[論文レビュー] Road Crack Detection Using Deep Convolutional Neural Network and Adaptive Thresholding

Rui Fan, Mohammud Junaid Bocus+6 more|arXiv (Cornell University)|Apr 18, 2019

Infrastructure Maintenance and Monitoring参考文献 43被引用数 17

ひとこと要約

本稿では、道路クラック検出のための2段階のディープラーニング手法を提案する。まず、深層畳み込みニューラルネットワーク（DCNN）を用いて画像をクラックを含む（99.92％の正確性）か含まない（クラックなし）かに分類し、その後、二重フィルタリングと適応しきい値処理を用いて道路表面からのクラックのセグメンテーションを実行する。この手法は、画素単位のセグメンテーション正確性が98.70％に達し、精度とF1スコアにおいてオツーのしきい値処理を上回った。

ABSTRACT

Crack is one of the most common road distresses which may pose road safety hazards. Generally, crack detection is performed by either certified inspectors or structural engineers. This task is, however, time-consuming, subjective and labor-intensive. In this paper, we propose a novel road crack detection algorithm based on deep learning and adaptive image segmentation. Firstly, a deep convolutional neural network is trained to determine whether an image contains cracks or not. The images containing cracks are then smoothed using bilateral filtering, which greatly minimizes the number of noisy pixels. Finally, we utilize an adaptive thresholding method to extract the cracks from road surface. The experimental results illustrate that our network can classify images with an accuracy of 99.92%, and the cracks can be successfully extracted from the images using our proposed thresholding algorithm.

研究の動機と目的

• 時間のかかる、主観的でノイズに敏感な従来の手動的で、かつ限界のあるクラック検出手法の課題を解決すること。
• 現実世界の低品質な画像において、自動的で、頑健で、正確な道路クラック検出システムを構築すること。
• 深層学習による分類と、ノイズを低減しながらクラックエッジを保持する適応しきい値処理を組み合わせることで、クラックセグメンテーションを改善すること。
• 従来のしきい値処理手法（例：オツーの方法）に対して、画素単位の精度とF1スコアにおいて、クラックセグメンテーションで優れた性能を示すこと。

提案手法

• 入力画像を「陽性（クラックあり）」または「陰性（クラックなし）」に分類するため、ReLU活性化関数とマックスプーリング層を用いた深層畳み込みニューラルネットワーク（DCNN）を訓練する。
• 陽性画像は、クラックと道路表面のエッジ情報を保持しながらノイズを低減するため、二重フィルタリングを施す。
• フィルタリング済み画像はダウンサンプリングされ、k-meansクラスタリングを用いてクラス内分散の二乗和を最小化することで、適応しきい値が計算される。
• 計算された適応しきい値を用いてフィルタリング済み画像をセグメンテーションすることで、クラック領域が抽出される。このしきい値は画像の局所的特徴に基づき動的に調整される。
• 標準指標（画素レベルおよび画像レベルでの精度、再現率、正確性、F1スコア）を用いて性能を評価する。
• 手動でアノテーションされたデータセット（100ピクセル未満のクラックは無視）を用いて、同じ評価指標でオツーのしきい値処理と比較した。

実験結果

リサーチクエスチョン

• RQ1 深層畳み込みニューラルネットワークは、誤検出および誤検出を最小限に抑えて、高精度な画像レベルのクラック有無分類を達成できるか？
• RQ2 セグメンテーションの前段階で、二重フィルタリングはノイズを効果的に低減しながらクラックエッジ情報を保持できるか？
• RQ3 k-meansクラスタリングに基づく適応しきい値処理手法は、複雑な背景からのクラックセグメンテーションにおいて、固定しきい値手法（例：オツーの方法）を上回れるか？
• RQ4 提案手法の画素単位のセグメンテーション正確性は、ベースラインのしきい値処理手法と比較してどの程度か？

主な発見

• 提案されたDCNNは、テストセット全体で4例の誤検出および4例の誤検出を示すのみで、分類正確性が99.92％に達した。
• 適応しきい値処理手法は、τ＝1に設定した際、画素単位のF1スコアが0.9548に達し、オツーの方法（F1＝0.9462）を上回った。
• 提案手法は、τ＝1の際、精度0.9774、正確性0.9870を記録し、オツーの精度（0.9590）および正確性（0.9848）を上回った。
• この手法は、τの値が変化しても高い性能を維持しており、F1スコアが常に0.94以上であったため、しきい値パラメータの変動に対して頑健であることが示された。
• 改善は見られたが、高ノイズの画像では依然として完全でないセグメンテーションが生じており、さらなる最適化の必要性が示された。
• DCNNによる画像分類は、1コアCPU上でも1画像あたり4.8msで実行され、計算効率が優れていることが明らかになった。