RDD2022数据集介绍与下载

下载地址： 夸克网盘

---

一、数据集概述

RDD2022（Road Damage Dataset 2022）是道路损伤检测领域最具代表性的公开数据集之一，由日本东京大学Sekimoto Lab联合多国研究机构共同构建。该数据集在RDD2018、RDD2019和RDD2020的基础上扩展而来，是截至目前RDD系列中规模最大、覆盖国家最广的版本。

RDD2022的构建动机源于一个关键发现：多国数据的加入能够显著提升道路损伤检测模型的泛化能力。这一发现直接推动了数据集从最初仅覆盖日本，逐步扩展至印度、捷克共和国、挪威、美国和中国等六个国家。数据集于2022年作为“Crowd sensing-based Road Damage Detection Challenge（CRDDC‘2022）”的核心基准发布，吸引了全球众多研究团队参与。

二、数据集规模与构成

RDD2022包含约47，420张道路图像，标注了超过55，000个道路损伤实例。图像采集方式多样，包括车载智能手机、高分辨率相机以及Google Street View等多种低成本采集手段。数据集中图像的分辨率并不统一，涵盖512×512、600×600、720×720以及3650×2044等多种规格，这为评估算法在不同分辨率条件下的性能提供了天然条件。

数据集采用了PASCAL VOC的标注格式，以边界框（bounding box）形式对道路损伤进行定位和分类。这种格式与主流目标检测框架高度兼容，便于研究者直接使用。

三、损伤类别体系

RDD2022的类别标注体系沿用了道路养护规范中的病害分类标准，主要包含四类道路损伤：

类别编号	类别名称	说明
D00	纵向裂缝（Longitudinal Cracks）	沿道路行驶方向的线状裂缝，目标细长，检测难度较高
D10	横向裂缝（Transverse Cracks）	垂直于行驶方向的线状裂缝，与路面纹理相近
D20	龟裂（Alligator Cracks）	网状分布的裂缝群，通常反映基层结构性损坏
D40	坑洞（Potholes）	路面局部凹陷或缺失，交通安全风险最高

此外，部分版本的数据集中还包含“修补痕迹”（Repair）类别，用于识别已维护路段。从数据分布来看，裂缝类样本占比最高（约49.8%），坑洞类样本相对稀少（约6.1%），类别不平衡是RDD2022的一个显著特征。

四、数据集的特点与挑战

RDD2022的核心价值在于其跨国多样性。由于数据采集自六个国家，图像中包含了不同国家的气候条件、道路类型、光照环境和路面材质，这使得在该数据集上训练的模型面临显著的域偏移（domain shift） 问题。在CRDDC’2022挑战赛中，获胜团队在全部六个国家上的F1-score为77%，但不同国家之间的性能差异明显，差距最大达到21.2%。这一结果表明，跨国家泛化仍是道路损伤检测领域的核心难题。

另一个突出挑战是类别不平衡。裂缝类目标本身细长且与路面纹理相似，检测难度较高；而坑洞类样本数量少、目标尺寸小，检测精度普遍偏低。研究表明，在RDD2022上应用加权损失函数后，坑洞类的F1-score从0.43提升至0.58，表面损伤类从0.49提升至0.63，但整体mAP仅从0.61提升至0.68，说明类别不平衡问题仍需进一步关注。

五、数据集的演变脉络

RDD2022并非孤立存在，而是RDD系列数据集持续演进的产物。RDD2018最初仅包含9，053张日本道路图像和15，435个标注实例，分辨率统一为600×600。RDD2019将图像数量提升至13，135张，标注实例增至30，989个。RDD2020首次引入多国数据（印度、日本、捷克），图像规模达到26，336张，标注实例超过31，000个。RDD2022在此基础上进一步纳入挪威、美国和中国，最终达到47，420张图像和超过55，000个标注实例的规模。

这一演进路径清晰地反映了道路损伤检测研究的一个趋势：从单一国家走向全球覆盖，从有限场景走向多样化环境。RDD2022的发布为跨国家、跨条件的道路损伤检测研究提供了迄今最全面的基准。

六、学术影响与衍生资源

RDD2022自发布以来已被广泛应用于道路损伤检测算法的研究与评测。基于该数据集的代表性研究成果包括：YOLOv8-PD模型在RDD2022上取得了70.6%的mAP和111.9 FPS的推理速度；FPDDN算法以仅YOLOv8x五分之一的参数量实现了更高的检测精度，推理速度达到1.8毫秒；MobileNetV3在RDD2022上的推理时间为30-50毫秒，内存占用250-400 MB，显示出边缘设备部署的可行性。

此外，社区还基于RDD2022衍生出了多种变体资源。例如，有研究者将RDD2022中的400张图像进行了像素级分割标注，发布了UAV Road Defect Segmentation Dataset，支持语义分割和轮廓提取任务。还有研究者在RDD2022基础上整合了UAV-PDD2023等其他数据集，构建了统一格式的道路缺陷数据集。

参考来源：RDD2022的详细技术说明可参阅Arya等人发表于Geoscience Data Journal的论文（DOI: 10.1002/gdj3.260）。