钢轨表面缺陷是影响铁路运营安全的重要因素,在钢轨生产过程中必须对表面缺陷进行严格的检测。现有的人工目视检测钢轨表面缺陷方式存在效率低、工人劳动强度大、存在漏检等问题,已成为制约钢轨生产的“瓶颈”。由于钢轨端面形状的复杂性,并且表面覆盖大量氧化铁皮,传统的二维检测方式会造成缺陷的漏检与误报。二维检测与三维检测方法在表面检测上有各自的优势与不足,两者具有互补性,将二维检测与三维检测相结合可提高缺陷检测的准确率。本文针对钢轨表面缺陷在线检测的需求,对传统的光度立体三维重建法进行了改进,提出了一种双光源线扫描光度立体简化模型,用于钢轨表面缺陷的三维在线检测。同时,相机拍摄的灰度图像可用于钢轨表面缺陷的二维检测,从而结合二维检测与三维检测的优点,减少了钢轨表面复杂背景的干扰,提高了钢轨表面缺陷在线检测效率与准确率,也为钢轨全生命周期质量追溯提供了良好的数据支撑。本文主要研究内容与成果如下:（1）针对钢轨表面缺陷样本收集困难的问题,提出了一种基于CutPaste增强策略的半监督分类模型。通过CutPaste数据增强策略模拟异常区域,提高模型对图像中异常区域特征的判别能力。将改进的ResNet18作为分类模型,并采用高斯密度的估计方法来计算钢轨表面图像中异常区域的分数,实现了钢轨表面异常区域的有效筛选。利用生产现场采集到的钢轨原始图像进行试验。结果表明,本文提出的半监督分类网络可以有效地筛选海量数据中的钢轨缺陷样本图像,减少了数据集制作的人工成本。（2）提出了一种基于改进型YOLOv5的钢轨表面缺陷二维检测模型。利用与钢轨相似的钢管表面缺陷样本对原始模型进行预训练,以提升原始模型性能。针对钢轨表面缺陷样本不均衡的问题,通过基于深度卷积神经网络的生成对抗网络模型（DCGAN）对轧疤、压痕等样本量少的缺陷样本进行扩增,将扩增后的样本与原始样本组成新的数据集,用于训练YOLOv5模型。实验结果表明,经过钢管表面缺陷样本预训练后的模型,在验证集上的mAP50比原始模型提高了 0.24;利用扩增后的数据集对预训练后的模型进行训练,在验证集上的mAP50比原始数据集提高了 0.13。（3）针对光度立体法应用于快速生产现场存在的模型复杂、效率低的问题,提出了一种双光源线扫描光度立体方案。采用单组线阵相机与两组对称分布的LED线光源,组成简化的光度立体三维重建模型。针对钢轨异形表面,提出了适用于异形拉伸体的改进光度立体三维重建方法。通过对钢轨基本形状的标定,获取钢轨形状的基本法向量,利用钢轨表面法向量标定钢轨表面光源方向。针对系统在线运行时运动方向上的误差累积问题,引入了点云配准算法以消除梯度累积误差。实验表明,通过本文方法重建的钢轨三维表面既能体现钢轨表面的宏观特征,又能反映钢轨表面的纹理细节。（4）开发了一套二维检测与三维检测相结合的钢轨表面缺陷在线检测系统。系统采用8台4096像素的线阵CMOS相机围绕钢轨周向布置,以覆盖整个钢轨表面;采用4组半圆形LED光源,每2组光源给相机提供对称角度的照明。相机按奇偶行方式采集,得到的奇偶场图像可同时用于二维检测模型和三维检测模型。系统已安装运行于某钢轨生产线,根据在线运行3个月的统计数据,系统的二维检测模型对夹杂、裂纹等二维缺陷具有较好的检测效果,夹杂和裂纹的检出率达到90.1%和96.6%,分类准确率达到62.1%和75.9%。系统的三维检测模型可检测深度变化明显的缺陷,并可获取缺陷的深度值。将系统测量得到的缺陷深度值与结构光方法进行对比,缺陷深度值误差在0.1mm以内,最大深度值的差别仅为0.03mm,表明系统得到的缺陷深度值较为准确,可满足现场对于缺陷判定的需求。