道路裂缝,坑洼,病害数据集-包括无人机视角,摩托车视角,车辆视角覆盖道路

道路裂缝,坑洼,病害数据集

包括无人机视角,摩托车视角,车辆视角

覆盖道路所有问题

一共有八类16000张

1到7依次为: ['横向裂缝', '纵向裂缝', '块状裂缝', '龟裂', '坑槽', '修补网状裂缝', '修补裂缝', '修补坑槽']

道路病害(如裂缝、坑洼等)不仅影响行车安全,还会缩短道路使用寿命。传统的道路检查依赖人工巡检,效率低下且容易遗漏。随着无人机、摩托车和车辆视角拍摄技术的发展,自动化的道路病害检测成为可能。本数据集旨在为道路裂缝、坑洼及病害检测提供高质量的标注数据,支持自动化检测系统的开发与应用。

数据集概述:
  • 名称:道路裂缝、坑洼及病害检测数据集
  • 规模:共计16,000张图像
  • 类别 :八类道路病害
    • 1:横向裂缝(Transverse Cracks)
    • 2:纵向裂缝(Longitudinal Cracks)
    • 3:块状裂缝(Block Cracks)
    • 4:龟裂(Alligator Cracking)
    • 5:坑槽(Potholes)
    • 6:修补网状裂缝(Mesh Cracking Repair)
    • 7:修补裂缝(Crack Repair)
    • 8:修补坑槽(Pothole Repair)
  • 视角:涵盖无人机视角、摩托车视角和车辆视角
数据集特点:
  1. 全面性:涵盖多种道路病害类型,确保数据集的多样性和实用性。
  2. 高质量标注:每张图像都已详细标注,确保数据的准确性和可靠性。
  3. 适用范围广:支持多种标注格式(VOC、YOLO),方便科研人员和开发者直接使用。
  4. 标准格式:采用广泛使用的标注文件格式,方便导入不同的检测框架。
数据集内容:
  • 横向裂缝(Transverse Cracks):标注了道路上的横向裂缝。
  • 纵向裂缝(Longitudinal Cracks):标注了道路上的纵向裂缝。
  • 块状裂缝(Block Cracks):标注了道路上的块状裂缝。
  • 龟裂(Alligator Cracking):标注了道路上的龟裂。
  • 坑槽(Potholes):标注了道路上的坑槽。
  • 修补网状裂缝(Mesh Cracking Repair):标注了修补过的网状裂缝。
  • 修补裂缝(Crack Repair):标注了修补过的裂缝。
  • 修补坑槽(Pothole Repair):标注了修补过的坑槽。
数据集用途:
  1. 病害检测:可用于训练和评估深度学习模型,特别是在道路裂缝、坑洼及病害检测方面。
  2. 养护管理:帮助实现道路养护的自动化检测,减少人工巡查的工作量。
  3. 科研与教育:为道路裂缝、坑洼及病害检测领域的研究和教学提供丰富的数据支持。
使用场景:
  1. 实时监控:在道路监控系统中,利用该数据集训练的模型可以实时检测道路病害。
  2. 养护规划:在道路养护和修复计划制定中,利用该数据集可以提高检测的准确性和速度。
  3. 生产管理:在道路管理和养护工作中,利用该数据集可以提高工作效率和管理水平。
技术指标:
  • 数据量:共计16,000张图像,涵盖八类道路病害。
  • 数据划分:数据集是否进行了训练集、验证集和测试集的划分,需根据数据集实际内容确定。
  • 标注格式:支持VOC和YOLO格式的标注文件,方便导入不同的检测框架。
  • 标注精度:所有图像均已详细标注,确保数据的准确性和可靠性。
注意事项:
  • 数据隐私:在使用过程中,请确保遵守相关法律法规,保护个人隐私。
  • 数据预处理:在使用前,建议进行一定的数据预处理,如图像归一化等。
获取方式:
  • 下载链接:请访问项目主页获取数据集下载链接。
  • 许可证:请仔细阅读数据集的使用许可协议。
关键代码示例:

以下是关键代码的示例,包括数据加载、模型训练、检测和结果展示。

数据加载(以VOC格式为例):
1import os
2import cv2
3import xml.etree.ElementTree as ET
4import numpy as np
5
6# 数据集路径
7DATASET_PATH = 'path/to/dataset'
8IMAGES_DIR = os.path.join(DATASET_PATH, 'JPEGImages')
9ANNOTATIONS_DIR = os.path.join(DATASET_PATH, 'Annotations')
10
11# 加载数据集
12def load_dataset(directory):
13    images = []
14    annotations = []
15
16    for img_file in os.listdir(IMAGES_DIR):
17        if img_file.endswith('.jpg') or img_file.endswith('.png'):
18            img_path = os.path.join(IMAGES_DIR, img_file)
19            annotation_path = os.path.join(ANNOTATIONS_DIR, img_file.replace('.jpg', '.xml').replace('.png', '.xml'))
20            
21            image = cv2.imread(img_path)
22            tree = ET.parse(annotation_path)
23            root = tree.getroot()
24            
25            objects = []
26            for obj in root.findall('object'):
27                name = obj.find('name').text
28                bbox = obj.find('bndbox')
29                xmin = int(bbox.find('xmin').text)
30                ymin = int(bbox.find('ymin').text)
31                xmax = int(bbox.find('xmax').text)
32                ymax = int(bbox.find('ymax').text)
33                objects.append((name, [xmin, ymin, xmax, ymax]))
34            
35            images.append(image)
36            annotations.append(objects)
37
38    return images, annotations
39
40train_images, train_annotations = load_dataset(os.path.join(DATASET_PATH, 'train'))
41val_images, val_annotations = load_dataset(os.path.join(DATASET_PATH, 'val'))
42test_images, test_annotations = load_dataset(os.path.join(DATASET_PATH, 'test'))
模型训练:
1# 初始化YOLOv8模型
2model = YOLO('yolov8n.pt')
3
4# 转换VOC格式到YOLO格式
5def convert_voc_to_yolo(annotations, image_shape=(640, 640), class_names=['Transverse Cracks', 'Longitudinal Cracks', 'Block Cracks', 'Alligator Cracking', 'Potholes', 'Mesh Cracking Repair', 'Crack Repair', 'Pothole Repair']):
6    yolo_annotations = []
7    class_map = {name: i for i, name in enumerate(class_names)}
8    
9    for ann in annotations:
10        converted = []
11        for name, obj in ann:
12            class_id = class_map[name]
13            x_center = (obj[0] + obj[2]) / 2 / image_shape[1]
14            y_center = (obj[1] + obj[3]) / 2 / image_shape[0]
15            width = (obj[2] - obj[0]) / image_shape[1]
16            height = (obj[3] - obj[1]) / image_shape[0]
17            converted.append([class_id, x_center, y_center, width, height])
18        yolo_annotations.append(converted)
19    return yolo_annotations
20
21# 定义训练参数
22EPOCHS = 100
23BATCH_SIZE = 16
24
25# 转换并训练模型
26train_yolo_annots = convert_voc_to_yolo(train_annotations)
27val_yolo_annots = convert_voc_to_yolo(val_annotations)
28
29results = model.train(data='road_disease_detection.yaml', epochs=EPOCHS, batch=BATCH_SIZE)
模型检测:
1# 加载训练好的模型
2model = YOLO('best.pt')
3
4# 检测图像
5def detect_road_diseases(image):
6    results = model.predict(image)
7    for result in results:
8        boxes = result.boxes
9        for box in boxes:
10            x1, y1, x2, y2 = box.xyxy[0]
11            conf = box.conf
12            class_id = box.cls
13            
14            # 显示结果
15            cv2.rectangle(image, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
16            class_name = ['Transverse Cracks', 'Longitudinal Cracks', 'Block Cracks', 'Alligator Cracking', 'Potholes', 'Mesh Cracking Repair', 'Crack Repair', 'Pothole Repair'][class_id]
17            cv2.putText(image, f'{class_name}, Conf: {conf:.2f}', (int(x1), int(y1)-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
18    
19    return image
20
21# 测试图像
22test_image = cv2.imread('path/to/test_image.jpg')
23result_image = detect_road_diseases(test_image)
24cv2.imshow('Detected Road Diseases', result_image)
25cv2.waitKey(0)
26cv2.destroyAllWindows()
配置文件 road_disease_detection.yaml
1train: path/to/train/images
2val: path/to/val/images
3test: path/to/test/images
4
5nc: 8  # Number of classes
6names: ['Transverse Cracks', 'Longitudinal Cracks', 'Block Cracks', 'Alligator Cracking', 'Potholes', 'Mesh Cracking Repair', 'Crack Repair', 'Pothole Repair']  # Class names
7
8# Training parameters
9batch_size: 16
10epochs: 100
11img_size: [640, 640]  # Image size
使用指南:
  1. 数据准备:确保数据集路径正确,并且数据集已准备好。
  2. 模型训练:运行训练脚本,等待训练完成。
  3. 模型检测:使用训练好的模型进行检测,并查看检测结果。
结语:

本数据集提供了一个高质量的道路裂缝、坑洼及病害检测数据集,支持自动化病害检测、养护管理等多个应用场景。通过利用该数据集训练的模型,可以提高道路病害检测的效率和准确性。

相关推荐
HyperAI超神经13 小时前
突破1200°C高温性能极限!北京科技大学用机器学习合成24种耐火高熵合金,室温延展性极佳
人工智能·深度学习·机器学习·数据集·ai4s·材料学·合金
DogDaoDao1 天前
深度学习常用开源数据集介绍【持续更新】
图像处理·人工智能·深度学习·ai·数据集
QQ_5192923288 天前
【大象数据集】大象图像识别 目标检测 机器视觉(含数据集)
目标检测·数据集·大象数据集
QQ_5192923289 天前
【水下生物数据集】 水下生物识别 深度学习 目标检测 机器视觉 yolo(含数据集)
python·目标检测·数据集·海洋生物数据集
QQ_5192923289 天前
【动植物毒性数据集】毒蛇识别 蘑菇毒性分类 人工智能 深度学习 目标检测 Python(含数据集)
深度学习·目标检测·数据集·动植物毒性数据集
极智视界11 天前
目标检测数据集 - 新能源车车牌检测数据集下载「包含VOC、COCO、YOLO三种格式」
人工智能·yolo·目标检测·数据集·voc·coco·算法训练
Abcat_o11 天前
【241027-论文阅读】DGraph: A Large-Scale Financial Dataset for Graph Anomaly Detection
论文阅读·数据集·图神经网络
QQ_51929232814 天前
草地杂草数据集野外草地数据集田间野草数据集YOLO格式VOC格式目标检测计算机视觉数据集
目标检测·数据集·野草数据集
QQ_51929232814 天前
昆虫种类识别数据集昆虫物种分类数据集YOLO格式VOC格式 目标检测 机器视觉数据集
目标检测·数据集·昆虫种类识别数据集
QQ_51929232814 天前
苹果瑕疵数据集苹果质量数据集YOLO格式VOC格式 深度学习 目标检测 数据集
目标检测·数据集·苹果瑕疵数据集