当今中国铁路行业高速发展,随着运输效率的提高,列车数量也急剧增加,对机车(即列车车头)的检修和维护也成为铁路列车正常运营的重要保障。当前国内机车维修点一般依靠人工进行机车故障检测,而人工检测的效率较低,工作人员易疲劳,有一定的危险性,从而影响到机车的正常运作。在铁路机车运输的高速发展中,传统的铁路工作模式迫切需要实现自动化、智能化、信息化管理。本文立足铁路机车维修点的信息化管理需求,基于深度学习和图像处理的方法,对机车侧面的文字区域进行多尺度多目标的自动提取,本文工作可作为后续识别及自动化管理等信息处理工作的基础。本文根据机车样本实际情况,实现了文字区域精确定位,主要工作包括如下:(1)针对机车现场样本特点,设计了图像预处理方法。由于铁路现场机车样本的特殊性,对于干扰因素较多的样本图片需要进行预处理,去除雨水、泥沙等噪声,如利用高斯滤波去掉样本图像的噪声。对于夜间样本需要对样本图片进行增强,由于夜间样本处理后还存在光斑影响,需要使用滤波方法进行去噪;(2)对机车样本文字区域进行基于卷积神经网络的粗定位。采用自定义结构的卷积神经网络来提取预处理后的样本图片中的文字区域的特征,经过训练学习判别,生成文字区域判别的网格,然后对原始样本图片中的文字区域进行粗定位,接着对粗定位区域进行标记;(3)设计了对粗定位后的区域网格进行合并的算法。对粗定位区域进行合并,采用先纵向后横向的思想,纵向合并将已标记区域合并为若干纵向标记区域,然后对该纵向标记区域进行横向合并,精确标记出文字区域。(4)对文字区域检测模块进行了设计,对算法进行了测试,针对不同尺度的样本、不同的深度学习网络结构进行实验结果的比较,与文字区域检测中常用的数学形态学方法和其他深度学习的方法进行了实验对比。本文结合深度学习和图像处理的方法,逐步调试并优化卷积网络结构和样本大小,能够很好的检测出机车文字区域,实现了机车文字区域的准确定位,准确率能够达到93.3%,具有一定的应用价值。