高铁轨道紧固件损坏检测数据集 | 高铁巡检 紧固件缺陷 轨道安全9093期
数据集概述
本数据集专注于高铁轨道紧固件缺陷的视觉检测与分类，服务于铁路智能巡检、轨道状态监测及运维决策。数据采集自高铁巡检车实拍全景大图，完整保留紧固件整体排布结构，适配工程级缺陷识别与轨道安全评估。
数据集核心信息
| 数据要素 | 详细说明 |
|---|---|
| 类别 | 共 6 类：正常、缺失、倒置、位移、变形、破碎 |
| 数量 | 1350 张图像 |
| 格式 | 图像为 JPG/PNG（分辨率 2048×2021）；标签为 YOLO 格式的 txt 文件（水平边界框） |
| 数据划分 | 训练集 1250 张，测试集 100 张 |
| 应用价值 | 1. 智能巡检 ：支撑高铁线路紧固件的自动化检测与缺陷识别，替代人工巡检。 2. 安全预警 ：及时发现紧固件缺失、变形等隐患，预防轨道结构失效。 3. 运维决策 ：通过缺陷类型与分布统计，辅助制定维修优先级与养护计划。 4. 算法研发：为铁路巡检视觉感知、工程级缺陷分类等任务提供高质量基准数据。 |
完整类别列表（共6类）
| 序号 | 类别名称 | 缺陷类型说明 |
|---|---|---|
| 0 | 正常 | 紧固件状态正常 |
| 1 | 缺失 | 紧固件丢失、未安装 |
| 2 | 倒置 | 紧固件安装方向错误 |
| 3 | 位移 | 紧固件位置偏移 |
| 4 | 变形 | 紧固件结构形变 |
| 5 | 破碎 | 紧固件断裂、破损 |
数据三要素解析
类别与缺陷覆盖
- 数据集定义 6 类紧固件状态，覆盖 正常状态 与 5类典型缺陷（缺失、倒置、位移、变形、破碎）。
- 分类依据工程检修量化公差，而非主观视觉判断，标注客观可追溯，具有较强的工程实用价值。
- 缺陷类型覆盖了从安装错误到结构损伤的多种失效模式，满足轨道状态综合评估需求。
数据规模与采集
- 图像总量约 1350 张，规模适中，适合作为工程级缺陷检测任务的基准数据集。
- 图像分辨率高达 2048×2021，属于全景大图，完整保留紧固件整体排布结构与几何关系，5G数据。
- 采集自高铁巡检车实拍，场景真实，贴近实际运维环境。
格式与配套资源
- 采用通用 YOLO 格式（txt），每张图像对应一个同名标签文件，包含类别 ID 与归一化边界框坐标，可直接接入 YOLOv5、YOLOv8、YOLOv11 等主流检测框架。
- 配套实例级语义标注，可适配目标检测与图像分割任务。
- 提供 YOLO 格式训练配置示例（YAML文件与训练代码），用户可直接运行。
知识普及：高铁紧固件视觉检测的技术要点
- 全景大图优势：与裁剪式数据集不同，全景大图保留了紧固件的整体排布结构，模型可利用相邻紧固件的相对位置进行上下文推理，提升检测可靠性。
- 小目标检测：紧固件在2048×2021的大图中占比较小，需采用高分辨率输入或多尺度特征融合策略。
- 类别细微差异：倒置、位移、变形等缺陷在视觉上差异细微，模型需依赖精确的几何特征与纹理细节进行区分。
- 六项品质规范：数据集依托几何、光学、梯度、噪声、纹理、遮挡六项视觉规范把控数据品质，确保标注一致性与模型训练的稳定性。
- 部署场景：高铁巡检车通常搭载边缘计算设备，需平衡模型精度与推理速度，轻量化网络结合TensorRT加速是常见方案。
快速开始（代码示例）
1. 准备配置文件 (railway_fastener_detect.yaml)
yaml
path: ./railway_fastener_detect
train: images/train
val: images/val
test: images/test
nc: 6
names: ['正常', '缺失', '倒置', '位移', '变形', '破碎']2. 启动 YOLOv11 训练
python
from ultralytics import YOLO
model = YOLO("yolo11s.yaml")
model.train(
data="railway_fastener_detect.yaml",
epochs=200,
imgsz=640,
batch=8,
device=0
)标签
高铁巡检 紧固件缺陷 轨道安全 目标检测 YOLO格式 深度学习数据集 计算机视觉