Bangladeshi Pothole Dataset

Bangladeshi Pothole Dataset是由BRAC大学和联合国际大学的研究团队创建的一个专门用于坑洞检测的数据集。该数据集包含824张图像，主要采集自孟加拉国的达卡和博格拉街道。数据集经过预处理和增强，图像分辨率调整为128×128用于分类任务，256×256用于分割任务。数据增强方法包括翻转、随机亮度、对比度调整和旋转等，增强了数据的多样性和泛化能力。该数据集旨在通过深度学习模型提高坑洞检测的准确性，应用于道路安全和交通管理领域，以预防交通事故和减少经济损失。

The Bangladeshi Pothole Dataset is a specialized dataset for pothole detection, developed by a research team from BRAC University and United International University. This dataset comprises 824 images primarily collected from streets in Dhaka and Bogura, Bangladesh. The dataset has undergone preprocessing and augmentation, with image resolutions adjusted to 128×128 for classification tasks and 256×256 for segmentation tasks. Data augmentation methods include flipping, random brightness adjustment, contrast adjustment and rotation, which enhance the diversity and generalization capability of the dataset. This dataset aims to improve the accuracy of pothole detection via deep learning models, and is applied in the fields of road safety and traffic management to prevent traffic accidents and reduce economic losses.

搜集汇总

数据集介绍

构建方式

Bangladeshi Pothole Dataset的构建过程始于从孟加拉国达卡和博格拉的街道上收集道路样本。研究人员使用iPhone 11、iPhone XR、iPhone 6s Plus和Xiaomi Redmi Note 12等设备拍摄图像，确保图像清晰度。在数据清理过程中，排除了模糊或重复的图像，并对包含人脸或敏感信息（如车牌、地址牌等）的图像进行了模糊处理。为了增强图像的局部对比度，研究人员应用了对比度受限自适应直方图均衡化（CLAHE）算法。最终，数据集被分为两类：Pothole（坑洞）和Non-Pothole（非坑洞），并进行了格式统一和分辨率调整，分类任务图像分辨率为128×128，分割任务为256×256。

特点

Bangladeshi Pothole Dataset包含824张图像，涵盖了达卡和博格拉的街道场景。该数据集的特点在于其多样性和代表性，能够反映孟加拉国道路的实际状况。数据集经过四倍和十倍的增强处理，分别用于分割和分类任务，增强了数据的多样性和泛化能力。此外，数据集在分类任务中表现出色，多个模型的准确率和F1分数超过99%，在分割任务中也达到了与现有数据集相当的性能，Dice相似系数最高为67.54%，IoU得分为59.39%。

使用方法

Bangladeshi Pothole Dataset可用于训练和验证深度学习模型，特别是针对道路坑洞检测的分类和分割任务。在分类任务中，数据集被分为训练集和测试集，比例为80:20。研究人员测试了九种分类模型，包括轻量级模型（如CCT、CNN、Swin Transformer等）和预训练的重型模型（如VGG16、ResNet50等）。在分割任务中，数据集被分为训练集和测试集，比例为70:30，测试了四种分割模型（如U-Net、ResU-Net等）。通过数据增强，模型的性能得到了显著提升，尤其是在轻量级模型上表现尤为突出，适合实时检测任务。

背景与挑战

背景概述

Bangladeshi Pothole Dataset 是由 BRAC 大学和联合国际大学的研究团队于 2025 年创建的一个专注于孟加拉国道路坑洞检测的计算机视觉数据集。该数据集包含 824 张从达卡和博格拉街道采集的图像，旨在填补现有文献中缺乏孟加拉国本土坑洞数据集的空白。通过数据增强技术，该数据集在分类和分割任务中表现出色，能够支持多种深度学习模型的训练与评估。该数据集的创建不仅为孟加拉国的道路安全问题提供了技术解决方案，还为全球类似环境下的道路检测研究提供了重要参考。

当前挑战

Bangladeshi Pothole Dataset 面临的主要挑战包括：1) 数据多样性不足，数据集仅涵盖达卡和博格拉两个地区的道路样本，未能全面反映孟加拉国其他地区的道路状况；2) 数据采集环境受限，数据集未包含雨季或夜间条件下的坑洞图像，这可能导致模型在实际应用中表现不佳；3) 模型泛化能力有限，部分模型在检测阴影或低亮度区域时容易出现误判，影响了检测的准确性。此外，数据增强虽然提升了模型性能，但如何平衡增强效果与计算成本仍是一个需要进一步研究的问题。

常用场景

经典使用场景

Bangladeshi Pothole Dataset 主要用于道路坑洞的检测与分类任务。该数据集通过深度学习模型，如卷积神经网络（CNN）和U-Net等，进行图像分类和语义分割，旨在识别和定位道路表面的坑洞。其经典使用场景包括城市道路维护、交通安全监控以及自动驾驶系统中的道路状况评估。通过该数据集，研究人员能够训练和验证模型，以准确识别道路缺陷，从而为道路修复提供数据支持。

实际应用

Bangladeshi Pothole Dataset 在实际应用中具有广泛的潜力，尤其是在城市基础设施管理和交通安全领域。通过该数据集训练的模型可以部署在智能交通系统中，实时监测道路状况，及时发现并报告坑洞位置，从而减少交通事故的发生。此外，该数据集还可用于政府部门的道路维护计划，帮助优化资源分配，优先修复高风险区域。在自动驾驶领域，该数据集可以为车辆提供实时的道路状况信息，提升自动驾驶系统的安全性和可靠性。

衍生相关工作

Bangladeshi Pothole Dataset 的发布推动了相关领域的研究进展，衍生出多项经典工作。例如，基于该数据集的研究进一步验证了轻量级模型（如CCT和ConvMixer）在实时坑洞检测任务中的高效性，为轻量级模型在计算机视觉任务中的应用提供了新的视角。此外，该数据集还促进了数据增强技术在坑洞检测中的广泛应用，相关研究表明，数据增强能够显著提升模型的性能。其他衍生工作还包括对U-Net等简单模型在非复杂分割任务中的优越性研究，为未来的模型设计提供了参考。