[論文レビュー] Vision-based Structural Inspection using Multiscale Deep Convolutional Neural Networks

Vedhus Hoskere, Yasutaka Narazaki+2 more|arXiv (Cornell University)|May 2, 2018

Infrastructure Maintenance and Monitoring参考文献 26被引用数 80

ひとこと要約

本論文はピクセル単位のマルチスケール深層CNNアプローチを提案し、画像中の6種類の構造的損傷を自動的に局在化・分類し、損傷領域を区分するセグメント出力を生成する。

ABSTRACT

Current methods of practice for inspection of civil infrastructure typically involve visual assessments conducted manually by trained inspectors. For post-earthquake structural inspections, the number of structures to be inspected often far exceeds the capability of the available inspectors. The labor intensive and time consuming natures of manual inspection have engendered research into development of algorithms for automated damage identification using computer vision techniques. In this paper, a novel damage localization and classification technique based on a state of the art computer vision algorithm is presented to address several key limitations of current computer vision techniques. The proposed algorithm carries out a pixel-wise classification of each image at multiple scales using a deep convolutional neural network and can recognize 6 different types of damage. The resulting output is a segmented image where the portion of the image representing damage is outlined and classified as one of the trained damage categories. The proposed method is evaluated in terms of pixel accuracy and the application of the method to real world images is shown.

研究の動機と目的

• 災害後の土木インフラの自動化・スケーラブルな検査を動機づける。
• マルチスケール深層学習を用いたピクセル単位の損傷局在化手法を開発する。
• 6つの異なる損傷タイプの認識を可能にし、セグメント化されラベル付けされた損傷マップを生成する。）

提案手法

• 最先端の深層畳み込みニューラルネットワークを用いて、複数のスケールでピクセル単位の画像分類を行う。
• 6つの損傷カテゴリを認識するよう訓練し、カテゴリでラベル付けされた損傷領域をセグメント化した画像を出力する。
• 多層的な文脈を活用して既存のCV手法より改善された損傷局在化と分類のパイプラインを提供する。
• 実世界の画像に対するピクセル精度で性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 マルチスケール深層CNNは複数の損傷タイプにわたって、構造的損傷のピクセル単位の正確な局在化を達成できるか？
• RQ2 イベント後の構造画像において、6つの事前定義された損傷カテゴリをどれだけ正確に分類・セグメント化できるか？
• RQ3 単一スケール手法と比較して、マルチスケール手法は損傷のセグメンテーションを改善できるか？

主な発見

• 本手法は複数のスケールにわたる損傷のピクセル単位分類を実現する。
• 出力は、損傷領域が輪郭づけられ、6つの損傷カテゴリのいずれかでラベル付けされたセグメント化画像である。
• この手法は実世界の画像に対してピクセル精度の観点で評価されている。