[논문]콘크리트 라이닝 균열 분할 딥러닝 모델 평가 방법

함상우; 배수현; 이임평; 이규필; 김동규

doi:10.9711/ktaj.2022.24.6.513

초록
AI-Helper

터널을 비롯한 여러 가지 기반시설물에 발생한 콘크리트 균열을 영상과 딥러닝 기반으로 자동 탐지하는 연구가 최근 활발히 이루어지고 있다. 이러한 연구성과를 실제 현장에 적용하려면 딥러닝 모델의 신뢰성을 설명할 수 있어야한다. 본 연구에서는 선형성이 강한 균열의 기하적인 특성을 고려했을 때 화소 기반으로 계산하는 기존 평가지표가 충분치 않다는 점을 지적하며, 균열 분할 딥러닝 모델의 성능을 더 합리적으로 설명할 수 있는 다른 평가지표를 제시하고 비교 분석한다. 먼저 선형 객체의 유사성을 측정할 수 평가방법을 제시한다. 구체적으로는 기준 데이터에 허용 버퍼(tolerance buffer)를 부여하여 평가하는 방법을 설계, 구현, 검증한다. 실험 결과 본 연구에서 제안하는 방법은 균열 분할 딥러닝 모델 평가시 기존 대비 과대평가 또는 과소평가 문제를 해결할 수 있었으며, 화소 기반 성능 평가 지표에 비해 균열 분할 딥러닝 모델의 성능을 더 잘 설명할 것으로 기대한다.

Abstract ▼ AI-Helper

Recently, detecting damages of civil infrastructures from digital images using deep learning technology became a very popular research topic. In order to adapt those methodologies to the field, it is essential to explain robustness of deep learning models. Our research points out that the existing p...

Recently, detecting damages of civil infrastructures from digital images using deep learning technology became a very popular research topic. In order to adapt those methodologies to the field, it is essential to explain robustness of deep learning models. Our research points out that the existing pixel-based deep learning model evaluation metrics are not sufficient for detecting cracks since cracks have linear appearance, and proposes a new evaluation methodology to explain crack segmentation deep learning model more rationally. Specifically, we design, implement and validate a methodology to generate tolerance buffer alongside skeletonized ground truth data and prediction results to consider overall similarity of topology of the ground truth and the prediction rather than pixel-wise accuracy. We could overcome over-estimation or under-estimation problem of crack segmentation model evaluation through using our methodology, and we expect that our methodology can explain crack segmentation deep learning models better.

Keyword

표/그림 (13)

그림 Fig. 1. Over-estimation and under-estimation problem of pixel-based performance evaluation (Black line depicts ground truth. Blue line and red line depicts the model A and the model B. In this case, the evaluation metric will be almost identical, so the performance of the model A is over-estimanted, and vice versa.)
그림 Fig. 2. Research overview
그림 Fig. 3. An example of Big Eye tunnel concrete lining image with crack polylines (OurBrain, 2022)
그림 Fig. 4. Skeletonization and dilation (Scikit-image contributors, 2022)
그림 Fig. 5. Calculation of TP, FP and FN: (a) Black line and red line represents ground truth and prediction, respectively, (b) Depicts skeletonized ground truth and prediction, (c) Depicts calculation of TP and FP using the buffered ground truth, (d) Depicts calculation of FN using the buffered prediction
표 Table 1. Recall, precision and f1-score of original data and our methodology
그림 Fig. 6. Scatterplot of recall and precision (ours, w/o skeletonization)
그림 Fig. 7. Scatterplot of recall and precision (ours, w/ skeletonization)
표 Table 2. Recall, precision, f1-score of top 3 farthest data points from y = x
그림 Fig. 8. Evaluation results from top-3 farthest points from the scatterplot (ours, w/o skeletonization): (a)~(c) Depicts 3 farthest points from the recall scatterplot, (d)~(f) Depicts 3 farthest points from the precision scatterplot
그림 Fig. 9. Evaluation results from top-3 farthest points from the scatterplot (ours, w/ skeletonization): (a)~(c) Depicts 3 farthest points from the recall scatterplot, (d)~(f) Depicts 3 farthest points from the precision scatterplot
그림 Fig. 10. Recall, precision, f1-score of top 3 farthest data points from y = x
그림 Fig. 10. Recall, precision, f1-score of top 3 farthest data points from y = x (continued)

참고문헌 (16)

Bianchi, E., Abbott, A.L., Tokekar, P., Hebdon, M. (2021), "COCO-Bridge: structural detail data set for bridge inspections", Journal of Computing in Civil Engineering, Vol. 35, No. 3, 04021003.

상세보기
Chen, L.C., Zhu, Y., Papandreou, G., Schroff, F., Adam, H. (2018), "Encoder-decoder with atrous separable convolution for semantic image segmentation", arXiv:1802:02611, pp. 1-23.
Garcia-Garcia, A., Orts-Escolano, S., Oprea, S.O., Villena-Martinez, V., Garcia-Rodriguez, J. (2017), "A review on deep learning techniques applied to semantic segmentation", arXiv:1704:06857, pp. 1-22.
Ham, S., Bae, S., Kim, H., Lee, I., Lee, G.P., Kim, D. (2021), "Training a semantic segmentation model for cracks in the concrete lining of tunnel", Journal of Korean Tunnelling and Underground Space Association, Vol. 23, No. 6, pp. 549-558.

원문보기 상세보기
Hsieh, Y.A., Tsai, Y.J. (2020), "Machine learning for crack detection: review and model performance comparison", Journal of Computing in Civil Engineering, Vol. 34, No. 5, 04020038.

상세보기
Kim, A.R., Kim, D., Byun, Y.S., 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.

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

상세보기
Middha, L. (2020), "Crack segmentation dataset", https://www.kaggle.com/lakshaymiddha/crack-segmen tation-dataset (September 20, 2022).
MMSegmentation Contributors (2020), "OpenMMLab semantic segmentation toolbox and benchmark", https://github.com/open-mmlab/mmsegmentation (September 20, 2022).
Mundt, M., Majumder, S., Murali, S., Panetsos, P., Ramesh, V. (2019), "Meta-learning convolutional neural architectures for multi-target concrete defect classification with the concrate defect bridge image dataset", Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, Long Beach, California, pp. 11196-11205.
OurBrain (2022), "Big Eye System", OurBrain, http://ourbrain.co.kr/ (September 20, 2022).
Paik, S.H., Choi, D.Y., Kim, Y.K., Jung, S.W., Kim, D.N. (2021), "Implementation of the drones with deep-learning crack detection analysis for inspection of bridge", The Journal of Korean Institute of Information Technology, Vol. 19, No. 3, pp. 45-52.

상세보기
Park, G. (2022), "Building crack detection images", AI Hub, https://aihub.or.kr/aihubdata/data/view.do?currMenu115&topMenu100&aihubDataSerealm&dataSetSn162 (September 20, 2022).
Scikit-image contributors (2022), "Morphological filtering", Scikit-image, https://scikit-image.org/docs/stable/auto_examples/applications/plot_morphology.html (September 20, 2022).
Tsai, Y.C., Chatterjee, A. (2017), "Comprehensive, quantitative crack detection algorithm performance evaluation system", Journal of Computing in Civil Engineering, Vol. 31, No. 5, 04017047.

상세보기
Zhang, T.Y., Suen, C.Y. (1984), "A fast parallel algorithm for thinning digital patterns", Communications of the ACM, Vol. 27, No. 3, pp.236-239.

상세보기

이 논문을 인용한 문헌

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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

[국내논문] 콘크리트 라이닝 균열 분할 딥러닝 모델 평가 방법
An evaluation methodology for cement concrete lining crack segmentation deep learning model 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

Keyword

표/그림 (13)

표/그림 (13)

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

활용도 분석정보

활용도 Top5 논문

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 콘크리트 라이닝 균열 분할 딥러닝 모델 평가 방법 An evaluation methodology for cement concrete lining crack segmentation deep learning model 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

Keyword

표/그림 (13) 모든 표/그림 보기

표/그림 (13) 슬라이드로 보기

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

이임평 (66) 김동규 (61)

활용도 분석정보

활용도 Top5 논문 더보기

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 콘크리트 라이닝 균열 분할 딥러닝 모델 평가 방법
An evaluation methodology for cement concrete lining crack segmentation deep learning model 원문보기

초록
AI-Helper

표/그림 (13)

표/그림 (13)

활용도 Top5 논문