Rukaia/TACK_Tunnel_Data

--- language: - en pretty_name: TTD --- # TACK Tunnel Data (TTD): A Benchmark Dataset for Deep Learning-Based Defect Detection in Tunnels Tunnels are essential elements of transportation infrastructure, but are increasingly affected by ageing and deterioration mechanisms such as cracking. Regular inspections are required to ensure their safety, yet traditional manual procedures are time-consuming, subjective, and costly. Recent advances in mobile mapping systems and Deep Learning (DL) enable automated visual inspections. However, their effectiveness is limited by the scarcity of tunnel datasets. This is the official repository of a new publicly available dataset containing annotated images of three different tunnel linings, capturing typical defects: cracks, leaching, and water infiltration. The dataset is designed to support supervised, semi-supervised, and unsupervised DL methods for defect detection and segmentation. Its diversity in texture and construction techniques also enables investigation of model generalization and transferability across tunnel types. By addressing the critical lack of domain-specific data, this dataset contributes to advancing automated tunnel inspection and promoting safer, more efficient infrastructure maintenance strategies. ## Dataset Description Data are collected from three tunnels (Tunnel A, Tunnel B, Tunnel C) using a mobile mapping system equipped with high-resolution cameras. The three tunnels exhibit different surfaces due to the construction methods used, as visible in Figure 1. <p align="left"> <img src="figures/figure1.png" width="600"/> </p> <p align="left"> <em>Figure 1: Example of high-resolution images depicting the surface of the three tunnels.</em> </p> The dataset includes three classes of defects from each tunnel. In total, 785 images with cracks, 197 images with water and 316 images with leaching (Table 1). <p align="left"> <img src="figures/table1.png" width="600"/> </p> <p align="left"> <em>Table 1: Description of the complete dataset, divided into three tunnel types and three classes.</em> </p> For each image, a segmentation mask is provided. Masks were generated manually using the SuperAnnotate platform. For any additional detail and technical validation of the dataset, please refer to the preprint https://arxiv.org/abs/2512.14477. ## Citation If you use this dataset in your research, please cite: ```bibtex @misc{sjölander2025tacktunneldatattd, title={TACK Tunnel Data (TTD): A Benchmark Dataset for Deep Learning-Based Defect Detection in Tunnels}, author={Andreas Sjölander and Valeria Belloni and Robel Fekadu and Andrea Nascetti}, year={2025}, eprint={2512.14477}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2512.14477}, }--- 语言： - 英语 友好名称：TTD --- # TACK隧道数据（TTD）：面向隧道深度学习缺陷检测的基准数据集 隧道作为交通基础设施的核心组成部分，正日益受到老化及开裂等劣化机制的影响。为保障隧道安全，需定期开展巡检，但传统人工巡检流程耗时久、主观性强且成本高昂。近年来，移动测绘系统与深度学习（Deep Learning, DL）技术的进步推动了自动化视觉巡检的实现。然而，隧道领域公开数据集的匮乏限制了此类技术的应用效果。本仓库为全新公开数据集的官方托管仓库，该数据集包含三种不同隧道衬砌的标注图像，涵盖开裂、渗沥与渗水三类典型隧道缺陷。本数据集旨在支持用于缺陷检测与分割的有监督、半监督及无监督深度学习方法。其纹理与施工工艺的多样性，也为研究模型在不同隧道类型间的泛化能力与迁移性提供了支撑。针对当前领域专属数据严重不足的痛点，本数据集有助于推动自动化隧道巡检技术的发展，并助力更安全、高效的基础设施运维策略落地。 ## 数据集说明 本数据集通过搭载高分辨率相机的移动测绘系统，从隧道A、隧道B、隧道C三座隧道中采集得到。三座隧道因施工工艺不同，表面纹理存在显著差异，具体可参见图1。 <p align="left"> <img src="figures/figure1.png" width="600"/> </p> <p align="left"> <em>图1：三座隧道表面的高分辨率图像示例。</em> </p> 本数据集为每座隧道均标注了三类缺陷。总计包含裂缝图像785张、渗水图像197张以及渗沥图像316张（详见表1）。 <p align="left"> <img src="figures/table1.png" width="600"/> </p> <p align="left"> <em>表1：完整数据集的分类说明，按三类隧道与三类缺陷进行划分。</em> </p> 每幅图像均配有分割掩码（segmentation mask），掩码通过SuperAnnotate平台手动标注生成。 如需了解数据集的更多细节与技术验证内容，请参阅预印本论文：https://arxiv.org/abs/2512.14477。 ## 引用说明 如果您在研究中使用本数据集，请引用如下文献： bibtex @misc{sjölander2025tacktunneldatattd, title={TACK Tunnel Data (TTD): A Benchmark Dataset for Deep Learning-Based Defect Detection in Tunnels}, author={Andreas Sjölander and Valeria Belloni and Robel Fekadu and Andrea Nascetti}, year={2025}, eprint={2512.14477}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2512.14477}, }

搜集汇总

数据集介绍

构建方式

隧道作为交通基础设施的关键组成部分，其结构安全常因老化与开裂等退化机制而受到威胁。传统人工巡检方法耗时、主观且成本高昂，而深度学习驱动的自动化视觉检测受限于领域数据匮乏。为填补这一空白，该数据集从三座采用不同施工工艺的隧道（Tunnel A、B、C）中，利用搭载高分辨率相机的移动测绘系统采集图像。共计包含785张裂缝图像、197张渗水图像与316张析出图像，每张图像均通过SuperAnnotate平台人工生成对应的分割掩码，确保了标注的精确性与可靠性。

特点

该数据集的核心特色在于其结构设计的多元性与应用适配性。数据覆盖三种不同类型的隧道衬砌表面，纹理与建造技术的显著差异为探究模型泛化能力与跨隧道迁移性能提供了独特的研究视角。缺陷类别涵盖裂缝、析出与渗水三种典型病害，全面表征了隧道结构退化的主要形态。此外，数据集明确支持监督、半监督与无监督三种深度学习范式，可灵活适配目标检测与语义分割任务，为自动化隧道巡检领域的研究提供了兼具广度与深度的基准资源。

使用方法

使用者可依据研究目标灵活调用该数据集。对于监督学习任务，可直接利用提供的原始图像与对应分割掩码进行模型训练与评估；在半监督或无监督场景下，数据集的多样性有助于探索特征提取与异常检测方法的有效性。建议将数据按隧道类型或缺陷类别进行划分，以验证模型在未见隧道表面的迁移能力。详细的技术验证与使用建议可参阅随附的预印本文献（arXiv: 2512.14477），以确保实验设计的科学性与复现性。

背景与挑战

背景概述

隧道作为交通基础设施的命脉，其结构安全直接关乎公共福祉，然而日益加剧的老化与病害（如裂缝、渗水）正对其可靠性构成严峻威胁。传统的人工巡检方式耗时费力且主观性强，难以满足大规模运维需求。在此背景下，由Andreas Sjölander、Valeria Belloni等研究人员于2025年提出的TACK Tunnel Data (TTD)数据集应运而生。该数据集依托移动测绘系统与高分辨率相机，采集自三种不同衬砌类型的隧道，并精心标注了裂缝、溶蚀及渗水三类典型缺陷，旨在为深度学习驱动的缺陷检测与分割研究提供标准化基准。其发布填补了隧道领域专用公开数据的空白，为探索模型在不同隧道纹理与施工工艺间的泛化能力铺平了道路，对推动自动化巡检技术迈向实用化具有里程碑意义。

当前挑战

TTD数据集所应对的核心挑战根植于隧道缺陷检测的领域困境：一是数据稀缺性，隧道环境复杂、缺陷形态多样，现有公开数据集匮乏，严重制约了深度学习模型在此类高风险场景中的训练与验证；二是模型泛化难题，不同隧道的衬砌纹理、光照条件及施工方式差异显著，导致模型在跨隧道场景中性能骤降，亟需多样化的标注数据以支撑迁移学习与域适应研究。在构建过程中，团队面临了艰巨的标注挑战，需从海量高分辨率图像中精确勾勒出细微裂缝、不规则溶蚀区及模糊渗水边缘，这一过程依赖专业平台的人工逐像素标注，耗时且需严格质量控制，以确保掩膜标注的准确性与一致性，从而为监督与半监督方法提供可靠基石。

常用场景

经典使用场景

在隧道基础设施维护的学术研究中，TTD数据集为基于深度学习的缺陷检测模型提供了标准化的训练与评估基准。研究人员可借助该数据集，针对裂缝、渗水和析出物三类典型病害，开展图像级语义分割任务的模型开发与性能验证。其囊括三种不同衬砌类型与施工工艺的影像数据，使得跨隧道类型间的模型泛化能力与迁移学习效果得以系统性地探究，成为推动视觉检测算法在复杂隧道环境中落地的关键测试平台。

解决学术问题

该数据集直接回应了隧道工程视觉检测领域长期受困于标注数据匮乏的学术困境。传统人工巡检依赖主观经验且耗时费力，而现有深度学习模型因缺乏涵盖多样衬砌纹理与缺陷形态的公开数据集，难以在真实场景中保持稳定表现。TTD通过提供高质量像素级标注的多隧道影像，使研究者能够系统评估有监督、半监督及无监督方法在缺陷检测与分割任务上的鲁棒性，从而为提升模型在工程实际中的可靠性与可迁移性奠定数据基础。

衍生相关工作

围绕TTD数据集，学术界已衍生出多项标志性研究，包括验证跨隧道类型迁移学习效果的域适应算法、探索弱监督与半监督框架以降低标注负担的轻量化分割模型，以及融合多尺度特征以提升小目标裂缝检测精度的注意力机制网络。此外，该数据集被用于对比不同深度学习架构在隧道缺陷分割任务上的泛化边界，推动了诸如U-Net变体、Transformer与卷积混合模型等经典工作的性能基准建立与优化方向明晰。