道路路面病害智能检测
通过计算机视觉识别路面本体及周边设施常见病害，实现目标级检测与精细化分类，助力道路巡检与养护决策升级
赛题背景
伴随城市精细化治理与“全生命周期”基础设施管理理念的深化，传统依赖人工巡查的病害识别方式，存在效率低、覆盖面窄、主观性强等弊端，难以满足现代化管养需求。
本赛题旨在通过计算机视觉技术，构建能够一次性识别涵盖路面本体及其周边设施常见病害的智能模型。这一能力的实现，有助于赋能道路巡检体系升级，实现病害的早发现、早处置，为科学决策养护、优化资源配置、提升道路全生命周期管理水平提供核心技术支撑，助力新型智慧城市建设。
赛题任务
采用结果文件比对的方式进行评分。参赛者需要在本地完成模型训练后，使用训练好的模型对官方提供的测试集图像进行预测，并将预测结果按照规定的 JSON 格式提交。命题方将参赛者提交的 JSON 结果文件与测试集标注真值进行比对，计算评价指标。参赛模型需完成以下任务：
强制输出要求
必须输出标准的结果文件，包含图像 ID、每个病害实例的边界框（Bounding Box）、对应的病害类别及置信度。
数据描述
本赛题所有数据由命题方独家提供，不涉及网上开源数据集。
数据源于真实城市道路巡检，确保场景的多样性与挑战性。
所有渠道获取的数据仅限本次赛事模型训练使用，禁止外传、售卖或用于其他商业及非商业用途。
病害类别（8 类）
路面垃圾
Roadside Litter
红白杆倒伏
Fallen Red-White Pole
横向裂缝
Transverse Crack
纵向裂缝
Longitudinal Crack
龟裂
Alligator Crack
坑槽
Pothole
伸缩缝破损
Expansion Joint Damage
路面车辙
Rutting
模型与方法约束
4.1 核心任务
为提升实用性，本赛题要求模型需输出病害类别分类结果，要求模型能框出病害范围。
4.2 模型框架选择
参赛者需基于主流框架之一构建模型，可进行深度优化，例如 YOLO 系列框架、Faster R-CNN 系列框架等。
4.3 数据与训练约束
- 禁止使用任何外部公开或私有的道路、通用图像数据集进行预训练或数据增强。
- 鼓励在模型架构、损失函数设计、数据采样策略等方面进行创新，以应对本数据集特有的类别不平衡、目标尺度多变等挑战。
4.4 禁止事项
- 禁止任何人工干预测试过程的行为。
- 禁止对测试图像进行任何形式的标注或利用测试标签信息。
应用结果评分标准
5.1 主指标：各类别平均精度均值（mAP@Mask）
从检测精度方面对参赛模型进行评估，重点考察算法的准确性、泛化能力与工程实用性。采用 mAP@IoU = 0.5（mean Average Precision）作为统一评价指标。
5.2 评价流程
- 逐张计算模型预测的每个实例病害与真实标注的 IoU。
- 根据设定的 IoU 阈值（默认 0.5）判断是否为正确检测。
- 为每个类别计算准确率（Precision）和召回率（Recall），并绘制 P-R 曲线，计算该类别平均精度（AP）。
- 对所有类别的 AP 值求平均，得到最终的 mAP@0.5 分数作为排名依据。
提交要求
所有提交材料需确保能在命题方提供的标准评测环境中复现。参赛队伍需提交一个包含模型代码和预测结果的压缩文件。
提交清单
预测结果文件格式（json）
按要求输出标准结果文件。
{
"image_001.jpg": [
{
"category": "hxlf",
"bbox": [
xmin,
ymin,
xmax,
ymax
],
"score": 0.92
},
{
"category": "zxlf",
"bbox": [
xmin,
ymin,
xmax,
ymax
],
"score": 0.81
}
],
"image_002.jpg": [
...
]
}可执行模型与推理代码
封装好的完整模型文件及推理脚本，能够接收接口图像并输出规定格式的结果。
技术报告
详细阐述模型架构设计、针对本数据集的训练技巧（如处理样本不均衡的策略）、创新点及优化过程的 PDF 文档。
数据合规声明承诺
申明模型训练完全遵循赛题数据使用约束，未使用任何外部数据，未对测试图像进行任何形式的标注或利用测试标签信息。