列车车轮是保证列车安全行驶的重要零件之一,准确且快速地识别车轮踏面缺陷有利于及时进行维修,使危险事故的发生减少,使人民利益得到保障。随着计算机性能的迅速提高,利用计算机技术精准又快速的识别车轮踏面缺陷是保证轮对能及时进行维修的关键因素,也是维护列车安全运行的重要办法。在高度发展的计算机技术的基础上,现代深度学习技术已为图像识别开辟了新的天地。并使用相应数据来分析模型,深度学习技术的本质是利用大量数据进行学习,自动挖掘出有利的信息,最终满足实际的需求。本文方法就是从大量的数据中将深度学习模型应用到车轮踏面缺陷识别工作中,极大程度减少了手工设计特征的工作量,使得车轮踏面缺陷的智能识别成为了可能。本文提出了一种基于卷积神经网络的车轮踏面缺陷识别的分类方法,通过对经典的Res Net50模型进行了改进与优化,对裂纹、剥离、擦伤、麻坑等较为常见的车轮踏面缺陷图像进行检测研究。首先获取大量车轮踏面缺陷图片且选用Pytorch作为深度学习框架,运用Pytorch深度学习框架研究车轮踏面缺陷识别方法,分别研究了基于经典卷积神经网络VGG16、VGG19、Res Net18、Res Net34、Res Net50、Res Net101进行车轮踏面检测,在实验过程中通过迁移学习来提高训练效率,并对六个模型做了对比实验。结果表明,Res Net50模型在车轮踏面缺陷识别上性能更高。然后,对经典的Res Net50模型进行了改进与优化。在Res Net50模型第一层卷积层后面添加注意力机制。同时在损失函数方面引用了Center loss与Softmax loss相结合的损失函数,使学习到的深度特征更有区分度,而优化算法使用了Adam算法。然后训练得到了基于深度学习的车轮踏面缺陷自动识别模型。本研究课题建立了车轮踏面缺陷图库,图库中包含九种缺陷图片外加一种正常图片。图库共有35000幅图片,每类平均3500幅。每幅图像分辨率都被处理成为224×224。改进后的模型在准确率上具有较大的优越性,识别率高达91.20%。实验结果表明,本文使用的优化识别算法相比于传统机器视觉的识别方法以及基于未改进的Res Net50网络模型的识别性能更具有优越性,在车轮踏面缺陷识别中,本文采用的方法在识别准确性和实时性方面都达到了较优的效果。