为了解决交通拥堵和交通污染,大容量、高效、准时、安全的城市轨道交通（地铁,轻轨,有轨电车）已成为城市交通发展的最终解决方案。手动检查存在一系列重大问题,在地铁检查行业中,需要更多基于技术的便携式和小型检查设备。因此,本文设计了基于无人机采集图像的轨道缺陷检测系统,主要工作如下:在课题准备阶段,本文首先查询了当下四种主流的轨道缺陷主要检测方案;研究了现在普遍使用的地铁检测方案,深入地铁巡检一线了解现在检测中遇到的难点和痛点,并且与几位具有多年工龄的巡检人员进行深入的沟通和交流。笔者广泛分析了现在普遍使用的地铁检测方案,明确了检查系统的服务和效率标准,并和几位具有多年工龄的巡检人员阐述了本文的想法,初步验证了巡检系统的正确性和可行性;并对设计了地铁运营维保巡检智能无人机的体系结构,包括:无人机平台和智能检测子系统。本文建立了巡检系统的数据中心,在软件部分采用微服务架构,详细绘制了软件架构图,支持高并发、高扩展、高可用,并且详细的解释了架构图中模块信息;符合目前互联网公司主流技术栈与开发流程。本文阐述了一种目标图片的预处理与目标定位的流程和方法,考虑到现实的干扰因素,加入图像分割的先验信息和和地铁轨道的建设信息,通过定位轨枕来定位扣件,可以分别定位出扣件和轨面,最大化程度的减少背景灰度对于整体图片的影响。卷积神经网络（CNNs）的出现从多方面加速了计算机视觉的发展。然而,大多数现有的CNN严重依赖昂贵的GPU（图形处理单元）。在本文中,使用了一个紧凑CNN的模型,该模型不仅可以在微小缺陷检测上实现高性能,而且可以在低频CPU（中央处理器）上运行。本文的模型由一个轻量级（LW）瓶颈和一个解码器组成。采用了减少卷积、轻量级、双线性插值等手法,相对于MobileNetV2模型分别提高了5%左右的正确率,并且所需要的计算更少和时间更短。本文希望加入一种新的轨道检测技术和方法,思考整个地铁维检生命周期,通过差异化和颗粒度成为轨道检测中的一颗引爆点,去赋能传统的地铁维检行业的影响力,去革新地铁维检行业的生态圈。正是基于这一认知和使命,笔者希望在现有基础上开发出更安全、更准确的无人机检测系统来强化地铁日常维检体系,可以规避目前这些痛点和问题,协同现有检测设备,重组地铁维检关键路径,以适应日新月异的地铁检测维度,强化产业升级。