摘要：研究目的:为了解决轨道缺陷检测系统在实际自然环境因素干扰下由于鲁棒性下降从而造成决策的不确定性问题,提出一种提高检测系统鲁棒性的方法,首先利用变异算法处理生成多样化的鲁棒训练样本,使模型能够学习适应各种环境扰动和变化,然后选择基于YOLOv5的目标检测模型作为轨道缺陷检测器,以满足高精度、实时性的要求,且准确性较高。研究结论:(1)通过变异生成算法,可以生成更多样性的鲁棒训练样本,使模型有更多的样本来学习各种扰动,以此适应各种环境;(2)所选YOLOv5目标检测模型作为轨道缺陷检测器,不仅能满足轨道缺陷检测对检测精度和实时性的高要求,而且即使在训练样本数量有限的情况下,也能凭借其优秀的泛化能力取得良好的检测效果,契合了实际轨道检测场景下对数据获取的困难,展现出较强的适用性;(3)在真实地铁线路上采集轨道巡检数据进行实验,实验结果表明,经过鲁棒重训练的轨道缺陷检测器在扰动数据上的鲁棒性得到了显著的提升,平均准确率提高23.35%,召回率提高32.75%,mAP50提高30.98%,mAP50-95提高19.54%;(4)本研究成果可应用于铁路、地铁等交通领域,有助于保障线路的安全运行。