YOLO智能铁路新突破：YOLO26在轨道裂纹、脱落、剥落、凹坑检测中的应用（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

673人浏览 · 2026-04-16 12:44:40

斌擎人工智能官方账号 · 2026-04-16 12:44:40 发布

摘要

铁路轨道缺陷检测是保障铁路运输安全的关键环节。传统的人工巡检方式效率低下且易受主观因素影响，难以满足现代化铁路运维需求。本文基于YOLO26目标检测算法，构建了一个针对四种常见轨道缺陷（Crack、Putus、Spalling、Squat）的自动识别检测系统。系统采用YOLO26架构，使用1593张标注图像进行训练、验证和测试，其中训练集1312张、验证集184张、测试集97张。实验结果表明，模型在验证集上达到了0.974的mAP50和0.638的mAP50-95，各类别检测精度均在0.95以上。该系统能够有效识别轨道表面缺陷，为铁路基础设施的智能化运维提供了可靠的技术支撑。

详细功能展示视频

https://www.bilibili.com/video/BV1w3oKB8EZw/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764https://www.bilibili.com/video/BV1w3oKB8EZw/?spm_id_from=333.1387.upload.video_card.click&vd_source=8279e3d5f4d5d4f0cb2bf5c842393764 https://www.bilibili.com/video/BV1w3oKB8EZw/

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

随着我国铁路运输事业的快速发展，列车运行速度和密度不断提高，对轨道结构的安全性提出了更高要求。轨道在长期服役过程中，由于列车载荷的反复作用和环境因素的影响，不可避免地会产生各种表面缺陷和内部损伤。这些缺陷如果得不到及时发现和处理，可能发展为严重的轨道病害，甚至引发行车安全事故。因此，建立高效准确的轨道缺陷检测系统，对保障铁路运输安全具有重要意义。

近年来，深度学习技术的快速发展为目标检测领域带来了革命性突破。YOLO（You Only Look Once）系列算法作为单阶段目标检测的代表，以其检测速度快、精度高的特点，在工业视觉检测领域得到了广泛应用。本研究将YOLO26算法应用于铁路轨道缺陷检测任务，针对轨道表面常见的裂纹、断裂、剥落和凹陷等缺陷类型，构建了一个端到端的自动检测系统，旨在提高检测效率和准确性，降低人工成本，为铁路基础设施的智能化运维提供技术支撑。

背景

铁路轨道作为列车运行的直接载体，其健康状态直接关系到行车安全和运输效率。随着我国铁路运营里程的持续增长和列车运行速度的不断提升，轨道结构的疲劳损伤和表面缺陷问题日益突出。传统的轨道缺陷检测主要依赖人工巡检，巡检人员沿线路步行或乘坐轨道车进行目视检查，这种方式存在诸多局限性：一是检测效率低下，难以覆盖庞大的铁路网络；二是检测结果受人员经验、疲劳程度等主观因素影响，一致性难以保证；三是人眼难以识别微小缺陷和早期损伤，容易造成漏检；四是高空作业和夜间作业存在安全隐患。

为克服传统方法的不足，国内外研究机构和企业开始探索基于机器视觉的自动化检测技术。早期的方法主要采用传统的图像处理技术，如边缘检测、纹理分析、形态学处理等，通过人工设计的特征提取算子识别缺陷区域。这类方法在特定场景下取得了一定效果，但泛化能力较差，难以适应复杂多变的现场环境。

近年来，深度学习技术的突破为轨道缺陷检测带来了新的解决方案。基于卷积神经网络的目标检测算法能够自动学习缺陷的层次化特征，具有较强的鲁棒性和泛化能力。其中，YOLO系列算法凭借其端到端的检测框架和优异的实时性能，成为工业部署的首选方案。YOLO算法将目标检测任务转化为回归问题，通过单一的神经网络同时预测目标的类别和位置，在保证检测精度的同时实现了极快的推理速度。

目前，基于深度学习的轨道缺陷检测研究主要集中在几个方面：一是多尺度特征融合，以应对不同大小的缺陷目标；二是小样本学习，解决缺陷样本稀缺的问题；三是轻量化网络设计，满足移动端和嵌入式设备的部署需求。尽管已有不少研究成果，但实际应用中仍面临光照变化、背景干扰、缺陷形态多样等挑战。

本研究针对四种常见的轨道表面缺陷——裂纹（Crack）、断裂（Putus）、剥落（Spalling）和凹陷（Squat），构建了一个基于YOLO26的自动化检测系统。通过收集和标注大量实际轨道图像，训练专用检测模型，并在真实场景下验证其性能，旨在为铁路基础设施的智能化运维提供切实可行的技术方案，推动轨道检测工作向自动化、智能化方向发展。

数据集介绍

本系统针对铁路轨道表面常见的四种缺陷类型进行检测，具体定义如下：

Crack（裂纹）：轨道表面出现的线状开裂，通常由疲劳载荷或温度应力引起，是轨道早期损伤的主要表现形式。
Putus（断裂）：轨道结构的完全或部分断开，属于严重缺陷，通常由裂纹扩展或突发外力导致。
Spalling（剥落）：轨道表面材料的片状脱落，表现为局部凹陷或坑槽，多由接触疲劳或材料缺陷引起。
Squat（凹陷）：轨道表面的局部下沉或压溃，通常表现为轨头部位的塑性变形，与重载列车频繁通过有关。

数据集规模与划分

本系统使用的数据集包含1593张标注图像，按照以下比例进行划分：

训练集：1312张图像，占总样本的82.4%，用于模型训练和参数优化
验证集：184张图像，占总样本的11.5%，用于模型性能评估和超参数调优
测试集：97张图像，占总样本的6.1%，用于最终模型性能的独立测试

训练结果

1.总体表现：优秀

mAP50 = 0.974，mAP50-95 = 0.638，说明模型在标准IoU阈值下表现极好，在高IoU要求下仍有不错的泛化能力。
Precision = 0.943，Recall = 0.974，说明模型漏检极少，误检也控制在较低水平。

Putus 类样本最少（仅12个），虽然mAP50接近1.0，但mAP50-95较低，说明模型在高IoU下对该类检测不够稳定，可能存在过拟合风险。

3.曲线图表解读

1. F1-Confidence曲线（BoxF1_curve.png）

最佳F1 = 0.96 @ confidence=0.334
说明在较低置信度下就能达到很好的平衡，适合实际部署时可选用较低的阈值以提高召回。

2. Precision-Confidence曲线（BoxP_curve.png）

随着置信度提高，精度趋近1.0，说明模型对高置信度的预测非常可靠。

3. Recall-Confidence曲线（BoxR_curve.png）

在置信度0.0时召回接近1.0，说明模型几乎没有漏检。

4. PR曲线（BoxPR_curve.png）

各类别AP均接近1.0，说明模型在各类别上都有很强的区分能力。

4.混淆矩阵分析（confusion_matrix_normalized.png）

Crack 和 Squat 之间存在少量混淆，可能是因为两者在视觉上有些相似（如细小裂纹与早期轨面不平）。
Putus 和 Spalling 之间也有少量混淆，建议检查标注是否准确。
背景误检极少，说明模型对背景的抑制能力很强。

5.训练过程（results.png）

训练损失（box_loss、cls_loss、dfl_loss） 持续下降，收敛良好。
验证损失 也保持稳定下降，无明显过拟合。
mAP50 和 mAP50-95 在训练后期趋于平稳，说明模型已充分收敛。

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