[논문]시설물의 유지관리를 위한 기계학습 기반 콘크리트 균열 감지 프레임워크

지봉준

doi:10.14481/jkges.2021.22.10.5

시설물의 유지관리를 위한 기계학습 기반 콘크리트 균열 감지 프레임워크
Machine Learning-based Concrete Crack Detection Framework for Facility Maintenance 원문보기

한국지반환경공학회논문집 = Journal of the Korean Geoenvironmental Society, v.22 no.10, 2021년, pp.5 - 12

지봉준 (Industrial and Management Engineering, Pohang University of Science and Technology)

초록
AI-Helper

시설물의 노후화는 피할 수 없는 현상이다. 노후화된 시설물의 관리를 위해 균열을 감지하고 이를 추적하면서 시설물의 상태를 간접적으로 추론할 수 있다. 따라서 균열 감지는 노후화된 시설물의 관리를 위해 필수적 역할을 하며 감지 결과를 바탕으로 더 이상의 노후화를 막기 위한 활동을 할 수 있다. 하지만, 현재 대부분의 균열 감지는 전문가의 판단에만 의존하기에 시설물의 면적이 큰 경우 비용과 시간이 과도하게 사용되고, 전문가의 역량에 따라 다른 판단 결과가 발생할 수 있어 신뢰성에 문제가 있었다. 본 논문에서는 이러한 한계를 극복하기 위해 기계학습 기반의 콘크리트 균열 감지 프레임워크를 제안한다. 제안된 프레임워크는 데이터 분류, 기계학습 모델 학습, 학습된 모델의 검증과 테스트를 포함하는 프레임워크로 완전 자동화된 콘크리트 균열 감지가 가능하다. 제안된 프레임워크를 통해 학습된 기계학습 모델은 콘크리트 균열 이미지와 정상 이미지를 96%의 높은 정확도로 분류할 수 있었다. 본 논문에서 제안된 프레임워크를 적용하여 기존의 전문가 중심의 시설물 유지관리보다 더욱 효과적이고 효율적인 시설물의 유지관리가 가능할 것으로 기대된다.

Abstract ▼ AI-Helper

The deterioration of facilities is an unavoidable phenomenon. For the management of aging facilities, cracks can be detected and tracked, and the condition of the facilities can be indirectly inferred. Therefore, crack detection plays a crucial role in the management of aged facilities. Conventional maintenances are conducted using the crack detection results. For example, maintenance activities to prevent further deterioration can be performed. However, currently, most crack detection relies only on human judgment, so if the area of the facility is large, cost and time are excessively used, and different judgment results may occur depending on the expert's competence, it causes reliability problems. This paper proposes a concrete crack detection framework based on machine learning to overcome these limitations. Fully automated concrete crack detection was possible through the proposed framework, which showed a high accuracy of 96%. It is expected that effective and efficient management will be possible through the proposed framework in this paper.

주제어

표/그림 (12)

그림 Fig. 1. Convolution operation in convolution layer
그림 Fig. 2. Max pooling operation
그림 Fig. 3. Architecture of VGG-16
그림 Fig. 4. Concept of Boosting and Bagging
그림 Fig. 5. Proposed framework
그림 Fig. 6. Example of data augmentation
그림 Fig. 7. Example of data used for experiments
그림 Fig. 8. Data split
표 Table 1. Performance metric
그림 Fig. 9. Training result
그림 Fig. 10. Confusion matrix
그림 Fig. 11. Visualization of the Extracted Feature from layers

참고문헌 (21)

Abdel-Qader, I., Abudayyeh, O. and Kelly, M. (2003), Analysis of edge-detection techniques for crack identification in bridges. Journal of Computing in Civil Engineering, Vol. 17, No. 4, pp. 255~263.

상세보기
Chen, X., Chen, J., Han, X., Zhao, C., Zhang, D., Zhu, K. and Su, Y. (2020), A light-weighted cnn model for wafer structural defect detection, IEEE Access, No. 8, pp. 24006~24018.

상세보기
Cheong, L. K., Suandi, S. A. and Rahman, S. (2019), Defects and components recognition in printed circuit boards using convolutional neural network, In 10th International Conference on Robotics, Vision, Signal Processing and Power Applications, pp. 75~81.
Choudhary, G. K. and Dey, S. (2012), Crack detection in concrete surfaces using image processing, fuzzy logic, and neural networks, In 2012 IEEE fifth international conference on advanced computational intelligence (ICACI), pp. 404~411.
Chun, P. J., Izumi, S. and Yamane, T. (2021), Automatic detection method of cracks from concrete surface imagery using two-step light gradient boosting machine, Computer-Aided Civil and Infrastructure Engineering, Vol. 36, No. 1, pp. 61~72.

상세보기
Caglar Firat, O. (2019), Concrete Crack Images for Classification, Mendeley Data.
Hutchinson, T. C. and Chen, Z. (2006), Improved image analysis for evaluating concrete damage, Journal of Computing in Civil Engineering, Vol. 20, No. 3, pp. 210~216.

상세보기
Ji, B., Lee, S. J., Mazumder, M., Lee, M. S. and Kim, H. H. (2020), Deep Regression Prediction of Rheological Properties of SIS-Modified Asphalt Binders, Materials, Vol. 13, No. 24, pp. 5738.

상세보기
Kawamura, K. and Miyamoto, A. (2003), Condition state evaluation of existing reinforced concrete bridges using neuro-fuzzy hybrid system, Computers & structures, Vol. 81, No. 18~19, pp. 1931~1940.

상세보기
Kim, A. R., Kim, D. H., Byun, Y. S. and Lee, S. W. (2018), Crack detection of concrete structure using deep learning and image processing method in geotechnical engineering, Journal of the Korean Geotechnical Society, Vol. 34, No. 12, pp. 145~154 (In Korean).

원문보기 상세보기
Kim, Y. S. (2020), Current status of old buildings and future tasks, National Assmebly Research Service, pp. 01~13 (In Korean).
LeCun, Y., Boser, B., Denker, J. S., Henderson, D., Howard, R. E., Hubbard, W. and Jackel, L. D. (1989), Backpropagation applied to handwritten zip code recognition, Neural Computation, Vol. 1, No. 4, pp. 541~551.

상세보기
Liu, Y., Yao, J., Lu, X., Xie, R. and Li, L. (2019), Deepcrack: A deep hierarchical feature learning architecture for crack segmentation, Neurocomputing, Vol. 338, pp. 139~153.

상세보기
Luxmoore, A. (1973), Holographic detection of cracks in concrete, Non-Destructive Testing, Vol. 6, No. 5, pp. 258~263.

상세보기
Prasanna, P., Dana, K. J., Gucunski, N., Basily, B. B., La, H. M., Lim, R. S. and Parvardeh, H. (2014), Automated crack detection on concrete bridges, IEEE Transactions on automation science and engineering, Vol. 13, No. 2, pp. 591~599.

상세보기
Ministry of Land, Infrastructure, Transport and Tourism. (2019), Tunnel periodic inspection guideline.
Shi, Y., Cui, L., Qi, Z., Meng, F. and Chen, Z. (2016), Automatic road crack detection using random structured forests, IEEE Transactions on Intelligent Transportation Systems, Vol. 17, No. 12, pp. 3434~3445.

상세보기
Simonyan, K. and Zisserman, A. (2014), Very deep convolutional networks for large-scale image recognition, arXiv preprint arXiv:1409.1556.
Xie, W., Wei, S., Zheng, Z., Jiang, Y. and Yang, D. (2021), Recognition of defective carrots based on deep learning and transfer learning, Food and Bioprocess Technology, Vol. 14, No. 7, pp. 1~14.

상세보기
Zhang, W., Zhang, Z., Qi, D. and Liu, Y. (2014), Automatic crack detection and classification method for subway tunnel safety monitoring, Sensors, Vol. 14, No. 10, pp. 19307~19328.

상세보기
Zhao, Z. and Chen, C. (2002), A fuzzy system for concrete bridge damage diagnosis, Computers & structures, Vol. 80, No.7~8, pp. 629~641.

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증