$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

자동화 균열 탐지 시스템을 위한 딥러닝 모델에 관한 연구
Deep Learning Models for Autonomous Crack Detection System 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.10 no.5, 2021년, pp.161 - 168  

지홍근 (성균관대학교 인공지능융합학과) ,  김지나 (성균관대학교 인터랙션사이언스) ,  황시정 (성균관대학교 인터랙션사이언스) ,  김도건 (성균관대학교 인공지능융합학과) ,  박은일 (성균관대학교 인터랙션사이언스학과, 인공지능융합학과) ,  김영석 (한국건설기술연구원 인프라안전연구본부) ,  류승기 (한국건설기술연구원 차세대 인프라연구센터)

초록
AI-Helper 아이콘AI-Helper

균열은 건물, 교량, 도로, 수송관 등의 기반시설의 안전성에 영향을 주는 요소이다. 본 연구에서는 검사 비용과 시간을 줄일 수 있는 자동화된 균열 탐지 시스템을 다룬다. 환경과 표면에 강건한 시스템을 구성하기 위해서, 본 연구에서는 여러 사전 연구에서 사용된 다양한 표면의 균열 데이터 셋을 수집하여 통합 데이터 셋을 구축하였다. 이후, 컴퓨터 비전 분야에 높은 성능을 발휘하는 VGG, ResNet, WideResNet, ResNeXt, DenseNet, EfficientNet 딥러닝 모델을 적용하였다. 통합 데이터 셋은 훈련 집합(80%)과 테스트 집합(20%)으로 나누어 모델 성능을 검증하기 위해서 사용했다. 실험 결과, DenseNet121 모델이 높은 마라미터 효율성을 가지면서도 테스트 집합에 대해 96.20%의 정확도를 달성하여 가장 높은 성능을 보여주었다. 딥러닝 모델의 균열 검출 성능 검증을 통해, DenseNet121를 활용하여 컴퓨팅 자원이 적은 소형 디바이스에서도 높은 균열 검출 성능을 보이는 탐지 시스템을 구축이 가능함을 확인했다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Cracks affect the robustness of infrastructures such as buildings, bridge, pavement, and pipelines. This paper presents an automated crack detection system which detect cracks in diverse surfaces. We first constructed the combined crack dataset, consists of multiple crack datasets in diverse domains...

주제어

#표면 검사   #균열 탐지   #컴퓨터 비전   #딥러닝  

표/그림 (5)

참고문헌 (24)

  1. B. Kim, G. Kim, S. Jin, and S. Cho, "A comparative study on performance of deep learning models for vision-based concrete crack detection according to model types," Journal of the Korean Society of Safety, Vol.34, No.6, pp.50-57, 2019. 

    원문보기 상세보기 crossref

  2. J. Zhang, C. Lu, J. Wang, L. Wang, and X.-G. Yue, "Concrete cracks detection based on fcn with dilated convolution," Applied Sciences, Vol.9, No.13, pp.2686, 2019. 

    상세보기 crossref

  3. M. Salman, S. Mathavan, K. Kamal, and M. Rahman, "Pavement crack detection using the gabor filter," in 16th International IEEE Conference on Intelligent Transportation Systems (ITSC 2013). IEEE, pp.2039-2044, 2013. 

  4. Y. Hu and C.-X. Zhao, "A novel lbp based methods for pavement crack detection," Journal of pattern Recognition Research, Vol.5, No.1, pp.140-147, 2010. 

    crossref

  5. B. Santhi, G. Krishnamurthy, S. Siddharth, and P. Ramakrishnan, "Automatic detection of cracks in pavements using edge detection operator," Journal of Theoretical and Applied Information Technology, Vol.36, No.2, pp.199-205, 2012. 

  6. Girshick, J. Donahue, T. Darrell, and J. Malik, "Rich feature hierarchies for accurate object detection and semantic segmentation," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.580-587, 2014. 

  7. A. Krizhevsky, I. Sutskever, and G. E. Hinton, "Imagenet classification with deep convolutional neural networks," in Advances in Neural Information Processing Systems, pp.1097-1105, 2012. 

  8. O. Ronneberger, P. Fischer, and T. Brox, "U-net: Convolutional networks for biomedical image segmentation," in International Conference on Medical image Computing and Computer-assisted Intervention, Springer, pp.234-241, 2015. 

  9. L. Zhang, F. Yang, Y. D. Zhang, and Y. J. Zhu, "Road crack detection using deep convolutional neural network," in 2016 IEEE International Conference on Image Processing (ICIP). IEEE, pp.3708-3712, 2016. 

  10. Y.-J. Cha, W. Choi, and O. Buyukozturk, "Deep learningbased crack damage detection using convolutional neural networks," Computer-Aided Civil and Infrastructure Engineering, Vol.32, No.5, pp.361-378, 2017. 

    상세보기 crossref

  11. C. V. Dung et al., "Autonomous concrete crack detection using deep fully convolutional neural network," Automation in Construction, Vol.99, pp.52-58, 2019. 

    상세보기 crossref

  12. K. Simonyan and A. Zisserman, "Very deep convolutional networks for large-scale image recognition," in International Conference on Learning Representations, 2015. 

  13. K. He, X. Zhang, S. Ren, and J. Sun, "Deep residual learning for image recognition," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.770-778, 2016. 

  14. G. Huang, Z. Liu, L. Van Der Maaten, and K. Q. Weinberger, "Densely connected convolutional networks," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.4700-4708, 2017. 

  15. S. Zagoruyko and N. Komodakis, "Wide residual networks," in British Machine Vision Conference, 2016. 

  16. S. Xie, R. Girshick, P. Dollar, Z. Tu, and K. He, "Aggregated residual transformations for deep neural networks," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.1492-1500, 2017. 

  17. M. Tan and Q. V. Le, "Efficientnet: Rethinking model scaling for convolutional neural networks," in International Conference on Machine Learning, 2019. 

  18. S. Qiao, H. Wang, C. Liu, W. Shen, and A. Yuille, "Weight standardization," arXiv preprint arXiv:1903.10520, 2019. 

  19. G. Klambauer, T. Unterthiner, A. Mayr, and S. Hochreiter, "Self-normalizing neural networks," in Advances in Neural Information Processing Systems, pp.971-980, 2017. 

  20. D. P. Kingma and J. Ba, "Adam: A method for stochastic optimization," in International Conference on Learning Representations, 2015. 

  21. khanhha, Crack Segmentation [Internet], https://github.com/khanhha/crack_segmentation#Dataset 

  22. M. Maguire, S. Dorafshan and R. J. Thomas, SDNET2018: A concrete crack image dataset for machine learning applications [Internet], https://digitalcommons.usu.edu/all_datasets/48/ 

  23. Arun Pandian R, Surface Crack Detection: Concrete surface sample images for Surface Crack Detection [Internet], https://www.kaggle.com/arunrk7/surface-crack-detection 

  24. satyenrajpal, Concrete-Crack-Detection [Internet], https://github.com/satyenrajpal/Concrete-Crack-Detection 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로