城市轨道的安全状态是城市轨道交通列车安全高效运营的重要保证,轨道病害直接影响城市轨道交通的安全运营,更甚者将导致安全事故的发生,因此对线路状态进行及时高效的检测对于保障轨道交通安全运营至关重要。目前线路病害检测主要依靠检修工人利用手推检测车对线路进行定期检查。但随着城市轨道交通的发展,城市轨道线网规模正不断地扩张,运营里程不断增加,这对轨道安全检测带来了新的挑战,也提出了更高的要求。近年来随着图像处理技术、音频处理技术、机器学习理论的不断发展,这些技术在众多领域逐渐成为主要技术手段,也为轨道线路病害的实时监测提供了新的发展方向和技术支持。为此,本文以图像和声音作为数据源,针对轨道扣件病害和轮轨振动噪声开展相关的技术研究,并设计开发轨道线路检测系统为轨道线路的智能化、信息化检测提供技术支持。主要研究内容包括以下几个方面:轨道病害检测内容及相关算法介绍。对目前轨道病害的常见类型和表现形式做了简要介绍,明确本文主要研究内容即扣件及钢轨表面病害检测,其中扣件病害检测主要基于图像数据进行,钢轨表面病害地检测则通过其轮轨振动噪声数据分析完成。根据数据特点分别设计了不同的技术路线实现检测目标,并介绍了技术路线中使用到的机器算法和深度学习模型。其中扣件病害检测应用到卷积神经网络,轮轨振动噪声的轨道病害检测中主要用到树模型算法XGboost和深度残差网络。基于图像处理的轨道扣件病害识别。使用图像数据特征增强的方法,解决了异常检测中样本分布不均衡的问题。然后利用迁移学习的方式训练VGG16网络,对扣件的服役状态进行分类,并以此完成不同扣件病害地辨识。用训练好的VGG16网络作为特征提取网络,并结合深度学习中目标检测网络框架Faster R-CNN实现了对扣件的定位和状态检测,提升了检测速度和效率。基于轮轨振动噪声的轨道病害识别。首先分析了轮轨振动噪声和其他常见的车内声音的声学特性,从时域和频域上分析各类声音的特点和差异。之后通过音频数据增强的方法,解决了音频数据少、人工标注困难的问题。设计了两条轮轨振动噪声识别技术线路。其一,通过音频特征提取的方法,提取音频中的短时平均能量、短时过零率、1/3倍程频谱声压、对数梅尔频谱系数等特征,通过训练XGboost分类器实现轮轨振动噪声的识别。其二,提取音频数据的对数梅尔频谱图,利用深度残差网络,实现轮轨振动噪声的辨识。两种技术线路都实现了基于轮轨振动噪声的轨道病害检测。根据轮轨振动噪声的识别算法,提出基于滑动窗口的轨道病害检测方法,并通过区段轮轨振动噪声数据验证了方法的有效性。轨道病害检测系统的设计和开发。在基于图像处理的轨道扣件病害识别和基于轮轨振动噪声的轨道病害识别的基础上,开发完成了轨道线路病害检测系统。该系统是在Py Qt5平台下进行开发,嵌入了机器学习算法和深度学习算法,具有扣件病害识别功能和轮轨振动噪声识别功能,并能自动生成检测结果和检测报表,从而为轨道线路检测提供依据。