裂缝检测专题（3）裂缝数据集dataset总结1-分类

最新推荐文章于 2024-11-02 16:36:16 发布
置顶 最新推荐文章于 2024-11-02 16:36:16 发布
阅读量2w 收藏 144
点赞数 50
分类专栏： 混凝土结构裂缝检测 文章标签： 计算机视觉 深度学习 opencv 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42535423/article/details/115141295
版权
本文介绍了两个用于混凝土裂缝检测的数据集，包括ConcreteCrackImagesforClassification和crack-detection，分别包含40000张和6077张图像，并引用了相关研究论文。这些数据集被用于训练和测试基于深度学习的裂缝检测模型，如深度宽度网络和卷积神经网络。此外，还提到了其他数据集如crackdataset-voc和SDNET2018，以及HistoricalBuildingCracks和multi_classifier_data，用于不同场景的裂缝检测。文章提供了数据集的引用和下载链接，探讨了深度学习在结构健康监测中的重要性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

裂缝检测技术-基于图像处理

用于裂缝分类

  1. Concrete Crack Images for Classification
    像素值：227x227
    数量：40000张（20000negative+20000postive）
    引用该数据集的论文：
    “Automatic crack distress classification from concrete surface images using a novel deep-width network architecture”
    在这里插入图片描述
    在这里插入图片描述

  2. crack-detection
    像素值：224x224
    数量：6077张（ 4856 training pictures and 1213 test pictures）
    引用该数据集的论文：
    “Automated Bridge Crack Detection Using Convolutional Neural Networks”
    Paper link:https://www.mdpi.com/2076-3417/9/14/2867

[1]Xu H, Su X, Wang Y, et al. Automatic Bridge Crack Detection Using a Convolutional Neural Network[J]. Applied Sciences, 2019, 9(14): 2867.

[2]Li Liang-Fu, Ma Wei-Fei, Li Li, Lu Cheng. Research on detection algorithm for bridge cracks based on deep learning. Acta Automatica Sinica, 2018
在这里插入图片描述

  1. crackdataset-voc
    VoC格式数据集
    数量：3000左右

在这里插入图片描述

  1. ConcreteDataset
    SDNET2018
    在这里插入图片描述

  2. Historical Building Cracks
    在这里插入图片描述

  3. multi_classifier_data
    在这里插入图片描述

在这里插入图片描述
数据集下载链接请私信或留言

本文微原创博客，如转载请注明出处。

如有侵权请联系作者删除！

如何使用U-Net架构来进行语义分割任务 墙体裂缝数据集，mask标签，附语义分割代码，2000+张 训练一个深度学习模型
QQ_1309399183的博客
12-27 1004
如何使用U-Net架构来进行语义分割任务 墙体裂缝数据集，mask标签，附语义分割代码，2000+张 训练一个深度学习模型
【数据集】【YOLO】【图像分割】道路裂缝分类识别数据集 4710 张，YOLO路面裂缝分类识别算法实战训练教程，yolo道路裂缝分类识别毕业设计。
CV 小涵的博客，计算机本硕211毕业，研究计算机视觉、模型微调、RAG等方向，收藏有国内外优质数据集，解决视觉相关项目方案，欢迎交流讨论。
04-27 1200
【数据集】【YOLO】【图像分割】道路裂缝分类识别数据集 4710 张，YOLO路面裂缝分类识别算法实战训练教程，yolo道路裂缝分类识别毕业设计。 数据集中包含 3 种分类，具体分类为：网状裂缝、纵向裂缝、横向裂缝。 数据集图片来自国内外网站、网络爬虫、视频抽帧等； 可用于路面裂缝语义分割识别。 检测场景为城市道路、园区路面、隧道、乡镇路面等，可以应用于通过裂缝几何特征（如宽度、走向）评估道路健康状态，预测病害发展趋势等。 语音分割：道路裂缝分类识别模型。
路面裂缝数据集 CrackForest-dataset-master.zip
07-20
深度学习 图像识别 路面裂缝数据集
墙体裂缝识别数据集
weixin_45861760的博客
07-12 2399
整理的现阶段墙体裂纹数据集
裂缝分割数据集
m0_51032217的博客
07-13 809
裂缝检测，裂缝分割数据集，可用于unet fcn segnet segformer等常用语义分割模型。1.5w张左右。
混泥土（地面+墙面）+ 山体裂缝数据集汇总（分类及目标检测）
热门推荐
qq_40214464的博客
06-05 1万+
混泥土裂缝网上数据集有很多，作者自己收集了一些，大家如果有意愿，麻烦在下方留言。1、SDNET2018数据集（数据集来源：SDNET2018）主要是用来分类论文：SDNET2018: An annotated image dataset for non-contact concrete crack detection using deep convolutional neural networks下载：论文中有介绍，如果大家找不到，可以在下方留言，私发。2、ConcreteCrackImagesforCla
路面车道线，车辆以及路面裂缝数据集（带有json格式标注）
05-18
本人将该数据集作为rcnn进行路面车道线，车辆以及裂缝检测的训练数据集，标注不易
深度学习+图像分割+道路裂缝数据集
09-03
内有两万张道路裂缝图像，我用labelme标注了250张，同时生成的json文件也有，可以直接用labelme打开。我还用python程序批量将250张标注好的图像生成mask图像，这250张图像可以直接用来做图像分割任务，如有需要批量转化json文件为mask图像的python程序可以查看我主页配套的另一资源https://download.csdn.net/download/weixin_52101154/38525192
【数据集】【YOLO】【目标检测】道路裂缝数据集 5466 张，道路裂缝识别毕业设计，YOLO/VOC格式标注！
CV 小涵的博客，计算机本硕211毕业，研究计算机视觉、模型微调、RAG等方向，收藏有国内外优质数据集，解决视觉相关项目方案，欢迎交流讨论。
11-02 6094
【数据集】【YOLO】【目标检测】道路裂缝数据集 5466 张，YOLO/VOC格式标注！ 智慧交通、道路险情预警、道路养护！ 【数据集】道路裂缝数据集 5466张，目标检测，包含YOLO/VOC格式标注。数据集中包含一种分类，检测范围城市道路裂缝、高速道路裂缝、乡村道路裂缝。 该数据集含有5466张图片，包含Pascal VOC XML格式和YOLO TXT格式，用于训练和测试城市道路裂缝、道路坑洼、路面险情等情况。图片格式为jpg格式，标注格式分别为： YOLO：txt VOC：xml
水泥路面、桥梁基建、隧道裂痕裂缝检测数据集
Together_CZ的博客
12-12 1万+
水泥路面、桥梁基建、隧道裂痕裂缝检测数据集
CrackForest数据集
12-19
包含151张道路裂缝图像及其Ground Truth，均为图像格式。
道路裂缝数据集VOC格式-12988张
06-29
数据集格式：Pascal VOC格式(不包含分割的txt文件，仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数)：12988 标注数量(xml文件个数)：12988 标注类别数：1 标注类别名称:["roadcrack"] 每个类别标注的框数： roadcrack count = 35440 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
Crack-image-Dataset
03-08
裂纹图像数据集
公开数据集：CFD裂缝数据集
10-21
CFD数据集内含118张裂缝图片及其标签，每张图片分辨率为480x320像素，且为RGB三通道图像。
公路裂缝分割的数据集-dataset.rar
03-30
公路裂缝分割的数据集
裂缝检测数据集爬取
john_ashley的博客
04-06 2822
”明月如霜，好风如水，清景无限 “ 最近，因为毕设的临近。更新的很少，不过文远下一篇资料上也差不多都找好了。前天，有位老哥因为毕设要做裂缝检测，但是没裂缝数据。所以叫文远爬一下。文远当然是选择安排了。 壹 百度搜图图片爬取 这个我就不想多说了，毕竟网上一搜一大把，但是综合起来有个要点就是。用旧版本的百度爬取会方便一些，因为旧版百度有页码，可以翻页。但是新版百度是下拉，因此都是动态加载的。 结果 搜索的关键词是裂缝检测。结果后面有很多的垃圾图片（baidu fw） 贰 直接上网址，这个好像没有被墙： 原
【图像裂缝】将裂缝分割成有/无重叠区域，通过分割裂缝来增加裂缝数据集研究（Matlab代码实现）
2301_79155639的博客
03-26 576
这些模型通过学习图像的语义信息来实现对裂缝的精准分割，对复杂场景和多样化裂缝具有较好的适用性。为了增加裂缝的几何特性，可以将裂缝分割成瓷砖图像。传统方法中，您可以尝试使用边缘检测算法（如Sobel、Canny等）来检测裂缝的边界，然后通过区域增长或分水岭算法来将裂缝分割成有/无重叠区域。常见的方法包括传统的基于阈值、边缘检测和区域增长的方法，以及现代的基于深度学习的语义分割方法。在进行裂缝分割时，需根据您的数据集特点和具体需求选择合适的方法，并进行适当的数据增强和预处理来提高模型的泛化能力和分割效果。
如何训练自己收集整理的数据集？道路裂缝检测数据集
2401_88440984的博客
10-28 1327
道路裂缝检测数据集6000多张道路裂缝语义分割数据集 裂缝语义分割 unet unet++ fcn segformer deeplab等语义分割算法1.6000多张图像2.对应的像素级标签二值标签2种 它由10个子数据集预处理和大小调整为400x400，即，Crack500，Deepcrack，Sdnet，Cracktree，Gaps，Volker，Rissbilder，Noncrack，Massimo和Ceramic。
裂缝数据集
最新发布
04-30
### 裂缝数据集概述 在机器学习领域，裂缝数据集对于训练模型以实现自动化检测和分析至关重要。以下是几个常见的裂缝数据集及其特点： #### 1. **Concrete Crack Images for Classification** 这是一个专门针对混凝土裂缝分类的数据集[^1]。它由巴西圣保罗大学的研究人员创建，包含40,000张图像，分为两类： - 正常混凝土图像（20,000张）。 - 带有裂缝的混凝土图像（20,000张），进一步细分为边缘裂缝、孔洞裂缝和离散裂缝。 这些图像具有统一的尺寸和分辨率，适合用于二分类任务或更复杂的多类裂缝识别任务。 #### 2. **无人机航拍路面裂缝识别数据集** 此数据集适用于基于无人机拍摄的道路裂缝检测场景[^2]。其结构通常包括`train`和`val`两个子目录，分别存储训练集和验证集的图片。此外，还附带了一个`data.yaml`文件，定义了数据集路径、类别数量以及类别名称。具体类别如下： - Longitudinal crack (纵向裂缝) - Transverse crack (横向裂缝) - Alligator crack (龟裂) - Oblique crack (斜向裂缝) - Repair (修复区域) - Block crack (块状裂缝) - Pothole (坑洼) 这种多样化的标签体系使得该数据集非常适合复杂路况下的裂缝检测任务。 #### 3. **CrackForest-156-labelme 数据集** 这个数据集专注于道路裂缝检测，并提供了丰富的应用场景支持[^3]。除了基本的裂缝标注外，还可以与其他传感器数据结合，完成更加全面的路面状况评估。它的主要用途包括但不限于： - 自动化裂缝检测与定位； - 预测潜在损坏并规划维护计划； - 支持智能交通系统的优化运行。 --- ### 使用建议 当选择合适的裂缝数据集时，需考虑以下因素： - **目标应用**：如果关注的是建筑结构中的裂缝，则优先选用像Concrete Crack Images这样的专用数据集。如果是道路交通领域，则推荐使用CrackForest或其他类似的高精度标记数据集。 - **模型架构**：某些预处理好的数据集已经适配特定框架（如YOLOv5），可以直接加载配置文件进行快速实验。 - **质量控制**：确保所选数据集中每张图片都经过严格筛选，避免因噪声干扰而导致模型泛化能力下降。 下面是一段简单的Python脚本示例，展示如何读取此类数据集的部分内容： ```python import os from PIL import Image def load_images_from_folder(folder_path): images = [] for filename in os.listdir(folder_path): img_path = os.path.join(folder_path, filename) if os.path.isfile(img_path): try: img = Image.open(img_path).convert('RGB') images.append(img) except Exception as e: print(f"Error loading image {filename}: {e}") return images # Example usage with a dataset folder path dataset_train_dir = "../crack_detection_dataset/images/train/" loaded_images = load_images_from_folder(dataset_train_dir) print(f"{len(loaded_images)} training images loaded.") ``` --- ###
评论 345
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值