DavidYz/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},
}

---
language:
- 英语
pretty_name: TTD
---

# TACK隧道数据集（TTD）：面向隧道深度学习缺陷检测的基准数据集

隧道是交通基础设施的核心组成部分，但日益受到老化和诸如开裂等劣化机制的影响。为保障隧道安全，需定期开展巡检工作，但传统人工巡检流程耗时耗力、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）技术的进步推动了自动化视觉巡检的发展。然而，隧道领域专用数据集的匮乏限制了此类技术的实际应用效果。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，涵盖典型缺陷类型：开裂、渗碱与水害。本数据集旨在支持用于缺陷检测与分割的监督、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性与迁移性提供了支撑。针对当前隧道领域专用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，助力更安全、高效的基础设施运维策略落地。

## 数据集说明

数据通过搭载高分辨率相机的移动测绘系统，从三座隧道（隧道A、隧道B、隧道C）采集获得。由于采用的施工工艺不同，三座隧道的衬砌表面各具特点，详见图1。

<p align="left">
<img src="figures/figure1.png" width="600"/>
</p>
<p align="left">
<em>图1：三座隧道衬砌表面的高分辨率图像示例。</em>
</p>

本数据集涵盖每座隧道对应的三类缺陷。整体数据包含785张含开裂缺陷的图像、197张含水害缺陷的图像以及316张含渗碱缺陷的图像（详见表1）。

<p align="left">
<img src="figures/table1.png" width="600"/>
</p>
<p align="left">
<em>表1：完整数据集说明，按三种隧道类型与三类缺陷进行划分。</em>
</p>

每张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信息，请参阅预印本论文：https://arxiv.org/abs/2512.14477。

## 引用

若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，其结构安全日益受到老化与劣化机制的威胁，如裂缝等缺陷的衍生。传统人工巡检方式耗时、主观且成本高昂，而深度学习驱动的自动化视觉检测虽展现出巨大潜力，却受限于领域数据集的匮乏。该数据集由DavidYz/TACK_Tunnel_Data命名，基于移动测绘系统搭载高分辨率相机，从三座采用不同施工工艺的隧道（隧道A、B、C）中采集图像，系统性地捕获了裂缝、渗水和溶蚀三类典型缺陷。共计包含785张裂缝图像、197张渗水图像与316张溶蚀图像，每张图像均通过SuperAnnotate平台手动生成对应的分割掩码，确保了标注的精确性与可靠性。

使用方法

该数据集旨在服务于深度学习驱动的隧道缺陷检测研究，可直接用于训练和评估基于图像的分割与检测模型。用户可将图像与对应的分割掩码配对，构建监督学习流程；亦可利用其标注与未标注数据的组合，探索半监督或无监督方法。为便于跨隧道泛化分析，建议按隧道来源划分训练与测试集，以评估模型在新场景下的表现。详细技术验证与使用指南可参考随附的预印本文献（arXiv:2512.14477），以确保实验设计的严谨性与结果的可复现性。

背景与挑战

背景概述

隧道作为交通基础设施的关键组成部分，其结构健康直接关系到公共安全与运输效率。然而，随着服役年限增长，衬砌表面易出现裂缝、渗水、溶蚀等典型病害，传统人工巡检方式耗时费力且主观性强，难以满足大规模、高频次检测需求。近年来，移动测绘系统与深度学习技术的融合为自动化视觉检测开辟了新路径，但领域内高质量标注数据的匮乏严重制约了模型性能的提升与泛化能力的验证。在此背景下，由Andreas Sjölander、Valeria Belloni、Robel Fekadu及Andrea Nascetti等研究人员于2025年创建的TACK Tunnel Data (TTD)数据集应运而生。该数据集聚焦于三种不同衬砌类型隧道的裂缝、渗水与溶蚀缺陷，提供785张裂缝图像、197张渗水图像及316张溶蚀图像，并配有精确的手动分割掩码。TTD的发布填补了隧道缺陷检测领域公开基准数据的空白，为监督、半监督及无监督深度学习方法提供了标准化评测平台，同时通过多隧道纹理与施工工艺的多样性，有力推动了模型跨场景迁移能力的研究，对实现更安全、高效的隧道基础设施维护策略具有里程碑意义。

当前挑战

隧道缺陷检测领域面临的核心挑战在于复杂光照与纹理环境下微小裂缝、渗水痕迹等目标的高精度识别与分割，传统算法常因衬砌表面噪声干扰或病害形态多变而失效。TTD数据集构建过程中遭遇多重技术难题：首先，数据采集需在封闭隧道环境中部署移动测绘系统，高分辨率相机的稳定成像受限于有限照明与振动干扰，导致部分图像存在运动模糊或光照不均现象。其次，缺陷标注依赖专业领域知识，裂缝、渗水与溶蚀的边界界定具有高度主观性，尤其当病害相互交织或与衬砌纹理相似时，人工标注一致性难以保障。此外，三类隧道衬砌（如喷射混凝土与模筑混凝土）在表面粗糙度、孔隙率及反光特性上的显著差异，要求模型具备跨域泛化能力，但现有数据量（总计不足1300张图像）可能引发类别不平衡与过拟合风险。最后，像素级分割掩码的生成需逐像素标记，对大规模数据集而言成本高昂，如何平衡标注精度与效率仍是制约数据集扩展的关键瓶颈。

常用场景

经典使用场景

在隧道结构健康监测与计算机视觉交叉研究领域，DavidYz/TACK_Tunnel_Data数据集为深度学习驱动的隧道缺陷检测提供了基准测试平台。其经典使用场景聚焦于监督、半监督及无监督范式下的缺陷识别与语义分割任务，涵盖裂缝、渗水和溶蚀三类典型病害。研究者可基于该数据集的高分辨率图像与像素级标注掩码，训练并验证各类卷积神经网络及Transformer架构的检测性能，尤其在多隧道类型间的泛化能力评估中展现独特价值——由于数据采集自三种不同衬砌工艺的隧道，其纹理与施工差异为探究模型跨场景迁移鲁棒性提供了理想实验场。

解决学术问题

该数据集系统性地回应了隧道基础设施智能化检测领域长期存在的核心学术困境：领域特定标注数据的极度匮乏。传统人工巡检受制于主观性强、效率低下及成本高昂等局限，而现有公开数据集多聚焦于路面或桥梁病害，缺乏针对隧道衬砌裂缝、渗水及溶蚀等典型缺陷的标准化标注资源。TTD的发布填补了这一空白，使研究者得以摆脱数据瓶颈，深入探索复杂光照、纹理异质及多类别不平衡条件下的弱监督学习、域适应及小样本检测等前沿课题，从而推动视觉感知模型从实验室环境向真实工程场景的可靠迁移。

实际应用

在工程实践层面，该数据集直接赋能隧道运维管理的数字化转型。基于TTD训练的深度学习模型可集成至移动测绘系统，实现隧道衬砌病害的实时巡检与自动标注，大幅降低对人工目视检查的依赖。其多类别缺陷识别能力尤其契合运营期隧道的预防性维护需求——例如，通过渗水区域的早期预警辅助排水系统修缮，或通过裂缝演化趋势分析指导结构加固决策。此外，数据集对三种不同衬砌类型的覆盖，使得算法可适配盾构法、矿山法及明挖法隧道的差异化检测场景，为构建跨区域、跨工艺的统一智能巡检体系奠定数据基础。

数据集最近研究

最新研究方向

当前，深度学习驱动的隧道结构缺陷自动检测正成为基础设施维护领域的前沿热点。随着全球交通网络老化加剧，传统人工巡检在效率与客观性上的瓶颈日益凸显。TACK Tunnel Data (TTD) 数据集应运而生，它聚焦于衬砌裂缝、渗水和溶蚀三类典型病害，覆盖三种不同施工工艺的隧道表面，为监督、半监督与无监督学习方法提供了统一的基准。该数据集不仅填补了隧道领域专用标注数据的空白，更通过其纹理与构造的多样性，支持模型泛化性与跨场景迁移能力的深入探究。TTD的发布有望加速自动化视觉巡检系统从实验室走向工程实践，推动基础设施维护向更安全、更经济的方向演进。