobile Net的改进型YOLOv3算法:使用Mobile Net网络代替YOLOv3的Darknet53主干网络并重新聚类anchor boxes尺寸,在检测精度无明显下降的情况下,检测速度大幅提升,在JETSON AGX XAVIER边缘计算平台上最快可达24.0FPS。最后,本文设计了图像采集实验和扣件缺陷检测试验,分别测试了扣件图像采集功能和扣件缺陷实时检测功能。实验结果表明,本文所设计的扣件巡检实验平台具备实时检测扣件缺陷的能力,但部分细节仍需优化改进。