摘要本研究基于YOLO26目标检测算法针对铁轨轨道表面缺陷进行自动化识别与分类。实验采用包含四种常见轨道缺陷类型Spalling、Wheel Burn、Squat、Corrugation的数据集其中训练集1916张图像验证集和测试集各240张图像。通过训练YOLO模型对各类缺陷的检测性能进行了系统评估。实验结果显示模型在背景与缺陷的区分上表现良好但在不同缺陷类别间的区分能力有待提升。总体mAP50达到0.813其中Squat类别的识别效果最佳AP0.88。本研究为铁轨缺陷自动化检测提供了基础模型并指出了未来改进的方向。详细功能展示视频https://www.bilibili.com/video/BV1CSoKBaEG2/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1CSoKBaEG2/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1CSoKBaEG2/目录摘要详细功能展示视频功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块引言背景数据集介绍训练结果编辑编辑Ultralytics YOLO26概述主要功能常用标注工具详细功能展示视频功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅参数实时调节置信度和IoU阈值✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查引言铁轨作为铁路交通的基础设施其安全状况直接影响列车运行的稳定性和乘客的安全性。轨道表面缺陷如剥落Spalling、轮轨烧伤Wheel Burn、轨面凹陷Squat和波浪形磨耗Corrugation是常见的轨道损伤类型若不及时发现和处理可能导致轨道结构恶化甚至引发安全事故。传统的轨道检测主要依赖人工巡检这种方式效率低、主观性强且难以实现全天候、全线路的实时监测。随着计算机视觉和深度学习技术的快速发展基于目标检测算法的自动化缺陷识别系统为轨道维护提供了新的解决方案。YOLOYou Only Look Once作为一种高效的单阶段目标检测算法具有检测速度快、精度高等优点特别适合实时性要求较高的工业应用场景。本研究旨在探索YOLO26算法在铁轨表面缺陷识别任务中的应用效果评估其对不同缺陷类型的检测能力为后续的轨道智能巡检系统研发提供参考依据。背景铁路运输在全球交通系统中占据重要地位尤其在中国这样幅员辽阔的国家铁路网络承担着大量客货运输任务。截至2023年底中国铁路运营里程已超过15万公里其中高速铁路里程超过4万公里位居世界第一。如此庞大的铁路网络对轨道维护提出了巨大挑战传统的周期性人工巡检模式已难以满足现代化铁路运营的需求。轨道缺陷的形成机制复杂多样受列车荷载、轮轨相互作用、材料疲劳、环境因素等多重因素影响。Spalling剥落通常表现为轨道表面金属片状剥离主要由轮轨接触疲劳引起Wheel Burn轮轨烧伤是车轮在轨道上打滑产生的局部高温导致的金相组织变化Squat轨面凹陷是一种由滚动接触疲劳引发的表面裂纹扩展形成的凹陷区域Corrugation波浪形磨耗则表现为轨道表面周期性波状磨耗会产生严重的振动和噪声。这四种缺陷在形成机制、表现形式和发展规律上各不相同给自动化识别带来了挑战。近年来深度学习技术在工业视觉检测领域取得了显著进展。YOLO系列算法自2015年首次提出以来经历了YOLOv2、YOLOv3、YOLOv5到YOLO26等多个版本的迭代优化在检测精度和速度上不断突破。将YOLO算法应用于铁轨缺陷检测不仅可以提高检测效率还能实现缺陷的定量分析和趋势预测为轨道预防性维护提供数据支持。然而铁轨缺陷检测面临光照变化、背景复杂、缺陷尺度不一、类别样本不平衡等诸多挑战需要针对性地优化模型和训练策略。数据集介绍本研究使用的铁轨轨道缺陷数据集包含四个类别Spalling剥落、Wheel Burn轮轨烧伤、Squat轨面凹陷和Corrugation波浪形磨耗。数据集总量为2396张标注图像按照约8:1:1的比例划分为训练集、验证集和测试集具体分布如下训练集1916张图像验证集240张图像测试集240张图像数据集中各类别的样本分布情况为Spalling剥落309个标注实例Wheel Burn轮轨烧伤380个标注实例Squat轨面凹陷552个标注实例Corrugation波浪形磨耗152个标注实例训练结果Ultralytics YOLO26概述Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进从头开始专为边缘和低功耗设备而设计。它引入了简化的设计消除了不必要的复杂性同时集成了有针对性的创新以实现更快、更轻、更易于访问的部署。YOLO26 的架构遵循三个核心原则简洁性:YOLO26是一个原生的端到端模型直接生成预测结果无需非极大值抑制NMS。通过消除这一后处理步骤推理变得更快、更轻量并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创并在YOLO26中得到了进一步发展。部署效率端到端设计消除了管道的整个阶段从而大大简化了集成减少了延迟并使部署在各种环境中更加稳健。训练创新YOLO26 引入了MuSGD 优化器它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛将语言模型中的优化进展转移到计算机视觉领域。任务特定优化YOLO26 针对专业任务引入了有针对性的改进包括用于Segmentation的语义分割损失和多尺度原型模块用于高精度姿势估计的残差对数似然估计 (RLE)以及通过角度损失优化解码以解决旋转框检测中的边界问题。这些创新共同提供了一个模型系列该模型系列在小对象上实现了更高的精度提供了无缝部署并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。主要功能DFL 移除分布式焦点损失DFL模块虽然有效但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL简化了推理过程并拓宽了对边缘和低功耗设备的支持。端到端无NMS推理与依赖NMS作为独立后处理步骤的传统检测器不同YOLO26是原生端到端的。预测结果直接生成减少了延迟并使集成到生产系统更快、更轻量、更可靠。ProgLoss STAL改进的损失函数提高了检测精度在小目标识别方面有显著改进这是物联网、机器人、航空影像和其他边缘应用的关键要求。MuSGD Optimizer一种新型混合优化器结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉从而实现更稳定的训练和更快的收敛。CPU推理速度提升高达43%YOLO26专为边缘计算优化提供显著更快的CPU推理确保在没有GPU的设备上实现实时性能。实例分割增强引入语义分割损失以改善模型收敛以及升级的原型模块该模块利用多尺度信息以获得卓越的掩膜质量。精确姿势估计集成残差对数似然估计(RLE)以实现更精确的关键点定位并优化解码过程以提高推理速度。优化旋转框检测解码引入专门的角度损失以提高方形物体的检测精度并优化旋转框检测解码以解决边界不连续性问题。常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码详细功能展示视频https://www.bilibili.com/video/BV1CSoKBaEG2/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1CSoKBaEG2/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1CSoKBaEG2/
基于YOLO26的铁轨轨道表面缺陷识别与检测研究（项目源码+数据集+模型权重+UI界面+python+深度学习+远程环境部署）
摘要本研究基于YOLO26目标检测算法针对铁轨轨道表面缺陷进行自动化识别与分类。实验采用包含四种常见轨道缺陷类型Spalling、Wheel Burn、Squat、Corrugation的数据集其中训练集1916张图像验证集和测试集各240张图像。通过训练YOLO模型对各类缺陷的检测性能进行了系统评估。实验结果显示模型在背景与缺陷的区分上表现良好但在不同缺陷类别间的区分能力有待提升。总体mAP50达到0.813其中Squat类别的识别效果最佳AP0.88。本研究为铁轨缺陷自动化检测提供了基础模型并指出了未来改进的方向。详细功能展示视频https://www.bilibili.com/video/BV1CSoKBaEG2/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1CSoKBaEG2/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1CSoKBaEG2/目录摘要详细功能展示视频功能模块1、用户管理模块2、界面与交互模块3、检测源管理模块4、检测参数配置模块5、YOLO检测核心模块6、结果显示模块7、结果保存模块8、工具栏功能9、辅助功能10、数据校验模块引言背景数据集介绍训练结果编辑编辑Ultralytics YOLO26概述主要功能常用标注工具详细功能展示视频功能模块✅用户登录注册支持密码检测密码加密。注册登录✅图片检测可对图片进行检测返回检测框及类别信息。✅支持选择检测目标可以选择一个或者多个类目的目标进行检测✅参数实时调节置信度和IoU阈值✅视频检测支持视频文件输入检测视频中每一帧的情况。✅摄像头实时检测连接USB 摄像头实现实时监测。✅日志记录日志标签页记录操作和错误信息带时间戳✅结果保存模块支持图片/视频/摄像头检测结果保存1、用户管理模块功能描述用户注册用户名、密码、确认密码、邮箱选填注册密码SHA256加密存储用户登录用户名密码验证自动跳转主界面用户数据存储JSON文件存储用户信息密码加密、注册时间、邮箱登录状态主界面显示当前登录用户名2、界面与交互模块功能描述玻璃效果界面半透明毛玻璃背景圆角边框现代化视觉风格无边框窗口自定义标题栏支持窗口拖动、最小化、最大化、关闭响应式布局主窗口三栏布局左侧控制区、中央显示区、右侧信息区状态栏显示设备信息、模型状态、当前用户、实时时间3、检测源管理模块功能描述图片检测支持JPG/JPEG/PNG/BMP格式图片载入视频检测支持MP4/AVI/MOV/MKV格式视频载入摄像头检测实时调用摄像头默认ID 0进行检测检测源切换下拉菜单切换三种检测模式自动更新界面状态4、检测参数配置模块功能描述置信度阈值滑动条调节0-100%步长1%实时显示当前值IoU阈值滑动条调节0-100%步长1%实时显示当前值类别选择动态生成检测类别复选框支持全选/取消全选参数同步参数实时同步到检测器核心5、YOLO检测核心模块功能描述模型加载加载best.pt模型文件自动检测GPU可用性支持CPU/GPU切换多模式检测图片检测、视频检测、摄像头实时检测检测线程基于QThread的多线程处理避免界面卡顿检测结果返回目标类别、置信度、边界框坐标FPS计算实时计算处理帧率进度反馈视频处理进度条实时更新6、结果显示模块功能描述实时画面中央区域显示检测结果图像带标注框统计信息检测状态、目标数量、FPS、处理帧数实时更新检测列表右侧列表显示当前帧所有检测到的目标类别置信度日志记录日志标签页记录操作和错误信息带时间戳占位显示未选择检测源时显示系统LOGO和提示文字7、结果保存模块功能描述保存开关复选框控制是否保存检测结果路径选择自定义保存路径支持图片/视频格式自动识别自动命名保存文件自动添加时间戳detection_result_20240101_120000.jpg视频保存支持检测结果视频录制MP4格式手动保存工具栏保存按钮可随时保存当前画面保存反馈保存成功弹窗提示日志记录保存路径8、工具栏功能功能描述图片按钮快速切换到图片检测模式并打开文件选择器视频按钮快速切换到视频检测模式并打开文件选择器摄像头按钮快速切换到摄像头检测模式保存按钮手动保存当前显示画面9、辅助功能功能描述错误处理统一错误弹窗提示日志记录错误详情资源清理检测停止时自动释放摄像头、视频文件、视频写入器资源时间显示状态栏实时显示系统时间模型状态状态栏显示模型加载状态和当前设备CPU/GPU10、数据校验模块功能描述注册验证用户名长度≥3密码长度≥6密码一致性检查邮箱格式验证协议确认注册前需勾选同意用户协议文件校验模型文件存在性检查文件大小验证≥6MB输入非空登录/注册时必填项非空检查引言铁轨作为铁路交通的基础设施其安全状况直接影响列车运行的稳定性和乘客的安全性。轨道表面缺陷如剥落Spalling、轮轨烧伤Wheel Burn、轨面凹陷Squat和波浪形磨耗Corrugation是常见的轨道损伤类型若不及时发现和处理可能导致轨道结构恶化甚至引发安全事故。传统的轨道检测主要依赖人工巡检这种方式效率低、主观性强且难以实现全天候、全线路的实时监测。随着计算机视觉和深度学习技术的快速发展基于目标检测算法的自动化缺陷识别系统为轨道维护提供了新的解决方案。YOLOYou Only Look Once作为一种高效的单阶段目标检测算法具有检测速度快、精度高等优点特别适合实时性要求较高的工业应用场景。本研究旨在探索YOLO26算法在铁轨表面缺陷识别任务中的应用效果评估其对不同缺陷类型的检测能力为后续的轨道智能巡检系统研发提供参考依据。背景铁路运输在全球交通系统中占据重要地位尤其在中国这样幅员辽阔的国家铁路网络承担着大量客货运输任务。截至2023年底中国铁路运营里程已超过15万公里其中高速铁路里程超过4万公里位居世界第一。如此庞大的铁路网络对轨道维护提出了巨大挑战传统的周期性人工巡检模式已难以满足现代化铁路运营的需求。轨道缺陷的形成机制复杂多样受列车荷载、轮轨相互作用、材料疲劳、环境因素等多重因素影响。Spalling剥落通常表现为轨道表面金属片状剥离主要由轮轨接触疲劳引起Wheel Burn轮轨烧伤是车轮在轨道上打滑产生的局部高温导致的金相组织变化Squat轨面凹陷是一种由滚动接触疲劳引发的表面裂纹扩展形成的凹陷区域Corrugation波浪形磨耗则表现为轨道表面周期性波状磨耗会产生严重的振动和噪声。这四种缺陷在形成机制、表现形式和发展规律上各不相同给自动化识别带来了挑战。近年来深度学习技术在工业视觉检测领域取得了显著进展。YOLO系列算法自2015年首次提出以来经历了YOLOv2、YOLOv3、YOLOv5到YOLO26等多个版本的迭代优化在检测精度和速度上不断突破。将YOLO算法应用于铁轨缺陷检测不仅可以提高检测效率还能实现缺陷的定量分析和趋势预测为轨道预防性维护提供数据支持。然而铁轨缺陷检测面临光照变化、背景复杂、缺陷尺度不一、类别样本不平衡等诸多挑战需要针对性地优化模型和训练策略。数据集介绍本研究使用的铁轨轨道缺陷数据集包含四个类别Spalling剥落、Wheel Burn轮轨烧伤、Squat轨面凹陷和Corrugation波浪形磨耗。数据集总量为2396张标注图像按照约8:1:1的比例划分为训练集、验证集和测试集具体分布如下训练集1916张图像验证集240张图像测试集240张图像数据集中各类别的样本分布情况为Spalling剥落309个标注实例Wheel Burn轮轨烧伤380个标注实例Squat轨面凹陷552个标注实例Corrugation波浪形磨耗152个标注实例训练结果Ultralytics YOLO26概述Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进从头开始专为边缘和低功耗设备而设计。它引入了简化的设计消除了不必要的复杂性同时集成了有针对性的创新以实现更快、更轻、更易于访问的部署。YOLO26 的架构遵循三个核心原则简洁性:YOLO26是一个原生的端到端模型直接生成预测结果无需非极大值抑制NMS。通过消除这一后处理步骤推理变得更快、更轻量并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创并在YOLO26中得到了进一步发展。部署效率端到端设计消除了管道的整个阶段从而大大简化了集成减少了延迟并使部署在各种环境中更加稳健。训练创新YOLO26 引入了MuSGD 优化器它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛将语言模型中的优化进展转移到计算机视觉领域。任务特定优化YOLO26 针对专业任务引入了有针对性的改进包括用于Segmentation的语义分割损失和多尺度原型模块用于高精度姿势估计的残差对数似然估计 (RLE)以及通过角度损失优化解码以解决旋转框检测中的边界问题。这些创新共同提供了一个模型系列该模型系列在小对象上实现了更高的精度提供了无缝部署并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。主要功能DFL 移除分布式焦点损失DFL模块虽然有效但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL简化了推理过程并拓宽了对边缘和低功耗设备的支持。端到端无NMS推理与依赖NMS作为独立后处理步骤的传统检测器不同YOLO26是原生端到端的。预测结果直接生成减少了延迟并使集成到生产系统更快、更轻量、更可靠。ProgLoss STAL改进的损失函数提高了检测精度在小目标识别方面有显著改进这是物联网、机器人、航空影像和其他边缘应用的关键要求。MuSGD Optimizer一种新型混合优化器结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉从而实现更稳定的训练和更快的收敛。CPU推理速度提升高达43%YOLO26专为边缘计算优化提供显著更快的CPU推理确保在没有GPU的设备上实现实时性能。实例分割增强引入语义分割损失以改善模型收敛以及升级的原型模块该模块利用多尺度信息以获得卓越的掩膜质量。精确姿势估计集成残差对数似然估计(RLE)以实现更精确的关键点定位并优化解码过程以提高推理速度。优化旋转框检测解码引入专门的角度损失以提高方形物体的检测精度并优化旋转框检测解码以解决边界不连续性问题。常用标注工具假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具Label Studio一个灵活的工具支持各种标注任务并包含用于管理项目和质量控制的功能。 CVAT一个强大的工具支持各种标注格式和可定制的工作流程使其适用于复杂的项目。 Labelme一个简单易用的工具可以快速标注带有多边形的图像非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具特别适合以 YOLO 格式创建边界框标注。这些开源工具经济实惠并提供一系列功能来满足不同的标注需求。界面核心代码详细功能展示视频https://www.bilibili.com/video/BV1CSoKBaEG2/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1CSoKBaEG2/?spm_id_from333.1387.upload.video_card.clickvd_source8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1CSoKBaEG2/
