지하시설물 안전점검을 위한 딥러닝 기반 콘크리트 균열 검출
Crack detection in concrete using deep learning for underground facility safety inspection
3
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
현재 지하시설물의 균열을 영상 취득 시스템으로 취득한 경우 점검자가 취득된 영상에서 육안검사를 수행하여 미세균열을 판단한다. 점검자에 의존한 노동집약적인 방법은 점검자의 주관적인 판단에 영향을 받는 문제점을 가지고 있다. 최근에는 딥러닝을 활용하여 자동으로 콘크리트 균열을 탐지하기 위한 연구가 활발하게 수행되고 있다. 대부분의 연구에서는 공개 데이터셋을 활용하거나 분석과정의 객관성이 충분하지 못해 실제 업무에 적용하기 어려운 점이 있다. 본 연구는 실제 검사 시스템과 동일한 형태의 영상을 시험 데이터셋으로 선정하여 딥러닝 모델들을 평가하였다. 균열 탐지의 정확도를 향상시키기 위하여 딥러닝 모델들의 장단점을 상호 보완할 수 있는 앙상블 기법을 적용하였다. 시험 영상에서 폭 0.2 mm, 0.3 mm 및 0.5 mm의 균열들은 각각 80%, 88% 및 89%의 높은 재현율로 탐지되었다. 딥러닝을 적용한 균열 탐지 결과에서는 점검자의 육안 검수 과정에 찾지 못한 다수의 균열들을 포함하고 있었다. 향후 본 연구에서 사용하지 않은 다른 터널의 영상을 시험 영상으로 선정하여 보다 더 객관적인 평가에서 충분한 정확도로 균열을 탐지하게 된다면, 시설물 안점 점검 방식에 딥러닝의 도입이 가능할 것으로 판단된다.
Abstract
The cracks in the tunnel are currently determined through visual inspections conducted by inspectors based on images acquired using tunnel imaging acquisition systems. This labor-intensive approach, relying on inspectors, has inherent limitations as it is subject to their subjective judgments. Recently research efforts have actively explored the use of deep learning to automatically detect tunnel cracks. However, most studies utilize public datasets or lack sufficient objectivity in the analysis process, making it challenging to apply them effectively in practical operations. In this study, we selected test datasets consisting of images in the same format as those obtained from the actual inspection system to perform an objective evaluation of deep learning models. Additionally, we introduced ensemble techniques to complement the strengths and weaknesses of the deep learning models, thereby improving the accuracy of crack detection. As a result, we achieved high recall rates of 80%, 88%, and 89% for cracks with sizes of 0.2 mm, 0.3 mm, and 0.5 mm, respectively, in the test images. In addition, the crack detection result of deep learning included numerous cracks that the inspector could not find. if cracks are detected with sufficient accuracy in a more objective evaluation by selecting images from other tunnels that were not used in this study, it is judged that deep learning will be able to be introduced to facility safety inspection.
참고문헌 (16)
- Bae, S. H., "Deep learning-based crack detection for facility safety inspection-focusing on tunnel cement concrete lining", Master, pp.2023
- 배수현, "딥러닝 기반 터널 콘크리트 라이닝 균열 탐지", 한국터널지하공간학회 논문집, 24(6), pp.583~598 (2022), 사단법인 한국터널지하공간학회[DOI]
- Chen, L. C., "Encoder-decoder with atrous separable convolution for semantic image segmentation", Proceedings of the European Conference on Computer Vision(ECCV), pp.801~818 (2018)
- Cheng, B., "Masked-attention mask transformer for universal image segmentation", Proceedings of the IEEE, 2022, 1290~1299
- Hadinata, P. N., "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, 7(3), pp.323~334 (2021)
- 함상우, "콘크리트 라이닝 균열 분할 딥러닝 모델 평가 방법", 한국터널지하공간학회 논문집, 24(6), pp.513~524 (2022), 사단법인 한국터널지하공간학회[DOI]
- Jeon, E. I., "Semantic segmentation of seagrass habitat from drone imagery based on deep learning : a comparative study", Ecological Informatics, 66, pp.101430~ (2021)
- 김아람, "딥러닝과 영상처리기법을 이용한 콘크리트 지반 구조물 균열 탐지", 한국지반공학회논문집, 34(12), pp.145~154 (2018), 한국지반공학회[DOI]
- Kim, B. H., "Automated vision-based detection of cracks on concrete surfaces using a deep learning technique", Sensors, 18(10), pp.3452~ (2018)
- 김해수, "높은 정확도를 위한 이미지 전처리와 앙상블 기법을결합한 이미지 기반 악성코드 분류 시스템에 관한 연구", 정보처리학회논문지. 컴퓨터 및 통신시스템, 11(7), pp.225~232 (2022), 한국정보처리학회
- Lee, T. H., "Improvement of concrete crack segmentation performance using stacking ensemble learning", Applied Sciences, 13(4), pp.2367~ (2023)
- Liu, Y., "DeepCrack : A deep hierarchical feature learning architecture for crack segmentation", Neurocomputing, 338, pp.139~153 (2019)
- Liu, Z., "Swin transformer : Hierarchical vision transformer using shifted windows", Proceedings of the IEEE, 2021, 10012~10022
- Pandey, R. K., "CoreDeep: Improving crack detection algorithms using width stochasticity", arXiv preprint arXiv:2209.04648, ~ (2022)
- Wang, W., "Internimage : Exploring large-scale vision foundation models with deformable convolutions", Proceedings of the IEEE, 2023, 14408~14419
- Xiao, T., "Unified perceptual parsing for scene understanding", Proceedings of the European Conference on Computer Vision(ECCV), pp.418~434 (2018)