crack segmentation dataset|道路裂缝检测数据集|图像分割数据集

We have open-sourced a large-scale, meticulously annotated crack segmentation dataset, which is aimed at the most common on-board camera scenarios.
This dataset consists of 3,540 high-resolution images (3840×2160 pixels) shot from several roads in Shandong Province, China, using a camera-equipped vehicle. The collected images are then meticulously annotated with pixel-level semantic masks by a team of professionals who meticulously annotated the locations and shapes of cracks on the images using the CVAT annotation tool.
To note, the annotation process for each image underwent thorough inspection and verification to ensure the accuracy and consistency of the labels. Furthermore, we ensured that the dataset includes images captured under different road types (e.g., freeways, national and provincial highways, etc.) to enhance the model's generalization capability.

原始信息汇总

数据集介绍

我们开源了一个大规模、精心标注的裂缝分割数据集，旨在针对最常见的车载摄像头场景。

该数据集包含3,540张高分辨率图像（3840×2160像素），这些图像是从中国山东省的几条道路上使用配备摄像头的车辆拍摄的。收集的图像随后由专业团队使用CVAT标注工具精心标注了像素级语义掩码，标注了图像上裂缝的位置和形状。

每个图像的标注过程都经过了彻底的检查和验证，以确保标签的准确性和一致性。此外，我们确保数据集包括在不同道路类型（例如，高速公路、国道和省道等）下拍摄的图像，以增强模型的泛化能力。

数据集总共包含3,540张图像，其中70%（2,478张图像）用于训练，10%（354张图像）用于验证，剩余的20%（708张图像）用于测试。训练、验证和测试集中的裂缝分布热图如图所示。可以观察到，这些裂缝大多局限于车载摄像头视角下的路面。

与现有数据集的比较可以在上表和下图所示。可以观察到，我们的数据集（即CrackSeg）在数据规模和场景挑战方面具有显著优势。

数据集下载

• 训练集（5.05 GB）：BaiduYun（提取码：7w9p）Google Cloud
• 验证集（658MB）：BaiduYun（提取码：5suz）Google Cloud
• 测试集（1.31 GB）：BaiduYun（提取码：x9qn）Google Cloud

问题反馈

如果您在我们的数据集标注中发现任何不准确或不合理的地方，请及时向我们提供反馈，我们将尽快处理这些问题。我们的联系邮箱是：[e-mail]。

AI搜集汇总

数据集介绍

构建方式

该数据集由3,540张高分辨率图像（3840×2160像素）组成，这些图像通过配备摄像头的车辆在山东省的多条道路上拍摄。图像经过专业团队的像素级语义标注，使用CVAT标注工具精确标记裂缝的位置和形状。每张图像的标注过程都经过严格检查和验证，以确保标签的准确性和一致性。此外，数据集涵盖了不同类型的道路（如高速公路、国道和省道），以增强模型的泛化能力。

特点

该数据集的显著特点在于其大规模和高分辨率，包含3,540张图像，其中70%用于训练，10%用于验证，20%用于测试。图像中的裂缝分布热图显示，裂缝主要集中在车载摄像头视角下的路面。与其他现有数据集相比，该数据集在数据规模和场景挑战方面具有显著优势，能够有效提升模型在复杂道路环境中的表现。

使用方法

用户可以通过提供的链接下载训练集、验证集和测试集。训练集大小为5.05 GB，验证集为658 MB，测试集为1.31 GB。下载后，用户可以使用这些数据集进行模型训练和评估。建议在研究中引用该数据集的论文，论文标题为'Teaching Segment-Anything-Model Domain-specific Knowledge for Road Crack Segmentation from On-board Cameras'，目前正在IEEE Transactions on Intelligent Transportation Systems期刊的第二轮评审中。

背景与挑战

背景概述

在智能交通系统领域，道路裂缝的自动检测与分割一直是研究的热点与难点。为了推动这一领域的发展，山东大学的一支研究团队于近期公开了一个大规模、精心标注的道路裂缝分割数据集。该数据集包含了3,540张高分辨率图像，这些图像均由安装在车辆上的摄像头在山东省的多条道路上拍摄，并经过专业团队的像素级语义标注。数据集的创建不仅涵盖了不同类型的道路，如高速公路、国道和省道，还通过严格的标注审核确保了标签的准确性与一致性。这一数据集的发布，为道路裂缝检测模型的训练与评估提供了宝贵的资源，有望显著提升相关算法在实际应用中的性能。

当前挑战

尽管该数据集在规模和场景多样性上具有显著优势，但其构建过程中仍面临诸多挑战。首先，像素级标注的复杂性要求专业团队进行细致的工作，确保每张图像中的裂缝位置和形状都被准确捕捉。其次，不同道路类型和光照条件下的图像采集，增加了数据集的多样性，但也对模型的泛化能力提出了更高的要求。此外，数据集的发布和维护过程中，如何确保标注的持续准确性和及时更新，也是一个不容忽视的问题。这些挑战不仅影响了数据集的质量，也直接关系到基于该数据集训练的模型的实际应用效果。

常用场景

经典使用场景

在道路裂缝检测领域，crack segmentation dataset 以其大规模的高分辨率图像和精细的像素级标注，成为训练和验证裂缝分割模型的经典数据集。该数据集包含了3,540张3840×2160像素的高清图像，这些图像通过车载摄像头在山东省的多条道路上拍摄，并由专业团队使用CVAT工具进行像素级标注。这种精细的标注方式使得该数据集在训练深度学习模型时能够提供高质量的监督信号，从而显著提升模型的分割精度。

解决学术问题

crack segmentation dataset 解决了道路裂缝检测中的关键学术问题，即如何在复杂的路面条件下准确识别和分割裂缝。传统的裂缝检测方法依赖于人工视觉检查，效率低下且易受主观因素影响。该数据集通过提供大规模、高质量的标注数据，为研究人员提供了一个强大的工具，推动了基于深度学习的自动化裂缝检测技术的发展。这不仅提高了检测的准确性和效率，还为智能交通系统的安全性和可靠性提供了重要支持。

衍生相关工作

基于 crack segmentation dataset，许多相关的经典工作得以展开。例如，研究人员利用该数据集训练了多种深度学习模型，如U-Net、DeepLab等，以提高裂缝分割的准确性。此外，该数据集还激发了关于数据增强和模型泛化能力的研究，通过引入不同道路类型和光照条件下的图像，增强了模型的鲁棒性。这些研究成果不仅在学术界产生了广泛影响，也为实际应用中的裂缝检测技术提供了坚实的基础。