钢轨缺陷检测数据集

— https://github.com/fangvv/RTFD-Dataset

📖 数据集简介

本数据集由课题组任中伟同学搜集整理，主要用于钢轨表面缺陷检测任务。所有图像统一为 224×224 大小，使用 ResNet18 模型可达 93% 的预测精度。

数据来源

来源	说明
Railway Track Fault Detection (Kaggle)	钢轨缺陷公开数据集
RSDDs Dataset	北京交通大学 RSDDs 数据集
Google 搜索	网络搜集补充
阿莫电子论坛	铁轨裂纹数据集

下载方式

版本	说明	下载地址
V1	原始数据集	百度网盘 密码：bjtu
V2	扩充版（对应铁道学报论文实验）	同上
铁轨裂纹数据集	阿莫论坛搜集	百度网盘 提取码：2cxe

说明：V2 版本在 V1 基础上进行了扩充，对应铁道学报论文中的实验数据。

---

📁 数据集结构

数据集压缩包解压后目录结构如下：

Train/
├── Defective/          # 缺陷样本（标签 0）
│   ├── 001.jpg
│   └── ...
└── Non-defective/      # 正常样本（标签 1）
    ├── 001.jpg
    └── ...

Validation/
├── Defective/          # 缺陷样本（标签 0）
│   ├── 001.jpg
│   └── ...
└── Non-defective/      # 正常样本（标签 1）
    ├── 001.jpg
    └── ...

---

🗂 项目结构

RTFD-Dataset/
├── 铁道学报联邦学习论文基本代码/     # 配套论文的联邦学习代码
│   ├── Server.py                    # 联邦学习服务器端
│   ├── Client_Join.py               # 联邦学习客户端
│   └── MyFed.py                     # 核心模块
├── RailwayDefectDetectionDatabase V1.rar    # 数据集 V1
├── RailwayDefectDetectionDatabase V2.zip    # 数据集 V2（论文实验用）
├── types.png                        # 缺陷类型示意图
└── README.md

---

💻 配套代码

本仓库代码对应发表于《铁道学报》的论文《面向轨道缺陷检测的联邦学习轻量化模型训练技术研究》，实现了一个基于联邦学习的钢轨缺陷检测系统，并集成了模型量化与通道剪枝等轻量化技术。

环境依赖

依赖	用途
Python 3.x	—
TensorFlow / Keras	模型构建与训练
NumPy	数据处理与文件读写
OpenCV (cv2)	图像读取与预处理
paramiko	SSH/SFTP 通信
scikit-learn	准确率评估

核心模块 (MyFed.py)

组件	功能
ResNet18	基于 TensorFlow/Keras 从零构建，输入 (224, 224, 1) 灰度图，sigmoid 二分类输出
myFed 类	联邦学习封装，包含模型创建、训练、预测、量化、剪枝等完整功能
read_path()	递归读取目录下所有 .jpg，缩放到 224×224，转为灰度图，根据父目录名标注标签
Load_Image()	加载训练集/测试集，随机打乱，归一化
quantization_R2Q()	权重量化：float32 → int8（MinMax 映射）
quantization_Q2R()	权重反量化：int8 → float32
channel_pruning()	通道剪枝：基于 L1 范数对卷积核排序，按比例剪掉贡献最小的滤波器

服务器端 (Server.py) 工作流程

等待客户端加入 → 初始化全局模型 → 通道剪枝(40%) → 权重量化 → 分发模型
      ↑                                                        |
      └──────────── 加权聚合 ← 接收客户端权重 ←──────────┘
      |
  收敛判断 → loss 变化 < 0.001 且 acc > 0.8 则停止训练

客户端 (Client_Join.py) 工作流程

加载本地数据 → 连接服务器 → 下载全局模型 → 本地训练(10 epoch) → 上传模型
                                    ↑                            |
                                    └──────── 重复轮次 ──────────┘

本地训练使用数据增强：随机旋转、平移、剪切、缩放、水平翻转。

---

📄 论文引用

@article{任中伟2023面向轨道缺陷检测的联邦学习轻量化模型训练技术研究,
    title={面向轨道缺陷检测的联邦学习轻量化模型训练技术研究},
    author={任中伟 and 方维维 and 许文元 and 李中睿 and 胡一寒},
    journal={铁道学报},
    volume={45},
    number={306},
    pages={77--83},
    year={2023}
}

📬 联系方式

• 任中伟：18281272@bjtu.edu.cn
• 方维维：fangww@bjtu.edu.cn

🎁 致谢

本数据集及相关研究受 北京市自然科学基金-丰台轨道交通前沿研究联合基金（L191019） 资助。