针对散体道床在列车长期荷载作用下的劣化问题，本项目聚焦于道砟颗粒几何特性的
演化机制与智能识别技术，旨在通过技术创新提升铁路道床养护维修的效率和精准度。核
心实现维度涵盖算法研发、模型构建、设备创新及实际应用验证四个方面：
算法创新：提出并优化注意力机制强化的 U-net 分割模型，实现对道砟图像的高效、
精准识别，特别是边缘信息的捕捉，为后续几何特征提取奠定基础。利用 OpenCV 框架，
快速计算道砟的大小、圆度、长宽比等关键参数，为评估道床状态提供量化依据。
模型构建：基于 XGBOOST 算法，融合不确定性因素考量，构建道砟颗粒级配与临界劣
化形状之间的智能区间映射模型。该模型能够预测道床服役状态的变化趋势，为预防性维
护提供科学依据。
设备研发：设计并制造便携轨检小车，集成高清图像采集与实时处理系统，实现铁路
沿线道砟几何特征的快速采集与分析。小车的便携性确保了检测工作的灵活高效，显著提
升了现场作业能力。
应用验证：选取具有代表性的铁路线路作为试验场，全面验证基于道砟图像识别的道
床服役状态评估技术的有效性和可靠性。通过实际案例分析，不断优化算法与模型，确保
技术成果能够直接应用于铁路维护实践，提升整体运营安全与效率。
综上所述，本项目通过跨学科的技术融合与创新，为铁
