一、项目演示视频

二、技术栈

1. 前端技术栈 (web-vue)
   核心框架: Vue 3.5.13 (Composition API)
   UI组件库: Element Plus 2.9.4
   状态管理: Pinia 2.3.1
   路由管理: Vue Router 4.5.0
   HTTP客户端: Axios 1.7.9
   图表可视化: ECharts 5.6.0
   文档渲染: Marked 16.1.2
   构建工具: Vite 6.1.0 + TypeScript 5.7.2

2. 后端+算法端技术栈 (web-flask)
   核心框架: Flask (Python)
   数据库: SQLite 3
   身份认证: JWT
   图像处理: OpenCV + NumPy
   深度学习: YOLOv8/YOLO11/YOLO12
   大语言模型: Qwen-VL的API接口

三、功能模块

核心创新点

1. 多类型缺陷检测: 支持4种常见铁路轨道缺陷的智能识别和分类
2. 多模态检测方式: 支持图片、视频、实时摄像头三种检测模式
3. YOLO模型集成: 集成YOLOv8/YOLO11/YOLO12等先进目标检测模型
4. 智能检测分析: 基于AI的轨道缺陷自动识别和定位
5. 分层权限管理: 支持管理员和普通用户的差异化功能访问
6. 完整工作流程: 从数据集管理到模型训练再到缺陷检测的完整闭环
7. 多模态大模型辅助分析：使用多模态大模型根据YOLO检测识别结果和图片进一步分析并给出合理建议(属于图片识别功能模块)

应用场景

1. 铁路运营公司: 铁路轨道的安全检测和缺陷识别
2. 质量检测机构: 专业的轨道安全检测服务
3. 研发实验室: 轨道安全技术和缺陷分析研究
4. 教育培训: 铁路安全检测技术的教学演示

四、项目链接

链接: https://pan.baidu.com/s/1dLlyepSX52yy9FJdU7Sa3Q?pwd=h8aw 提取码: h8aw

1. 完整系统源码
   (1)前端源码(web-vue)
   (2)后端+算法端源码(web-flask)
   (3)模型训练代码(other/model_train/detect)
2. 项目介绍文档
   (1)项目概述
   (2)项目技术栈
   (3)项目目录结构
   (4)系统架构图、功能模块图
3. 项目启动教程
   (1)环境安装教程(视频+文档)
   (2)系统启动教程(视频+文档)
4. 铁路轨道缺陷检测数据集
   (1)总样本数：2866张铁路轨道图片
   (2)训练集：1979张图片 (用于模型训练)
   (3)验证集：587张图片 (用于模型验证和性能调优)
   (4)测试集：300张图片 (用于模型最终性能评估)
   (5)缺陷类别: 4类铁路轨道缺陷检测
   0: category0 - 轻微刮蹭 - 铁路轨道表面出现轻微划痕或刮蹭痕迹，对结构强度影响较小，但需监测发展情况
   1: category1 - 轻微磨损 - 铁路轨道表面因列车车轮长期滚动产生均匀磨耗，影响行车平稳性
   2: category2 - 严重磨损 - 铁路轨道表面或侧面出现较大面积和深度的磨耗，可能影响轨距及轮轨匹配，存在运行风险
   3: category3 - 铁皮剥落 - 铁路轨道表面局部金属层脱落，形成掉块或剥落，边缘不平整，易引起列车冲击和裂纹扩展
5. 已经训练好的模型权重，整体精度如下：
   (1)precision (精确率): 0.916
   (2)recall (召回率): 0.923
   (3)mAP50 (IoU阈值0.5时的平均精度): 0.958
   (4)mAP50-95 (IoU阈值0.5-0.95的平均精度): 0.675