1

1

1

1

**隧道裂缝图像数据集 含约1000张256×256像素的隧道裂缝图像，附带对应的像素级标签。
标签有三种格式：

1. 裂缝为1像素，背景为0像素
2. 裂缝为255像素，背景为0像素
3. 裂缝为0像素，背景为255像素
   【模型支持】
   适用于FCN、U-Net、SegNet、DeepLab、SegFormer等深度学习语义分割模型。**

以下是隧道裂缝图像数据集的详细表格化描述：

📊 一、数据集总体信息

🏷️ 二、标签格式说明（三种可选）

🔁使用建议：

• 若用于深度学习训练（如 PyTorch/TensorFlow），推荐统一转换为格式 1（0/1）；
• 若用于可视化或与 OpenCV 工具链集成，可保留格式 2（0/255）。

📁 三、典型数据组织结构【博主建议】

tunnel_crack_dataset/ ├── images/# 原始图像（1000张）│ ├── img_0001.png │ ├── img_0002.png │ └──... └── masks/# 对应掩膜（三种格式之一，或提供多版本子目录）├── mask_0001.png ├── mask_0002.png └──...

⚙️ 四、预处理与训练适配建议

该数据集结构规范、尺寸统一、标注明确，是开展基础设施智能检测研究和工业级裂缝识别系统开发的理想基准数据集。

基于U-Net模型对隧道裂缝图像数据集进行训练的详细代码示例。假设你已经按照上述结构组织好了数据集，并选择了标签格式1（裂缝为1像素，背景为0像素），适用于PyTorch框架。

📁 一、推荐项目结构

tunnel_crack_unet/ ├── dataset.py# 数据集加载与预处理├── train.py# 主训练脚本├── model.py# U-Net模型定义├── predict_demo.py# 推理演示└── data/ ├── images/# 原始图像（1000张）└── masks/# 对应掩膜（裂缝为1像素，背景为0像素）

📄 二、数据集加载与预处理dataset.py

# dataset.pyimportosfromtorch.utils.dataimportDataset,DataLoaderfromPILimportImageimportnumpyasnpimporttorchvision.transformsastransformsclassCrackSegmentationDataset(Dataset):def__init__(self,image_dir,mask_dir,transform=None):self.image_paths=sorted([os.path.join(image_dir,img)forimginos.listdir(image_dir)])self.mask_paths=sorted([os.path.join(mask_dir,mask)formaskinos.listdir(mask_dir)])assertlen(self.image_paths)==len(self.mask_paths),"Mismatched number of images and masks"self.transform=transformdef__len__(self):returnlen(self.image_paths)def__getitem__(self,idx):image_path=self.image_paths[idx]mask_path=self.mask_paths[idx]image=Image.open(image_path).convert("RGB")mask=Image.open(mask_path).convert("L")ifself.transform:image=self.transform(image)mask=transforms.ToTensor()(mask)# 裂缝为1像素，背景为0像素return{'image':image,'mask':mask}defget_loader(image_dir,mask_dir,batch_size=8,num_workers=4):transform=transforms.Compose([transforms.Resize((256,256)),# 统一尺寸transforms.ToTensor(),])dataset=CrackSegmentationDataset(image_dir,mask_dir,transform=transform)loader=DataLoader(dataset,batch_size=batch_size,shuffle=True,num_workers=num_workers)returnloader

📄 三、U-Net模型定义model.py

# model.pyimporttorchimporttorch.nnasnnclassUNet(nn.Module):def__init__(self,in_channels=3,out_channels=1):super(UNet,self).__init__()defconv_block(in_channels,out_channels):returnnn.Sequential(nn.Conv2d(in_channels,out_channels,kernel_size=3,padding=1),nn.ReLU(inplace=True),nn.Conv2d(out_channels,out_channels,kernel_size=3,padding=1),nn.ReLU(inplace=True))# Encoderself.enc1=conv_block(in_channels,64)self.pool1=nn.MaxPool2d(kernel_size=2,stride=2)self.enc2=conv_block(64,128)self.pool2=nn.MaxPool2d(kernel_size=2,stride=2)self.enc3=conv_block(128,256)self.pool3=nn.MaxPool2d(kernel_size=2,stride=2)self.enc4=conv_block(256,512)self.pool4=nn.MaxPool2d(kernel_size=2,stride=2)self.bottleneck=conv_block(512,1024)# Decoderself.upconv4=nn.ConvTranspose2d(1024,512,kernel_size=2,stride=2)self.dec4=conv_block(1024,512)self.upconv3=nn.ConvTranspose2d(512,256,kernel_size=2,stride=2)self.dec3=conv_block(512,256)self.upconv2=nn.ConvTranspose2d(256,128,kernel_size=2,stride=2)self.dec2=conv_block(256,128)self.upconv1=nn.ConvTranspose2d(128,64,kernel_size=2,stride=2)self.dec1=conv_block(128,64)self.final_conv=nn.Conv2d(64,out_channels,kernel_size=1)defforward(self,x):enc1=self.enc1(x)enc2=self.enc2(self.pool1(enc1))enc3=self.enc3(self.pool2(enc2))enc4=self.enc4(self.pool3(enc3))bottleneck=self.bottleneck(self.pool4(enc4))dec4=self.upconv4(bottleneck)dec4=torch.cat((dec4,enc4),dim=1)dec4=self.dec4(dec4)dec3=self.upconv3(dec4)dec3=torch.cat((dec3,enc3),dim=1)dec3=self.dec3(dec3)dec2=self.upconv2(dec3)dec2=torch.cat((dec2,enc2),dim=1)dec2=self.dec2(dec2)dec1=self.upconv1(dec2)dec1=torch.cat((dec1,enc1),dim=1)dec1=self.dec1(dec1)returntorch.sigmoid(self.final_conv(dec1))# 输出概率图defget_model():model=UNet()returnmodel

🚀 四、主训练代码train.py

# train.pyimporttorchimporttorch.optimasoptimfromtorch.utils.tensorboardimportSummaryWriterfrommodelimportget_modelfromdatasetimportget_loaderimporttorch.nn.functionalasFdeftrain(model,dataloader,optimizer,criterion,device,epochs=50):writer=SummaryWriter('runs/crack_segmentation_experiment')model.train()forepochinrange(epochs):epoch_loss=0fori,sampleinenumerate(dataloader):images=sample['image'].to(device)masks=sample['mask'].to(device)optimizer.zero_grad()outputs=model(images)loss=criterion(outputs,masks)loss.backward()optimizer.step()epoch_loss+=loss.item()ifi%10==9:# Print every 10 batchesprint(f'Epoch [{epoch+1}/{epochs}], Batch [{i+1}/{len(dataloader)}], Loss:{loss.item():.4f}')avg_loss=epoch_loss/len(dataloader)print(f'Epoch [{epoch+1}/{epochs}], Average Loss:{avg_loss:.4f}')writer.add_scalar('Training Loss',avg_loss,epoch)torch.save(model.state_dict(),'crack_segmentation_model.pth')if__name__=='__main__':image_dir='data/images'mask_dir='data/masks'device=torch.device('cuda'iftorch.cuda.is_available()else'cpu')model=get_model().to(device)dataloader=get_loader(image_dir,mask_dir)optimizer=optim.Adam(model.parameters(),lr=0.001)criterion=nn.BCELoss()# 使用Binary Cross Entropy Losstrain(model,dataloader,optimizer,criterion,device)

🔍 五、推理演示predict_demo.py

# predict_demo.pyfrommodelimportget_modelfromdatasetimportCrackSegmentationDataset,transformsimporttorchfromPILimportImageimportmatplotlib.pyplotaspltdefmain():model=get_model()model.load_state_dict(torch.load('crack_segmentation_model.pth'))model.eval()image_path='data/images/sample.png'mask_path='data/masks/sample.png'transform=transforms.Compose([transforms.Resize((256,256)),transforms.ToTensor(),])image=Image.open(image_path).convert("RGB")mask=Image.open(mask_path).convert("L")tensor_image=transform(image).unsqueeze(0)withtorch.no_grad():output=model(tensor_image)output=(output>0.5).float()plt.figure(figsize=(12,4))plt.subplot(1,3,1)plt.imshow(image)plt.title('Input Image')plt.axis('off')plt.subplot(1,3,2)plt.imshow(mask,cmap='gray')plt.title('Ground Truth Mask')plt.axis('off')plt.subplot(1,3,3)plt.imshow(output.squeeze().cpu().numpy(),cmap='gray')plt.title('Predicted Mask')plt.axis('off')plt.show()if__name__=='__main__':main()

⚙️ 六、训练优化建议