近年来,由于列车向高速、重载的方向迅速发展,因此,对铁路线路的维护工作也提出了更高的要求。传统的人工检修方法对于当今现代化铁路安全自动维护的需求而言已经过时。现场数据调查可知,一旦铁路扣件缺陷连续存在3个以上就有可能导致列车脱轨事故的发生。然而,由于技术的欠缺,目前,在现场大多数路段对扣件缺陷的检测方法仍旧需要依靠工人沿线路巡查,该方法已不能满足定期检修的需要。另外,工人的安全也不能得到有效的保障。因此,该方法已无法保障为列车的高速运行提供一个安全可靠的线路环境。在此种环境下,研发一种可靠、通用的自动对铁路扣件缺陷检测的方法就显得尤为重要。针对现有铁路扣件缺陷检测方法存在的不足,本文在机器视觉和图像处理的基础上,初步实现了扣件缺陷的自动检测与分类,并设计了基于机器视觉的铁路扣件缺陷检测系统的软件界面平台。首先,对获取的帧图像进行预处理,对灰度图像进行灰度化,减少图像的信息量。通过对图像去噪和增强处理,减少了图像传输过程中对图片质量的影响,提高图像的清晰度与对比度。针对扣件定位差的问题,利用LSD(Line Segment Detector,直线提取)算法实现扣件枕肩位置的准确定位,结合图像的边缘特征图实现扣件钢轨区域的准确定位,利用钢轨边缘位置与枕肩位置的结构信息关系,对扣件区域实现最终的准确定位。最后,利用融合分层LBP(Local Binary Pattern,局部二值模式)和分层HOG(Histogram of Oriented Gradient,方向梯度直方图)特征提取算法对视频流中定位后的各类扣件提取特有的特征,并将此特征数据作为扣件分类器训练的依据。基于二分类的SVM(Support Vector Machine,支持向量机)分类器对扣件缺陷进行准确分类。引用了先进的一对一特征的分类方法进行了SVM离线训练,基于“投票法”的思想实现在线对扣件缺陷的准确分类。通过选取大量的正负样本进行仿真实验,本方法有效提高了系统的识别分类的准确率。设计的铁路扣件缺陷监测系统的软件界面平台,其操作内容有:登录、视频采集、存储、定位、缺陷检测识别和报警管理等六个模块。当监控窗口中出现缺陷扣件时,能够自动地对其进行检测与分类,同时把分类结果通过无线传输系统发送到工务段,并将其作为其维护的重要依据。