数据集面向桥梁结构表观病害识别、像素级分割与智能巡检任务，覆盖裂缝、腐蚀、析白、渗漏水和混凝土剥落五种常见损伤类型。数据同时提供原始图像、像素标签、标签信息和样本清单，可用于语义分割、病害区域提取、损

智慧化-桥梁表面五类病害检测与分割数据集

数据集面向桥梁结构表观病害识别、像素级分割与智能巡检任务，覆盖裂缝、腐蚀、析白、渗漏水和混凝土剥落五种常见损伤类型。数据同时提供原始图像、像素标签、标签信息和样本清单，可用于语义分割、病害区域提取、损伤面积评估及巡检算法研究。

图像数量：5,821张
腐蚀图像：955张
裂缝图像：1,480张
析白图像：1,269张
渗漏水图像：873张
剥落图像：1,244张
类别数量：5类病害，另含背景标签
标注类型：像素级语义分割标签
配套文件：原始图像、标签图、JSON标签说明、样本列表
数据体积：约2.07G
适用任务：桥梁病害分割、结构巡检、损伤区域定位、工程视觉分析

梁表面五类病害检测与分割数据集

数据集信息表

分割任务yaml配置（YOLO-seg 标准格式 bridge_defect_seg.yaml）

path: ./bridge_surface_defect_dataset
train: images/train
val: images/val
test: images/test

nc: 5
names:
0: crack
1: corrosion
2: efflorescence
3: water_seepage
4: spalling

环境依赖

pip install ultralytics torch opencv-python pillow numpy

YOLOv8-seg 训练代码 train_bridge_seg.py

from ultralytics import YOLO

def main():
# 加载分割预训练权重，兼容 YOLOv8-seg / YOLOv11-seg
model = YOLO("yolov8s-seg.pt")

train_result = model.train(
data="./bridge_surface_defect_dataset/bridge_defect_seg.yaml",
epochs=100,
imgsz=640,
batch=12,
device=0,
workers=4,
patience=15,
project="runs/train",
name="bridge_defect_segment",
exist_ok=True
)
print("训练完成，权重保存路径：runs/train/bridge_defect_segment/weights")
metrics = model.val(split="test")
print(f"mAP@50: {metrics.box.map50:.4f}")

if __name__ == "__main__":
main()

分割推理代码 predict_bridge_seg.py

from ultralytics import YOLO
import cv2

model = YOLO("runs/train/bridge_defect_segment/weights/best.pt")

if __name__ == "__main__":
img_file = "bridge_test.jpg"
results = model.predict(
source=img_file,
conf=0.25,
save=True,
save_masks=True # 输出单独病害掩码图，用于面积计算
)
vis_img = results[0].plot()
cv2.imshow("Bridge Defect Segmentation", vis_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

关键词标签

#桥梁病害分割 #混凝土裂缝检测 #桥梁智能巡检 #语义分割数据集 #结构表观损伤识别 #YOLO-seg数据集

中英术语对照表（标注通用）