随着我国城镇化进程的不断推进,传统轮轨接触的城市轨道交通系统无法完全满足日益增长的乘载需求,中低速磁浮系统作为一种新兴的城市轨道交通系统,具有坡度大、弯道小、高空架设且易于安装、拆卸和维修的F轨,能够架设于人口密集的大中型城市,有效地改善了城市公共交通。螺栓连接的F轨作为中低速磁浮列车的走行轨道,为磁浮列车提供悬浮力和导向力,保证列车的抱轨行驶。F轨螺栓受自身重力和磁浮列车行驶时产生的振动的影响,易出现螺母松动等故障,因此,需要检测监测F轨螺栓的状态。现阶段主要采用人工沿线巡检和查看F轨图像的方式检测F轨螺栓的状态,本文将基于深度学习的图像处理算法应用到中低速磁浮检测车采集到的海量高清F轨图像数据集中,自动地识别F轨螺栓螺母松动故障,能够有效地减少人为因素导致的F轨螺栓螺母松动故障的漏检。首先,研究F轨图像数据集的特点,将F轨图像集中检测车底架未被完全遮挡的图像确定为F轨关键帧图像,采用卷积神经网络ZFNet将F轨图像分为两类,实现了对F轨关键帧图像的选取。然后,确定包含F轨一片钢枕正面所有螺栓的区域为F轨螺栓关键区域,在F轨关键帧图像数据集上训练卷积神经网络Faster R-CNN,对F轨螺栓关键区域进行定位,并将其从F轨关键帧图像上分割出来。最后,在F轨螺栓关键区域图像上训练卷积神经网络DeepLabv3,对F轨螺栓的螺母和螺杆分别进行语义分割,判断属于同一个螺栓的螺母和螺杆,通过统计F轨相机侧紧固螺栓顶端螺杆的螺纹数识别其螺母松动故障,针对F轨相机侧连接螺栓和远离相机侧紧固螺栓,通过匹配F轨螺栓关键区域图像中相应区域及其模板图像的Gabor特征识别它们的螺母松动故障,通过统计F轨远离相机侧连接螺栓螺母区域的二值图像中连通域个数识别其螺母脱落故障。