RDD2022数据集(路面病害检测)-中国数据总结

  RDD2022（文献[1]）数据集包含了六个国家的道路缺陷数据，分别是中国、日本、捷克、挪威、美国、印度，如图1所示。

 图1 提供数据的国家列表

   数据集下载地址：地址，如图2所示。

图2 RDD2022下载地址

  该数据集总共包含了47420张图片以及每张图片对应的xml标签，为研究团队进行目标分类、目标检测、语义分割等工作提供了方便。

  由于计算资源有限，同时中国部分包含了4878张图片足够支持本课题进行目标检测方向的深入研究，因此本文选择中国的数据支撑验证实验。

  中国数据分为两部分：China_M和China_D。China_M由摩托车上装置智能手机拍摄得到，China_D中的图片由无人机搭载摄像头拍摄得到。每部分又分为训练图片、测试图片、训练标签，具体描述如图3所示。

图3 China_M和China_D具体描述

  数据集中有五种标签，分别是D00（纵向裂缝）、D10（横向裂缝）、D20（网状裂缝）、D40（坑洞）、Repair（修复）。标签及示例图片如图4所示。（来自文献[2]，该文献用的是China_D数据集）。

图4 标签及示例图片 

  在China_M和China_D中每种标签对应的样本数量如图5所示。

图5 样本数量

  统计如下：D00合计4104个；D10合计2359个。D20合计934个。D40合计321个。该图没有统计Repair类型，通过代码统计Repair合计1046个，如表1所示。

类型	合计
D00	4104
D10	2359
D20	934
D40	321
Repair	1046

表1 样本统计

  数据集中有五张背景图片（没有进行标注），分别是China_Drone_000170、China_Drone_000218、
China_Drone_000256、China_Drone_001134、China_Drone_001391（这五张看起来也是有缺陷的，不知道是漏了，还是说当背景？有知道的朋友可以在评论区说明，感谢）

 

（2025-5-21 答辩通过，准备毕业了。祝还在读研的同学学业顺利，天天开心。）

参考文献：

[1] Arya, D., Maeda, H., Ghosh, S. K., Toshniwal, D., & Sekimoto, Y. (2022, January 1). RDD2022: A multi-national image dataset for automatic Road Damage Detection [Online post]. arXiv.Org. https://doi.org/10.48550/arxiv.2209.08538

[2] 张艳君, 沈平, 郭安辉, & 高博. (2023). 融合 CBAM-YOLOv7 模型的路面缺陷智能检测方法研究. 重庆理工大学学报(自然科学), 38(05), 321.