[論文レビュー] Learning to Sieve: Prediction of Grading Curves from Images of Concrete Aggregate

Max Coenen, D. Beyer+2 more|arXiv (Cornell University)|Apr 7, 2022

Infrastructure Maintenance and Monitoring参考文献 16被引用数 8

ひとこと要約

本論文では、多スケール特徴エンコーダーを用いて多様な粒子径（0.125–32 mm）を扱うことで、高解像度画像からコンクリートの骨材粒度分布曲線を予測する深層学習手法AggNetを提案する。データ拡張を用いることで全体の正答率が95.5％に達し、人間の専門家を上回り、リアルタイムなコンクリート混合設計の適応を可能にする、1,000枚以上の画像と実測のふるい分け結果を併記した新規公開データセットを導入した。

ABSTRACT

A large component of the building material concrete consists of aggregate with varying particle sizes between 0.125 and 32 mm. Its actual size distribution significantly affects the quality characteristics of the final concrete in both, the fresh and hardened states. The usually unknown variations in the size distribution of the aggregate particles, which can be large especially when using recycled aggregate materials, are typically compensated by an increased usage of cement which, however, has severe negative impacts on economical and ecological aspects of the concrete production. In order to allow a precise control of the target properties of the concrete, unknown variations in the size distribution have to be quantified to enable a proper adaptation of the concrete's mixture design in real time. To this end, this paper proposes a deep learning based method for the determination of concrete aggregate grading curves. In this context, we propose a network architecture applying multi-scale feature extraction modules in order to handle the strongly diverse object sizes of the particles. Furthermore, we propose and publish a novel dataset of concrete aggregate used for the quantitative evaluation of our method.

研究の動機と目的

• 再生骨材のばらつきが著しい中で、コンクリート生産におけるリアルタイムかつ正確な粒度分布曲線推定の欠如に取り組む。
• 手動ふるい分けや過剰なセメント使用に依存しないように、自動化された画像ベースの粒度分布予測を可能にする。
• コンクリート骨材に見られる広範な粒子径（0.125–32 mm）を処理できる堅牢な深層学習モデルの開発。
• 機械的ふるい分けによる基準粒度分布曲線が付与された、高品質な公開可能なコンクリート骨材画像データセットの作成と公開。
• 骨材の粒度分布の変動をオンラインで検出することで、コンクリート混合設計のリアルタイムな適応を可能にする。

提案手法

• 多スケール特徴エンコーダーを備えた畳み込みニューラルネットワーク（CNN）であるAggNetを提案し、顕著な粒子径差を示す画像から特徴を抽出する。
• 局所的およびグローバルなパターンを捉える多スケール特徴抽出モジュールを採用し、不均一な骨材画像における性能を向上させる。
• 計算効率を高めるために、実験ではGSD（地面サンプリング距離）を8 px/mmとする高解像度画像を用いるが、実際には2 px/mmなどの低GSDを使用する。
• トレーニング中にデータ拡張技術を適用し、類似した粒度分布曲線間の誤分類を低減し、一般化性能を向上させる。
• 機械的ふるい分けによる基準粒度分布曲線がラベル付けされた、1,000枚以上のコンクリート骨材画像からなる新規データセットを用いてモデルをトレーニングおよび評価する。
• モデルの性能を人間の専門家の分類結果と比較し、誤りパターンやモデルの限界を分析する。

実験結果

リサーチクエスチョン

• RQ1 粒子径が0.125 mmから32 mmまで広範にわたる中で、深層学習モデルが画像からコンクリート骨材の粒度分布曲線を正確に予測できるか？
• RQ2 標準的なCNNと比較して、多スケール特徴抽出は粒度分布曲線予測の性能をどの程度向上させるか？
• RQ3 データ拡張により、類似したが異なる粒子径割合を持つ粒度分布曲線間の誤分類はどの程度低減されるか？
• RQ4 深層学習モデルの誤りパターンは、骨材粒度分布曲線を分類する人間の専門家と比較してどのように異なるか？
• RQ5 提案手法により、骨材のばらつきに基づいた、リアルタイムでのオンライン監視とコンクリート混合設計の適応が可能か？

主な発見

• データ拡張を施したAggNet:MSモデルは、同じ分類タスクにおいて人間の専門家（62.8％正答率）を大きく上回り、全体の正答率が95.5％に達した。
• データ拡張によりモデルの性能が著しく向上し、類似した粒子径分率を示すが異なる粒度分布曲線間の誤分類が低減された。
• C16とC32のクラス間の誤分類（細粒および非常に細粒を含むが粗粒分率が小さい）が最大の誤り要因となり、13.2％の誤分類率を示した。これは、小さな粗粒分率の同定が困難であることを示唆している。
• 多スケールエンコーダー・モジュールにより、多様な粒子径にわたる特徴抽出が著しく向上し、ベースラインモデルと比較して性能が向上した。
• 人間の専門家は主に粒度（例：細粒対中粒）や最大粒子径（例：8 mm 対 16 mm）に基づいて誤分類するが、モデルの誤りパターンも同様であり、中間粒度分布曲線に内在する視覚的曖昧性を示している。
• 本研究で作成・公開した1,000枚以上の高解像度画像と基準粒度分布曲線を併記したデータセットは、今後の自動骨材特性評価分野のベンチマークと研究を可能にする。