[논문 리뷰] Fast Crack Detection Using Convolutional Neural Network

Jiesheng Yang, Fangzheng Lin외 3명|arXiv (Cornell University)|2021. 05. 23.

Infrastructure Maintenance and Monitoring참고 문헌 19인용 수 4

한 줄 요약

이 논문은 콘크리트 및 천연 석재 표면의 균열을 신속하고 정확하게 감지하고, 균열과 균열 틈새를 구분하기 위한 경량화된 컨볼루션 신경망(CNN)과 전이 학습을 제안한다. 모델은 콘크리트 및 천연 석재 영상이 결합된 고유의 데이터셋에서 높은 효율성과 성능를 달성하며, 훈련 시간과 노동 비용을 줄여 산업 적용 가능성이 높다.

ABSTRACT

To improve the efficiency and reduce the labour cost of the renovation process, this study presents a lightweight Convolutional Neural Network (CNN)-based architecture to extract crack-like features, such as cracks and joints. Moreover, Transfer Learning (TF) method was used to save training time while offering comparable prediction results. For three different objectives: 1) Detection of the concrete cracks; 2) Detection of natural stone cracks; 3) Differentiation between joints and cracks in natural stone; We built a natural stone dataset with joints and cracks information as complementary for the concrete benchmark dataset. As the results show, our model is demonstrated as an effective tool for industry use.

연구 동기 및 목표

• 건설 재료에서의 자동 균열 감지를 위한 빠르고 경량화된 CNN 모델 개발.
• 전이 학습을 통한 인프라 점검에서의 훈련 시간과 노동 비용 절감.
• 기존 방법에서 도전 과제로 여겨지는 천연 석재 표면에서 균열과 틈새를 구분하는 것.
• 콘크리트 및 천연 석재 균열과 틈새 애너테이션을 포함한 보완적 데이터셋 구축 및 활용.
• 수리 및 유지보수 워크플로우에 실시간으로 산업용으로 배포 가능한 균열 감지 구현.

제안 방법

• 이미지에서 균열 유사 특징을 효율적으로 추출하기 위해 고유의 경량 CNN 아키텍처를 설계하였다.
• 훈련을 가속화하고 일반화 성능를 향상시키기 위해 사전 학습된 모델을 사용한 전이 학습을 적용하였다.
• 다중 목적 훈련을 위한 콘크리트 균열, 천연 석재 균열 및 틈새를 애너테이션한 새로운 데이터셋을 구축하였다.
• 모델은 세 가지 별도의 작업에서 훈련 및 평가되었다: 콘크리트 균열 감지, 천연 석재 균열 감지, 틈새 대비 균열 식별.
• 모델의 강인성 향상과 과적합 방지를 위해 데이터 증강 및 전이 학습 기법을 사용하였다.
• 실시간 산업 환경에서의 구현을 지원하기 위해 추론 속도를 최적화하였다.

실험 결과

연구 질문

• RQ1 경량 CNN 모델이 계산 비용을 최소화하면서도 콘크리트 표면의 균열을 높은 정확도로 감지할 수 있는가?
• RQ2 전이 학습이 균열 감지 작업에서 성능을 저하시키지 않고 훈련 시간을 얼마나 효과적으로 단축시키는가?
• RQ3 단일 모델이 천연 석재 표면에서 균열과 틈새를 효과적으로 구분할 수 있는가? 이는 석조 점검에서 흔한 과제이다.
• RQ4 콘크리트 및 천연 석재 영상의 통합 데이터셋이 다양한 재질 유형 간의 일반화 능력을 얼마나 향상시키는가?
• RQ5 실제 산업 배포 환경에서 추론 속도와 정확도 측면에서 기존 방법과 비교해 본다면, 제안된 방법은 어떤가?

주요 결과

• 제안된 경량 CNN은 콘크리트 및 천연 석재 균열 데이터셋에서 높은 감지 정확도를 달성하여 강력한 일반화 능력을 보였다.
• 전이 학습은 훈련 시간을 크게 단축시키면서도, 초기 학습에서 훈련한 모델와 비교해 예측 성능를 유지하였다.
• 모델는 천연 석재에서 틈새와 균열을 성공적으로 구분하였으며, 이는 이전 방법에서 자주 간과되는 능력이다.
• 콘크리트 및 천연 석재 균열과 틈새를 애너테이션한 고유의 데이터셋이 다양한 재질 유형과 표면 조건에서의 모델 성능 향상에 기여하였다.
• 모델의 추론 속도는 실시간 배포를 위해 최적화되어 현장 점검 응용에 적합하였다.
• 결과는 모델가 인프라 수리 과정에서의 노동 비용 절감과 효율성 향상에 실용적인 도구로 효과적임을 확인한다.