摘要针对铁轨表面缺陷自动化检测需求本研究构建了基于YOLOv8的实时检测系统涵盖Spalling剥落、Wheel Burn车轮烧伤、Squat轨头压溃和Corrugation波浪磨耗四类典型缺陷。数据集共包含2396张标注图像按1916/240/240划分训练、验证与测试集。实验结果表明模型在测试集上整体mAP0.5达到0.807平均召回率为0.93。其中Squat检测性能最优mAP0.886Wheel Burn次之0.829Spalling0.783与Corrugation0.730相对偏弱。混淆矩阵显示Spalling与Squat存在14例误判Corrugation有34例被漏检为背景。综合分析训练损失曲线与PR曲线模型收敛良好未见明显过拟合。本研究验证了YOLOv8在铁轨多缺陷检测任务中的可行性并为后续优化指明了方向。引言铁轨作为轨道交通的核心基础设施其表面缺陷直接影响行车安全与维护成本。传统人工巡检存在效率低、主观性强、漏检率高等问题难以满足现代铁路高频次、高精度的检测需求。近年来基于深度学习的目标检测技术尤其是YOLO系列算法因其端到端、实时性强的优势逐渐成为铁轨缺陷自动识别的主流方案。本研究采用YOLOv8架构针对四种常见铁轨缺陷——剥落、车轮烧伤、轨头压溃和波浪磨耗构建了一套完整的检测系统。通过分析模型在2396张真实铁轨图像上的训练结果系统评估了各类缺陷的检测精度、召回率及混淆情况。研究发现模型整体召回率高达0.93表明漏检控制良好但Corrugation类因样本特征复杂或数量不足检测精度仅为0.730存在较多背景误检。此外Spalling与Squat之间存在特征相似导致的分类混淆。本文旨在量化模型性能瓶颈提出数据增强与类别权重调整等优化策略为高可靠性铁轨检测系统的工程落地提供参考。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缺陷类别与标注数据集划分训练过程训练结果模型整体性能各类别详细分析​编辑​编辑​编辑混淆矩阵分析​编辑主要问题归一化混淆矩阵显示​编辑训练曲线分析​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/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背景铁轨在长期轮轨冲击、环境侵蚀及运维条件下会产生多种表面缺陷。Spalling剥落表现为轨面小块金属脱落多由接触疲劳引起Wheel Burn车轮烧伤是车轮打滑导致的热致相变痕迹易引发裂纹扩展Squat轨头压溃表现为轨顶表面的压痕或裂纹常见于重载线路Corrugation波浪磨耗是轨面周期性波状磨损显著增加噪声与振动。四类缺陷的形态、尺度及发生位置各异给统一检测带来挑战。传统检测方法包括磁粉探伤、超声波检测和人工视觉巡查。这些方式或依赖专业设备、成本高昂或效率低下、易受人为因素干扰。随着计算机视觉技术的发展基于卷积神经网络的目标检测方法展现出强大的特征学习能力。YOLOv8作为当前YOLO系列的最新迭代在检测速度与精度之间取得了更优平衡适合嵌入车载实时检测系统。因此构建一个能同时识别多类铁轨缺陷的YOLOv8模型对于提升铁路运维智能化水平、降低事故风险具有重要意义。数据集介绍缺陷类别与标注共包含4类缺陷定义及样本分布如下Spalling剥落轨面局部材料脱落呈不规则坑洼状Wheel Burn车轮烧伤热致变色斑块常伴金属光泽变化Squat轨头压溃轨顶表面微小裂纹或压痕Corrugation波浪磨耗沿钢轨纵向周期性起伏所有图像均使用LabelImg进行矩形框标注由铁路工务专家复核标注质量。数据集划分数据集图像数量用途训练集1916张模型参数学习验证集240张超参数调优与过拟合监控测试集240张最终性能评估训练过程训练结果模型整体性能高召回率在置信度为0时全类召回率达0.93说明模型漏检率低。高精度在置信度0.952时全类精度达1.00高置信度下预测非常可靠。mAP表现良好全类mAP0.5为0.807说明模型整体检测能力较强。各类别详细分析缺陷类型召回率精确率(mAP)表现评价Squat0.8860.886最佳Wheel Burn0.8290.829良好Spalling0.7830.783中等Corrugation0.7300.730偏弱混淆矩阵分析主要问题Spalling与Squat混淆严重14个Spalling被误判为Squat True背景误检38个背景被误判为Spalling34个背景被误判为CorrugationCorrugation识别困难34个Corrugation被误判为背景19个背景被误判为Corrugation归一化混淆矩阵显示Spalling准确率85%Wheel Burn准确率85%Squat True准确率31%低Corrugation准确率6%极低训练曲线分析损失函数下降平稳box_loss、cls_loss、dfl_loss均呈下降趋势mAP稳定提升mAP50和mAP50-95随训练轮次稳步上升未见明显过拟合训练与验证损失差距合理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