道路病害数据集调研【检测数据集】

RoadDamageDetector

地址：https://github.com/sekilab/RoadDamageDetector/

注意：CRDDC2022 数据集包含 GRDDC2020 数据集，Road Damage Dataset 2019 包含 Road Damage Dataset 2018 数据集，实际只需下载 RDD2022.zip 与 RoadDamageDataset_2019 (2.4GB) 即可。

数据类别：

image

在 RDD2022_Japan 等数据集中存在 D50（井盖） 类别。
在 RDD2022_China_MotorBike 与 RDD2022_China_Drone 中存在 Repair（修补） 类别。

D40 中包含车辙、颠簸、坑槽等类别，若要充当坑槽类别与下文其它数据集合并使用，请进行处理（可参考Modified-RDD2022-Dataset）否则会导致坑槽出现大量误检。

Crowdsensing-based Road Damage Detection Challenge (CRDDC'2022)

Global Road Damage Detection Challenge (GRDDC'2020)

Road Damage Dataset 2019

Road Damage Dataset 2018

【全球开放数据创新应用大赛】道路路面病害智能分析

地址：https://www.sodic.com.cn/competitions/900013

赛题背景

本赛题是2021全球开放数据应用创新大赛算法赛道中的“道路路面病害智能分析算法”赛题。

城市道路系统是城市功能正常运转的重要保障，路政管理、道路养护等相关部门和单位，投入了大量人力、物力对城市道路系统进行日常巡检与养护。目前，城市道路日常巡检主要靠巡查员在路上巡视，针对发现的道路病害，通过填报纸质表格、PDA、智能手机APP等方式进行上报。该方式存在较强的主观性，不同巡检员对同一病害的类型、危害程度的认知难以保持一致。此外，巡检员每天巡查的道路长度一般在30-40km之间，效率较低。因此，使用技术手段对道路路面病害进行智能分析，具有重要的现实意义。

赛题介绍

城市道路系统是城市功能正常运转的重要保障，路政管理、道路养护等相关部门和单位，投入了大量人力、物力对城市道路系统进行日常巡检与养护。目前，城市道路日常巡检主要靠巡查员在路上巡视，针对发现的道路病害，通过填报纸质表格、PDA、智能手机APP等方式进行上报。该方式存在较强的主观性，不同巡检员对同一病害的类型、危害程度的认知难以保持一致。此外，巡检员每天巡查的道路长度一般在30-40km之间，效率较低。因此，使用技术手段对道路路面病害进行智能分析，具有重要的现实意义。

数据简介

本赛题提供车载摄像头拍摄数据，共14000张道路病害图像样本，其中训练集提供标注标签（病害类别及目标框位置），测试集不提供标注标签。

数据说明/数据描述

图像数据为三通道JPG图像，尺寸为1600×1184，标签COCO格式的json文件，使用utf-8编码。训练集6000张图片，测试集A榜2000张图片，测试集B榜6000张图片。

数据下载

请移步大赛官网赛题页面，点击“赛题数据”：https://www.sodic.com.cn/competitions/900013/datasets

上述网站已崩，移步 道路路面病害数据集

数据类别

UAV-PDD 2023

地址：https://zenodo.org/records/8429208

  • 数据集中的图像（VOC格式）由无人机在30米的高度捕获。收集的图像以PASCAL VOC格式注释。数据集中包含2440张图像中的11158个实例。

  • 数据集中标记了六种类型的道路损坏：

  • UAV-PDD2023.zip (2.1GB)

CNRDD

地址：https://www.mdpi.com/2076-3417/12/15/7594/htm

数据集描述

沥青路面典型病害样本数据集(China Road Damage Detection, CNRDD) 选取中国境内G303路段采集道路损坏数据。与其他路面相比，G303每天有大量的卡车/汽车通过。此外，该路段四季温差大。这些问题导致采集到的单幅图像中道路损伤密度较高，对数据集进行道路损伤检测更具挑战性。该数据集包含4319张分辨率为1600*1200的图片，其中训练集3022张，测试集1273张。本数据集中包括了4295张路面病害图片，24张为不包含任何道路损坏的图片。

根据公路技术条件评价标准，CNRDD提供了八种类型的损坏标签，包括裂缝（Crack），纵向裂缝（Longitudinal Crack），横向裂缝（Lateral Crack），沉陷（Subsidence），车辙（Rutting），松散（Looseness），坑槽（Pothole）和修补（Strengthening）。这些类型损坏的直观示例如下图所示。

image

如图所示，（a）裂缝、（B）纵向裂缝和（c）横向裂缝是日常道路上最常见的损坏类型。其中，裂纹呈现鳄鱼皮状，其初始形态为沿轮胎轨迹线沿着的多条平行纵向裂纹。随着车辆的反复碾压，平行的纵向裂纹之间出现横向和斜向裂纹，形成裂纹。(d)沉降是指地基沉降引起的路面局部凹陷。(e)车辙是路面沿着车轮轨迹的纵向凹陷，通常由施工期间混合材料的压实不足和不良成分引起。(f)松散主要来自沥青老化。它的外观多种多样，如粗骨料和细骨料的损失，表面麻点，甚至表面剥落。(g)坑洼通常是由于松动、裂缝、沉陷等类型的损坏没有及时修复造成的。 其分类特征比较明显。(h)修补不是真实的道路损坏。它代表已修复受损路面的区域。由于道路病害的多样性，加固的形式也多种多样。因此，在CNRDD数据集中未对修补程度进行分类。

数据标注说明

------------------------------- Label Meaning -------------------------------
damage_1 Crack
damage_3 Longitudinal Crack
damage_4 Lateral Crack
damage_5 Subsidence
damage_6 Rutting
damage_8 Pothole
damage_9 Looseness
damage_11 Strengthening
damage_-1 Uncertain

------------------------------- XML Meaning -------------------------------
<annotation> <!-- 表示标注信息的开始  -->
	<filename> <!-- 表示与标注信息相对应的图像文件  -->
	<object> <!-- 目标标注，一个标注文件中可以包含多个"<object>"标签  -->
		<damage_*>1</damage_*> <!-- 当数值为1时，表示相应的道路损伤是这种类型，可能对应多个道路损伤类型  -->
		<bndbox> <!-- 表示框的坐标信息，已经进行了标准化 (类似于YOLOv5)  -->
			<xmin>x轴最小坐标</xmin>
			<ymin>y轴最小坐标</ymin>
			<xmax>x轴最大坐标</xmax>
			<ymax>y轴最大坐标</ymax>
		</bndbox>
	</object>
</annotation>

数据下载

沥青路面典型病害样本数据集

由于该数据集实际标注并不像介绍中那样准确定义，存在大量歧义标注（一个目标对应多个类别，多存在于裂缝与修补），不建议与上述其他数据集合并使用。

IRRDD

地址：https://github.com/IranRoadDamageDataset/IRRDD

数据集描述

IRRDD 是伊朗的道路病害数据集，包含25000张图片，四种类型的道路损坏，所有标签均为YOLO格式。

Damage type Class name YOLO Label
Longitudinal crack D00 0
Lateral crack D10 1
Alligator crack D20 2
Pothole D40 3

数据集下载

posted @ 2023-12-04 14:21  laugh12321  阅读(5967)  评论(4)  编辑  收藏  举报