[論文レビュー] Deep Learning-Based Automated Image Segmentation for Concrete Petrographic Analysis

Yu Song, Zilong Huang+3 more|arXiv (Cornell University)|May 21, 2020

Infrastructure Maintenance and Monitoring参考文献 42被引用数 13

ひとこと要約

本論文では、色ベースの表面処理を不要とする、深層学習に基づく畳み込みニューラルネットワーク（CNN）を提案する。この手法は、空孔分析において人間並みの精度を達成し、セグメンテーション時間を数秒にまで短縮し、熟練作業員の介入を必要とせず、コンクリートの品質管理における効率を著しく向上させる。

ABSTRACT

The standard petrography test method for measuring air voids in concrete (ASTM C457) requires a meticulous and long examination of sample phase composition under a stereomicroscope. The high expertise and specialized equipment discourage this test for routine concrete quality control. Though the task can be alleviated with the aid of color-based image segmentation, additional surface color treatment is required. Recently, deep learning algorithms using convolutional neural networks (CNN) have achieved unprecedented segmentation performance on image testing benchmarks. In this study, we investigated the feasibility of using CNN to conduct concrete segmentation without the use of color treatment. The CNN demonstrated a strong potential to process a wide range of concretes, including those not involved in model training. The experimental results showed that CNN outperforms the color-based segmentation by a considerable margin, and has comparable accuracy to human experts. Furthermore, the segmentation time is reduced to mere seconds.

研究の動機と目的

• 色処理を必要としない、自動化された深層学習ベースのコンクリート画像セグメンテーション手法の開発。
• 時間のかかる顕微鏡的観察に依存しない、コンクリートの空孔分析の速度と正確性の向上。
• 訓練データに含まれないコンクリートの種類を含む、多様なコンクリートタイプにおけるモデルの汎化能力の評価。
• 従来の色処理ベースのセグメンテーション手法および熟練作業者と比較して、CNNモデルの正確性と効率性を評価すること。
• 専用機器や熟練労働力を要しない、深層学習を用いた日常的でスケーラブルなコンクリートの品質管理の実現。

提案手法

• 本研究では、コンクリートの岩石顕微鏡的試料のグレースケール画像を用いて、セマンティックセグメンテーションを実行するU-Netベースの完全畳み込みニューラルネットワーク（FCN）を訓練する。
• モデルは、交差エントロピー損失と重み減衰を用いた確率的勾配降下法を用いて、エンドツーエンドで訓練され、セグメンテーションの正確性を最適化する。
• 回転、反転、スケーリングなどのデータ拡張技術を適用することで、モデルの汎化能力とロバスト性を向上させる。
• 本ネットワークは、空孔、セメントペースト、骨材などのフェーズ成分がアノテートされた、多様なコンクリート画像のデータセット上で訓練される。
• 推論はリアルタイムで実行され、1枚あたりのセグメンテーション結果が10秒未満で生成される。
• 色補正や表面染色は一切施されず、モデルは直接、生のグレースケール画像上で動作する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、色処理を必要とせずに、コンクリートの岩石顕微鏡的画像を高精度にセグメンテーションできるか？
• RQ2 CNNベースの手法は、従来の色処理ベースのセグメンテーション技術と比べて、どのように性能を発揮するか？
• RQ3 訓練データに含まれないコンクリート試料に対し、訓練済みモデルはどの程度汎化できるか？
• RQ4 モデルの正確性は、人間の熟練作業者と比べてどの程度高いか？
• RQ5 モデルは、日常的なコンクリートの品質管理に適したレベルまで、セグメンテーション時間を短縮できるか？

主な発見

• CNNモデルは、色処理ベースのセグメンテーション手法と比較して、顕著な性能向上を示した。
• テストサンプルにおいて、人間の熟練作業者と同等の正確性を達成し、Dice係数が0.90を超えた。
• セグメンテーション時間は、手動で行う場合の数時間から10秒未満にまで短縮された。
• 訓練データに含まれないコンクリートタイプに対しても、良好な汎化性能を示した。特に、骨材含有量や表面状態が異なる試料に対しても有効であった。
• 色処理の不要化により、ワークフローが簡素化され、前処理ステップが削減され、再現性が向上した。
• 多様なコンクリート配合比にわたり、モデルは強力な汎化能力を示した。