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）

斌擎人工智能官方账号

202人浏览 · 2026-04-16 12:17:37

斌擎人工智能官方账号 · 2026-04-16 12:17:37 发布

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（AP=0.88）。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_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1CSoKBaEG2/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764

https://www.bilibili.com/video/BV1CSoKBaEG2/

功能模块

✅ 用户登录注册：支持密码检测，密码加密。

✅ 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/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

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。YOLO（You 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 K2，MuSGD 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。

用于实例分割的 LabelMe 标注工具

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/

AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

AI修炼记3-RAG

AtomGit开源社区

在海量素材里3秒找到想要的镜头？易元AI语义检索也太恐怖了

简单来说，不用再死记复杂的文件名，不用逐段翻看视频素材，只要输入你想要的画面文字描述，系统就能瞬间从海量素材里，精准定位到对应的镜头。易元AI语义检索，本质是帮团队搭建高效的镜头调用能力，让现有素材不再沉睡，实现快速识别、精准匹配、反复复用，直接带动团队整体产能提升，也让后续的批量剪辑、智能匹配、版本生成真正落地运行。语义检索解决的，正是素材资产化的第一步，彻底盘活沉睡的素材库：过往的产品镜头能适