锈蚀检测深度学习图像数据集

钢材的锈蚀是一个漫长的过程，因此要开展基于深度学习的锈蚀检测，图像数据集成为研究该问题的重要前提。鉴于此，本人整理了目前已开源的锈蚀图像数据集。

Francisco Bonnín Pascual

学者 Francisco Bonnín Pascual 长期以来，致力于使用机器视觉方法对船舶钢结构进行健康监测研究，在他的个人主页上，提供了一份小型的锈蚀分割图像数据集：

作者将数据集按照图像（defects）和标签（labeled）分别存放，其中一组为73张图像数据，另一组则是在此基础上扩增得到的104张图像数据。如下图所示，图片中将锈蚀区域标注为黑色，非锈蚀区域标注为白色。

wlsdzyzl

作者 wlsdzyzl 在github上开源了其关于锈蚀检测的课程作业，其研究了锈蚀有无检测和锈蚀区域分割，路线如下：

针对锈蚀有无检测，数据集包含了锈蚀图像1076张，无锈蚀图像1113张。均收集自网络。

针对锈蚀区域分割，数据集包含训练集图像15张，验证集图像5张，测试集图像10张。

Corrosion Condition State Semantic Segmentation Dataset

CCSSSD(Corrosion Condition State Semantic Segmentation Dataset) ，这是一个比较官方的数据集，直接引用作者的介绍：

数据是从弗吉尼亚州 运输 （VDOT） 桥梁检查报告。数据在语义上是 按照 美国州公路和运输官员协会 （AASHTO） 和 Bridge Inspector 参考手册 （BIRM）。有四个腐蚀等级 类别： [好、一般、差、严重]。数据集由 440 个精细组成注释图像，并被随机分成 396 张训练图像和 44 张测试图像。图像大小已调整为 512x512，以便训练和测试 DeeplabV3+ 模型。包括原始图像和调整大小的图像。训练后 使用 DeeplabV3+ 模型 （DOI： 10.7294/16628668），我们能够收到 F1 得分为 86.67。有关训练、结果、数据集和 该代码可以在 The Journal 文章中引用。GitHub 存储库 信息可以在 The Journal Article 中找到。

补充1：
根据数据来源，我找到了制作数据集的官方网站和他们的报告：

• https://www.tidc-utc.org/wp-content/uploads/2023/11/Zahra-Ameli-Poster-11.10.2023.pdf
• https://digitalcommons.library.umaine.edu/student_work/30/
  

补充2：
作者 Eric Bianchi 在 figshare.com 实际上上传了好几份跟锈蚀相关的数据集，github 上也上传了相关项目代码：

• https://github.com/beric7?tab=repositories

• https://data.lib.vt.edu/articles/dataset/Corrosion_Condition_State_Semantic_Segmentation_Dataset/16624663

• https://data.lib.vt.edu/articles/dataset/Concrete_Crack_Conglomerate_Dataset/16625056

• https://data.lib.vt.edu/articles/dataset/COCO-Bridge_Common_Objects_in_Context_Dataset_for_Structural_Detail_Detection_of_Bridges/14097068

• https://data.lib.vt.edu/articles/dataset/Labeled_Cracks_in_the_Wild_LCW_Dataset/16624672

• https://data.lib.vt.edu/articles/dataset/Structural_Material_Semantic_Segmentation_Dataset/16624648

• https://data.lib.vt.edu/articles/dataset/COCO-Bridge_2021_Dataset/16624495

CBG-yolov5

CBG-yolov5 是 figshare.com 上开源的一个目标检测的数据集，但是作者仅开源了项目代码资料，1.23G的数据集并未开源。

Corrosion Image Data Set for Automating Scientific Assessment of Materials

这也是一个比较官方的锈蚀检测图像数据集，官方介绍如下：

材料腐蚀研究是一个重要的研究领域，金属结构的腐蚀降解每年造成的费用高达全球国内生产的 4%，同时在全球范围内存在重大安全风险。不幸的是，由于公共领域缺乏用于开发机器学习模型的标准化腐蚀实验数据，材料的大规模和及时科学发现受到了阻碍。由于进行这些科学实验和评估腐蚀水平需要专业知识和时间，因此获取此类数据具有挑战性。我们策划了一个由 600 张图像组成的新颖数据集，这些图像注释了材料科学家在 10 年实验室腐蚀测试中获得的专家腐蚀评级。基于这个数据集，我们发现，即使非专家接受了领域指南的严格培训以评估腐蚀，也无法与专家评级相匹配。挑战包括数据有限、图像伪影和毫米级精度腐蚀。这促使我们探索深度学习方法处理这一基准分类任务的可行性。我们研究了 （i） 由丰富的特定领域图像增强技术提供支持的卷积神经网络，这些技术针对我们的数据进行了调整，以及 （ii） 最近的自监督表示学习方法，该方法要么在 ImageNet 上预训练，要么在我们的数据上训练。我们证明，具有调整增强的预训练 ResNet-18 和 HR-Net 模型可以达到高达 0.83 的准确率。借助此腐蚀数据集，我们为设计更先进的深度学习模型打开了大门，以支持这一实际任务，同时推动创新的新研究，将计算机视觉和材料创新联系起来。

Image-based Corrosion Detection Dataset

这是一个由普渡大学 Jahanshahi, Mohammad R 带领的团队开源的一个锈蚀图像数据集，一共152张大图，但可惜的是没给出分割标签图。

Image-based Corrosion Detection Dataset - Mendeley Data

CONCORNET2023

CONCORNET2023 (Corrosion Damage on Concrete Structures Image Dataset)

CONCORNET2023 是一个标记图像数据集，用于训练、测试、验证和基准测试基于人工智能的混凝土结构腐蚀检测算法。

CONCORNET2023包含 790 张具有腐蚀迹象的混凝土结构的照片。这些照片涉及各种混凝土结构，如柱、梁、板等。

该数据集包括不同的腐蚀损伤程度和具有各种扰动的照片，包括通道偏移、水平翻转、水平偏移、随机旋转和随机缩放。

CONCORNET2023 将在基于深度学习的算法上继续开发混凝土腐蚀检测任务时派上用场，该领域在土木工程应用中发展势头强劲。

存储库包含一个名为 Images 的目录，其中包含三个子目录（train （632）、test（79） 和 val （79））中混凝土结构的腐蚀图像。所有图像都是带有.jpg扩展名的二维彩色图像。

此外，此存储库还存储了一个名为 best.pt 的文件，其中包含作者使用 YOLOv3 框架 （ultralytics/yolov3） 计算的权重。检索到的权重是与CONCORNET2023使用相关的参数。