简介：面向土木工程与计算机视觉交叉领域研究者的混凝土裂缝数据集合集，覆盖分类与目标检测两类任务，包含SDNET2018、ConcreteCrackImagesforClassification、crack-detection-master等公开数据集，并附带作者自制的3100张VOC格式裂缝检测图片及可运行源码，适合用于深度学习模型训练、算法验证和工程安全检测研究。资源包共3个文件，以inscode工程入口、html说明页面和gitignore配置为主，整体仅6KB，轻量便于快速部署，源码结构简洁，可直接在云端或本地环境中运行。已有129人学习使用，适合具备Python与深度学习基础、希望快速获取标准化裂缝数据的入门及进阶开发者。压缩包内索引清晰，帮助读者在无需自行搜集数据的情况下，直接进入模型搭建与实验阶段，有效降低复现门槛。 混凝土裂缝检测这几年在工程圈和CV圈都挺火，一方面是基建存量越来越大，桥梁、隧道、路面、大坝的巡检需求摆在那里；另一方面是目标检测和分割模型越来越成熟，落地门槛比前几年低了不少。但真上手做这个方向的人，八成时间都耗在找数据、洗数据、标数据上，真正跑模型的时间其实没多少。这篇就把我整理过的混凝土裂缝数据集和配套可运行源码一次性汇总清楚，帮你把前期准备的时间省下来。
1. 裂缝检测任务的核心形态与数据集选型
1.1 三类主流任务形态
做混凝土裂缝检测，首先得搞清楚你要解决的是哪一类问题。这个方向表面上看就是一个"找裂缝"的活，但在技术实现上分成了三条完全不同的技术路线，选错路线会浪费大量时间和算力。
分类任务是最基础也最简单的形态。输入一张裂缝图像，模型判断"有没有裂缝"。这种任务适合做简单的巡检预警，或者作为更复杂系统的前置筛选模块。典型实现是ImageNet预训练的ResNet、EfficientNet做二分类或三分类（无裂缝、横向裂缝、纵向裂缝）。优点是不需要标注框或像素级标签，只需要图像级别的类别标注，数据准备成本最低。
目标检测任务是目前工程落地最常见的形态。模型输出裂缝的位置边界框和类别，比如YOLOv5、YOLOv8、Faster R-CNN这类模型。这类任务适合用在无人机巡检、车载道路检测等场景，因为裂缝在整张图中往往只占一小块区域，检测框能告诉巡检人员"具体在哪个位置有裂缝"。数据标注量适中，用LabelImg或者Roboflow画框就行。
语义分割任务是精度最高但也最重的一种形态。模型对每个像素做分类，输出裂缝的精确轮廓。U-Net、DeepLabV2、SegNet是经典选择。这类任务适合需要精确测量裂缝宽度、长度、走向的场景，比如桥梁结构安全评估、隧道衬砌检测。难点在于标注成本高，需要逐像素标注裂缝区域，而且裂缝这类细长目标在标注时很容易漏标或标粗，非常考验耐心。
抛开具体模型不谈，数据集的选择才是决定上限的关键。不同任务形态需要不同粒度的标注，而市面上公开的裂缝数据集质量参差不齐，有些数据集的标注本身就存在明显错误，直接用会导致模型学歪。
1.2 我整理数据集时的选型标准
先说结论：一个好的裂缝数据集，至少要满足以下四条标准，缺一条都会在训练时出问题。
第一是图像分辨率要足够高。裂缝是典型的细长目标，宽度可能只有几个像素。如果图像本身只有300×300，那裂缝在图中可能只有2-3个像素宽，别说分割了，检测都费劲。我一般优先选分辨率在512×512以上的数据集，最好是原始图像能达到1000×1000以上，训练时再降采样。
第二是背景多样性要够。很多数据集是在实验室环境下拍的，背景单一、光照均匀、纹理简单，模型在这种数据上跑出98%的准确率根本不代表什么。真正有挑战的是现场真实场景——路面有阴影、有油渍、有修补痕迹，桥墩表面有水渍、有苔藓、有模板缝，这些干扰在公开数据集里不够丰富的话，模型泛化性会很差。
第三是标注方式要和任务匹配。同样是裂缝数据，有的数据集给的是图像级别标签，只能用来做分类；有的给的是Pascal VOC格式的xml框，适合做检测；有的给的是像素级mask（png格式），适合做分割。选数据集之前先想好自己的任务，别拿mask数据硬跑检测，也别拿检测框数据硬跑分割。
第四是负样本要充足。裂缝数据集最容易踩的坑是负样本太少。很多公开数据集把裂缝图片和正常图片混在一起，但实际场景中90%以上的巡检图像都是没有裂缝的。模型如果没见过足够多的负样本，推理时会把所有纹理复杂的地方都当裂缝，误检率会高到不可用。
2. 主流的公开混凝土裂缝数据集盘点
我按任务形态把适合做裂缝检测的数据集分成四类，分别列出关键信息和适合的使用方式。下面这些数据集我都实际跑过，不是凑数的。
2.1 经典分类数据集：CFD与CrackForest
CFD（Crack Forest Dataset）是张量（T. L. Zhang）等人做的路面裂缝数据集，收录了118张分辨率约480×320的彩色路面图像，包含不同光照条件和路面纹理下的裂缝。这个数据集在论文里出现频率很高，很多早期的CNN裂缝分类模型都用它做验证。它的问题是样本量小、分辨率低，现在一般只用来做模型对比测试或预训练验证，不适合做主力训练集。
CrackForest是另一个经常被引用的路面裂缝数据集，也是100多张图，带像素级标注。它的标注相对粗糙，边缘不够精细，我做分割实验时发现用它训出来的模型边界会偏粗。这两个数据集现在的主要价值是"行业基准"，你可以在上面跑通baseline，但要训练生产级模型，还得靠后面几个大规模数据集。
2.2 大规模路面裂缝检测数据集
Crack500是 Temple University 团队做的路面裂缝数据集，一共500张原始图像，每张尺寸约4032×3024，覆盖了不同严重程度的裂缝。作者把每张大图切成若干个小块，最终得到3500多张子图，并提供像素级标注。我最常用的切块方式是512×512，这样既保留了裂缝纹理细节，又不会让模型在大图上丢失小目标信息。Crack500的子图里有大量不含裂缝的背景块，做训练时要自己控制负样本比例，我一般控制在正负样本3比1。
**GAPs（German Asphalt Pavement Distress）**是一个德国团队发布的沥青路面病害数据集，包含509张标注图像，标注目标有裂缝、坑槽、修补等，格式是Pascal VOC。这个数据集的特点是病害类型多样，裂缝形态偏真实，适合做多类别检测。它的问题在于图像数量少，直接训练容易过拟合，我一般用来做迁移学习的验证集。
**RDD2020（Road Damage Detection）**是一个比较新的道路病害检测数据集，来自IEEE的反向道路损坏检测挑战赛，图像来自日本、印度、捷克等国家的真实道路巡检，包含超过26000张图像，标注了纵向裂缝、横向裂缝、鳄鱼裂纹、坑洼四种类型。格式是Pascal VOC和COCO双版本，几千张带裂缝的图直接可以用来训练YOLOv8。这个数据集对多国路况都有覆盖，负样本也比较充分，是我目前做路面裂缝检测的首选预训练数据。
2.3 混凝土结构物表面裂缝数据集
SDNET2018是犹他州立大学发布的混凝土桥梁、路面、墙体裂缝数据集，包含超过230个混凝土构件图像切片，约56000张子图。它特别适合做桥梁和建筑结构表面的裂缝检测，因为图中包含大量真实混凝土表面纹理，如蜂窝麻面、模板缝、气孔等干扰，对模型鲁棒性要求更高。需要说明的是它提供的标签是图像级别（有裂缝/无裂缝），要用来做检测或分割得自己标注，但在分类任务里是很有价值的训练集。
DeepCrack是早期专门做混凝土裂缝分割的数据集，包含537张图像，都带像素级标注。它的图像来自建筑物、路面、桥梁等多种混凝土结构，分辨率不统一，背景复杂度中等。分割效果上限不错，但数量少，训练时容易过拟合，建议用U-Net配合强数据增强使用。
SUIM（自建补充）：如果你要检测水下结构物裂缝，可以关注水下成像数据集SUIM等，它们主要面向海洋结构物的语义分割，包含部分裂缝、海洋生物附着等目标。这类数据做水下坝体、桥墩检测时很有参考价值，但需自行筛选裂缝类标签。
2.4 其他特种场景裂缝数据
除了上面几个，还有一些针对特定场景的裂缝数据。比如无人机桥梁巡检数据集，公开的不多，很多是论文附带的数据；隧道衬砌裂缝数据集，相关数据在Crack360等文献中有涉及，但开放程度有限。如果你的应用场景是这些特殊方向，我建议放弃"找现成数据集"的思路，转而做"自动标注+人工修正"的半自动方案，用预训练模型生成候选区域，然后人工审查修正标注，效率比从头标注高很多。
为了让你快速比较，我把常用的裂缝数据集整理成了一张表：
| 数据集 | 图像数量 | 标注粒度 | 适用任务 | 特点与坑点 |
|---|---|---|---|---|
| CFD | 118 | 像素级 | 分类/分割验证 | 分辨率低，不适合生产训练 |
| CrackForest | 118 | 像素级 | 分割基准 | 标注偏粗，边界不精细 |
| Crack500 | 500原始/3500子图 | 像素级 | 分割/检测 | 子图负样本多，需控制比例 |
| GAPs | 509 | 检测框(Pascal VOC) | 检测 | 病害类型多，数量少 |
| RDD2020 | 26000+ | 检测框(VOC/COCO) | 检测 | 国家路况多样，首选大规模数据 |
| SDNET2018 | 56000切片 | 图像级 | 分类 | 含大量混凝土纹理干扰，训练鲁棒性好 |
| DeepCrack | 537 | 像素级 | 分割 | 数据少，需加强数据增强 |
提示：网络上热词里提到的"水下管道裂缝数据集""道路裂缝yolo数据集免费"，很多都来自上述数据集的不同裁剪版本或分块。下载时先看原始标注格式，再看是否有版权限制，别直接拿别人的再发布版本用于商业项目。
3. 可运行源码项目与环境配置
3.1 源码项目应该具备的完整链路
现在GitHub和Gitee上打着"混凝土裂缝检测"标签的项目不少，但很多只是把模型代码贴上，数据下载链接还是失效的，更别提"开箱即用"。真正可以复现的裂缝检测源码项目，至少需要包含以下几条完整链路：
数据准备链路：提供数据下载脚本，或直接包含数据划分脚本（train/val/test），能一条命令把数据集处理成模型需要的目录格式。更规范的项目会附带数据增强代码，比如随机旋转、亮度扰动、Mosaic增强等。
模型训练链路：包含完整的训练脚本，支持修改模型结构、batch size、学习率等超参数，并且在训练过程中会保存checkpoint、输出loss曲线。我用YOLOv5时一般在训练前额外用预训练模型跑一遍COCO上的表现，确认权重文件没损坏。
模型推理和评估链路：能加载训练好的权重对单张图片或整个文件夹进行推理，输出可视化标注结果，并计算mAP、F1-score等指标。这个环节最容易出问题的是推理脚本和训练脚本间存在类名顺序不一致、图像预处理不一致等问题，导致线下指标很好但线上效果崩。
3.2 环境配置与依赖详解
裂缝检测最常见的实现组合是PyTorch + YOLOv5/YOLOv8 + 配套标注工具。以下是我的环境参考配置，兼容性和稳定性实测都不错，适合作为基线：
- Python：3.8-3.10（不建议用3.11以上直接跑网上老项目，很多依赖会编译失败）
- PyTorch：1.10-2.0（如果显卡是RTX 30/40系，注意选对应CUDA版本）
- CUDA：11.3或11.8，cuDNN 8.2以上
- OpenCV：4.5以上（图像读入、预处理必须）
- numpy：1.21以上，pandas、matplotlib、seaborn等辅助库
- 标注工具：LabelImg（画检测框）、Labelme（画多边形做分割）、Roboflow（在线标注+格式转换）
- 数据增强库：albumentations，对裂缝这种细长目标做增强时比torchvision.transform好用得多
网上很多项目用的是老版本的ultralytics，直接pip install ultralytics会装到新版本，API变化很大，跑通旧代码会出问题。我的习惯是把项目需要的依赖版本写进requirements.txt，然后在虚拟环境里安装，比如：
conda create -n crack_det python=3.9 conda activate crack_det pip install torch==1.13.0 torchvision==0.14.0 --index-url https://download.pytorch.org/whl/cu117 pip install -r requirements.txt千万别图省事在base环境里装，裂缝检测项目经常需要尝试不同模型结构，依赖冲突概率很高，虚拟环境隔离能省很多不必要的麻烦。
3.3 标注数据目录结构规范
不管选哪个模型，数据目录结构都强烈建议统一成下面的格式，方便后面切换模型时不用重构代码：
datasets/ crack_data/ images/ train/ val/ labels/ train/ val/ data.yaml如果做分割任务，则把labels换成masks目录，存放png格式的mask图；做分类任务则把images改成crack/normal两个子目录即可。这里有个容易踩的坑：YOLO系列的标签文件是txt格式，每行对应一个目标，内容是"class_id x_center y_center width height"，这些坐标都是相对于图像宽高的归一化值。用LabelImg标注时默认导出的是Pascal VOC的xml格式，需要额外转换成YOLO的txt格式，Roboflow可以自动完成这个转换。
data.yaml是模型训练时的配置文件，内容包括数据集根路径、train/val路径、类别数、类别名。我见过很多人卡在路径问题上，YAML里写的路径不对或目录层级不对，训练直接报错。推荐用相对路径，放在datasets目录下，方便项目迁移。
4. 基于YOLOv5的裂缝检测训练实操
4.1 数据准备与划分
假设你选定RDD2020或Crack500作为训练数据，第一步是把它整理成上面说的格式。我一般会用脚本做数据划分，按8:1:1切分成训练集、验证集、测试集。划分时有一个细节：同一个场景的图像不能既出现在训练集又出现在验证集中。很多无人机巡检数据集中，同一裂缝的连续帧非常相似，如果不做场景级划分，验证集会泄漏训练信息，导致指标虚高。我的做法是先从文件名中提取场景ID，按场景划分，而不是单纯随机抽样。
import os import random from shutil import copy2 data_root = "datasets/raw" img_files = [f for f in os.listdir(os.path.join(data_root, "images")) if f.endswith(".jpg")] # 按场景ID分组，确保同场景数据不跨集 scenes = {} for f in img_files: scene_id = f.split("_")[0] scenes.setdefault(scene_id, []).append(f) scene_list = list(scenes.keys()) random.seed(42) random.shuffle(scene_list) train_scenes = scene_list[:int(len(scene_list)*0.8)] val_scenes = scene_list[int(len(scene_list)*0.8):int(len(scene_list)*0.9)] test_scenes = scene_list[int(len(scene_list)*0.9):] # 复制到目标目录 for split, scene_ids in [("train", train_scenes), ("val", val_scenes), ("test", test_scenes)]: for sid in scene_ids: for f in scenes[sid]: src_img = os.path.join(data_root, "images", f) src_lab = os.path.join(data_root, "labels", f.replace(".jpg", ".txt")) dst_img = os.path.join(f"datasets/crack_data/images/{split}", f) dst_lab = os.path.join(f"datasets/crack_data/labels/{split}", f.replace(".jpg", ".txt")) copy2(src_img, dst_img) copy2(src_lab, dst_lab)负样本比例的坑也在这里暴露了。如果原始数据里不含裂缝的图片太多，直接训练会让模型倾向于"全部预测为负类"。我在准备数据时会把训练集正负样本比例控制在3:1到5:1之间，负样本太多就下采样，正样本太多就适当做增强。
4.2 模型训练关键参数
选用YOLOv5s（small版本）作为基线模型，兼顾速度和精度。如果对精度有更高要求，可以换YOLOv5m或YOLOv8m。以下是训练命令的参考参数：
python train.py --img 640 --batch 16 --epochs 100 \ --data datasets/crack_data/data.yaml \ --weights yolov5s.pt \ --hyp data/hyps/hyp.scratch-low.yaml \ --project runs/crack_train几个值得细说的参数：
- --img 640：输入图像分辨率。裂缝是细长目标，分辨率太低会丢失细裂缝信息，太高则显存占用大。640是平衡点。如果你的显存足够（比如24G），可以试896或1024，部分场景能提升几个点的mAP。
- --batch 16：batch size越小，BN层统计越不稳定，训练波动越大。如果显存不够，宁可降低输入分辨率也不要强行把batch降到4以下。
- --hyp hyp.scratch-low.yaml：这个文件控制数据增强的强度。裂缝检测场景建议把mosaic和mixup的开关打开，但把hsv_h、hsv_s的参数调低一点，因为颜色失真太严重会让模型学到错误的颜色特征。
- --weights yolov5s.pt：直接从COCO预训练权重开始训练，收敛速度快很多。不建议从随机初始化开始训练，裂缝数据集相对较小，从零训练容易过拟合。
训练过程中我会特别关注两个指标：train/box_loss的下降曲线是否平滑，val/mAP_0.5是否持续上升。如果val loss在20个epoch后开始反弹而上不去，就是过拟合的迹象，这时要加大数据增强强度或引入早停机制。
4.3 增强策略与样本均衡处理
裂缝目标有很强的方向性和连续性，通用目标检测的随机翻转增强其实有一定风险。比如路面纵向裂缝翻转后仍然是纵向裂缝，但如果是桥梁上的横向裂缝，垂直翻转后类别语义也会变化，模型可能会混淆裂缝方向。我的做法是：
- 随机水平翻转：开启，路面和结构物裂缝不区分方向场景下安全
- 随机垂直翻转：关掉，垂直翻转后"龟裂"和"横向裂缝"的纹理特征会产生歧义
- 随机旋转：设到5-10度的小角度，旋转过大边缘裁切会丢失裂缝
- Mosaic增强：保持开启，能大幅增加每张图的上下文信息
- 随机亮度、对比度调整：开启，真实场景光照变化很大
如果你用的是albumentations做分割任务增强，推荐这个组合：
import albumentations as A train_transform = A.Compose([ A.RandomRotate90(p=0.5), A.HorizontalFlip(p=0.5), A.RandomBrightnessContrast(p=0.3, brightness_limit=0.15, contrast_limit=0.15), A.ShiftScaleRotate(shift_limit=0.05, scale_limit=0.1, rotate_limit=10, p=0.5), A.OneOf([ A.GaussNoise(p=1), A.MotionBlur(p=1, blur_limit=5), ], p=0.2), A.Resize(512, 512), ])4.4 评估指标解读与改善方向
训练完成后，不要只看mAP，还要看PR曲线、混淆矩阵和检测结果可视化。裂缝检测里最容易出现的问题有两种：一是裂缝细长，IOU计算偶尔偏低但视觉上检测没问题；二是阴影、油渍、水渍被误检为裂缝。
针对误检，我常用的改善方法有三种：
加入更丰富的负样本。把巡检视频中没有裂缝的帧抽出来加入训练集，让模型学会"这些不是裂缝"。这往往比调模型结构有效得多。
改进NMS策略。裂缝检测框通常长宽比极大，如果默认的NMS参数抑制了相邻的多个小框，会导致一条裂缝被检测成几段。可以适当调低NMS置信度阈值，让模型输出更多的候选框，后续用形态学算子做合并。
改用分割模型。如果检测框始终无法精确贴合裂缝轮廓，说明你的应用需要的是精确的位置信息而不是"大概在这个区域"。这种场景下，直接用U-Net或DeepLabV2做分割，效果提升是质的飞跃。
5. 常见问题与排查技巧实录
5.1 训练loss不下降的排查思路
遇到训练loss不下降时，90%的情况不是模型结构问题，而是数据问题。我踩过好几次的坑包括：
标注框全为0。YOLO的标注txt文件里，如果坐标数据为0或有负值，训练会直接崩掉或loss震荡。我写过一个检查脚本，遍历所有txt文件，检查坐标是否在(0,1)区间内，如果越界就直接报出文件名，做数据清洗时非常有用。
图像通道问题。有些数据集图像是4通道RGBA或灰度图，模型读取时统一三通道后会出奇奇怪怪的bug。建议做一个遍历检查和预处理，把图片统一转成RGB三通道并保存。这个步骤虽然基础，但能避免很多后期排查时间。
类别标号不对齐。转换数据格式时，最容易出错就是类别编号从0开始还是从1开始。VOC数据集的类别名是从1开始的，YOLO的txt是从0开始的，两个差1会让所有标签错位。标签错位尤其隐蔽，loss照常下降，但模型预测结果完全不对。可以在训练完一个epoch后用模型预测一张训练图片，如果预测类别和目标明显不匹配，基本就是这个问题。
5.2 推理速度慢与显存不足的优化
模型训练好了，部署到边缘设备或无人机上时，推理效率就成了大问题。裂缝检测往往需要在移动端或嵌入式设备上实时运行，我常用的优化手段包括：
- 轻量化模型替换：用YOLOv5n或YOLOv8n替换s版本，速度提升明显，mAP可能下降2-3个点，但工程上完全可接受。如果再进一步，可以用NCNN或TensorRT进行推理加速，实测能再快40%左右。
- 输入尺寸控制在416或320：裂缝在大多数场景并不是极小的目标，降低输入分辨率不会让精度掉太多，但推理速度能提升一倍。
- 图像预处理优化：用OpenCV做resize和归一化时，用cv2.dnn.blobFromImage替代逐像素操作，可以减少大量开销。
5.3 相似背景误检的针对性处理
路面上的阴影边缘、桥墩上的水痕、混凝土表面的模板缝，这些背景特征在图像中都呈现"暗色线条"状，很容易被裂缝模型误判。处理这个问题，我有几条实战经验：
第一是多尺度训练和推理。模板缝和水痕往往具有明显的宽度一致性，而真实裂缝在宽度上变化更连续。多尺度训练可以让模型学到更丰富的尺度特征，一定程度上区分两者。
第二是颜色空间增强。很多误检是因为灰度特征相似，但颜色通道有差异。把训练数据转到HSV色彩空间，对S和V通道做随机扰动，可以逼迫模型学习更鲁棒的特征。
第三是人工收集误检样本，做负样本学习。把模型在真实巡检数据上的误检图像收集起来，和正样本混合后重新训练一个版本。我做过一次，误检率能从15%直接降到3%以下，这是性价比最高的调优手段。
5.4 标注不一致问题
多人协作标注时经常出现同一个裂缝不同人标得粗细、长短不一致的情况，这会严重影响分割质量。我的建议是标注规范里明确要求：标注区域只覆盖裂缝的核心区域，不包括周围模糊过渡带；同时定期抽查标注质量，发现问题尽早返工。标注一致性对最终模型的影响比很多人想象的大得多。
6. 数据集的扩展与自建思路
公开数据集能覆盖的只是通用场景，如果你的裂缝检测对象比较特殊（比如水坝泄洪道、核电站冷却塔、地铁盾构管片），公开数据集基本都不够用，必须自建数据集。以下是我常用的自建数据路径：
图像采集：无人机按固定航线巡检，或者手持工业相机按固定高度拍摄。关键要求是尽量覆盖不同光照条件、不同拍摄角度、不同表面处理工艺。采集时注意保存GPS坐标和拍摄时间，方便后续做缺陷定位。
半自动标注流水线：用训练好的通用裂缝检测模型对采集图像进行预标注，生成粗标签。然后导入LabelImg或Roboflow，人工修正检测框和边缘。实测下来，这种方式比纯人工标注快3-5倍。
数据增强扩充：对标注完成的数据做离线增强（旋转、缩放、色彩扰动、噪声叠加），可以将有效训练样本量扩大5-10倍。增强时注意保持裂缝形态的合理性，过度扭曲的裂缝反而会误导模型。
主动学习闭环：模型训练好后，用它对新增数据做预测，把置信度低或预测结果分散的样本提取出来，交给标注员优先处理。这个闭环跑起来之后，数据集的迭代效率会非常高效。
混凝土裂缝检测不是单一模型的问题，而是一个"数据-标注-训练-迭代"的系统工程。我把整理过的数据集合源码项目分享出来，是希望正在做这个方向的朋友少走弯路。至少在你规划训练集和选模型的时候，这张表和这份实操路线能帮你省下一个礼拜的时间。
本文还有配套的精品资源，点击获取
