1. 项目背景与核心价值

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、夜间检测困难等问题。我们团队开发的这套基于深度学习的轨道异物检测系统，结合了YOLOv11目标检测算法和PyQT可视化界面，实现了对轨道区域石块、金属件、动物等异物的实时识别与报警。

这个毕设项目之所以选择该方向，主要基于三点考量：首先，铁路安全领域存在真实痛点；其次，深度学习在计算机视觉中的应用已相对成熟；最后，PyQT框架能很好平衡开发效率与界面美观度。实测表明，系统在测试集上达到94.3%的mAP，单帧处理时间控制在120ms以内，完全满足实时性要求。

2. 技术架构解析

2.1 整体系统设计

系统采用经典的客户端-服务器架构：

• 前端：PyQT5开发的图形界面
• 后端：基于PyTorch的YOLOv11检测模型
• 通信：RESTful API接口
• 数据流：HDFS分布式存储训练数据

特别注意：工业场景下建议采用TensorRT加速推理，我们测试中可使推理速度提升2-3倍

2.2 关键技术创新点

1. 多尺度特征融合：在YOLOv11基础上改进FPN结构，增强对小目标检测能力
2. 动态数据增强：针对轨道场景特别设计的光照、模糊等增强策略
3. 误报过滤机制：基于运动特征的二次验证算法

3. 核心实现细节

3.1 数据集构建

我们收集了超过15,000张轨道场景图像，标注规范包括：

• 7类常见异物（石块/金属/塑料等）
• 标注工具使用LabelImg
• 训练集:验证集:测试集=8:1:1

# 数据增强示例代码 transform = transforms.Compose([ transforms.ColorJitter(brightness=0.3, contrast=0.3), transforms.RandomHorizontalFlip(p=0.5), transforms.RandomGrayscale(p=0.1), transforms.ToTensor() ])

3.2 模型训练要点

1. 超参数设置：

   • 初始学习率：0.01
   • batch_size：32
   • 优化器：SGD with momentum=0.9

2. 训练技巧：

   • 采用warm-up策略
   • 使用余弦退火学习率
   • 早停机制（patience=10）

4. 系统界面开发

4.1 PyQT功能模块

• 视频流显示区
• 报警信息面板
• 历史记录查询
• 系统设置窗口

# 创建主窗口示例 class MainWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle("轨道异物检测系统") self.setGeometry(100, 100, 1200, 800) # 创建视频显示区域 self.video_label = QLabel(self) self.video_label.setAlignment(Qt.AlignCenter)

4.2 性能优化技巧

1. 多线程处理：

   • UI主线程
   • 视频解码线程
   • 模型推理线程

2. 内存管理：

   • 及时释放不再使用的QPixmap
   • 限制历史记录缓存大小

5. 部署与实测

5.1 环境配置清单

5.2 常见问题排查

1. 检测框闪烁问题：

   • 原因：目标置信度在阈值附近波动
   • 解决：添加检测结果平滑滤波

2. 界面卡顿：

   • 检查是否在UI线程进行重计算
   • 确认视频解码是否启用硬件加速

6. 毕设答辩要点

1. 技术亮点阐述：

   • 强调模型改进带来的性能提升
   • 展示系统实时性测试数据

2. 演示准备：

   • 录制典型场景检测视频
   • 准备对比实验数据

3. 问答准备：

   • 为什么选择YOLOv11而非其他版本
   • 系统在极端天气下的表现

在实际开发中，我们发现三个关键经验：第一，数据质量比数据量更重要；第二，PyQT的信号槽机制需要合理设计避免阻塞；第三，工业场景必须考虑模型轻量化。这些实战心得在标准教材中往往不会提及，但对项目成功至关重要。