裂缝分割常用数据集与开源资源概览

结构健康监测、道路与隧道巡检、材料无损检测等场景中，裂缝的像素级分割是高频需求。不同文献使用的数据与指标差异较大，直接对比模型往往困难。下面按三个常用开源入口，归纳各自背后的数据集特点、目录约定与引用方式，便于快速选型与下载。

一、CrackSeg9k：多源整合与统一评测基准

论文与数据：对应 ECCV 2022 Workshop 论文 CrackSeg9k: A Collection and Benchmark for Crack Segmentation Datasets and Frameworks。作者将多种既有裂缝数据统一标注与整理，并给出多种分割框架的复现实验代码（仓库内按模型分目录，如 DeepLab、SwinViT、pix2pix 等），另含 DINO 相关特征生成脚本。

数据规模与获取：公开数据约 9160 幅量级（故得名 CrackSeg9k），托管在 Harvard Dataverse（DOI：10.7910/DVN/EGIEBY）。因平台单包体积限制，完整集被拆为两个子目录发布；下载时请选用说明中的 V4 版本（截至仓库说明的更新节点），并同时解压两个子文件夹才能得到全量图像。

适用场景：需要跨表面类型（墙体、路面、玻璃等混合来源）、与论文中统一指标对齐的基准实验，或希望直接对比多种经典分割实现时，优先参考该仓库与数据说明。

二、DeepCrack：经典架构与配套二值标注集

仓库：yhlleo/DeepCrack

论文：DeepCrack: A Deep Hierarchical Feature Learning Architecture for Crack Segmentation，Neurocomputing，2019。网络设计受 HED（Holistically-Nested Edge Detection）等思路启发，侧重多尺度、层次化特征用于裂缝分割。

数据布局（仓库内 dataset 目录）：

子目录	含义
`train_img`	训练 RGB 图像
`train_lab`	训练二值标注
`test_img`	测试 RGB 图像
`test_lab`	测试二值标注

数据为人工标注的多场景裂缝图像，整体规模约 537 张（常见划分：300 训练、237 测试，与后续工作 README 中的描述一致）。

许可注意：作者在 README 中明确，部分原图版权归作者方，全部标注图版权归作者方；用途限制为非商业科研与教学。用于论文或产品前请仔细阅读仓库说明并按要求引用与申请。

适用场景：复现 DeepCrack 路线、作为中等规模二值分割基线，或与后续方法（如下文 CT-CrackSeg）在同一数据划分上对比。

三、CT-CrackSeg：卷积–Transformer 实现与数据组织参考

仓库：HqiTao/CT-crackseg

论文：ICIP 2023，A Convolutional-Transformer Network for Crack Segmentation with Boundary Awareness（卷积与 Transformer 结合、边界感知）。仓库为 PyTorch 训练 / 评测脚本，依赖 config_crack.yml 等配置；并给出与 Crack500、DeepCrack 两套公开数据对齐的目录树约定，便于直接改路径训练。

数据相关摘要（以 README 为准）：

Crack500：手机采集的大图经裁剪与筛选后，形成训练 / 验证 / 测试子集（规模远大于原始 500 张大图，具体张数以官方发布包为准）。
DeepCrack：推荐整理为 train / test 下 images 与 masks 的配对结构，与上节 DeepCrack 仓库的 train_img / train_lab 等可对应迁移。

仓库另提供预训练权重下载链接（Google Drive / 百度网盘等，以 README 当前版本为准）。代码仓库为 MIT 许可；底层数据集仍须遵守各自原始许可（尤其 DeepCrack 的非商业限制）。

适用场景：关注边界质量、Transformer 与 CNN 混合结构，或需要在 Crack500 + DeepCrack 上与论文表格对齐时，以该仓库为起点最省事。

四、横向对比（便于选型）

名称	大致规模	标注形式	典型用途	许可/注意
CrackSeg9k	~9k 级，多源统一	分割基准（见 Dataverse 说明）	大规模基准、跨场景对比	遵循 Dataverse 与论文引用
DeepCrack	537 张量级	二值 mask	经典方法复现、中小规模实验	非商业科研/教学，版权声明严格
Crack500 等（经 CT-CrackSeg 文档）	以官方包为准	图像–mask 对	与 ICIP 论文实验对齐	按 Crack500 官方条款使用

五、引用格式（摘自各仓库 README，使用时请以最新版为准）

CrackSeg9k 论文：

@inproceedings{kulkarni2022crackseg9k,
  title={CrackSeg9k: a collection and benchmark for crack segmentation datasets and frameworks},
  author={Kulkarni, Shreyas and Singh, Shreyas and Balakrishnan, Dhananjay and Sharma, Siddharth and Devunuri, Saipraneeth and Korlapati, Sai Chowdeswara Rao},
  booktitle={European Conference on Computer Vision},
  pages={179--195},
  year={2022},
  organization={Springer}
}

CrackSeg9k 数据集（Dataverse）：

@data{DVN/EGIEBY_2022,
  author = {Siddharth Sharma and Dhananjay Balakrishnan and Shreyas Kulkarni and Shreyas Singh and Saipraneeth Devunuri and Sai Chowdeswara Rao Korlapati},
  publisher = {Harvard Dataverse},
  title = {{Crackseg9k: A Collection of Crack Segmentation Datasets}},
  year = {2022},
  version = {V4},
  doi = {10.7910/DVN/EGIEBY},
  url = {https://doi.org/10.7910/DVN/EGIEBY}
}

DeepCrack 论文：

@article{liu2019deepcrack,
  title={DeepCrack: A Deep Hierarchical Feature Learning Architecture for Crack Segmentation},
  author={Liu, Yahui and Yao, Jian and Lu, Xiaohu and Xie, Renping and Li, Li},
  journal={Neurocomputing},
  volume={338},
  pages={139--153},
  year={2019},
  doi={10.1016/j.neucom.2019.01.036}
}

CT-CrackSeg 论文：

@inproceedings{CTCrackSeg,
  title={A Convolutional-Transformer Network for Crack Segmentation with Boundary Awareness},
  author={Tao, Huaqi and Liu, Bingxi and Cui, Jinqiang and Zhang, Hong},
  booktitle={2023 IEEE International Conference on Image Processing (ICIP)},
  pages={86-90},
  year={2023},
  organization={IEEE}
}

结语

若目标是统一基准与可复现排行榜，优先跟进 CrackSeg9k 与 Dataverse V4 全量包；若侧重经典基线与非 Transformer 结构，DeepCrack 的数据与论文仍极具参考价值；若需边界感知与 Conv–Transformer 实现，CT-crackseg 的配置与数据树说明能显著减少预处理时间。实际工程落地前，务必再次核对各站点 README 中的下载链接、版本号与许可条款。