转向架是高速动车组的不可缺少的大型零件,转向架的生产也是整个高铁列车制造的关键环节。加工中心根据转向架类型自动选择不同加工程序,为避免引发安全事故,必须在加工前对转向架进行识别。目前,转向架识别主要依靠人工识别和射频识别,人工识别不利于自动化生产,射频识别准确率低。近年来,机器视觉技术飞速发展,使用机器视觉技术进行转向架识别,不仅可以减少人工干预实现自动化生产,提高识别效率和准确率,还能提高车间的信息化管理程度,为后续打造智能制造生产车间打下基础。本文基于机器视觉技术从图像匹配算法和深度学习算法对转向架识别算法进行研究,论文主要研究内容如下:(1)转向架图像采集与预处理。针对转向架外形特征和放置场景,完成转向架图像采集系统硬件选型及搭建,实现转向架图像采集。为更好提取图像轮廓等特征,从图像颜色空间、滤波降噪两方面提出适用于转向架图像的预处理算法;(2)基于图像匹配的转向架几何特征识别算法研究。针对现有基于图像匹配的识别算法在转向架识别领域准确率低的问题,使用彩色图像分割算法对图像匹配算法进行改进,提出一种结合彩色图像分割的图像匹配算法。通过基于HSV颜色空间的自适应分割算法,实现转向架图像的前后景分割,使用更加完整的转向架边缘特征进行图像匹配。对比发现结合彩色图像分割的图像匹配算法得到的转向架边缘轮廓更加完整,识别准确率更高耗时更短,具有更强的抗干扰能力。(3)基于深度学习的转向架分类识别算法研究。针对人工设计特征提取器较为繁琐且泛化能力较差,转向架类别多但样本少且分布不均匀,提出基于深度学习的转向架识别算法。将孪生网络模型与堆叠式网络模型优点结合,提出了一种基于孪生网络的非平衡小样本转向架识别算法,在孪生网络模型下通过堆叠式神经网络提取特征进行分类识别。通过四组对比实验发现,该方法在转向架数据集上的识别准确率相比堆叠式神经网络提高了4.2%,同时还解决了新增类别导致模型重新训练的问题,更适用于非平衡小样本的转向架分类识别。