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。