基于机器视觉的铁路轨道缺陷检测与报警系统设计.docxVIP

PAGE2

基于机器视觉的铁路轨道缺陷检测与报警系统设计

摘要

随着铁路运输的高速化和重载化，轨道结构承受的荷载日益增大，钢轨裂纹、剥离掉块等表面缺陷频发，直接威胁行车安全。传统的轨道巡检主要依赖人工目视和探伤车，检测效率低、主观性强，难以实现高频次全覆盖的在线监测。本课题设计了一套基于机器视觉的轨道缺陷检测与报警系统，利用安装在车体下方的工业相机连续采集轨道表面图像，通过边缘计算与深度学习模型自动识别裂纹等缺陷，并实时触发分级报警，将缺陷信息上传至监控中心。

论文遵循“需求分析→总体设计→详细设计→实现→测试”的工程递进路线。首先分析了铁路工务巡检的痛点，明确了系统功能与非功能需求；进而提出“车载采集—边缘检测—云端管理”三层架构，划分图像采集、预处理、缺陷检测、报警决策、数据管理五大模块；在详细设计中重点阐述了基于改进YOLOv5的裂纹检测算法流程与报警联动逻辑；系统实现基于NVIDIAJetsonXavierNX平台，采用PyTorch框架训练模型，TensorRT加速推理，单帧检测用时约45ms；测试结果表明，系统对典型钢轨表面裂纹的检测精确率达93.7%，召回率为90.2%，报警延迟小于200ms，满足实时巡检要求。本课题的创新点在于融合多尺度特征增强与轻量化骨干网络，平衡了检测精度与边缘算力的矛盾，为轨道交通智能化运维提供了低成本、高可靠的解决方案。

第一章