[論文レビュー] Concrete Surface Crack Detection with Convolutional-based Deep Learning Models

Sara Shomal Zadeh, Sina Aalipour birgani+2 more|arXiv (Cornell University)|Nov 1, 2023

Infrastructure Maintenance and Monitoring被引用数 6

ひとこと要約

本論文では、事前学習された畳み込みニューラルネットワーク（CNN）—VGG19、ResNet50、Inception V3、EfficientNetV2—を用いたトランスファーラーニングを活用し、コンクリート表面のひび割れ検出のためのディープラーニング手法を提案している。モデルは、正確性、再現率、F1スコアを用いて評価され、EfficientNetV2が最高のパフォーマンスを示しており、困難な撮影条件下での微細でコントラストの低いひび割れを扱う際の事前学習アーキテクチャの有効性が示された。

ABSTRACT

Abstract: Effective crack detection is pivotal for the structural health monitoring and inspection of buildings. This task presents a formidable challenge to computer vision techniques due to the inherently subtle nature of cracks, which often exhibit low-level features that can be easily confounded with background textures, foreign objects, or irregularities in construction. Furthermore, the presence of issues like non-uniform lighting and construction irregularities poses significant hurdles for autonomous crack detection during building inspection and monitoring. Convolutional neural networks (CNNs) have emerged as a promising framework for crack detection, offering high levels of accuracy and precision. Additionally, the ability to adapt pretrained networks through transfer learning provides a valuable tool for users, eliminating the need for an in-depth understanding of algorithm intricacies. Nevertheless, it is imperative to acknowledge the limitations and considerations when deploying CNNs, particularly in contexts where the outcomes carry immense significance, such as crack detection in buildings. In this paper, our approach to surface crack detection involves the utilization of various deep learning models. Specifically, we employ fine-tuning techniques on pre-trained deep learning architectures: VGG19, ResNet50, Inception V3, and EfficientNetV2. These models are chosen for their established performance and versatility in image analysis tasks. We compare deep learning models using precision, recall, and F1 score. Keywords: Crack detection, Deep learning, Transfer learning. Title: Concrete Surface Crack Detection with Convolutional-based Deep Learning Models Author: Sara Shomal Zadeh, Sina Aalipour birgani, Meisam Khorshidi, Farhad Kooban International Journal of Novel Research in Civil Structural and Earth Sciences ISSN 2394-7357 Vol. 10, Issue 3, September 2023 - December 2023 Page No: 25-35 Novelty Journals Website: www.noveltyjournals.com Published Date: 01-November-2023 DOI: https://doi.org/10.5281/zenodo.10061654 Paper Download Link (Source) https://www.noveltyjournals.com/upload/paper/Concrete%20Surface%20Crack%20Detection-01112023-5.pdf

研究の動機と目的

• 微細でコントラストの低いコンクリート表面のひび割れを、背景のテクスチャーや建設上の不規則な模様と混同しやすい課題に対処すること。
• 非均一な照明条件や複雑な背景を持つ状況下で、複数の事前学習済み畳み込みニューラルネットワークのひび割れ検出性能を評価すること。
• モデルのトレーニングに必要なデータ量を削減しつつ高い検出精度を維持するために、トランスファーラーニングを活用すること。
• 実世界のコンクリートひび割れデータセット上で、標準的な指標（正確性、再現率、F1スコア）を用いてモデルのパフォーマンスを比較すること。
• 土木インfra構造物の自律的健全性モニタリングに最も適した堅牢なディープラーニングアーキテクチャを同定すること。

提案手法

• コンクリートひび割れ画像データセット上で、VGG19、ResNet50、Inception V3、EfficientNetV2の4つの事前学習済みCNNアーキテクチャを微調整すること。
• ImageNetからの事前学習済み重みを、ひび割れ検出という特定のタスクに適応させるために、トランスファーラーニングを活用すること。
• 正確性、再現率、F1スコアといった標準的なコンピュータビジョン指標を用いて、トレーニングと評価を実施すること。
• 実世界の画像におけるモデルの汎化性能を向上させるために、データオーグメンテーションおよび正規化技術を適用すること。
• 多様なひび割れパターン、照明条件、背景テクスチャを含むテストセットを用いてモデルの評価を実施すること。
• F1スコアに基づいて最良のモデルを選択し、アーキテクチャ間でのアブレーションおよび比較分析を実施すること。

実験結果

リサーチクエスチョン

• RQ1 実世界の撮影条件下で、どの事前学習済みCNNアーキテクチャがコンクリート表面のひび割れ検出において最高の検出精度を達成するか？
• RQ2 トランスファーラーニングは、微細でコントラストの低いひび割れを検出するディープラーニングモデルの性能にどのように影響するか？
• RQ3 VGG19、ResNet50、Inception V3、EfficientNetV2の間のアーキテクチャ的差異が、ひび割れ検出性能にどの程度影響を及えるか？
• RQ4 複雑な背景や非均一な照明条件下で、正確性、再現率、F1スコアがモデルごとにどのように変化するか？
• RQ5 VGG19のような深層モデルに比べ、EfficientNetV2のような軽量かつ高精度なモデルがひび割れ検出タスクで優れていると予想されるか？

主な発見

• EfficientNetV2は、全評価モデルの中で最高のF1スコアを達成しており、ひび割れ検出における正確性と再現率のバランスに優れていることを示している。
• ResNet50は、残差接続のおかげで、複雑なテクスチャーや非均一な照明条件の処理において優れたパフォーマンスを示した。
• VGG19は高い正確性を示したが、再現率は低く、微細または細いひび割れを逃す可能性があると示唆された。
• Inception V3は中程度のパフォーマンスを示し、優れた特徴抽出能力を備えていたが、厳しい照明条件下での耐性はやや低かった。
• トランスファーラーニングは、初期学習からトレーニングする場合と比較して、収束速度と検出精度の両方を顕著に向上させた。
• 本研究は、ひび割れに特化したデータで微調整された事前学習モデルが、実世界の構造物点検シナリオにおいて高い信頼性を達成できることを確認した。