[논문 리뷰] Road Crack Detection Using Deep Convolutional Neural Network and Adaptive Thresholding

Rui Fan, Mohammud Junaid Bocus외 6명|arXiv (Cornell University)|2019. 04. 18.

Infrastructure Maintenance and Monitoring참고 문헌 43인용 수 17

한 줄 요약

이 논문은 도로 균열 검출을 위한 이단계 딥러닝 접근법을 제안한다: 먼저 깊이 학습된 합성곱 신경망(DCNN)을 사용해 균열이 포함된 이미지(99.92% 정확도)로 분류한 후, 양면 필터링과 적응형 임계값 처리를 통해 도로 표면에서 균열을 분할한다. 이 방법은 픽셀 수준에서 98.70%의 분할 정확도를 달성하여 오츠의 임계값 처리보다 정밀도와 F1 점수에서 뛰어나다.

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.

연구 동기 및 목표

• 시간이 오래 걸리고 주관적인 전통적 수동 및 노이즈 민감한 균열 검출 방법의 한계를 해결하기 위해.
• 실제 저품질 이미지에서 도로 균열을 자동으로, 강건하고 정확하게 검출할 수 있는 시스템을 개발하기 위해.
• 딥러닝 분류와 적응형 임계값 처리를 조합하여 노이즈를 줄이고 균열 가장자리 정보를 유지함으로써 균열 분할 성능를 향상시키기 위해.
• 오츠의 방법과 같은 전통적 임계값 처리 방법보다 픽셀 수준 정밀도와 F1 점수에서 뛰어난 성능을 내기 위해.

제안 방법

• 입력 이미지를 균열 존재(양성) 또는 균열 미존재(음성)로 분류하기 위해 깊이 학습된 합성곱 신경망(DCNN)을 훈련시키며, ReLU 활성화 함수와 맥스 풀링 레이어를 사용한다.
• 양성 이미지는 균열과 도로 표면 간의 가장자리 정보를 유지하면서 노이즈를 억제하기 위해 이중 필터링을 적용한다.
• 필터링된 이미지를 다운샘플링하고, k-means 클러스터링을 사용해 군내 제곱합을 최소화함으로써 적응형 임계값을 계산한다.
• 계산된 적응형 임계값을 사용해 필터링된 이미지를 분할함으로써 균열 영역을 추출하며, 이는 지역 이미지 특성에 따라 동적으로 조정된다.
• 표준 평가 지표인 정밀도, 재현도, 정확도, F1 점수를 사용해 이미지 수준 및 픽셀 수준에서 성능을 평가한다.
• 균열 길이가 100 픽셀 미만인 경우를 제외한 수동으로 애너테이션된 데이터셋을 사용해 동일한 평가 지표로 오츠의 임계값 처리와 비교한다.

실험 결과

연구 질문

• RQ1 딥러닝 합성곱 신경망은 거짓 양성 및 거짓 음성 수를 최소화하면서 도로 균열 존재 여부를 고정밀도로 이미지 수준에서 분류할 수 있는가?
• RQ2 균열 분할 이전에 이중 필터링이 노이즈를 효과적으로 줄이고 균열 가장자리 정보를 유지하는 데 효과적인가?
• RQ3 k-means 클러스터링 기반의 적응형 임계값 처리 방법이 오츠의 고정 임계값 처리 방법보다 복잡한 배경에서 균열을 분할하는 데 뛰어난 성능을 보일 수 있는가?
• RQ4 제안된 방법의 픽셀 수준 분할 정확도는 기준 임계값 처리 기법과 비교해 어떻게 되는가?

주요 결과

• 제안된 DCNN는 테스트 세트에서 오직 네 건의 거짓 양성과 네 건의 거짓 음성만을 기록하며, 분류 정확도가 99.92%에 이르렀다.
• 적응형 임계값 처리 방법은 τ = 1일 때 픽셀 수준 F1 점수 0.9548을 기록하여 오츠의 방법(정확도 F1 = 0.9462)을 초월했다.
• τ = 1일 때 제안된 방법은 정밀도 0.9774와 정확도 0.9870을 기록하였으며, 오츠의 방법의 정밀도(0.9590)와 정확도(0.9848)를 모두 초월했다.
• 이 방법은 다양한 τ 값에서도 높은 성능 유지를 보였으며, F1 점수는 항상 0.94 이상 유지되어 임계값 파rameter 변화에 대한 강건성을 보였다.
• 개선에도 불구하고, 높은 노이즈 수준을 가진 일부 이미지에서는 완벽한 분할이 이루어지지 않아 향후 보완이 필요함을 시사했다.
• DCNN를 이용한 이미지 분류 작업은 단일 코어 CPU에서 이미지당 4.8ms로 매우 빠르게 수행되어 계산 효율성이 뛰어나다는 것을 입증했다.