Steelcrack Dataset|结构健康监测数据集|钢结构损伤检测数据集

Steelcrack数据集的所有图像直接从不同项目的钢结构中捕获。该数据集包含3300张训练图像，525张验证图像和530张测试图像，图像大小为512x512像素。部分图像来自第一届国际结构健康监测项目竞赛，其余由我们提供，并对所有图像进行了重新标注以获得更精细的注释。

The Steelcrack dataset comprises images directly captured from steel structures across various projects. It includes 3,300 training images, 525 validation images, and 530 test images, all sized at 512x512 pixels. A portion of these images originates from the first international competition on structural health monitoring projects, while the remainder were provided by us. All images have been re-annotated to achieve more precise annotations.

原始信息汇总

数据集概述

数据集名称

• Steelcrack Dataset

数据集下载

• 下载地址: Google Drive 或 OneDrive

基本信息

• 图像尺寸: 512 × 512
• 训练集: 3300 张图像
• 验证集: 525 张图像
• 测试集: 530 张图像
• 图像来源: 部分来自第1届国际结构健康监测项目竞赛，其余由我们提供。所有图像均重新标注以获得更精细的注释。

实验结果

方法	mi IoU (%)	mi Dice (%)	#Param. (M)	MACs (G)
U-Net	68.49	75.13	7.77	55.01
U-Net++	72.23	78.37	9.16	138.63
Attention U-Net	71.25	77.54	34.88	266.54
CE-Net	76.00	81.54	29.00	35.60
DeepLabv3+ (MobileNetv2)	68.22	71.07	5.81	29.13
DeepLabv3+ (Xception)	67.40	71.48	54.70	83.14
DeepLabv3+ (ResNet-101)	69.04	69.45	59.34	88.84
SCRN	73.23	78.91	25.23	31.92
TransUNet	64.34	72.55	67.87	129.96
CrackSeU-B	70.42	80.50	3.19	11.22
CrackSeU-L	71.66	81.24	4.62	28.22
DconnNet	74.73	83.40	28.38	24.79
BGCrack V1	77.16	85.33	2.32	15.76

引用信息

• BibTeX 引用:

@article{HE2024BGCrack, title = {Crack segmentation on steel structures using boundary guidance model}, journal = {Automation in Construction}, volume = {162}, pages = {105354}, year = {2024}, issn = {0926-5805}, doi = {https://doi.org/10.1016/j.autcon.2024.105354}, url = {https://www.sciencedirect.com/science/article/pii/S0926580524000906}, author = {Zhili He and Wang Chen and Jian Zhang and Yu-Hsing Wang}, keywords = {Crack inspection, Deep learning, Boundary guidance method, Benchmark dataset} }

AI搜集汇总

数据集介绍

构建方式

Steelcrack数据集的构建基于多个钢结构项目的实际图像采集，确保了数据的多样性和真实性。图像来源于第一届国际结构健康监测项目竞赛以及研究团队的自有资源，所有图像均经过重新标注，以获得更为精细的注释。数据集包含3300张训练图像、525张验证图像和530张测试图像，每张图像的尺寸均为512×512像素，为深度学习模型提供了标准化的输入。

使用方法

Steelcrack数据集的使用方法简便且灵活。用户可以通过Google Drive或OneDrive下载数据集，并根据需要进行预处理。数据集适用于多种深度学习模型的训练和评估，特别是在裂纹检测和分割任务中表现出色。研究者可以利用提供的基准测试结果，对比不同模型的性能，并在此基础上进行模型优化。此外，数据集的精细标注为模型的训练提供了高质量的数据支持，有助于提升模型的准确性和鲁棒性。

背景与挑战

背景概述

Steelcrack Dataset 是由香港科技大学的研究团队于2024年发布的一个专注于钢结构裂缝检测的公开数据集。该数据集的创建旨在为钢结构裂缝的自动检测与分割提供高质量的标注数据，以推动相关领域的研究与应用。数据集中的图像来源于多个实际钢结构项目，涵盖了不同场景下的裂缝形态，具有较高的多样性和代表性。研究人员对所有图像进行了精细的重新标注，以确保数据的准确性和一致性。该数据集的发布为钢结构裂缝检测领域的算法开发与性能评估提供了重要的基准，相关研究成果已发表于《Automation in Construction》期刊，对推动智能建造技术的发展具有重要意义。

当前挑战

Steelcrack Dataset 在解决钢结构裂缝检测问题时面临多重挑战。首先，裂缝形态复杂多样，且在不同光照、背景和材料条件下表现各异，这对算法的鲁棒性提出了较高要求。其次，裂缝通常较为细小且边缘模糊，如何在低分辨率图像中实现精确分割是一个技术难点。此外，数据集的构建过程中，研究人员需对大量图像进行精细标注，这一过程耗时且易受主观因素影响，如何确保标注的一致性和准确性成为关键挑战。最后，尽管数据集已涵盖多种场景，但实际工程中的裂缝形态和环境条件更为复杂，如何进一步提升算法的泛化能力仍需深入研究。

常用场景

经典使用场景

Steelcrack数据集在钢结构的裂纹检测领域具有广泛的应用。该数据集通过提供高分辨率的图像和精细的标注，为深度学习模型提供了丰富的训练素材。研究人员可以利用这些数据开发高效的裂纹检测算法，从而提升钢结构的安全性和耐久性。

解决学术问题

Steelcrack数据集解决了钢结构裂纹检测中的多个学术问题。首先，它提供了大量真实场景下的裂纹图像，弥补了现有数据集的不足。其次，通过重新标注图像，数据集确保了标注的准确性和一致性，为模型训练提供了可靠的基础。此外，数据集的发布促进了不同算法之间的比较和优化，推动了该领域的研究进展。

实际应用

在实际应用中，Steelcrack数据集被广泛用于钢结构的健康监测和维护。通过利用该数据集训练的深度学习模型，工程师可以快速、准确地检测出钢结构中的裂纹，从而及时采取修复措施，防止潜在的安全隐患。此外，该数据集还可用于开发自动化的裂纹检测系统，提高检测效率和精度。

数据集最近研究

最新研究方向

在土木工程领域，钢结构裂缝检测一直是确保建筑安全的关键技术之一。Steelcrack数据集的发布为这一领域的研究提供了重要的数据支持。该数据集包含了来自不同钢结构项目的图像，并经过精细的标注，为深度学习模型在裂缝检测任务中的性能评估提供了基准。近期研究主要集中在利用边界引导方法（Boundary Guidance Method）进行裂缝分割，如BGCrack V1模型在Steelcrack数据集上取得了显著的性能提升，mi IoU达到77.16%，mi Dice达到85.33%。这些进展不仅推动了裂缝检测技术的精确度和效率，也为自动化建筑检测系统的开发奠定了坚实的基础。