1.一种城市地铁轨道扣件缺陷智能检测方法，其特征在于，包括：S1、基于行进中的列车实时采集若干张铁轨扣件部位的图像；

S2、对图像进行灰度处理，并采用局部自适应二值化计算灰度图像中像素点的阈值，若灰度图像中像素点灰度值大于阈值，则二值化结果为1，代表目标扣件；若像素点灰度值小于阈值，则二值化结果为0，代表扣件背景；

S3、将处理后的若干图像随机划分为训练集和验证集；

S4、构建TensorFlow Slim微调模型，并采用训练集训练模型，验证集验证模型的准确率，导出训练完成的TensorFlow Slim微调模型；

S5、基于TensorFlow Slim微调模型，输入采集的铁轨扣件图像，识别并标注图像中的扣件；

S6、对标注后的扣件图像进行自动分割，划分出图像中的目标扣件区域，并根据目标扣件区域提取图像中扣件的空间特征；

S7、基于训练完成的自回归纹理模型提取图像中扣件的纹理特征；

S8、采用形状不变矩法，根据目标扣件所占区域的矩作为形状描述参数，提取扣件在图像中的轮廓特征；

S9、将若干组扣件的空间特征、纹理特征和轮廓特征分别进行单独训练并作为SVM模型的三个不同输入，构建SVM模型，并基于SVM模型进行扣件缺陷诊断，输出诊断结果，包括：根据扣件的空间特征，判断并输出当前扣件是否存在缺失缺陷；

根据扣件的纹理特征，判断并输出当前扣件是否存在松动缺陷；

根据扣件的轮廓特征，判断并输出当前扣件是否存在脱落缺陷；

S10、根据输出诊断结构，在原始图像中标注缺陷扣件的位置；

S11、计算相邻两个扣件之间的平均间距，并结合列车拍摄图像时的定位点信息，定位缺陷扣件的位置信息。

2.根据权利要求1所述的城市地铁轨道扣件缺陷智能检测方法，其特征在于：所述S1中采用工业相机拍摄若干张铁轨扣件部位的图像，并将图像上传至列车车载服务器中。

3.根据权利要求1所述的城市地铁轨道扣件缺陷智能检测方法，其特征在于：所述S2中对图像进行灰度处理，并采用局部自适应二值化计算灰度图像中像素点的阈值，若灰度图像中像素点灰度值大于阈值，则二值化结果为1，代表目标扣件；若像素点灰度值小于阈值，则二值化结果为0，代表扣件背景，包括：设图像在像素点(x,y)处的灰度值为f(x,y)；

计算图像中各像素点(x,y)的阈值w(x,y)：w(x,y)＝0.5*(max f(x+m,y+n)+min f(x+m,y+n))；

若f(x,y)>w(x,y)，则二值化结果为1，代表目标扣件的目标点；否则二值化结果为0，代表背景区域的目标点。

4.根据权利要求1所述的城市地铁轨道扣件缺陷智能检测方法，其特征在于：所述S3中将处理后的若干图像按照3:1的比列划分为训练集和验证集。

5.根据权利要求1所述的城市地铁轨道扣件缺陷智能检测方法，其特征在于，所述S9中构建SVM模型的最优分类包括：所述SVM模型的目标函数与约束条件为：

其中，ω为权重向量；xi为输入数据；yi为对应xi的所属分类；b为偏置向量；

引入松弛变量ξi代表训练样本的错分程度，则：其中，C为惩罚因子，控制出现样本错误分类的惩罚度；

采用拉格朗日函数对目标函数进行求解：

其中，αi为拉格朗日乘子；

求解得到最优分类函数为：

其中，sgn()为符号函数；

SVM通过构造核函数将低维数据映射到高维，再在高维空间中实现线性分类，引入核函数后的最优分类为：其中，K()为核函数；

核函数为径向基核函数K(xi,xj)，其表达式为：其中，g为核函数参数。

6.根据权利要求1所述的城市地铁轨道扣件缺陷智能检测方法，其特征在于，所述S11、计算相邻两个扣件之间的平均间距，并结合列车拍摄图像时的定位点信息，定位缺陷扣件的位置信息，包括：计算相邻两个扣件之间的平均间距m1：

m1＝s1/n1

其中，s1为距离，n1为距离s1内轨道扣件的数量；

定位缺陷扣件的位置P0：

P0＝S0+n2*m1+S2

其中，S0为列车拍摄图像时的定位点位置，n2为缺陷扣件位于图像中的排位数量，S2为拍摄图像时的成像距离。