1. 项目背景与核心需求轨道异物检测是铁路安全运维中的关键环节。传统人工巡检方式存在效率低、漏检率高、受天气影响大等问题。我们团队开发的这套系统采用YOLOv11目标检测算法结合OpenCV图像处理技术实现了对轨道异物的实时自动检测。在实际铁路运营中轨道上可能出现石块、金属件、动物等各种异物。这些异物轻则影响列车运行平稳性重则导致脱轨事故。我们的系统部署在轨道沿线摄像头或巡检车上能够以每秒30帧的速度处理视频流检测精度达到98.7%远超人工巡检的85%平均水平。2. 系统架构设计2.1 整体技术方案系统采用B/S架构前端使用Vue.js实现可视化界面后端基于Flask框架搭建。核心检测模块由以下几个部分组成图像采集模块支持RTSP视频流和本地视频输入预处理模块使用OpenCV进行图像增强和畸变校正检测模块基于YOLOv11的异物检测模型告警模块检测到异物后触发声光报警2.2 硬件选型方案我们在多个硬件平台上进行了测试对比硬件平台推理速度(FPS)功耗(W)成本(元)NVIDIA Jetson Xavier NX28154500Intel i7-11800H RTX3060351208000Raspberry Pi 4B35500综合考虑性能、功耗和成本最终选择Jetson Xavier NX作为边缘计算设备。3. 核心算法实现3.1 YOLOv11模型优化我们在原始YOLOv11基础上做了以下改进将Backbone中的CSP模块替换为更轻量化的Ghost模块在Neck部分添加CBAM注意力机制使用SIoU损失函数替代CIoU# 模型定义示例 class ImprovedYOLOv11(nn.Module): def __init__(self): super().__init__() self.backbone GhostCSPNet() self.neck CBAMPAN() self.head YOLOHead(anchors, num_classes) def forward(self, x): x self.backbone(x) x self.neck(x) return self.head(x)3.2 数据增强策略针对轨道场景的特殊性我们设计了专门的数据增强方案模拟不同天气条件雨雾、夜间、强光添加轨道特有的噪声铁锈、油渍等使用Mosaic增强提升小目标检测能力4. 系统部署与优化4.1 模型量化与加速为提升边缘设备上的推理速度我们进行了以下优化使用TensorRT进行FP16量化实现多线程流水线处理采用NMS优化算法优化前后性能对比优化项原始模型优化后模型大小(MB)18648推理时延(ms)4516内存占用(MB)12006004.2 实际部署方案我们在某铁路局进行了实地部署具体配置摄像头间隔500米布置每3个摄像头共用1个边缘计算节点中心服务器进行结果汇总和告警管理5. 常见问题与解决方案5.1 误报问题处理初期系统对轨道阴影会产生误报我们通过以下方法解决在数据集中增加更多阴影样本添加阴影检测后处理模块设置动态阈值机制5.2 小目标检测优化对于远距离小目标我们采用多尺度训练策略特征金字塔增强高分辨率输入(1280x1280)6. 系统性能评估在某货运专线3个月的试运行期间系统表现如下指标数值检测准确率98.7%平均响应时间0.8s误报率0.3次/公里/天漏检率0.1%这套系统目前已在多个铁路局推广应用有效降低了轨道异物导致的安全事故。我们在实际部署中发现定期每周更新模型和优化参数可以保持系统的最佳性能。