Detección automática de defectos en túneles ferroviarios

Abstract

Este Trabajo de Fin de Grado aborda la detección automática de defectos en túneles ferroviarios mediante técnicas de segmentación de imágenes basadas en aprendizaje profundo. La motivación surge de la necesidad de reducir la dependencia de inspecciones manuales, las cuales resultan costosas, lentas y propensas a errores humanos. Para ello se implementaron y evaluaron dos arquitecturas: la U-Net clásica y la Attention U-Net.

El proyecto se desarrolló en colaboración con la empresa Axil Ingeniería y Servicios, que proporcionó imágenes de túneles con anotaciones de patologías. A partir de estas, se generaron máscaras binarias para dos defectos representativos: grafitis y humedades. Posteriormente, las imágenes y máscaras fueron recortadas en mosaicos de 256x256 píxeles y ampliadas mediante técnicas de data augmentation.

Los resultados obtenidos muestran que la U-Net es capaz de segmentar grafitis de manera razonable incluso con un conjunto reducido y balanceado (1547 imágenes, 80% con defecto), alcanzando coeficientes Dice de 0.84 en entrenamiento, 0.74 en validación y 0.83 en prueba. En el caso de las humedades, el desbalance de clases redujo notablemente el rendimiento, aunque la introducción de la Attention U-Net permitió mejorar la segmentación en conjuntos dominados por casos negativos. Con un conjunto balanceado de 5248 imágenes, la U-Net alcanzó un rendimiento elevado (Dice de 0.98 en entrenamiento, 0.94 en validación y 0.89 en prueba), confirmando la importancia de un muestreo adecuado.

En conclusión, los resultados validan la viabilidad del uso de arquitecturas U-Net como apoyo en la inspección de túneles ferroviarios, reduciendo la carga manual e incrementando la fiabilidad del proceso. El trabajo constituye una prueba de concepto sólida y sienta las bases para su futura aplicación en entornos industriales reales.This Bachelor’s Thesis addresses the automatic detection of defects in railway tunnels using deep learning–based image segmentation techniques. The motivation lies in reducing reliance on manual inspections, which are costly, time-consuming, and prone to human error. To this end, two architectures were implemented and evaluated: the classical U-Net and the Attention U-Net.

The project was carried out in collaboration with Axil Ingeniería y Servicios, which provided annotated tunnel images. From these, binary masks were generated for two representative defects: graffiti and humidity. Images and masks were cropped into 256×256-pixel tiles and further expanded using data augmentation techniques.

Results show that U-Net can reasonably segment graffiti even with a small balanced dataset (1,547 images, 80% defective), achieving Dice coefficients of 0.84 in training, 0.74 in validation, and 0.83 in testing. For humidity, class imbalance significantly reduced performance, although Attention U-Net improved segmentation in datasets dominated by negative cases. With a balanced dataset of 5,248 images, U-Net achieved high performance (Dice of 0.98 in training, 0.94 in validation, and 0.89 in testing), highlighting the critical role of balanced sampling.

In conclusion, the results confirm the feasibility of U-Net architectures as a support tool for railway tunnel inspection, reducing manual workload and increasing process reliability. This work represents a solid proof of concept and lays the groundwork for future applications in real industrial environments.