我国城市轨道交通的飞速发展,为人们的出行带来了很大的便利,但同时也给列车的运行安全带来挑战。随着列车速度不断提高,载重量不断增加,列车的检修也变得越来越重要。列车在长时间运行过程中,由于碰撞、老化等问题,列车底部中心鞘螺栓部位会出现表面裂纹、磨耗、松动、缺失等故障,容易引发重大交通事故,造成人员伤亡和财产损失,因此研究螺栓故障检测方法与技术,通过在线检测及时发现螺栓的故障,避免列车事故的发生,其研究具有重大应用价值。目前基于二维图像的列车车底关键部件检测方法,由于不包含深度信息,无法测量出螺栓的松动的纵向位移。不能及时发现螺栓松动等故障。相比单纯的二维图像,基于视觉检测的点云数据方法可以获得更多的检测目标参数,更能反映物体的三维特征,成为螺栓故障在线检测的一种有效方法。对于中心鞘螺栓故障的检测,螺栓丢失故障可以从二维图像得到检测,但是螺栓的松动故障必须通过点云数据才能得到判断。基于此,本文提出一种基于2D-3D图像信息融合检测螺栓故障的方法,并开展研究。本论文的主要工作包括:1.重点研究了2D图像复杂背景下的目标定位方法,采用HOG+SVM和基于深度学习SSD的两种目标检测,实现对车底中心鞘螺栓区域的定位。研究了两种方法的样本制作,环境的搭建以及模型的训练。最后利用测试数据集对车底中心鞘螺栓区域进行了定位检测,对比分析了两种检测模型的性能,最终结果表明:采用深度学习的方法,识别准确率更高,运行速度更快,平均每张图片的检测时间约70ms。2.研究了对三维数据的预处理方法,首先利用Kd-tree对离散点云数据建立拓补结构,然后采用体素栅格的方法对螺栓点云进行下采样,最后利用统计方法,计算方差和均值剔除部分离群点。最终经过预处理,点云在保持原有几何特征不变的情况下,数据量大大的减小,为下面的处理做了铺垫。3.重点研究了螺栓点云目标的识别方法,首先需要对预处理后的点云进行分割,传统的欧式聚类分割在有粘连点的情况下分割效果极差,本文采用区域生长分割方法加入法线和曲率的约束条件,完成了螺栓点云的分割。对于分割出的点云计算形状因子,剔除非目标点云,然后通过计算螺栓的几何特征完成了螺栓的识别和定位。提出的车底中心鞘螺栓故障检测方法可为列车车底故障检测的自动化提供基础,并且将算法经过动态链接库的封装在地铁车辆360度检测系统中进行了测试,测试结果表明:针对地铁车辆车底中心鞘螺栓的丢失和松动故障识别达到预期,可用于实际测量。