土木構造物の劣化判定向けAI“学習用データセット”
土木構造物を“見て”、劣化度合いを判定することができるAIモデルを構築するには、高品質で大量の教師データが必要になります。これらのデータを全て自前で準備するのは大変ですよね。そこで今回は、実務と研究の両方で役立つ代表的なデータセットを特徴別に整理します。
1) 大規模・多条件：汎化性能を鍛える「分類・検出系」
(a) SDNET2018（56k枚／橋梁床版・壁・舗装／クラック有無）
SDNET2018は、実橋で撮影されたノイズ（影・骨材・デブリ）を“そのまま”含むのが最大の特徴になります。微細（0.06mm）〜太いクラックまで幅広く、現場難易度をきちんと反映しているので、分類・パッチ検出のベースに適しています。出典：Dorafshan et al., 2018（Data in Brief）
(b) CCIC: Concrete Crack Images for Classification（4万枚／2クラス）
CCIC (Concrete Crack Images for Classification)には、コンクリート表面のCrack/Non-crackが各2万枚ずつ収められていますので、転移学習の初期訓練やベースライン比較に使いやすい“量”が強みであるデータセットです。
(c) CICS（12,000枚／3クラス：単一・分岐・無）
CICSは分類タスクに特化し、方向や分岐を含めたクラック形態のバリエーションが豊富なデータセットです。マルチブランチCNNなどの比較研究で採用例が増加しています。
https://www.mdpi.com/2076-3417/14/24/11632
(d) RDD2018 / RDD2020（道路損傷の物体検出：D00/10/20/40等）
RDD2018 / RDD2020は、スマホ車載で国・路面・気象条件の違いを跨いで収集しています。2018版は日本が中心で、2020版は日印チェコの多国大型でGRDDCベンチマークとして定着しています。実運用に近い条件下での汎化性能評価に適しています。出典：Maeda et al., 2018、Arya et al., 2021
2) 画素レベルで“線”をとらえる：セグメンテーション系
(a) CrackForest（CFD, 118枚／路面／ピクセルGT）
CrackForest（CFD）は、小規模ながら高品質なアノテーションが特徴です。舗装模様・影・油染みなど“背景が強い”難条件で、U-Net系やTransformer系の微細ひび再現性を測るのに適しています。出典：Shi et al.
(b) Crack500（500枚／高解像度／ピクセルGT）
Crack500は、Temple Univ. で収集されたもので、2000×1500級からパッチ化し、高解像の微細ひびが豊富に含まれています。セグメンテーションの標準比較として頻繁に用いられています。出典：Zhang et al., 2024
(c) DeepCrack（複数セット／多スケール学習用）
DeepCrackは、“階層的特徴”で細い連続ひびを抽出するモデルとともに公開され、難度の高い検出を促す設計となっています。コード・データ取得先も整備されています。出典：Liu et al., 2019
(d) AsphaltCrack300（約300枚／路面／ピクセルGT）
AsphaltCrack300は、Crack500と“対照評価”に使われる小規模なデータセットです。明暗差・舗装模様・微細ひびの一般化をテストする用途に向いています。
3) Transformer時代の“検証用セット”：ノイズ過多・多尺度に挑む
(a) Zhang & Zhang, 2023–2024（独自711枚／224×224／ピクセルGT）
Zhangらのデータセットは、油染み・植生・影など実路面ノイズを意図的に含め、TransUNet/SwinUNet/MTUNetとCNN系を同条件で比較しています。Transformerが微細ひびと長距離依存関係で優位—という示唆を与える代表的な検証に用いられています。出典：Zhang et al,.
4) どう使い分ける？——実務・研究の設計指針
現場の“荒れ”まで含めた堅牢化：まずSDNET2018やRDD2020で土台を作り、国・天候・舗装差に耐える汎化を狙っていくという進め方が考えられます（分類・検出）。
線の忠実度を突き詰める：微細ひびや分岐の再現はCrackForest／Crack500／DeepCrackで詰めていく方法が考えられます（セグメンテーションのmIoU/F1で比較）。
最先端モデルの効きどころ検証：Zhang(711)でTransformer系の安定性・計算量・収束性を可視化し、その結果を実運用向けにRDD系列で再確認すると設計が固まります。
おわりに——「良いデータ設計」が精度を決める
AIモデルの選択（U-Net, DeepLab, Mask2Former, Swin系…）も大切ですが、収集条件・アノテーション粒度・国際多様性を踏まえたデータ設計が精度の“上限”を押し上げます。
まずは、RDD＋SDNETで汎化を確保し、CrackForest／Crack500／DeepCrackで微細表現を磨いていく。その上で、Transformer系の導入はZhang(711)で仮説検証し、最後に独自に手元データを準備してドメイン適応を進めていくという流れがベースになるかと思います。
