摘要：铁路轨道故障检测数据集包含从人工收集的图像，2 个类别（有缺陷/无缺陷），涵盖钢轨/扣件缺陷，用于 ECARRNet 模型（准确率 93.28%），专为自动故障检测和铁路安全设计。
数据集简介
数据集概述
铁路轨道故障检测数据集（Railway Track Fault Detection）是一个用于分类有缺陷和无缺陷铁路轨道的图像数据集。由于铁路线路缺陷和脱轨导致的事故是东南亚国家经常观察到的常见灾难。必须对此类故障进行适当诊断以防止此类事故。然而，定期人工检测此类故障既耗时又昂贵。为解决这一问题，研究团队提出了一种基于深度学习（DL）的算法用于铁路轨道自动故障检测，称为 ECARRNet（集成卷积自编码器 ResNet 循环神经网络）。数据集图像从孟加拉国不同铁路轨道人工收集，涵盖常见故障类型，如钢轨缺陷和扣件缺陷。研究团队将提出的模型与现有深度学习技术（多个预训练 DL 模型）进行了比较，ECARRNet 在完整数据集上实现了 93.28% 的准确率，在所有现有最先进（SOTA）架构中产生了最高准确率。
数据集包含从不同铁路轨道人工收集的图像。数据类别：
(1) 有缺陷（Defective）：包含缺陷的铁路轨道图像；
(2) 无缺陷（Non-Defective）：正常的铁路轨道图像。
常见故障类型：钢轨缺陷（defects in rails）、扣件缺陷（defects in fasteners）。数据类型：铁路轨道图像。任务类型：二元分类（有缺陷 vs 无缺陷）、故障检测。
支持铁路轨道故障检测与分类（有缺陷 vs 无缺陷）、铁路安全监测、自动检测系统、缺陷识别（钢轨缺陷/扣件缺陷）、深度学习模型训练（ECARRNet、CNN、ResNet、LSTM、RNN）、计算机视觉在铁路领域的应用、预测性维护、事故预防、铁路基础设施监测、图像分类、目标检测、集成深度学习架构、卷积自编码器、循环神经网络、算法基准测试。该数据集为铁路轨道自动故障检测提供重要资源，有助于减少人工检测成本、提高检测效率、防止铁路事故和脱轨，对东南亚国家的铁路安全具有重要意义。
数据集来源
不同铁路轨道的人工收集。由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-162
文件大小：1.99G
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)