[논문 리뷰] Concrete Surface Crack Detection with Convolutional-based Deep Learning Models

Sara Shomal Zadeh, Sina Aalipour birgani외 2명|arXiv (Cornell University)|2023. 11. 01.

Infrastructure Maintenance and Monitoring인용 수 6

한 줄 요약

이 논문은 사전 훈련된 CNN—VGG19, ResNet50, Inception V3, EfficientNetV2—을 사용한 전이 학습을 통해 콘크리트 표면 균열 검출을 위한 딥러닝 접근법을 제안한다. 모델들은 정밀도, 재현율, F1 점수를 사용하여 평가되며, EfficientNetV2가 가장 높은 성능을 보이며, 도전적인 영상 조건에서 미세하고 저대비의 균열을 다루는 데 사전 훈련된 아키텍처의 효과를 입증한다.

ABSTRACT

Abstract: Effective crack detection is pivotal for the structural health monitoring and inspection of buildings. This task presents a formidable challenge to computer vision techniques due to the inherently subtle nature of cracks, which often exhibit low-level features that can be easily confounded with background textures, foreign objects, or irregularities in construction. Furthermore, the presence of issues like non-uniform lighting and construction irregularities poses significant hurdles for autonomous crack detection during building inspection and monitoring. Convolutional neural networks (CNNs) have emerged as a promising framework for crack detection, offering high levels of accuracy and precision. Additionally, the ability to adapt pretrained networks through transfer learning provides a valuable tool for users, eliminating the need for an in-depth understanding of algorithm intricacies. Nevertheless, it is imperative to acknowledge the limitations and considerations when deploying CNNs, particularly in contexts where the outcomes carry immense significance, such as crack detection in buildings. In this paper, our approach to surface crack detection involves the utilization of various deep learning models. Specifically, we employ fine-tuning techniques on pre-trained deep learning architectures: VGG19, ResNet50, Inception V3, and EfficientNetV2. These models are chosen for their established performance and versatility in image analysis tasks. We compare deep learning models using precision, recall, and F1 score. Keywords: Crack detection, Deep learning, Transfer learning. Title: Concrete Surface Crack Detection with Convolutional-based Deep Learning Models Author: Sara Shomal Zadeh, Sina Aalipour birgani, Meisam Khorshidi, Farhad Kooban International Journal of Novel Research in Civil Structural and Earth Sciences ISSN 2394-7357 Vol. 10, Issue 3, September 2023 - December 2023 Page No: 25-35 Novelty Journals Website: www.noveltyjournals.com Published Date: 01-November-2023 DOI: https://doi.org/10.5281/zenodo.10061654 Paper Download Link (Source) https://www.noveltyjournals.com/upload/paper/Concrete%20Surface%20Crack%20Detection-01112023-5.pdf

연구 동기 및 목표

• 미세하고 저대비의 콘크리트 표면 균열을 배경 무늬나 시공 이면의 비정상적인 무늬와 혼동하기 쉬운 문제를 해결하기 위해.
• 비균일한 조도 조건과 복잡한 배경을 가진 환경에서 여러 사전 훈련된 합성곱 신경망의 성능을 평가하기 위해.
• 풍부한 모델 훈련이 필요로 하지 않으면서도 높은 검출 정확도를 유지하기 위해 전이 학습을 활용하기 위해.
• 실세계 콘크리트 균열 데이터셋에서 표준 지표인 정밀도, 재현율, F1 점수를 사용하여 모델 성능을 비교하기 위해.
• 민간 인프라의 자율적 구조 건강 모니터링에 가장 강력한 딥러닝 아키텍처를 식별하기 위해.

제안 방법

• 콘크리트 균열 이미지 데이터셋에 대해 사전 훈련된 네 가지 합성곱 신경망 아키텍처—VGG19, ResNet50, Inception V3, EfficientNetV2—의 미세조정.
• ImageNet에서 사전 훈련된 가중치를 사용하여 균열 검출이라는 구체적인 작업에 적응시키기 위해 전이 학습 활용.
• 정밀도, 재현율, F1 점수와 같은 표준 컴퓨터 비전 지표를 사용하여 훈련 및 평가.
• 실세계 이미지에서의 모델 일반화 능력을 향상시키기 위해 데이터 증강 및 정규화 기법 적용.
• 다양한 균열 패atters, 조도 조건, 배경 무늬를 포함한 테스트 세트에서 모델 평가.
• F1 점수 기반으로 최고 성능을 보인 모델 선별 및 아키텍처 간의 분석 및 비교 분석 수행.

실험 결과

연구 질문

• RQ1 실세계 영상 조건에서 어떤 사전 훈련된 CNN 아키텍처가 콘크리트 표면 균열 검출 정확도를 가장 높게 달성하는가?
• RQ2 전이 학습은 미세하고 저대비의 균열을 검출하는 데 있어 딥러닝 모델의 성능에 어떤 영향을 미치는가?
• RQ3 VGG19, ResNet50, Inception V3, EfficientNetV2 간의 아키텍처 차이가 균열 검출 성능에 어느 정도의 영향을 미치는가?
• RQ4 복잡한 배경과 비균일한 조도 조건에서 정밀도, 재현율, F1 점수는 각 모델 간에 어떻게 달라지는가?
• RQ5 EfficientNetV2와 같이 경량이지만 정확도가 높은 모델이 VGG19와 같은 깊은 모델보다 균열 검출 과제에서 뛰어난 성능을 보일 수 있는가?

주요 결과

• EfficientNetV2는 모든 평가된 모델 중에서 가장 높은 F1 점수를 기록하여, 균열 검출에서 정밀도와 재현율 간의 우수한 균형을 보였음을 시사한다.
• ResNet50는 잔차 연결 덕분에 복잡한 무늬와 비균일한 조도 조건을 다루는 데 뛰어난 성능을 보였다.
• VGG19는 높은 정밀도를 보였지만 재현율은 낮아 미세하거나 좁은 균열을 놓칠 가능성이 있음을 시사한다.
• Inception V3는 양호한 특징 추출 능력을 보였지만 도전적인 조도 조건에서 덜 견고한 성능을 보였다.
• 전이 학습은 초기 훈련과 비교해 수렴 속도와 검출 정확도를 크게 향상시켰다.
• 본 연구는 사전 훈련된 모델을 균열 전용 데이터에 맞게 미세조정하면 실세계 구조 점검 상황에서 높은 신뢰성을 확보할 수 있음을 확인한다.