重轨的表面质量直接影响到重轨的使用寿命,关乎铁路运输的安全。冷态重轨表面缺陷检测是重轨生产中表面质量控制的一个重要环节,其相关课题一直以来吸引了大量科研人员的关注和研究。近年来,一些学者提出基于机器视觉的冷态重轨表面缺陷检测技术,主要是通过传统图像处理的方法对缺陷进行分割提取从而达到检测的目的。但由于受重轨缺陷检测中出现的环境因素如振动、灰尘和光线等影响,基于传统图像处理的方法检测准确率低,稳定性差,不能够很好地解决重轨表面缺陷的在线检测问题。目前在大多数重轨生产车间,主要还是采取人工目测法进行检测。基于此,本文在机器视觉的基础上,研究开发了一种基于深度学习的冷态重轨表面缺陷视觉检测系统,提高缺陷检测效率,保证重轨生产质量。本文提出的缺陷检测系统通过机器视觉模块进行冷态重轨表面信息的图像采集,并将图像上传至系统控制模块进行实时在线缺陷检测并返回检测结果。在进行图像处理时,本文提出了基于改进Faster-RCNN的缺陷检测算法,在原算法的基础上,对算法的参数和结构进行了优化,结合缺陷检测的特点对算法的逻辑进行了调整,有效地提升了重轨表面缺陷检测的性能。实验表明,本文所提出的冷态重轨表面缺陷视觉检测系统检测一帧图像用时约15ms,在轧疤和轧痕两类缺陷测试数据上的检测准确率和召回率都在90%以上,满足冷态重轨表面缺陷检测的检测要求。本文提出的缺陷检测系统实现了冷态重轨表面缺陷的实时在线检测,提高了生产效率,节省了生产成本。此外,本文检测系统的设计思路和深度模型优化部署方法对其他领域基于深度学习的视觉检测系统的开发也有一定的借鉴意义。