乐于分享
好东西不私藏

桥梁"体检"迎来AI助手!贵阳大学团队发布GYU-DET缺陷检测数据集

桥梁"体检"迎来AI助手!贵阳大学团队发布GYU-DET缺陷检测数据集

导语:当深度学习遇上基础设施运维,会碰撞出怎样的火花?贵阳大学等机构联合在Nature旗下期刊《Scientific Data》发表了桥梁表面缺陷检测数据集GYU-DET,为智能桥梁健康监测提供了高质量的数据基石。

为什么桥梁需要AI"看病"?

桥梁是现代城市交通的"生命线"。然而,随着服役年限增长和自然环境侵蚀,裂缝、剥落、渗水、露筋等病害悄然滋生。传统人工巡检不仅耗时费力,更难以覆盖复杂地形下的海量桥梁。尽管深度学习在目标检测领域大放异彩,但"巧妇难为无米之炊"——现有公开数据集要么规模太小,要么只有图像级分类标签,缺乏精确的缺陷定位标注,无法满足工程实际中对"在哪里、是什么、有多严重"的精准识别需求。

GYU-DET:一个专为桥梁缺陷而生的数据集

GYU-DET(Guiyang University Defect Detection Dataset)是专门针对梁桥表面缺陷构建的大规模目标检测数据集,具有以下核心特征:

规模可观,覆盖全面:11,123张高分辨率RGB图像(主要为4608×3456像素),采集自103°36′–109°35′E,24°37′–29°13′N范围内的真实桥梁(贵州高原山区,被誉为"桥梁博物馆"),历时18个月(2015.4–2016.12),从18,000余张原始图像中严格筛选而来涵盖梁桥、拱桥、悬索桥等多种结构形式

六类典型缺陷,精准定义:依据《公路桥梁养护规范》,数据集将缺陷细分为六大类:

类别
英文
典型特征
🩹 裂缝
Crack
混凝土表面线性损伤
💥 剥落
Breakage/Spalling
表层混凝土松动、脱落
🐝 蜂窝面
Honeycomb
粗糙不平、局部孔洞密集
🔩 露筋
Exposed Rebar
保护层剥离,钢筋外露锈蚀
💧 渗水
Seepage
水分渗透形成的水渍斑痕
🕳️ 孔洞
Hole
显著影响承载力的较大空洞
数据集包含10,432张正样本(含缺陷)和691张负样本(无缺陷),并按8:1:1划分为训练集、验证集和测试集。

三大亮点,让数据更"靠谱"

复杂环境,真实还原,不同于实验室里的"标准照",GYU-DET采集自真实运维场景:

光照多变:强光、弱光、逆光、夜间补光;

天气多样:晴天、雨天、雾天;

视角丰富:近距离特写、远距离全景、仰拍桥底、俯拍桥面;

干扰真实:包含施工杂物、苔藓、水渍、伸缩缝等非缺陷区域;

标注严格,质量过硬:采用"双标注+交叉验证+专家终审"的三级质控流程:两名标注员独立标注,交叉校验边界框精度,土木工程专家最终确认

特别处理了缺陷重叠、边界模糊、形状不规则等难题

标准格式,开箱即用:所有标注均采用主流的YOLO格式(.txt文件),每行包含:类别ID、中心点x坐标、中心点y坐标、框宽、框高(均归一化至0-1)。同时提供JSON/XML转换脚本,无缝接入现有深度学习框架。

实测验证:YOLOv11表现如何?

研究团队使用最新的YOLOv11n模型对数据集进行了基准测试。结果显示:露筋(Re)和孔洞(Ho)检测效果最佳,mAP分别达到0.697和0.667,特征明显、边界清晰;剥落(Br)和蜂窝面(Co)表现中等,mAP约0.6;裂缝(Cr)和渗水(Se)相对困难,mAP在0.4-0.5区间,主要因其形态复杂、边界模糊、易受背景干扰;这一结果既验证了数据集的高质量,也揭示了未来算法优化的方向——小样本与细粒度缺陷检测仍是攻关重点。

开源共享,助力科研

GYU-DET数据集已公开发布:
数据下载:Science Data Bank
https://github.com/IamSunday/Multi-defect-type-beam-bridge-dataset-GYU-DET
从贵州高原的万座桥梁中走来,GYU-DET不仅是一个数据集,更是连接土木工程与人工智能的桥梁。它为轻量化检测模型部署到手持设备、无人机巡检平台提供了数据基础,也为半自动化桥梁巡检和AI驱动的基础设施运维开辟了新的可能。
让每一座桥梁都被AI温柔守护,让每一次出行都更加安全放心。
论文信息:Li, R., Zhao, L., Wei, H. et al. Multi-defect type beam bridge dataset: GYU-DET. Sci Data 12, 1101 (2025).

回首页,搜索你想要的文档

在首页搜索框输入关键词,快速定位资料

文库首页搜索指引 立即搜索

相关学习资料