Structural Defects Network – Images de fissures dans le béton
El conjunto de datos de la Red de Defectos Estructurales (SDNET2018) contiene imágenes anotadas de grietas en superficies de concreto (puentes, paredes, carreteras). Incluye grietas muy finas o grandes, con diferentes condiciones de iluminación y obstáculos, para entrenar los modelos de detección basados en el aprendizaje profundo.
Más de 56.000 imágenes segmentadas en subimágenes de 256 × 256 px, formato JPEG/PNG
Licencia no especificada explícitamente, conjunto de datos de libre acceso
Descripción
El conjunto de datos SDNET2018 proporciona más de 56 000 imágenes anotadas de grietas en superficies de concreto, capturadas en varios contextos (puentes, paredes, aceras). Cada imagen está segmentada en subimágenes de 256 x 256 píxeles etiquetadas como «agrietadas» o «sin fisurar». El conjunto de datos es ideal para entrenar algoritmos para la detección automática de grietas mediante redes neuronales convolucionales.
¿Para qué sirve este conjunto de datos?
- Desarrollar sistemas automatizados para la inspección visual de infraestructuras civiles
- Entrenamiento de modelos de aprendizaje profundo para la detección temprana de defectos estructurales
- Evalúe y compare las técnicas de análisis de imágenes para el monitoreo del estado estructural
¿Se puede enriquecer o mejorar?
Sí, el conjunto de datos se puede enriquecer con anotaciones precisas adicionales (por ejemplo, tipos de grietas, profundidad) o aumentando las imágenes (variaciones de iluminación, ángulos). También sería beneficioso ampliarlo a otros materiales.
🔎 En resumen
🧠 Recomendado para
- Investigadores de IA industrial
- Ingenieros civiles
- Estudiantes de visión artificial
🔧 Herramientas compatibles
- TensorFlow
- PyTorch
- OpenCV
- LabelImg
💡 Consejo
Utilice técnicas de aumento de imágenes para mejorar la resistencia a los cambios en la iluminación y los ángulos.
Preguntas frecuentes
¿Cuál es la resolución de las imágenes del conjunto de datos?
Las imágenes están segmentadas en subimágenes cuadradas de 256 x 256 píxeles para facilitar la anotación y el entrenamiento.
¿Este conjunto de datos incluye diferentes tipos de superficies de concreto?
Sí, contiene imágenes de puentes, paredes y aceras con diversas texturas y condiciones ambientales.
¿Se puede usar este conjunto de datos para entrenar un modelo de detección en tiempo real?
Sí, las imágenes y las anotaciones son adecuadas para desarrollar modelos eficientes en tiempo real con arquitecturas CNN ligeras.
