摘要
铁路轨道作为轨道交通的核心基础设施，其表面缺陷的及时检测对保障运营安全至关重要。本研究基于YOLOv8目标检测算法，构建了一套针对铁路轨道四种典型缺陷——裂缝（Crack）、断裂（Putus）、剥落（Spalling）和轨面凹陷（Squat）的自动检测系统。模型训练采用1,312张标注图像，验证集184张，测试集97张。实验结果表明，该系统在IoU=0.5阈值下的平均精度（mAP50）达到94%，四类缺陷的AP值分别为0.992、0.905、0.976和0.979，最佳F1分数为0.95。损失函数从第0轮到第100轮平稳下降，train/cls_loss下降82%，未出现明显过拟合。该系统在铁路轨道缺陷检测任务中表现出较高的准确性和鲁棒性，具备实际工程部署潜力。
引言
铁路轨道长期暴露于户外复杂环境，承受列车反复荷载作用，表面容易出现裂缝、剥落、断裂、轨面凹陷等各类缺陷。这些缺陷若不及时发现和处理，可能发展为严重的轨道结构损伤，甚至引发行车事故。传统的轨道巡检主要依赖人工目视检查，存在效率低、主观性强、检测标准不统一、夜间或恶劣天气条件下作业困难等突出问题。
近年来，随着深度学习技术的快速发展，基于计算机视觉的缺陷检测方法逐渐成为研究热点。其中，YOLO系列算法因其端到端的检测框架和良好的速度-精度平衡，在工业缺陷检测领域得到广泛应用。YOLOv8作为该系列的最新版本，在特征提取网络、损失函数设计及后处理策略等方面进行了进一步优化。本研究旨在基于YOLOv8构建一套铁路轨道缺陷检测系统，通过实际数据训练与评估，验证其在多类别缺陷识别任务中的有效性，为铁路智能运维提供技术支撑。
目录
摘要
引言
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
背景
数据集介绍
训练过程
训练结果
整体性能概览
1. 最终精度指标
2. 各类别AP表现编辑
混淆矩阵分析
未归一化混淆矩阵编辑
归一化混淆矩阵问题 编辑
损失函数收敛情况
精度-召回曲线分析
F1曲线编辑
P/R曲线
编辑
常用标注工具
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。
✅参数实时调节（置信度和IoU阈值）
✅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
✅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/GPU） |
10、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 |
背景
铁路运输在我国综合交通运输体系中占据主导地位，截至2024年底，全国铁路营业里程已超过15万公里，其中高速铁路超过4万公里。随着运营里程的持续增长和行车密度的不断提高，传统的人工巡检方式已难以满足现代化铁路运维对检测效率、覆盖率和及时性的要求。轨道表面缺陷是线路安全隐患的主要来源之一。裂缝可能引发钢轨断裂，剥落会影响轮轨接触平顺性，轨面凹陷则会导致列车颠簸加剧，加速轨道结构劣化。
因此，研发高效、准确的自动化轨道缺陷检测系统具有显著的经济效益和社会价值。深度学习技术的突破为这一需求提供了可行路径。卷积神经网络能够自动提取缺陷的层次化特征，从而实现对复杂背景下的微小缺陷的高精度识别。YOLOv8在保持实时检测能力的同时，进一步提升了小目标检测和类别不平衡场景下的性能表现。本研究基于YOLOv8开展铁路轨道缺陷检测，旨在探索深度学习在轨道运维领域的实际应用效果。
数据集介绍
本研究所用数据集为铁路轨道表面缺陷图像数据集，共包含1,593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：
| 数据集 | 图像数量 |
|---|---|
| 训练集 | 1,312张 |
| 验证集 | 184张 |
| 测试集 | 97张 |
训练过程
训练结果
整体性能概览
1.最终精度指标
mAP50: 0.94（94%）—— 在IoU=0.5时平均精度很高
mAP50-95: 0.45（45%）—— 在严苛IoU阈值下仍有不错表现
Precision (B): 0.85
Recall (B): 0.85
2.各类别AP表现![]()
| 缺陷类别 | AP@0.5 | 评价 |
|---|---|---|
| Crack（裂缝） | 0.992 | 优秀 |
| Spalling（剥落） | 0.976 | 优秀 |
| Squat（轨面凹陷） | 0.979 | 优秀 |
| Putus（断裂/破损） | 0.905 | 良好 |
混淆矩阵分析
未归一化混淆矩阵![]()
Crack: 621个正确，14个误判为background，0个误判为其他类别
Putus: 175个正确，12个误判为background，1个误判为其他
Spalling: 150个正确，3个误判为background，5个误判为其他
归一化混淆矩阵问题![]()
存在明显的标签错位/显示异常（True列为Crack、Puts、Spalling True、Squat等）
Spalling True与Squat、Crack之间有一定混淆（0.33、0.02、0.96）
建议重新生成归一化混淆矩阵，确保轴标签正确
损失函数收敛情况
从results.png看：
| 指标 | 初始(第0轮) | 最终(第100轮) | 改善 |
|---|---|---|---|
| train/box_loss | 1.78 | 0.84 | ↓53% |
| train/cls_loss | 2.00 | 0.35 | ↓82% |
| val/box_loss | 1.60 | 1.10 | ↓31% |
| val/cls_loss | 1.55 | 0.40 | ↓74% |
结论：损失曲线平滑下降，无过拟合迹象，训练充分。
精度-召回曲线分析
F1曲线![]()
最佳F1分数：0.95（置信度阈值0.586）
各类别均衡性好
P/R曲线
mAP@0.5: 0.963
高召回率下仍保持高精度（Recall>0.95时Precision仍>0.98）
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：
