DavidHidde/synthetic-masonry-surfaces

这是一个用于砖石表面裂缝分割的合成数据集，适用于图像分割模型。数据集是通过一个3D数据集生成框架生成的，并提供了两个子数据集：一个使用patches渲染方法，另一个使用常规渲染方法。每个子数据集都包含4058张输入图像和生成的真实掩码。数据集在GPL-3.0许可证下提供。这是一个用于砖石表面裂缝分割的合成数据集，适用于图像分割模型。数据集是通过一个3D数据集生成框架生成的，并提供了两个子数据集：一个使用patches渲染方法，另一个使用常规渲染方法。每个子数据集都包含4058张输入图像和生成的真实掩码。数据集在GPL-3.0许可证下提供。

原始信息汇总

数据集概述

基本信息

• 许可证: GPL-3.0
• 任务类别: 图像分割
• 标签: 合成
• 美观名称: 合成砖石表面裂缝分割
• 大小类别: 1K<n<10K

数据集描述

• 名称: 合成砖石表面
• 用途: 用于图像分割模型，特别是用于分割砖石表面的裂缝。
• 生成方法: 使用3D数据集生成框架生成。

数据集结构

• 子数据集数量: 2
  • 渲染方法: 补丁渲染和常规渲染
  • 图像数量: 4058张输入图像和对应的生成地面实况掩码

引用信息

• 引用要求: 使用时请引用此数据集的DOI: 10.57967/hf/2214

搜集汇总

数据集介绍

构建方式

在建筑结构健康监测与计算机视觉交叉领域中，裂缝分割是评估砌体结构安全性的关键任务。该数据集基于一套自主开发的3D生成框架构建，通过合成渲染技术模拟真实砌体表面裂缝形态。具体而言，研究团队利用SketchFab与PolyHaven等公共资源库中的建筑模型与纹理素材，结合多视角HDRI环境光照，生成了4058对224x224像素的图像与二值化标签。每对样本均通过三维场景的随机化参数（如裂缝几何、砖块排列与光照条件）确保多样性，最终形成兼顾真实感与可控性的合成裂缝分割数据集。

特点

该数据集的核心优势在于其规模与标注一致性。4058个样本覆盖了从细微发丝裂缝到结构断裂的多种损伤等级，二值化标签以像素级精度刻画裂缝区域，避免了人工标注的主观偏差。合成数据生成策略不仅规避了真实场景中数据采集的高昂成本与隐私风险，还通过程序化控制实现了裂缝形态、纹理背景与光照条件的系统性变化。此外，所有图像均采用统一分辨率，便于直接接入主流深度学习分割框架，显著降低了预处理复杂度。

使用方法

该数据集专为图像分割模型设计，尤其适用于基于卷积神经网络的裂缝检测架构。用户可直接将图像-标签对输入至U-Net、DeepLab等分割网络进行训练与评估。建议在训练时采用数据增强技术（如随机裁剪与色彩抖动）以提升模型泛化能力。由于数据源于合成场景，迁移至真实环境前需进行域适应微调，例如结合少量真实标注样本进行联合训练。数据集以GPL-3.0协议发布，引用时需注明DOI编号以尊重创作者贡献。

背景与挑战

背景概述

在结构健康监测领域，砌体结构裂缝的自动识别是评估建筑安全性与耐久性的关键环节。传统的基于人工视觉的检测方法效率低下且主观性强，而深度学习图像分割模型的出现为裂缝检测提供了自动化解决方案。然而，真实世界中裂缝样本的稀缺性与标注成本的高昂严重制约了模型的泛化能力。在此背景下，DavidHidde团队于近年开发了Synthetic Masonry Surfaces数据集，旨在通过合成手段生成大规模、多样化的砌体表面裂缝图像。该数据集由4058对224×224像素的图像与二值化标签组成，依托于一套三维砌体表面裂缝生成框架构建，并基于GPL-3.0协议开源。其核心研究问题在于验证合成数据是否能够有效替代或补充真实数据，以推动裂缝分割模型在实际工程中的应用。该数据集的出现，为迁移学习与域适应技术在结构视觉检测中的研究提供了重要基准。

当前挑战

该数据集所面临的挑战主要源于合成数据与真实数据之间的域差异。首先，尽管合成图像能够模拟裂缝的几何形态与纹理变化，但真实砌体表面因风化、污渍、光照不均等因素产生的复杂噪声，使得模型在真实场景中泛化能力受限，这是图像分割领域典型的域适应难题。其次，数据集构建过程中，三维模型与纹理材质的选取虽参考了公共资源（如SketchFab与PolyHaven），但虚拟环境无法完全复现真实裂缝的物理生成机制，例如裂缝的随机扩展路径与材料非线性响应。此外，当前数据规模（4058对样本）对于训练高鲁棒性的深度网络仍显不足，且缺乏多尺度、多视角的标注信息，限制了模型对裂缝细微特征的捕捉能力。这些因素共同构成了从合成数据向实际工程部署转化的核心瓶颈。

常用场景

经典使用场景

合成砌体表面裂缝分割数据集（Synthetic Masonry Surfaces）专为基于深度学习的图像分割任务而设计，其经典使用场景聚焦于砌体结构表面裂缝的像素级精准识别。通过提供4058对224×224分辨率的合成图像与二值化标签，该数据集为训练诸如U-Net、DeepLabV3+等主流分割网络提供了高质量的训练素材，尤其适用于模拟真实世界中因材料老化、荷载作用或环境侵蚀所引发的微细裂缝检测，为结构健康监测领域奠定了数据基础。

实际应用

在实际工程中，该数据集赋能了基于计算机视觉的砌体结构裂缝自动巡检系统。结合边缘计算设备，训练后的模型可实时分析无人机或巡检机器人采集的砖墙影像，快速定位细微裂缝并量化其几何特征。这一技术已逐步应用于古建筑保护、工业烟囱检测及城市老旧小区安全排查等领域，显著降低了人工目视检查的风险与成本，提升了结构早期损伤预警的时效性与准确性。

衍生相关工作

该数据集衍生出多项经典研究工作，包括基于生成对抗网络（GAN）的裂缝图像增强方法、跨材质裂缝分割的域适应框架以及轻量化Transformer模型在砌体裂缝检测中的优化。例如，Dimitris Dais等人提出的专用CNN架构即直接依托该数据集进行训练与验证，后续研究更将其与真实裂缝数据集联合使用，探索合成数据对真实场景分割精度的迁移增益，催生了多篇发表于结构健康监测顶级期刊的实证论文。