我国铁路运营速度世界第一,拥有世界上最大庞大的铁路网和速度最快的高铁网络。我国列车时速屡创佳绩的同时需要更好的铁路运行环境,高速度对铁路运输的安全性提出了更高的要求,钢轨是铁路系统中不可或缺的组成部分,在所有铁路事故中约有三成的事故是源于钢轨的缺陷,保证钢轨正常运行,检测出钢轨上的缺陷是保证铁路枢纽安全的一个重要工作内容。目前,人工检测、超声波和电磁检测等缺陷检测方法都存有一定的局限性。近年来,机器视觉在缺陷检测方面大放异彩,高性价比、高效率和高度自动化使得越来越多人采用机器视觉的方法进行产品检测。采用机器视觉技术对铁路上钢轨进行实时检测符合人们对安全和效率的要求,YOLO算法以检测速度快,实时性好深受人们的喜爱。YOLOv4更是在YOLOv3的基础上进行了改进。本文设计了基于YOLOv4算法的缺陷检测系统。在实际检测过程中可悬挂于探伤车后部,钢轨轨头尺寸并不大,考虑到YOLO算法检测速度虽快,但是对某些尺寸较小的缺陷识别效果不是很理想,本文在YOLOv4基础上进行了改进和优化,增加了对小目标的检测能力,具体改进内容如下:去除了YOLOv4算法中用于对大目标进行的特征层,在后面增加了Dense Net模块,能够将获取到的特征信息多次使用,对于尺寸较小的目标检测效果更好;考虑到改进后的特征层变为两层,可以对钢轨缺陷数据集使用过K-means算法,通过聚类分析得到先验框的尺寸。本文将改进后的YOLOv4算法应用到对钢轨缺陷检测系统中,搭建完实验平台后以钢轨裂纹和擦痕缺陷为目标进行实验。实验结果表明改进后的算法提升了对小目标裂纹缺陷识别效果,相对于YOLOv4,改进后YOLOv4网络模型精准率达到了95.1,提升了0.6%,改进后的YOLOv4网络模型在平均精度方面提升了1.5%,尽管检测速度慢了0.011秒,但仍能满足系统对实时监测的要求。