RoadDamageDetector
注意:CRDDC2022 数据集包含 GRDDC2020 数据集,Road Damage Dataset 2019 包含 Road Damage Dataset 2018 数据集,实际只需下载 RDD2022.zip 与 RoadDamageDataset_2019 (2.4GB) 即可。
数据类别:
其中,在 RDD2022_Japan 等数据集中存在 D50(井盖) 类别。
其中,在 RDD2022_China_MotorBike 与 RDD2022_China_Drone 中存在 Repair(修补) 类别。
Crowdsensing-based Road Damage Detection Challenge (CRDDC'2022)
The article providing detailed statistics and other information for data released through CRDDC'2022 can be accessed here!
The RDD2022 data released through CRDDC is now also available on FigShare Repository! Kindly cite if you are using the data or the information.
-
RDD2022.zip
contains train and test data from six countries: Japan, India, Czech Republic, Norway, United States, and China.- Images (.jpg) and annotations (.xml) are provided for the train set. The format of annotations is the same as pascalVOC.
- Only images are provided for test data.
Supplementary files related to the RDD2020 data and CRDDC submissions:
Links to download Country-specific data:
- RDD2022_Japan.zip (1022.9 MB - train and test)
- RDD2022_India.zip (502.3 MB - train and test)
- RDD2022_Czech.zip (245.2 MB - train and test)
- RDD2022_Norway.zip (9.9 GB - train and test)
- RDD2022_United_States.zip (423.8 MB - train and test)
- RDD2022_China_MotorBike.zip (183.1 MB - train and test)
- RDD2022_China_Drone.zip (152.8 MB - only train)
Global Road Damage Detection Challenge (GRDDC'2020)
-
train.tar.gz
contains Japan/India/Czech images and annotations. The format of annotations is the same as pascalVOC.
Road Damage Dataset 2019
Road Damage Dataset 2018
【全球开放数据创新应用大赛】道路路面病害智能分析
赛题背景
本赛题是2021全球开放数据应用创新大赛算法赛道中的“道路路面病害智能分析算法”赛题。
城市道路系统是城市功能正常运转的重要保障,路政管理、道路养护等相关部门和单位,投入了大量人力、物力对城市道路系统进行日常巡检与养护。目前,城市道路日常巡检主要靠巡查员在路上巡视,针对发现的道路病害,通过填报纸质表格、PDA、智能手机APP等方式进行上报。该方式存在较强的主观性,不同巡检员对同一病害的类型、危害程度的认知难以保持一致。此外,巡检员每天巡查的道路长度一般在30-40km之间,效率较低。因此,使用技术手段对道路路面病害进行智能分析,具有重要的现实意义。
赛题介绍
城市道路系统是城市功能正常运转的重要保障,路政管理、道路养护等相关部门和单位,投入了大量人力、物力对城市道路系统进行日常巡检与养护。目前,城市道路日常巡检主要靠巡查员在路上巡视,针对发现的道路病害,通过填报纸质表格、PDA、智能手机APP等方式进行上报。该方式存在较强的主观性,不同巡检员对同一病害的类型、危害程度的认知难以保持一致。此外,巡检员每天巡查的道路长度一般在30-40km之间,效率较低。因此,使用技术手段对道路路面病害进行智能分析,具有重要的现实意义。
数据简介
本赛题提供车载摄像头拍摄数据,共14000张道路病害图像样本,其中训练集提供标注标签(病害类别及目标框位置),测试集不提供标注标签。
数据说明/数据描述
图像数据为三通道JPG图像,尺寸为1600×1184,标签COCO格式的json文件,使用utf-8编码。训练集6000张图片,测试集A榜2000张图片,测试集B榜6000张图片。
数据下载
请移步大赛官网赛题页面,点击“赛题数据”:https://www.sodic.com.cn/competitions/900013/datasets
上述网站已崩,移步 道路路面病害数据集
数据类别
- Crack(裂缝,相当于 RoadDamageDetector 中的 D00, D01, D10, D11)
- Manhole(井盖,相当于 RoadDamageDetector 中的 D50)
- Net(龟裂,相当于 RoadDamageDetector 中的 D20)
- Pothole(坑洼,相当于 RoadDamageDetector 中的 D40)
- Patch-Crack(裂缝修补,相当于 RoadDamageDetector 中的 Repair)
- Patch-Net(龟裂修补,相当于 RoadDamageDetector 中的 Repair)
- Patch-Pothole(坑洼修补,相当于 RoadDamageDetector 中的 Repair)
UAV-PDD 2023
数据集中的图像(VOC格式)由无人机在30米的高度捕获。收集的图像以PASCAL VOC格式注释。数据集中包含2440张图像中的11158个实例。
数据集中标记了六种类型的道路损坏:
- Longitudinal cracks(纵向裂缝,相当于 RoadDamageDetector 中的 D00,D01)
- Transverse cracks(横向裂缝,相当于 RoadDamageDetector 中的 D10, D11)
- Alligator cracks(鳄鱼裂缝,相当于 RoadDamageDetector 中的 D20)
- Oblique cracks(斜裂缝)
- Repair(修复,相当于 RoadDamageDetector 中的 Repair)
- Potholes(坑洼,相当于 RoadDamageDetector 中的 D40)
CNRDD
数据集描述
沥青路面典型病害样本数据集(China Road Damage Detection, CNRDD) 选取中国境内G303路段采集道路损坏数据。与其他路面相比,G303每天有大量的卡车/汽车通过。此外,该路段四季温差大。这些问题导致采集到的单幅图像中道路损伤密度较高,对数据集进行道路损伤检测更具挑战性。该数据集包含4319张分辨率为1600*1200的图片,其中训练集3022张,测试集1273张。本数据集中包括了4295张路面病害图片,24张为不包含任何道路损坏的图片。
根据公路技术条件评价标准,CNRDD提供了八种类型的损坏标签,包括裂缝(Crack),纵向裂缝(Longitudinal Crack),横向裂缝(Lateral Crack),沉陷(Subsidence),车辙(Rutting),松散(Looseness),坑槽(Pothole)和修补(Strengthening)。这些类型损坏的直观示例如下图所示。
如图所示,(a)裂缝、(B)纵向裂缝和(c)横向裂缝是日常道路上最常见的损坏类型。其中,裂纹呈现鳄鱼皮状,其初始形态为沿轮胎轨迹线沿着的多条平行纵向裂纹。随着车辆的反复碾压,平行的纵向裂纹之间出现横向和斜向裂纹,形成裂纹。(d)沉降是指地基沉降引起的路面局部凹陷。(e)车辙是路面沿着车轮轨迹的纵向凹陷,通常由施工期间混合材料的压实不足和不良成分引起。(f)松散主要来自沥青老化。它的外观多种多样,如粗骨料和细骨料的损失,表面麻点,甚至表面剥落。(g)坑洼通常是由于松动、裂缝、沉陷等类型的损坏没有及时修复造成的。 其分类特征比较明显。(h)修补不是真实的道路损坏。它代表已修复受损路面的区域。由于道路病害的多样性,加固的形式也多种多样。因此,在CNRDD数据集中未对修补程度进行分类。
数据标注说明
------------------------------- Label Meaning -------------------------------
damage_1 Crack
damage_3 Longitudinal Crack
damage_4 Lateral Crack
damage_5 Subsidence
damage_6 Rutting
damage_8 Pothole
damage_9 Looseness
damage_11 Strengthening
damage_-1 Uncertain
------------------------------- XML Meaning -------------------------------
<annotation> <!-- 表示标注信息的开始 -->
<filename> <!-- 表示与标注信息相对应的图像文件 -->
<object> <!-- 目标标注,一个标注文件中可以包含多个"<object>"标签 -->
<damage_*>1</damage_*> <!-- 当数值为1时,表示相应的道路损伤是这种类型,可能对应多个道路损伤类型 -->
<bndbox> <!-- 表示框的坐标信息,已经进行了标准化 (类似于YOLOv5) -->
<xmin>x轴最小坐标</xmin>
<ymin>y轴最小坐标</ymin>
<xmax>x轴最大坐标</xmax>
<ymax>y轴最大坐标</ymax>
</bndbox>
</object>
</annotation>
数据下载
由于该数据集实际标注并不像介绍中那样准确定义,存在大量歧义标注(一个目标对应多个类别,多存在于裂缝与修补),不建议与上述其他数据集合并使用。