[논문]딥러닝 기반 터널 콘크리트 라이닝 균열 탐지

배수현; 함상우; 이임평; 이규필; 김동규

doi:10.9711/ktaj.2022.24.6.583

딥러닝 기반 터널 콘크리트 라이닝 균열 탐지
Deep learning based crack detection from tunnel cement concrete lining 원문보기

Journal of Korean Tunnelling and Underground Space Association = 한국터널지하공간학회논문집, v.24 no.6, 2022년, pp.583 - 598

배수현 (서울시립대학교 대학원 공간정보공학과) , 함상우 (서울시립대학교 대학원 공간정보공학과) , 이임평 (서울시립대학교 공간정보공학과) , 이규필 (한국건설기술연구원 지반연구본부) , 김동규 (한국건설기술연구원 지반연구본부)

초록
AI-Helper

인력기반 터널 점검은 점검자의 주관적인 판단에 영향을 받으며 지속적인 이력관리가 어렵다. 따라서 최근에는 딥러닝 기반 자동 균열 탐지 연구가 활발히 진행되고 있다. 하지만 대부분의 연구에서는 사용하는 대규모 공개 균열 데이터셋은 터널 내부에서 발생하는 균열과 매우 상이하다. 또한 현행 터널 상태평가에서 정교한 균열 레이블을 구축하기 위해서는 추가적인 작업이 요구된다. 이에 본 연구는 균열 형상이 다소 단순하게 표현된 기존 데이터셋을 딥러닝 모델에 입력하여 균열 탐지 성능을 개선하는 방안을 제시한다. 기존 터널 데이터셋, 고품질 터널 데이터셋과 공개 균열 데이터셋을 조합하여 학습한 딥러닝 모델의 성능 평가와 비교를 수행한다. 그 결과 Cross Entropy 손실함수를 사용한 DeepLabv3+에 공개 데이터셋, 패치 단위 분류와 오버샘플링을 수행한 터널 데이터셋을 모두 학습한 경우 성능이 가장 좋았다. 향후 기 구축된 터널 영상 취득 시스템 데이터를 딥러닝 모델 학습에 효율적으로 활용하기 위한 방안을 수립하는 데 기여할 것으로 기대한다.

Abstract ▼ AI-Helper

As human-based tunnel inspections are affected by the subjective judgment of the inspector, making continuous history management difficult. There is a lot of deep learning-based automatic crack detection research recently. However, the large public crack datasets used in most studies differ significantly from those in tunnels. Also, additional work is required to build sophisticated crack labels in current tunnel evaluation. Therefore, we present a method to improve crack detection performance by inputting existing datasets into a deep learning model. We evaluate and compare the performance of deep learning models trained by combining existing tunnel datasets, high-quality tunnel datasets, and public crack datasets. As a result, DeepLabv3+ with Cross-Entropy loss function performed best when trained on both public datasets, patchwise classification, and oversampled tunnel datasets. In the future, we expect to contribute to establishing a plan to efficiently utilize the tunnel image acquisition system's data for deep learning model learning.

주제어

표/그림 (16)

그림 Fig. 1. The research overview
그림 Fig. 2. Comparison between original tunnel dataset and high-quality dataset
표 Table 1. Tunnel datasets split in training, validation and test sets
표 Table 2. Training datasets description
표 Table 3. Statistics of the training datasets
그림 Fig. 3. The specification of tunnel images
그림 Fig. 4. (a) Patch-level classification, (b) Data augmentation (rotation and flip)
그림 Fig. 5. Morphological operation; (a) RGB tunnel images, (b) Labels after rasterization, (c) Labels after dilation (disk 3)
그림 Fig. 6. The percentage of crack pixels in (a) Kaggle Crack Segmentation Dataset (Middha, 2022), (b) The tunnel images
그림 Fig. 7. Evaluation of training results (a) U-net, (b) DeepLabv3+
표 Table 4. Evaluation of training results
그림 Fig. 8. Evaluation of test results (a) U-net, (b) DeepLabv3+
표 Table 5. Evaluation of test results
그림 Fig. 9. Crack segmentation results of U-net and DeepLabv3+
그림 Fig. 10. Evaluation of results (a) Cross Entropy (CE), (b) Focal Loss (FL)
표 Table 6. Evaluation of results

참고문헌 (25)

Chen, L.C., Zhu, Y., Papandreou, G., Schroff, F., Adam, H. (2018), "Encoder-decoder with atrous separable convolution for semantic image segmentation", Proceedings of the European Conference on Computer Vision (ECCV), Munich, pp. 801-818.
Chu, H., Wang, W., Deng, L. (2022), "Tiny-Crack-Net: a multiscale feature fusion network with attention mechanisms for segmentation of tiny cracks", Computer-Aided Civil and Infrastructure Engineering, Vol. 37, No. 14, pp. 1914-1931.

상세보기
Eisenbach, M., Stricker, R., Seichter, D., Amende, K., Debes, K., Sesselmann, M., Ebersbach, D., Stoeckert, U., Gross, H.M. (2017), "How to get pavement distress detection ready for deep learning? a systematic approach", Proceedings of the 2017 International Joint Conference on Neural Networks, Anchorage, pp. 2039-2047.
Hadinata, P.N., Simanta, D., Eddy, L., Nagai, K. (2021), "Crack detection on concrete surfaces using deep encoder-decoder convolutional neural network: a comparison study between U-Net and DeepLabV3+", Journal of the Civil Engineering Forum, Vol. 7, No. 3, pp. 323-334.

상세보기
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
Han, C., Ma, T., Huyan, J., Huang, X., Zhang, Y. (2021), "CrackW-Net: a novel pavement crack image segmentation convolutional neural network", IEEE Transactions on Intelligent Transportation Systems, pp. 1-10.
Han, X., Zhao, Z., Chen, L., Hu, X., Tian, Y., Zhai, C., Wang, L., Huang, X. (2022), "Structural damagecausing concrete cracking detection based on a deep-learning method", Construction and Building Material, Vol. 337, No. 27, 127562.
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
Huang, H., Lin, L., Tong, R., Hu, H., Zhang, Q., Iwamoto, Y., Han, X., Chen, Y.W., Wu, J. (2020), "UNet3+: a full-scale connected UNet for medical image segmentation", Proceedings of the ICASSP 2020-2020 IEEE International Conference on Acoustics, Speech and Signal Processing, Barcelona, pp. 1055-1059.
Ji, A., Xue, X., Wang, Y., Luo, X., Xue, W. (2020), "An integrated approach to automatic pixel-level crack detection and quantification of asphalt pavement", Automation in Construction, Vol. 114, 103176.

상세보기
Johnson, J.M., Khoshgoftaar, T.M. (2019), "Survey on deep learning with class imbalance", Journal of Big Data, Vol. 6, No. 1, pp. 1-54.

상세보기
Kaiser, P., Wegner, J.D., Lucchi, A., Jaggi, M., Hofmann, T., Schindler, K. (2017), "Learning aerial image segmentation from online maps", IEEE Transactions on Geoscience and Remote Sensing, Vol. 55, No. 11, pp. 6054-6068.

상세보기
Kim, A.R., Kim, D.H., 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
Kisantal, M., Wojna, Z., Murawski, J., Naruniec, J., Cho, K. (2019), "Augmentation for small object detection", arXiv:1902.07296.
Li, D., Duan, Z., Hu, X., Zhang, D. (2021), "Pixel-level recognition of pavement distresses based on U-Net", Advances in Materials Science and Engineering, Vol. 2021, 5586615.

상세보기
Lin, T.Y., Goyal, P., Girshick, R., He, K., Dollar, P. (2017), "Focal loss for dense object detection", Proceedings of the IEEE International Conference on Computer Vision, Venice, pp. 2980-2988.
Maggiori, E., Tarabalka, Y., Charpiat, G., Alliez, P. (2016), "Convolutional neural networks for large-scale remote-sensing image classification", IEEE Transactions on Geoscience and Remote Sensing, Vol. 55, No. 2, pp. 645-657.

상세보기
Middha, L., Crack segmentation dataset, https://www.kaggle.com/lakshaymiddha/crack-segmentation-dataset (September 20, 2022).
Rolnick, D., Veit, A., Belongie, S., Shavit, N. (2017), "Deep learning is robust to massive label noise", arXiv:1705.10694.
Ronneberger, O., Fischer, P., Brox, T. (2015), "U-net: convolutional networks for biomedical image segmentation", Proceedings of the International Conference on Medical Image Computing and ComputerAssisted Intervention, Munich, pp. 234-241.
Shi, Y., Cui, L., Qi, Z., Meng, F., 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
Shim, S., Choi, S.I., Kong, S.M., Lee, S.W. (2021), "Deep learning algorithm of concrete spalling detection using focal loss and data augmentation", Journal of Korean Tunnelling and Underground Space Association, Vol. 23, No. 4, pp. 253-263.

원문보기 상세보기
Wang, Z., Xu, G., Ding, Y., Wu, B., Lu, G. (2020), "A vision-based active learning convolutional neural network model for concrete surface crack detection", Advances in Structural Engineering, Vol. 23, No. 13, pp. 2952-2964.

상세보기
Zou, Q., Cao, Y., Li, Q., Mao, Q., Wang, S. (2012), "Cracktree: automatic crack detection from pavement images", Pattern Recognition Letters, Vol. 33, No. 3, pp. 227-238.

상세보기
Zou, Q., Zhang, Z., Li, Q., Qi, X., Wang, Q., Wang, S. (2018), "Deepcrack: learning hierarchical convolutional features for crack detection", IEEE Transactions on Image Processing, Vol. 28, No. 3, pp. 1498-1512.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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