rimvydasrub/crackseg9k

--- dataset_info: dataset_name: crackseg9k description: The dataset published here is the largest, most diverse and consistent crack segmentation dataset constructed so far. It contains 9255 images that combine different smaller open source datasets. It consists of 10 sub datasets preprocessed and resized to 400x400 namely, Crack500, Deepcrack, Sdnet, Cracktree, Gaps, Volker Rissbilder, Noncrack, Masonry an Ceramic. version: 4.0.0 homepage: https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/EGIEBY license: Creative Commons CC0 1.0 Universal (CC0 1.0) Public Domain Dedication citation: | @article{kulkarni2022crackseg9k, title={CrackSeg9k: A Collection and Benchmark for Crack Segmentation Datasets and Frameworks}, author={Kulkarni, Shreyas and Singh, Shreyas and Balakrishnan, Dhananjay and Sharma, Siddharth and Devunuri, Saipraneeth and Korlapati, Sai Chowdeswara Rao}, journal={arXiv preprint arXiv:2208.13054}, year={2022} } splits: train: - file_path: data/train.parquet test: - file_path: data/test.parquet features: - name: image dtype: base64 - name: mask dtype: base64 - name: head dtype: base64 --- # Crackseg9k: A Collection of Crack Segmentation Datasets dataset for [CrageSeg9k 4.0](https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/EGIEBY)### 数据集基本信息 数据集名称：CrackSeg9K 本数据集为迄今发布的规模最大、多样性最丰富且一致性最优的裂缝分割数据集。其共收录9255幅图像，整合了多组小型开源数据集，由10个经预处理并统一调整至400×400分辨率的子数据集构成，分别为Crack500、Deepcrack、Sdnet、Cracktree、Gaps、Volker Rissbilder、Noncrack、Masonry与Ceramic。 版本：4.0.0 官方主页：https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/EGIEBY 许可协议：知识共享CC0 1.0通用公共领域专用授权（Creative Commons CC0 1.0 Universal (CC0 1.0) Public Domain Dedication） 引用格式： bibtex @article{kulkarni2022crackseg9k, title={CrackSeg9k: A Collection and Benchmark for Crack Segmentation Datasets and Frameworks}, author={Kulkarni, Shreyas and Singh, Shreyas and Balakrishnan, Dhananjay and Sharma, Siddharth and Devunuri, Saipraneeth and Korlapati, Sai Chowdeswara Rao}, journal={arXiv preprint arXiv:2208.13054}, year={2022} ### 数据集划分 训练集：对应文件路径为data/train.parquet 测试集：对应文件路径为data/test.parquet ### 样本特征字段 每个样本包含以下三个字段： 1. image（图像）：采用base64编码格式存储 2. mask（分割掩码）：采用base64编码格式存储 3. head（样本头部元数据）：采用base64编码格式存储 --- ### 数据集概述 本数据集为裂缝分割数据集合集CrackSeg9K，对应版本为CrackSeg9K 4.0，官方访问链接：https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/EGIEBY

原始信息汇总

Crackseg9k 数据集概述

基本信息

• 数据集名称: crackseg9k
• 版本: 4.0.0
• 主页: https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/EGIEBY
• 许可证: Creative Commons CC0 1.0 Universal (CC0 1.0) Public Domain Dedication

描述

• 该数据集是目前为止构建的最大、最多样化和最一致的裂缝分割数据集。
• 包含9255张图像，结合了多个较小的开源数据集。
• 数据集由10个子数据集组成，分别是Crack500, Deepcrack, Sdnet, Cracktree, Gaps, Volker Rissbilder, Noncrack, Masonry和Ceramic。
• 所有图像预处理并调整为400x400像素。

引用

@article{kulkarni2022crackseg9k, title={CrackSeg9k: A Collection and Benchmark for Crack Segmentation Datasets and Frameworks}, author={Kulkarni, Shreyas and Singh, Shreyas and Balakrishnan, Dhananjay and Sharma, Siddharth and Devunuri, Saipraneeth and Korlapati, Sai Chowdeswara Rao}, journal={arXiv preprint arXiv:2208.13054}, year={2022} }

数据分割

• 训练集: data/train.parquet
• 测试集: data/test.parquet

特征

• image: 数据类型为base64
• mask: 数据类型为base64
• head: 数据类型为base64

搜集汇总

数据集介绍

构建方式

Crackseg9k数据集是目前为止最大、最多样化且一致性最高的裂缝分割数据集。该数据集整合了多个开源小数据集，包括Crack500、Deepcrack、Sdnet等10个子数据集，共计9255张图像。所有图像均经过预处理并统一调整为400x400像素，确保了数据的标准化和一致性。

特点

Crackseg9k数据集的特点在于其多样性和广泛性，涵盖了多种裂缝类型和背景环境。数据集中的图像不仅包括裂缝区域，还提供了相应的掩码和头部信息，便于进行精确的分割任务。此外，数据集的规模和质量使其成为裂缝分割领域的基准数据集，适用于多种深度学习模型的训练和评估。

使用方法

Crackseg9k数据集的使用方法较为直观，用户可以通过加载train.parquet和test.parquet文件来获取训练和测试数据。每张图像及其对应的掩码和头部信息均以base64格式存储，便于直接用于深度学习框架。该数据集适用于裂缝检测、分割等任务，用户可以根据需求进行数据预处理和模型训练。

背景与挑战

背景概述

CrackSeg9k数据集由Shreyas Kulkarni等研究人员于2022年发布，是目前最大、最多样化且一致性最高的裂缝分割数据集。该数据集整合了多个开源数据集，包含9255张经过预处理并统一调整为400x400像素的图像，涵盖了Crack500、Deepcrack、Sdnet等多个子数据集。CrackSeg9k的发布为裂缝检测与分割领域提供了重要的基准数据，推动了基于深度学习的裂缝识别技术的发展，并在基础设施维护、建筑安全评估等领域产生了深远影响。

当前挑战

CrackSeg9k数据集旨在解决裂缝分割领域的核心挑战，包括裂缝形态的多样性、背景复杂性以及数据标注的精确性。在构建过程中，研究人员面临的主要挑战包括数据源的异构性、图像质量的差异以及标注一致性的保证。此外，如何将不同来源的数据集进行有效整合并统一预处理，同时保持数据的多样性和代表性，也是构建过程中的一大难题。这些挑战的解决为裂缝分割算法的性能提升提供了坚实的基础。

常用场景

经典使用场景

Crackseg9k数据集在裂缝检测与分割领域具有广泛的应用，尤其在建筑结构健康监测中，该数据集为研究人员提供了丰富的图像数据，用于训练和验证裂缝检测算法。通过结合多个开源数据集，Crackseg9k不仅涵盖了多种裂缝类型，还包含了不同材质和背景下的裂缝图像，极大地提升了模型的泛化能力。

解决学术问题

Crackseg9k数据集解决了裂缝检测领域数据稀缺和多样性不足的问题。通过整合多个子数据集，该数据集为研究人员提供了一个统一且多样化的基准，使得算法能够在不同场景下进行有效验证。这不仅推动了裂缝检测技术的发展，还为相关领域的学术研究提供了可靠的数据支持。

衍生相关工作

Crackseg9k数据集的发布催生了一系列相关研究工作，特别是在深度学习领域。许多研究基于该数据集提出了新的裂缝检测算法，如基于卷积神经网络的裂缝分割模型和基于生成对抗网络的裂缝增强技术。这些工作不仅推动了裂缝检测技术的发展，还为其他图像分割任务提供了新的思路和方法。