中低速磁浮是一种缓解城市交通压力的优质方案,其具备悬浮、导向和牵引三大功能,能够避免列车与走行轨之间的机械接触,降低车轨的维修成本。保证中低速磁浮列车的平稳受流是维持上述功能的前提。中低速磁浮列车的受流是通过受流靴与线路两侧的接触轨直接接触的方式,在长期的相互作用后,接触轨紧固件容易出现松动等故障,影响靴轨之间的正常受流。因此,需要对接触轨紧固件的状态进行有效地识别。现有的识别方法主要是人工巡检和技术人员查看图像的方式,这两种方法存在工作量大、效率低和准确率难以保证的问题。因此,接触轨紧固件松动识别的自动化势在必行。本文依据现有的长沙中低速磁浮接触轨成像装置拍摄的图像,提出了一种基于实例分割的紧固件松动识别方法,并完成了相应识别系统的设计与开发。论文的主要工作如下:首先,考虑到接触轨紧固件尺寸微小,先将其分布的区域从图中提出。本文对现有的目标检测算法进行深入研究,利用部分接触轨图像建立各类算法所需的样本库,根据初定位任务的特点选择基于回归的目标检测网络—YOLO v2,实现底座和连接板两处紧固件分布区域的定位。随后,本文采用实例分割网络Mask R-CNN,在定位后的两处关键区域图像中,实现了对底座螺栓连接的螺母和螺杆和对连接板区域的连接板及连接板螺钉头部的分割。利用分割结果对不同紧固件设计相应识别判据。对于底座螺栓连接,将螺母掩膜和螺杆掩膜间的相对位置关系作为松动识别的依据;对于连接板螺钉连接,将连接板螺钉头部掩膜与连接板掩膜的距离作为松动判据,实现紧固件的松动识别。最后,基于PyQt5图形用户界面库、Tensorflow深度学习框架和OpenCV计算机视觉库实现了中低速磁浮紧固件松动识别系统算法和界面的开发。并在接触轨成像装置于不同时段拍摄的图像上进行测试,验证了本文算法的有效性和系统的可靠性。