[논문 리뷰] Learning to Sieve: Prediction of Grading Curves from Images of Concrete Aggregate

Max Coenen, D. Beyer외 2명|arXiv (Cornell University)|2022. 04. 07.

Infrastructure Maintenance and Monitoring참고 문헌 16인용 수 8

한 줄 요약

이 논문은 고해상도 영상에서 다양한 입자 크기(0.125–32 mm)를 처리하기 위해 다중 척도 특징 인코더를 사용하는 딥러닝 방법 AggNet을 제안한다. 이 방법은 데이터 증강을 통해 총 정확도 95.5%를 달성하며 인간 전문가를 능가하고, 실제 콘크리트 혼합물 적응을 위한 실시간으로 사용 가능한 공개 데이터셋(1,000장 이상의 영상 및 기계적 체질 결과 기반 참조 값)을 신규로 제작하였다.

ABSTRACT

A large component of the building material concrete consists of aggregate with varying particle sizes between 0.125 and 32 mm. Its actual size distribution significantly affects the quality characteristics of the final concrete in both, the fresh and hardened states. The usually unknown variations in the size distribution of the aggregate particles, which can be large especially when using recycled aggregate materials, are typically compensated by an increased usage of cement which, however, has severe negative impacts on economical and ecological aspects of the concrete production. In order to allow a precise control of the target properties of the concrete, unknown variations in the size distribution have to be quantified to enable a proper adaptation of the concrete's mixture design in real time. To this end, this paper proposes a deep learning based method for the determination of concrete aggregate grading curves. In this context, we propose a network architecture applying multi-scale feature extraction modules in order to handle the strongly diverse object sizes of the particles. Furthermore, we propose and publish a novel dataset of concrete aggregate used for the quantitative evaluation of our method.

연구 동기 및 목표

• 재활용 애그리게이트의 높은 변동성으로 인해 콘크리트 생산 현장에서 실시간으로 정확한 배급 곡선 추정이 부족한 문제를 해결하기 위해.
• 수작업 체질과 과도한 시멘트 사용에 의존하는 것을 줄이고, 자동화된 영상 기반 배급 곡선 예측을 통해 이를 대체하기 위해.
• 콘크리트 애그리게이트의 광범위한 입자 크기 범위(0.125–32 mm)를 처리할 수 있는 강력한 딥러닝 모델 개발을 위해.
• 기계적 체질 결과와 함께 참조 배급 곡선이 제공된 고해상도 콘크리트 애그리게이트 영상 데이터셋을 제작하고 공개하기 위해.
• 애그리게이트 크기 분포의 변화를 실시간으로 감지하여 콘크리트 혼합 설계를 온라인에서 적응시킬 수 있도록 하기 위해.

제안 방법

• 다양한 입자 크기에서 분류 가능한 특징을 추출하기 위해 다중 척도 특징 인코더를 갖춘 컨볼루션 신경망(CNN)인 AggNet을 제안한다.
• 지역적 및 전반적 패턴을 모두 포착하는 다중 척도 특징 추출 모듈을 도입하여 이질적인 애그리게이트 영상에서의 성능을 향상시킨다.
• 고해상도 영상(지상 샘플링 거리(GSD) 8 px/mm)을 사용하지만, 계산 효율성을 위해 실험에서는 더 낮은 GSD(예: 2 px/mm)를 사용한다.
• 학습 중 데이터 증강 기법을 적용하여 일반화 능력을 향상시키고 유사한 배급 곡선 간의 오분류를 줄인다.
• 기계적 체질을 통해 참조 배급 곡선이 확정된 1,000장 이상의 원자재 콘크리트 애그리게이트 영상으로 구성된 새로운 데이터셋을 사용해 모델을 학습하고 평가한다.
• 모델 성능을 인간 전문가의 분류 결과와 비교하여 오류 패턴과 모델의 한계를 분석한다.

실험 결과

연구 질문

• RQ1 입자 크기가 0.125 mm에서 32 mm까지 크게 변동하는 상황에서도 딥러닝 모델이 영상에서 콘크리트 애그리게이트의 배급 곡선을 정확히 예측할 수 있는가?
• RQ2 기본적인 CNN과 비교해 다중 척도 특징 추출이 배급 곡선 예측 성능에 어떤 기여를 하는가?
• RQ3 데이터 증강이 유사하지만 다를 수 있는 크기 분포를 가진 배급 곡선 간 오분류를 어느 정도 줄이는가?
• RQ4 딥러닝 모델의 오류 패턴은 인간 전문가가 애그리게이트 배급 곡선을 분류할 때 나타나는 오류 패턴과 어떻게 유사한가?
• RQ5 제안된 방법이 애그리게이트 변동성에 기반해 실시간으로 온라인 모니터링 및 혼합 설계 적응을 가능하게 하는가?

주요 결과

• 데이터 증강을 적용한 AggNet:MS 모델은 총 정확도 95.5%를 달성하여 동일한 분류 작업에서 인간 전문가(62.8% 정확도)를 크게 능가했다.
• 데이터 증강을 통해 모델 성능이 크게 향상되었으며, 유사한 크기 분획을 포함하지만 비율이 다른 배급 곡선 간 오분류가 감소했다.
• C16과 C32 클래스 간의 오분류가 가장 큰 오류 원인이었으며, 13.2%의 오분류율을 보였는데, 이는 작은 굵기의 조각을 식별하는 데 어려움이 있음을 시사한다.
• 다중 척도 인코더 모듈이 다양한 입자 크기에서 특징 추출 능력을 크게 향상시켜 기준 모델 대비 성능 향상에 기여했다.
• 인간 전문가의 오류는 주로 입자 크기의 미세함(예: 미세 vs. 중간) 또는 가장 큰 입자 크기(예: 8 mm vs. 16 mm) 기반으로 발생했으며, 이는 모델의 오류 패tern과 유사했다. 이는 중간 수준의 배급 곡선에서 시각적 모호성이 존재함을 시사한다.
• 제안된 1,000장 이상의 고해상도 영상과 기계적 체질 기반 참조 배급 곡선을 포함한 데이터셋은 공개되어 있으며, 향후 자동화된 애그리게이트 특성 분석 연구 및 벤치마킹에 기여할 수 있다.