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.zipcontains 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.gzcontains 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）
CNNRDD
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
标签：zip,RDD2022,道路,RoadDamageDetector,数据,病害,调研 From： https://www.cnblogs.com/laugh12321/p/17874752.html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。