铁路场景异常检测产品系统

铁路货运安全是保障运输效率与公共安全的核心环节。传统铁路货检依赖人工目视巡查，存在效率低、漏检率高、作业环境恶劣等突出问题——车厢门未关严、连接处异物侵入、货箱篷布绳未系等隐患，一旦漏检可能直接导致脱轨、货物散落甚至重大安全事故。本项目与铁路部门合作，旨在通过AI视觉大模型实现货运列车异常的自动化筛查，替代人工完成高频、高压的巡检任务，构建"识别—报警—处置—追溯"的安全闭环，提升铁路货运安全管控水平。

1. 车厢门状态检测：自动识别车厢门是否关闭到位，对未关、半开、锁扣未入位等异常状态实时报警。
2. 车厢连接处异物检测：检测车厢衔接区域是否存在侵入异物，防止运行中因异物导致脱轨或设备损坏。
3. 货箱篷布绳状态检测：判断货箱篷布绳是否正确系固，识别未系、松脱、断裂等情况，避免运输途中篷布脱落。
4. 通用异常筛查大模型：基于开集检测能力，支持对新型、未知异常目标的零样本/少样本检测，无需逐类重新训练即可适配新场景。
5. 实时报警与数据闭环：异常区域自动框选标注，触发语音报警与后台弹窗，同步生成巡检报告，支持事后追溯。

负责与铁路方需求对接、检测大模型的选型与训练、以及端侧部署方案的全流程开发。
技术实现：采用开集检测大模型作为核心检测引擎，结合铁路场景专有数据集进行领域微调，覆盖车厢门状态、连接处异物、篷布绳系固等多类异常场景；针对铁路货场光照变化大、目标尺度差异显著的挑战，引入多尺度特征融合与注意力机制提升检测鲁棒性；通过模型量化与推理加速实现边缘端实时部署，单车厢分析时延控制在秒级，满足列车通过式检测的时效要求。