APESS2018 Steel Girder Crack ID Data Set

该数据集用于APESS2018中的一个最终团队项目，目的是通过构建和训练神经网络或使用现有网络并进行迁移学习来检测图像中的裂缝。数据集包含实际情况下中国长跨桥梁人工裂缝检查的图像，包括裂缝、尺子、手写和钢梁表面等类别。

This dataset is utilized for a final team project in APESS2018, aiming to detect cracks in images by constructing and training neural networks or employing existing networks with transfer learning. The dataset comprises images from manual crack inspections of long-span bridges in China under real-world conditions, encompassing categories such as cracks, rulers, handwritten notes, and steel beam surfaces.

原始信息汇总

APESS2018 Steel Girder Crack ID Data Set 概述

数据集目标

本数据集旨在供参与者构建和训练神经网络，或使用现有网络进行迁移学习，以检测图像中的裂缝。数据集中的图像展示了在中国进行的长跨度桥梁手动裂缝检查的实际情况，除了裂缝外，还包括尺子、手写和钢梁表面等其他三个类别。

数据集内容

数据集包含有四个文件夹：

文件夹 0_raw_images

• 包含50张原始裂缝图像。

文件夹 1_image-wise_labels

• 包含50张与原始图像相同分辨率的一对一标签图像。

文件夹 2_subimages_and_labels

• 包含一个.mat文件，其中包含两个变量：subimage_array 和 subimage_label。
• subimage_array 是一个4D数组，大小为 [3927, 64, 64, 3]，由 [64, 64, 3] 大小的3D子图像堆叠而成。
• subimage_label 是一个2D numpy数组（在Python中）或向量（在MATLAB中），大小为 [3927, 1]，与 subimage_array 对应。

文件夹 3_help_codes

• 提供Python代码，用于生成不同子图像大小的新子图像及其对应标签。

未来工作

• 根据反馈，可能会增加更多图像到数据集中。
• 根据反馈，也可能会增加更多标签格式。
• 欢迎贡献，如标记原始图像或提交您手头已标记的图像，请联系我们。
• 目前尚无正式论文介绍此数据集，可引用数据集仓库网页：https://github.com/dawnnao/APESS2018_Steel_Girder_Crack_ID_dataset

搜集汇总

数据集介绍

构建方式

APESS2018钢梁裂缝识别数据集的构建旨在模拟中国大跨度桥梁人工裂缝检测的实际场景。数据集包含四个文件夹，分别存储原始裂缝图像、图像级标签、子图像及其标签以及辅助代码。原始图像通过列分割生成子图像，并配以相应的标签，形成多维数组结构，便于后续的深度学习模型训练与验证。

特点

该数据集的特点在于其多样性和实用性。数据集不仅包含裂缝图像，还涵盖了尺子、手写文字和钢梁表面等其他三类图像，全面反映了实际检测中的复杂场景。子图像及其标签以多维数组形式存储，便于直接用于深度学习模型的输入。此外，数据集提供了辅助代码，支持用户根据需求生成不同尺寸的子图像和标签，增强了数据集的灵活性和扩展性。

使用方法

使用该数据集时，用户可通过MATLAB或Python加载.mat文件，获取子图像数组和标签。子图像数组为四维数组，标签为二维数组，可直接用于神经网络的训练与验证。数据集还提供了Python代码，用户可根据需要生成新的子图像和标签。通过该数据集，用户可以构建或训练神经网络，进行裂缝检测任务，或利用现有网络进行迁移学习，提升模型在实际应用中的性能。

背景与挑战

背景概述

APESS2018 Steel Girder Crack ID Data Set由哈尔滨工业大学结构监测与控制中心于2018年创建，主要研究人员包括Zhiyi Tang、Fangqiao Hu和Yuhu Quan。该数据集旨在通过神经网络或迁移学习技术，检测钢梁裂缝图像中的裂缝。数据集包含四类图像：裂缝、尺子、手写文字和钢梁表面，反映了中国大跨度桥梁人工裂缝检测的实际场景。该数据集为桥梁结构健康监测领域提供了重要的数据支持，推动了自动化裂缝检测技术的发展。

当前挑战

该数据集在解决钢梁裂缝检测问题时面临多重挑战。首先，裂缝图像在实际环境中往往受到光照、背景复杂性和噪声的干扰，导致检测精度难以保证。其次，数据集中的图像类别多样，包括尺子、手写文字等非裂缝目标，增加了分类的复杂性。在构建过程中，研究人员需对原始图像进行分割和标注，生成大量子图像及其标签，这一过程耗时且易引入误差。此外，数据集的规模相对较小，可能限制了模型的泛化能力，未来需进一步扩充数据以提升检测效果。

常用场景

经典使用场景

APESS2018 Steel Girder Crack ID Data Set 主要用于桥梁结构健康监测领域，特别是在钢梁裂缝检测方面。该数据集通过提供包含裂缝、尺子、手写文字和钢梁表面等多种类别的图像，为研究人员构建和训练神经网络模型提供了丰富的素材。这些图像真实反映了中国大跨度桥梁人工裂缝检测的实际情况，使得模型能够在复杂背景下进行精准的裂缝识别。

衍生相关工作

基于APESS2018 Steel Girder Crack ID Data Set，许多经典的研究工作得以展开。例如，研究人员利用该数据集开发了多种基于深度学习的裂缝检测算法，并在实际桥梁检测中进行了验证。此外，该数据集还促进了跨领域合作，推动了计算机视觉与土木工程学科的深度融合，为结构健康监测技术的发展提供了新的思路和方法。

数据集最近研究

最新研究方向

在桥梁结构健康监测领域，APESS2018 Steel Girder Crack ID Data Set为裂纹检测提供了重要的数据支持。该数据集通过包含裂纹、尺子、手写文字和钢梁表面等多类别图像，模拟了中国大跨度桥梁手动裂纹检测的实际场景。近年来，基于深度学习的裂纹检测方法成为研究热点，尤其是卷积神经网络（CNN）和迁移学习技术的应用。研究者们通过该数据集训练和优化神经网络模型，显著提升了裂纹检测的准确性和效率。此外，数据集中提供的子图像和标签格式为多尺度裂纹检测和模型泛化能力的研究提供了便利。未来，随着更多图像和标签格式的加入，该数据集有望在桥梁结构健康监测领域发挥更大的作用，推动智能化检测技术的发展。