随着社会的快速发展,轨道交通已成为人们出行和货运物流的重要方式,而轮对与钢轨的长期接触会造成踏面的磨耗与损伤,影响车辆运行的安全性与稳定性。因此,需要定期检查轮对各个参数是否合格以保障列车运行安全。目前,我国铁路路段对轮对参数的检测仍以人工测量为主,使操作人员劳动强度较大、效率低,长时间工作后人为因素也带来了较大的误差,导致测量的精度和可靠性不高。本文基于静态测量,设计了一种轮对综合参数自动检测装置,采用线结构光测量和图像处理技术实现轮对尺寸参数的自动化检测,同时基于深度学习的目标检测原理对踏面缺陷进行检测,以提高轮对参数检测的精度。主要研究内容如下:（1）面向高精度的轮对检测需求,提出了基于线结构光的车轮踏面外形轮廓测量系统方案和总体框架。针对轮对踏面复杂的外形轮廓,采用线结构光测量结合定位块的方案对轮对内侧面进行定位,提高了测量效率。设计了检测装置的机械结构和运动控制系统,并对关键元器件进行计算选型。测量前,使用线结构光法和设计的接触式测量机构对车轮外形同一截面进行测量,以保证系统测量的可靠性。（2）对直射式和斜射式结构光测量原理进行阐述,通过对比两种测量方法的优缺点,结合实际测量情况,选择直射式激光三角法作为测量方案。根据测量过程中各坐标系之间的转换关系,建立了线结构光视觉测量的数学模型,并使用张正友平面法和交比不变原理的对相机的内外参数和结构光光平面进行标定。（3）针对采集的线结构光图像,使用RGB颜色通道分离,将提取的R颜色通道灰度图像经中值滤波等预处理后,利用灰度重心法实现结构光光条中心线的准确提取。针对中心线提取过程中出现的不平滑和锯齿现象,提出一种基于自动分段的多项式曲线拟合方法对数据点进行光顺处理。将提取的光条中心坐标点使用超立方随机采样方法获取初始的分段点,建立全局误差平方和最小的目标函数,通过L-BFGS优化算法求解来确定最优分段点位置,然后对每个分段区间分别进行多项式拟合。根据拟合曲线的平均绝对误差判断是否需要进行再次分段拟合。利用该方法使得提取的中心线能够真实地表达踏面外形轮廓,提高了测量精度。（4）采用一种基于YOLOv4深度学习目标检测框架的踏面缺陷检测方法。通过图像平移、旋转、缩放、加噪等增强技术对收集的踏面缺陷图片进行样本扩充并制作数据集,输入到搭建的YOLOv4目标检测网络中进行训练,最终在测试集中缺陷识别的平均精确率（m AP）达到98.7%,实现了对踏面缺陷的准确识别,避免了踏面缺陷对参数测量结果造成的影响。（5）基于Qt应用程序开发框架对检测装置的软件系统进行了模块化开发,对系统标定、图像处理、轮对参数测量、结果显示与存储等功能进行集成,并设计了人机交互界面。搭建了基于线结构光的参数测量实验平台对车轮模型进行测量,将测量结果与人工多次测量结果进行对比分析。实验结果表明,本文所提的检测方法对轮缘高度和轮缘厚度的测量误差小于0.1mm,轮辋宽度的测量误差小于0.3mm,满足实际测量需求,可为后续轮对状态的判断、镟修尺寸的确定和磨耗预测等提供数据支撑。