3. 扣件图像数据组织与预处理

轨道扣件检测模型的精度，很大程度上在数据进入标注环节之前就已经被决定了。原始采集图像往往存在光照不均、运动模糊、镜头畸变、无关背景占比过大以及重复与废片混杂等问题。如果把这些“毛坯”图像直接交给标注人员，不仅标注效率低，模型还会学到大量噪声特征。本章围绕一条可落地的数据准备链路展开：先设计清晰的目录结构，再完成去噪增强、几何校正、ROI 提取，最后通过数据清洗剔除异常样本，形成可直接用于标注与建模的高质量数据集。

一、数据目录结构设计：让每张图都有唯一归属

扣件数据天然具有层级性：一条线路包含多个区段，一个区段包含多个里程点，每个里程点又可能拍摄左右股钢轨的多颗扣件。目录结构应直接映射这种采集逻辑，而不是按“好图/坏图”随意堆放。推荐采用“线路—区段—里程—股别”四级组织，并在同级保留原始、中间、成品三个处理阶段，避免覆盖原始数据。

dataset/
├── raw/                      # 原始图像，只读，永不修改
│   └── L01/S03/20240512/
│       ├── left_0001.jpg
│       └── right_0001.jpg
├── interim/                  # 中间结果：去噪、校正后
│   └── L01/S03/20240512/
├── roi/                      # ROI 裁剪结果
│   └── L01/S03/20240512/
├── clean/                    # 清洗后待标注数据
│   ├── images/
│   └── labels/
└── meta/
    ├── manifest.csv          # 图像清单与状态
    └── rejected.csv          # 剔除记录及原因

关键约定有三点：一是文件名携带里程与股别信息，例如 L01_S03_K12+350_left_0001.jpg，保证图像可回溯到物理位置；二是 raw 目录设为只读，所有处理结果写入 interim 或 roi，便于复现；三是用 manifest.csv 记录每张图的处理状态（原始、已校正、已裁剪、已清洗、已标注），使数据流转可审计。当后续发现某批图像标注质量差时，可以沿清单快速定位是采集问题还是预处理问题。

二、图像去噪与增强：为扣件“提清晰度”

轨道图像的主要噪声来自两方面：一是夜间补光造成的局部过曝与阴影，二是列车振动引起的运动模糊。去噪与增强的目标不是让图“好看”，而是让扣件边缘、弹条轮廓、螺栓孔等结构更稳定可辨。

工程上常用的组合是：先做轻度高斯滤波或双边滤波抑制传感器噪声，双边滤波能在平滑的同时保留弹条边缘；再用限制对比度自适应直方图均衡（CLAHE）改善局部光照不均，clipLimit 可取 2.0～3.0，tileGridSize 取 8×8，这是示例参数，实际需按采集设备调整；最后用非锐化掩模做适度锐化，增强系数控制在 0.5～1.0，过强会放大噪声并产生光晕。对于运动模糊，若模糊核方向已知，可尝试维纳滤波，但多数情况下更可靠的做法是直接剔除严重模糊样本，而不是强行恢复。

三、几何校正：消除镜头与安装带来的形变

车载相机存在桶形畸变，安装角度也可能使钢轨在图像中倾斜。几何校正分两步：第一步用棋盘格标定得到内参矩阵和畸变系数，通过 cv2.undistort 消除径向与切向畸变；第二步做透视校正，将钢轨走向拉正，使扣件在图像中保持近似水平，便于后续按固定窗口裁剪。

透视校正需要选取钢轨上的四个参考点，通常取轨头两侧边缘在画面上下两端的交点，构造源点与目标矩形之间的单应矩阵。校正后应检查：同一里程左右股的扣件在图像中的高度是否一致、轨距像素宽度是否稳定。若某批图像校正后轨距像素宽度波动超过约 10%，说明标定参数或参考点选取有误，应回退检查而不是继续裁剪。

四、ROI 提取：把注意力集中到扣件本身

一张轨道全景图中，扣件往往只占很小区域，直接整图标注既慢又引入大量负样本。ROI 提取的思路是先定位钢轨，再沿钢轨按固定间距滑窗裁剪扣件区域。

一种可实现的流程是：对校正后图像做灰度化与边缘检测，利用钢轨两条平行亮边的 Hough 变换结果拟合轨头中心线；以中心线为基准，向两侧各扩展一定像素宽度形成扣件带；再沿轨道方向以约 1.2 倍扣件间距为步长滑窗裁剪，窗口尺寸示例可取 256×256 像素。裁剪时保留 10%～15% 的上下文边距，避免扣件被切断。每张 ROI 图像需记录其来源图像、中心里程和股别，写回清单，保证裁剪结果可追溯。

五、数据清洗与异常样本剔除：宁缺毋滥

清洗环节要回答一个问题：这张 ROI 图像是否值得标注。建议从四个维度建立可量化的判断条件，并把阈值写入配置，便于批量执行与复核。

• 清晰度：用拉普拉斯算子方差衡量，示例阈值取 80，低于该值视为模糊。夜间远距离拍摄的扣件容易落入此区间。
• 亮度：统计 ROI 平均灰度，低于 40 视为欠曝、高于 220 视为过曝，两者都会丢失弹条纹理。
• 重复性：对连续帧计算感知哈希，汉明距离小于 5 视为重复，仅保留一帧，避免同一扣件在训练集中被过度采样。
• 完整性：检查 ROI 内是否包含完整扣件区域，若扣件被窗口边缘切断或 ROI 内几乎无结构，直接剔除。

所有被剔除的样本必须写入 rejected.csv，记录文件名、剔除原因和判定值。这一步看似繁琐，实则是排障的关键：如果某区段合格率异常低，回看剔除记录就能判断是采集曝光问题、相机失焦，还是 ROI 定位偏移，从而把问题反馈到采集端，而不是在模型端反复调参。

六、形成可交付的数据集

完成上述步骤后，clean/images 中应是尺寸统一、方向一致、扣件居中的 ROI 图像，clean/labels 与之同名对应，manifest.csv 记录每张图的来源与处理状态，rejected.csv 保留剔除依据。此时再进入标注环节，标注人员面对的是结构清晰、目标明确的图像，标注一致性和效率都会明显提升。数据准备的质量，最终会以模型在真实线路上的漏检率和误检率的形式体现出来。