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:
- 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。
- 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。
- 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。
- 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:
- 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。
- 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。
- 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:
- 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。
- 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。
- 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:
- 数据准备:确保数据集路径正确,并且数据集已准备好。
- 模型训练:运行训练脚本,等待训练完成。
- 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。