顺德韭菜星1. 铁轨缺陷检测数据集概述
铁轨作为铁路运输的基础设施，其健康状况直接关系到列车运行安全。传统的人工巡检方式效率低下且容易遗漏细微缺陷，而基于计算机视觉的自动化检测技术正在逐步取代人工。高质量的数据集是训练可靠检测模型的前提条件，这正是铁轨缺陷检测数据集的价值所在。
这个数据集采集自国内多条主干铁路线，覆盖了不同气候条件、轨道类型和使用年限的真实场景。数据采集使用了专业轨道检测车搭载的多光谱相机阵列，以5mm分辨率对铁轨表面进行成像，确保能够捕捉到细微裂纹和缺陷特征。
提示：该数据集特别适合用于研究小目标检测、长条形物体识别等计算机视觉领域的难点问题。
数据集包含以下主要缺陷类型：
- 表面裂纹（横向/纵向）
- 轨头磨损
- 轨腰腐蚀
- 螺栓缺失
- 轨枕破损
- 道砟不均匀沉降
每种缺陷都经过铁路养护专家的手工标注，标注信息包括缺陷类型、位置坐标和严重程度评级。数据集采用COCO格式组织，便于直接用于主流的深度学习框架。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据集技术细节解析
2.1 数据采集与标注规范
数据采集使用 specially equipped inspection trains 以40km/h的匀速行驶拍摄，每米轨道采集8-10帧图像。采集设备参数如下：
| 设备类型 | 参数规格 | 作用说明 |
|---|---|---|
| 线阵相机 | 16k分辨率 | 获取轨道剖面细节 |
| 红外相机 | 640×512@30Hz | 检测内部缺陷 |
| 激光轮廓仪 | 0.1mm精度 | 测量轨道几何形变 |
| GPS/IMU | 厘米级定位 | 提供空间参考 |
标注工作由具有10年以上经验的轨道工程师团队完成，采用三级质量审核机制。标注规范要点包括：
- 裂纹类缺陷：标注起止点及最宽处位置
- 磨损类缺陷：标注磨损区域多边形顶点
- 每个标注框必须包含至少3px的上下文信息
- 模糊不清的疑似缺陷标记为"待确认"类别
2.2 数据集统计特性
数据集最新v3版本包含：
- 图像总数：127,845张
- 标注实例：892,316个
- 覆盖里程：1,578公里
- 时间跨度：2018-2023年
缺陷类型分布统计：
| 缺陷类别 | 数量 | 占比 | 平均像素面积 |