[논문 리뷰] Vision-based Structural Inspection using Multiscale Deep Convolutional Neural Networks

Vedhus Hoskere, Yasutaka Narazaki외 2명|arXiv (Cornell University)|2018. 05. 02.

Infrastructure Maintenance and Monitoring참고 문헌 26인용 수 80

한 줄 요약

논문은 픽셀 단위의 다중 해상도 심층 CNN 접근법으로 이미지에서 구조 손상의 여섯 가지 유형을 자동으로 위치 및 분류하고, 손상 영역을 구분하는 분할 출력을 생성합니다.

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.

연구 동기 및 목표

• 재난 이후 manual inspection이 제한된 상황에서 토목 인프라의 자동화되고 확장 가능한 점검을 동기부여한다.
• 다중 스케일 딥러닝을 이용한 픽셀 단위 손상 위치화 방법을 개발한다.
• 여섯 가지 서로 다른 손상 유형의 인식을 가능하게 하고 분할된 손상 맵에 라벨을 부여한다.

제안 방법

• 다중 스케일에서 픽셀 단위 이미지를 분류하기 위해 최신의 심층 컨볼루션 신경망을 사용한다.
• 여섯 가지 손상 카테고리를 인식하고 손상 영역에 카테고리 라벨이 부여된 분할 이미지로 출력하도록 학습한다.
• 다중 스케일 컨텍스트를 활용하여 기존 컴퓨터 비전 기법보다 향상된 손상 위치화 및 분류 파이프라인을 제공한다.
• 실세계 이미지에서 픽셀 정확도로 성능을 평가한다.

실험 결과

연구 질문

• RQ1 다중 스케일 딥 CNN이 여러 손상 유형에 걸쳐 구조 손상의 픽셀 단위 위치화를 정확히 달성할 수 있는가?
• RQ2 사건 이후 구조 이미지에서 여섯 가지 사전 정의된 손상 범주를 분류하고 분할하는 정확도는 어느 정도인가?
• RQ3 다중 스케일 접근법이 단일 스케일 방법에 비해 손상 분할을 향상시키는가?

주요 결과

• 해당 방법은 다중 스케일에서 손상을 픽셀 단위로 분류한다.
• 출력은 손상 영역이 윤곽으로 구분되고 여섯 가지 손상 범주 중 하나로 라벨링된 분할 이미지이다.
• 해당 방법은 real-world 이미지에서 픽셀 정확도 측면으로 평가된다.