[论文解读] RDD2022: A multi-national image dataset for automatic Road Damage Detection

Deeksha Arya, Hiroya Maeda+3 more|arXiv (Cornell University)|Sep 18, 2022

Infrastructure Maintenance and Monitoring被引用 85

一句话总结

RDD2022 提供了一个大型、带注释的多国道路损坏图像数据集（47,420 张图像，55,000+ 处损坏实例），用于训练和基准测试深度学习模型，以实现跨六个国家的自动道路损坏检测与分类。

ABSTRACT

The data article describes the Road Damage Dataset, RDD2022, which comprises 47,420 road images from six countries, Japan, India, the Czech Republic, Norway, the United States, and China. The images have been annotated with more than 55,000 instances of road damage. Four types of road damage, namely longitudinal cracks, transverse cracks, alligator cracks, and potholes, are captured in the dataset. The annotated dataset is envisioned for developing deep learning-based methods to detect and classify road damage automatically. The dataset has been released as a part of the Crowd sensing-based Road Damage Detection Challenge (CRDDC2022). The challenge CRDDC2022 invites researchers from across the globe to propose solutions for automatic road damage detection in multiple countries. The municipalities and road agencies may utilize the RDD2022 dataset, and the models trained using RDD2022 for low-cost automatic monitoring of road conditions. Further, computer vision and machine learning researchers may use the dataset to benchmark the performance of different algorithms for other image-based applications of the same type (classification, object detection, etc.).

研究动机与目标

• 提供一个大规模、跨国的图像数据集，用于自动道路损坏检测与分类。
• 标注道路损坏实例，以支持深度学习模型的有监督学习。
• 通过全球挑战（CRDDC2022）促进跨国基准测试。
• 帮助市政与公路管理机构实现低成本、自动化的路况监测。

提出的方法

• 汇集并标注来自六个国家的多样化道路图像。
• 在四种损坏类型中标注超过55,000个道路损坏实例。
• 将数据集作为 Crowd sensing-based Road Damage Detection Challenge (CRDDC2022) 的一部分发布。
• 鼓励研究人员在该数据集上开发并基准测试检测/分类方法。

实验结果

研究问题

• RQ1 在单一数据集下，深度学习模型在跨多个国家的道路损坏检测与分类方面的表现如何？
• RQ2 对于四种损坏类型（纵向裂缝、横向裂缝、鳄门裂缝、坑洞），不同算法的检测性能是多少？
• RQ3 CRDDC2022 标准能否促进稳健的跨国道路损坏检测方法？

主要发现

• 数据集包含来自六个国家的 47,420 张道路图像。
• 已标注超过 55,000 个道路损坏实例。
• 注释的四种损坏类型：纵向裂缝、横向裂缝、鳄门裂缝、坑洞。
• 数据集旨在对基于深度学习的检测与分类方法进行基准评估。
• 像 CRDDC2022 这样的平台鼓励全球参与和基准测试。
• 市政与公路管理机构可以使用基于 RDD2022 训练的模型进行低成本监测。