4. 扣件目标标注规范与工具实操
扣件检测模型的精度上限，很大程度上由标注数据的质量决定。标注不是“把框画上去”这么简单，它需要一套明确的类别定义、几何规则和质量检查流程，才能保证同一批数据在不同标注员、不同工具之间保持一致。本节围绕类别定义、边界框与多边形规则、质量检查，以及用 LabelImg 和 CVAT 完成一批图像标注的完整操作展开。
一、标注类别定义
轨道扣件检测的常见任务是在轨道图像中定位并识别扣件状态。类别体系应覆盖实际巡检中最需要发现的问题，同时避免类别过细导致样本不足。一个可直接采用的类别定义如下：
| 类别名称 | 英文标识 | 判定要点 | 典型图像特征 |
|---|---|---|---|
| 正常扣件 | normal | 弹条、螺栓、垫板齐全，弹条压紧到位，无明显位移 | 弹条弧线完整，螺栓头部可见，无异常间隙 |
| 扣件缺失 | missing | 弹条或整套扣件不存在，垫板裸露或仅剩螺栓孔 | 轨枕表面出现空位，缺少弹条轮廓 |
| 扣件断裂 | broken | 弹条折断、螺栓剪断等结构性损坏 | 弹条出现断口，残段错位或脱落 |
| 扣件松动 | loose | 弹条未压紧、螺栓退扣，存在可见间隙或位移 | 弹条与垫板间有缝隙，螺栓露出长度异常 |
类别命名应使用稳定的英文标识（如 normal、missing、broken、loose），中文仅作显示名。这样在导出 YOLO、COCO 或 Pascal VOC 格式时不会因编码问题出错。若项目初期样本有限，可先合并为“正常/异常”两类，待数据积累后再细分，但类别一旦确定，整批数据必须统一，不能中途增删类别而不回溯修改。
二、边界框与多边形标注规则
边界框（Bounding Box）适合扣件这类近似矩形、边界清晰的目标。规则要点：框应紧贴扣件可见外轮廓，包含弹条两端和螺栓头部，但不应把相邻轨枕或大面积轨道背景纳入；对于被遮挡的扣件，框仍按可见部分的外接矩形绘制，并在属性中标记“部分遮挡”。框的边应与图像坐标轴平行，不允许旋转框（除非项目明确采用旋转框标注）。
多边形（Polygon）标注适合边界不规则或需要精确分割的场景，例如弹条断裂后残段形状复杂、需要计算破损面积比例时。多边形应沿目标真实边缘逐点描绘，点数控制在 8～20 个之间，过少会丢失形状特征，过多则增加标注成本且易抖动。对于缺失类目标，由于没有实体轮廓，通常用边界框标出“应有扣件的位置”，而不是用多边形。
三、标注质量检查
标注完成后必须做质量检查，重点看四类问题：类别错误（正常标成松动）、漏标（图像中有扣件但未画框）、框不准（框过大包含背景或过小截断弹条）、重复标注（同一目标画了两个框）。实操中可采用“自检 + 交叉复核”的方式：标注员先按图像逐张自查，再由另一名成员随机抽取 10%～20% 的图像复核，统计漏标率和类别一致率。若某批数据漏标率超过 5%，应整批返工而不是只修补个别图像。
四、用 LabelImg 完成单机标注
LabelImg 适合小批量、单机快速标注，输出 Pascal VOC XML 或 YOLO TXT。典型操作流程：安装后打开软件，设置“打开目录”为图像文件夹、“改变存放目录”为标注输出文件夹；在类别文件中预先写入 normal、missing、broken、loose 四行，避免每次手动输入。按 W 创建矩形框，选择类别后保存，按 D 切换到下一张。标注时建议开启“自动保存”，并保持图像列表顺序与采集顺序一致，便于后续按里程回溯。
# 类别文件 classes.txt 内容示例
normal
missing
broken
loose
# 导出的 YOLO 标签格式（每行一个目标）
# class_id x_center y_center width height（均为归一化值）
0 0.512 0.634 0.180 0.240
1 0.305 0.621 0.165 0.225LabelImg 的局限在于多人协作困难、无法在线复核、多边形支持较弱。因此它更适合作为单人快速标注或小样本预标注工具。
五、用 CVAT 完成团队协作标注
CVAT 支持多人分工、任务分配、审核流和多种导出格式，适合成批图像标注。实操步骤：新建 Project 并定义标签（normal、missing、broken、loose，可附加“遮挡”“模糊”属性）；创建 Task 并上传图像；在 Job 中把图像分段分配给不同标注员；标注员用矩形工具画框、用多边形工具处理断裂残段；完成后由审核角色逐张确认，通过后导出 COCO 或 YOLO 格式。CVAT 的“属性”功能可记录遮挡程度和图像质量，便于后续筛选困难样本。
六、一批图像的标注组织建议
以 500 张扣件图像为例，可按采集区段分成 5 个 Task，每个 Task 100 张，由 2～3 名标注员分担，另设 1 名审核。每张图像标注完成后立即保存，避免工具崩溃丢失进度。全部完成后导出标签，用脚本抽查类别分布：若 missing 类占比过低（例如不足 3%），说明该批数据异常样本偏少，应补充采集或调整采样策略，而不是直接用于训练。标注文件与图像文件名必须一一对应，导出后检查是否存在“有图无标签”或“有标签无图”的错位情况，这是批量标注中最常见也最容易被忽略的问题。
标注规范的价值在于可复现：同一张图像，不同人按同一规则应画出几乎相同的框和类别。做到这一点，后续的模型训练和误差分析才有可靠的数据基础。