콘크리트 라이닝 균열 분할 딥러닝 모델 평가 방법
An evaluation methodology for cement concrete lining crack segmentation deep learning model
0
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
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
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.
참고문헌 (16)
- Bianchi, E., "COCO-Bridge: structural detail data set for bridge inspections", Journal of Computing in Civil Engineering, 35(3), pp.04021003~ (2021)
- Chen, L. C., "Encoder-decoder with atrous separable convolution for semantic image segmentation", arXiv:1802:02611, 1~23 (2018)
- Garcia-Garcia, A., "A review on deep learning techniques applied to semantic segmentation", arXiv:1704:06857, 1~22 (2017)
- 함상우, "터널 콘크리트 라이닝 균열 분석을 위한 의미론적 분할 모델 학습", 한국터널지하공간학회 논문집, 23(6), pp.549~558 (2021), 사단법인 한국터널지하공간학회[DOI]
- Hsieh, Y. A., "Machine learning for crack detection: review and model performance comparison", Journal of Computing in Civil Engineering, 34(5), pp.0402003~ (2020)
- 김아람, "딥러닝과 영상처리기법을 이용한 콘크리트 지반 구조물 균열 탐지", 한국지반공학회논문집, 34(12), pp.145~154 (2018), 한국지반공학회[DOI]
- Liu, Y., "DeepCrack: A deep hierarchical feature learning architecture for crack segmentation", Neurocomputing, 338, pp.139~153 (2019)
- "Crack segmentation dataset" (2020)[URL]
- "OpenMMLab semantic segmentation toolbox and benchmark" (2020)[URL]
- Mundt, M., "Meta-learning convolutional neural architectures for multi-target concrete defect classification with the concrate defect bridge image dataset", Proceedings of the IEEE, 2019, 11196~11205
- "Big Eye System" (2022)[URL]
- 백승현, "교량 안전점검을 위한 딥러닝 균열 검출분석 SW 탑재 드론 구현", 한국정보기술학회논문지, 19(3), pp.45~52 (2021), 한국정보기술학회[DOI]
- "Building crack detection images" (2022)[URL]
- "Morphological filtering" (2022)[URL]
- Tsai, Y. C., "Comprehensive, quantitative crack detection algorithm performance evaluation system", Journal of Computing in Civil Engineering, 31(5), pp.04017047~ (2017)
- Zhang, T. Y., "A fast parallel algorithm for thinning digital patterns", Communications of the ACM, 27(3), pp.236~239 (1984)