[논문 리뷰] Application of Segment Anything Model for Civil Infrastructure Defect Assessment

Mohsen Ahmadi, Ahmad Gholizadeh Lonbar외 5명|arXiv (Cornell University)|2023. 04. 25.

Infrastructure Maintenance and Monitoring인용 수 23

한 줄 요약

이 논문은 SAM과 U-Net을 비교하여 콘크리트 균열 탐지에서 보완적 강점을 보이고, 도로 인프라 결함 평가를 개선하기 위한 결합 접근법을 제안합니다. 다리, 건물, 도로에 대한 잠재적 영향을 논의합니다.

ABSTRACT

This research assesses the performance of two deep learning models, SAM and U-Net, for detecting cracks in concrete structures. The results indicate that each model has its own strengths and limitations for detecting different types of cracks. Using the SAM's unique crack detection approach, the image is divided into various parts that identify the location of the crack, making it more effective at detecting longitudinal cracks. On the other hand, the U-Net model can identify positive label pixels to accurately detect the size and location of spalling cracks. By combining both models, more accurate and comprehensive crack detection results can be achieved. The importance of using advanced technologies for crack detection in ensuring the safety and longevity of concrete structures cannot be overstated. This research can have significant implications for civil engineering, as the SAM and U-Net model can be used for a variety of concrete structures, including bridges, buildings, and roads, improving the accuracy and efficiency of crack detection and saving time and resources in maintenance and repair. In conclusion, the SAM and U-Net model presented in this study offer promising solutions for detecting cracks in concrete structures and leveraging the strengths of both models that can lead to more accurate and comprehensive results.

연구 동기 및 목표

• 콘크리트 구조에서 첨단 DL 방법을 사용한 균열 탐지 향상을 동기 부여합니다.
• Segment Anything Model (SAM)의 균열 위치 파악 성능을 평가합니다.
• U-Net의 균열 크기 및 위치 결정 성능을 평가합니다.
• SAM과 U-Net을 결합하여 더 정확한 결함 평가를 얻는 방법을 탐구합니다.
• 다리, 건물, 도로의 유지보수 계획에서의 잠재적 적용 가능성을 강조합니다.

제안 방법

• 콘크리트 균열 데이터셋에서 SAM과 U-Net을 비교하여 강점과 한계를 파악합니다.
• Especially longitudinal cracks에 대한 균열 위치 지정을 위한 SAM의 이미지 분할 접근법을 분석합니다.
• 균열 크기와 위치를 정확히 탐지하기 위한 positive label 픽셀 식별에서의 U-Net의 능력을 분석합니다.
• 향상된 결함 탐지를 위한 두 모델을 활용하는 결합 워크플로를 제안합니다.
• 다양한 콘크리트 구조에 대한 SAM과 U-Net 사용의 시사점을 논의합니다.

실험 결과

연구 질문

• RQ1 콘크리트 구조의 다양한 유형의 균열을 탐지하는 데 SAM과 U-Net은 어떻게 수행합니까?
• RQ2 균열 위치 지정을 위한 SAM의 강점과 U-Net의 균열 크기 산정의 한계는 무엇입니까?
• RQ3 SAM과 U-Net의 결합이 전체 균열 탐지 정확도와 커버리지를 향상시킬 수 있습니까?
• RQ4 도시 기반 인프라 유지보수 및 안전에 대한 실용적 함의는 무엇입니까?

주요 결과

• SAM은 파티션 기반 접근법을 통해 특히 종방향 균열의 위치 식별에서 강점을 보입니다.
• U-Net은 균열 크기와 위치를 정확히 탐지하기 위한 양성 레이블 픽셀 식별에 탁월합니다.
• SAM과 U-Net을 함께 사용할 때 단독으로 사용할 때보다 더 정확하고 포괄적인 균열 탐지 결과를 얻을 수 있습니다.
• 두 모델 모두 다리, 건물, 도로와 같은 다양한 콘크리트 구조의 균열 탐지에 가능성을 보여줍니다.
• 연구는 콘크리트 인프라의 안전성과 수명을 개선하기 위한 첨단 기술의 중요성을 강조합니다.