ev-CIVIL

ev-CIVIL数据集是首个基于事件相机捕捉的民用基础设施缺陷检测数据集，由丹麦技术大学的研究团队创建。该数据集包含两种类型的缺陷：裂纹和掉皮，数据来源于现场和实验室环境。现场数据集包含318个记录序列，记录了458个不同的裂纹和121个不同的掉皮实例；实验室数据集包含362个记录序列，覆盖了220个裂纹和308个掉皮实例。数据集同时包含了事件数据以及同时捕获的灰度强度图像帧，适用于民用结构缺陷检测的基准测试。

The ev-CIVIL dataset is the first civil infrastructure defect detection dataset captured by event cameras, created by the research team from the Technical University of Denmark. This dataset covers two types of defects: cracks and spalling, with data collected from both field and laboratory environments. The field dataset comprises 318 recording sequences, documenting 458 distinct crack instances and 121 distinct spalling instances; the laboratory dataset includes 362 recording sequences, covering 220 crack instances and 308 spalling instances. Additionally, the dataset contains both event data and simultaneously captured grayscale intensity image frames, making it suitable for benchmarking civil structural defect detection tasks.

搜集汇总

数据集介绍

构建方式

ev-CIVIL数据集通过集成动态视觉传感器（DVS）和主动像素传感器（APS）技术，采用DAVIS346相机同步采集事件数据和灰度图像帧。数据采集过程涵盖多种光照条件（包括日光、夜间照明及激光辅助照明），并通过手持相机沿Z形轨迹移动以模拟无人机检测场景。数据集包含318个现场记录序列（458处裂缝和121处剥落实例）和362个实验室记录序列（220处裂缝和308处剥落实例），所有数据均遵循COCO标注规范进行人工与半自动标注。

特点

该数据集为首个专注于土木结构缺陷检测的事件驱动数据集，具有三大核心特点：1）多模态性，同时提供事件流与灰度图像数据；2）环境多样性，覆盖昼夜、隧道等复杂光照场景；3）缺陷特异性，聚焦裂缝和剥落两类典型缺陷。特别地，事件数据具备高动态范围（120dB）和微秒级时间分辨率，能有效克服传统相机在动态光照下的运动模糊问题。实验室数据通过高分辨率缺陷图像投影补充了真实场景数据的不足。

使用方法

数据集支持两种主要应用范式：1）事件流处理：将时空事件序列转换为2D事件直方图（推荐使用论文提出的自适应时间窗算法），输入YOLOv6或SSD等检测模型；2）多模态融合：联合利用事件数据与同步采集的灰度图像。数据按光照条件划分为充分照明测试集（113序列）和低光照测试集（70序列），其余数据用于训练验证。典型工作流程包括：事件直方图生成→数据增强（仿射变换/翻转）→模型训练（建议初始学习率0.001，CosineAnnealingLR调度）。

背景与挑战

背景概述

ev-CIVIL数据集是首个专注于基于事件的民用基础设施视觉缺陷检测的数据集，由Technical University of Denmark、University of Bologna、UZH-ETH Zurich和ETH Zurich的研究团队于2024年创建。该数据集旨在解决传统基于帧的相机在低光或动态光照条件下难以有效捕捉民用基础设施缺陷的问题。通过使用动态视觉传感器（DVS）捕捉缺陷表面的时空事件流，ev-CIVIL数据集为相关领域的研究提供了重要的基准数据。该数据集包含来自现场和实验室环境的记录序列，分别涵盖裂缝和剥落两种缺陷类型，为基于事件的缺陷检测研究提供了丰富的数据支持。

当前挑战

ev-CIVIL数据集面临的挑战主要包括两个方面：领域问题的挑战和构建过程中的挑战。在领域问题方面，该数据集旨在解决民用基础设施缺陷检测在低光和动态光照条件下的性能问题，传统基于帧的相机在这些条件下表现不佳。构建过程中的挑战包括：1) 数据采集需要在多种光照条件下进行，包括低光、动态光照和实验室环境；2) 数据标注需要处理事件数据和灰度图像帧的同步问题；3) 事件数据的处理和2D事件直方图的生成需要开发新的算法以优化缺陷检测性能。此外，数据集的构建还需要解决传感器方向性和运动模糊等技术难题。

常用场景

经典使用场景

在土木工程结构健康监测领域，ev-CIVIL数据集为基于事件的视觉检测技术提供了首个专业基准。该数据集通过动态视觉传感器（DVS）捕获裂缝和剥落缺陷的时空事件流，同时集成了主动像素传感器（APS）的灰度图像帧，使得研究人员能够在复杂光照条件下（如隧道弱光、夜间街灯或激光照明等场景）开展缺陷检测算法研究。其经典应用场景包括无人机巡检系统中的实时缺陷识别，特别是在传统帧式相机易失效的动态光照或低照度环境中，事件相机的高动态范围和低功耗特性展现出显著优势。

衍生相关工作

该数据集已衍生出多个具有影响力的研究方向：基于2D事件直方图的缺陷分类方法（如Gamage等人提出的脉冲神经网络架构）、跨模态特征融合检测框架（结合APS与DVS数据的双流网络），以及低照度增强算法研究。在基准测试中，YOLOv6m和SSD300等模型通过该数据集实现了0.45-0.55的mAP0.5指标，相关成果被扩展至道路病害检测、历史建筑保护等领域。数据集还促进了事件相机仿真工具（如v2e）的优化，推动了《IEEE Transactions on Intelligent Transportation Systems》等期刊的特刊研究。

数据集最近研究

最新研究方向

近年来，基于事件的视觉检测技术在土木工程结构健康监测领域展现出显著潜力。ev-CIVIL数据集的推出填补了该领域事件数据集的空白，为基于动态视觉传感器（DVS）的缺陷检测研究提供了重要基准。当前前沿研究主要聚焦于三个方向：首先，探索事件数据与传统灰度图像在复杂光照条件下的性能差异，实验表明在低光环境下事件检测的mAP0.5指标可提升20%-30%；其次，开发新型事件表征方法如时空事件直方图算法，相比固定时间窗口方法将检测准确率提高3%-5%；第三，研究实验室数据到现场检测的迁移学习机制，通过数据增强策略有效解决现场样本不足的问题。该数据集已推动多个创新应用，包括无人机夜间巡检系统和动态光照自适应检测算法，为突破传统帧相机在极端环境下的成像限制提供了新思路。

相关研究论文

• Event-based Civil Infrastructure Visual Defect Detection: ev-CIVIL Dataset and Benchmark

  丹麦技术大学 · 2025年