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