Uno de los mayores logros de la ingeniería en la historia es la construcción de túneles, y la gestión de la seguridad de los túneles depende en gran medida de la detección de defectos en los túneles. Sin embargo, aún existen problemas de tiempo real, portabilidad y precisión con la técnica actual de detección de defectos en túneles. El estudio mejora la tecnología tradicional de detección de defectos basada en el algoritmo de destilación de conocimientos, se diseña una estructura residual de agrupación de profundidad en la red del profesor para mejorar la capacidad de extraer características objetivo. A continuación, se incorpora la red ligera MobileNetv3 en la red del estudiante para reducir el número y el volumen de los parámetros del modelo. Luego, el modelo ligero se entrena en términos de características y salidas utilizando un enfoque de destilación de conocimientos multidimensional. Al procesar las fotos de detección de radar del túnel, se crea el conjunto de datos. Los hallazgos experimentales demuestran que el enfoque de destilación de conocimientos multidimensional aumenta en gran medida la eficiencia de detección: el número de parámetros se reduce en un 81.4%, de 16.03 MB a 2.98 MB, mientras que la precisión se mejora en un 2.5%, de 83.4% a 85.9%.