[論文レビュー] Fast Crack Detection Using Convolutional Neural Network

Jiesheng Yang, Fangzheng Lin+3 more|arXiv (Cornell University)|May 23, 2021

Infrastructure Maintenance and Monitoring参考文献 19被引用数 4

ひとこと要約

本論文では、コンクリートおよび天然石のひび割れの高速かつ正確な検出、およびひび割れと継ぎ目との区別を目的とした、軽量な畳み込みニューラルネットワーク（CNN）とトランスファーラーニングを提案する。本モデルは、コンクリートと天然石の画像を組み合わせた独自のデータセット上で高い効率性と性能を発揮し、訓練時間と人的コストを削減する点で強力な産業応用性を示している。

ABSTRACT

To improve the efficiency and reduce the labour cost of the renovation process, this study presents a lightweight Convolutional Neural Network (CNN)-based architecture to extract crack-like features, such as cracks and joints. Moreover, Transfer Learning (TF) method was used to save training time while offering comparable prediction results. For three different objectives: 1) Detection of the concrete cracks; 2) Detection of natural stone cracks; 3) Differentiation between joints and cracks in natural stone; We built a natural stone dataset with joints and cracks information as complementary for the concrete benchmark dataset. As the results show, our model is demonstrated as an effective tool for industry use.

研究の動機と目的

• 建設材料における自動ひび割れ検出を目的とした、高速で軽量なCNNモデルの開発。
• トランスファーラーニングを活用して、インfra点検における訓練時間と人的コストの削減。
• 既存手法では課題とされる、天然石表面におけるひび割れと継ぎ目の区別。
• コンクリートおよび天然石のひび割れと継ぎ目のアノテーションを組み合わせた補完的データセットの構築と活用。
• 改修および保守ワークフローにおけるリアルタイムで産業用途に適したひび割れ検出の実装を可能にする。

提案手法

• 画像からひび割れに類似した特徴を効率的に抽出できる、独自の軽量CNNアーキテクチャを設計。
• 事前学習済みモデルを用いたトランスファーラーニングを適用し、訓練の高速化と一般化性能の向上を実現。
• コンクリートのひび割れ、天然石のひび割れ、継ぎ目を含むアノテート済み画像から構成される新規データセットを構築。
• 3つの異なるタスク（コンクリートひび割れ検出、天然石ひび割れ検出、継ぎ目対ひび割れの区別）に対してモデルを訓練および評価。
• データオーグメンテーションとトランスファーラーニング技術を用いて、モデルの頑健性を向上させ、過学習を低減。
• 産業現場でのリアルタイム導入を想定し、推論処理の最適化を実施。

実験結果

リサーチクエスチョン

• RQ1 軽量CNNモデルは、計算コストを最小限に抑えつつ、コンクリート表面のひび割れ検出において高い精度を達成できるか？
• RQ2 トランスファーラーニングは、ひび割れ検出タスクにおける検出性能を損なわせずに、訓練時間を著しく短縮できるか？
• RQ3 1つのモデルが、モルタル点検において一般的な課題である天然石のひび割れと継ぎ目の区別を効果的に実行できるか？
• RQ4 コンクリートおよび天然石の画像を組み合わせた統合データセットは、素材種別にわたるモデルの一般化性能をどの程度向上させるか？
• RQ5 産業現場への導入を想定した場合、本手法は従来のアプローチと比較して推論速度と精度の両面で優れているか？

主な発見

• 提案された軽量CNNは、コンクリートおよび天然石のひび割れデータセットの両方で高い検出精度を達成し、優れた一般化性能を示した。
• トランスファーラーニングにより、学習から再訓練する場合と比較して訓練時間が著しく短縮された一方で、予測性能は同等を維持した。
• 本モデルは、天然石における継ぎ目とひび割れの区別に成功した。これは、従来の手法でしばしば無視されがちな能力である。
• アノテート済みのひび割れおよび継ぎ目の独自データセットは、多様な素材種別および表面状態に対応したモデル性能の向上に寄与した。
• モデルの推論速度はリアルタイム導入を想定して最適化されており、現場点検用途に適した性能を有していた。
• 結果から、本モデルはインfra改修プロセスにおける人的コスト削減と効率性向上の実用的ツールとしての有効性が確認された。