딥러닝과 Dilation-Erosion 기법을 접목한 영상 기반 정밀 균열 평가 기술 = Image-Based Precise Crack Assessment using Deep Learning Powered by Dilation-Erosion Technique
저자
발행사항
서울 : 서울시립대학교 일반대학원, 2022
학위논문사항
학위논문(석사)-- 서울시립대학교 일반대학원 : 토목공학과 구조공학 2022. 8
발행연도
2022
작성언어
한국어
주제어
발행국(도시)
서울
형태사항
vi, 66 p. ; 26 cm
일반주기명
지도교수: 조수진
UCI식별코드
I804:11035-000000033617
소장기관
구조물에서 발생한 균열을 효과적으로 탐지하기 위해 딥러닝과 영상기반 점검 기술을 접목한 많은 연구들이 있었다. 일부 연구에서는 균열 영역을 균열의 외부까지 포함하는 라벨링을 수행하여, 정량화 단계에서 전처리 과정을 필요로 하였다. 이러한 과정은 균열부를 추출하는 알고리즘에서 균열인 부분과 아닌 부분을 결정하는 경계값을 일반화하지 못하는 문제점이 있다. 따라서 본 연구에서는 기존의 딥러닝 기반 균열탐지 기술에 팽창(Dilation)-축소(Erosion) 기법을 접목한 새로운 탐지 기술과 딥러닝 탐지 결과를 이용하여 정량화까지 실시하는 균열 평가 기술을 제안한다. 균열 평가 기술은 딥러닝 모델의 균열탐지와 이미지 프로세싱을 이용한 폭 정량화, 두 단계로 구성된다. 균열탐지 단계는 학습데이터 제작 - 딥러닝 모델 학습 - 균열탐지 수행으로 구분된다. 먼저 균열 영역을 균열 내부로 한정하여 학습데이터 라벨링을 정교하게 수행하고, 정교하게 라벨링된 데이터에 팽창을 적용하였다. 팽창을 통해 균열에 대한 픽셀 정보가 증가된 학습데이터로 Cascade Mask R-CNN을 균열탐지용 딥러닝 모델로 학습시켰다. 학습된 모델을 이용하여 콘크리트 벽체를 대상으로 균열탐지를 수행한 결과, 제안 방법을 적용했을 때 길이 기반 F1-Score가 0.270 증가하여 균열탐지율이 향상되었다. 탐지 결과에 팽창과 동일한 크기만큼 축소를 적용하여 폭 정량화를 수행한 결과, 오차의 평균이 0.018mm로 나타났다. 이를 통해 제안 방법을 적용했을 때 폭 정량화의 정확도가 향상되는 것을 확인하였다. 추가로 18,592×10,000의 해상도를 가진 도로포장 이미지 7장에 대해서 균열탐지를 수행한 결과, 길이 기반 F1-Score가 0.071 증가하여 제안 방법을 적용했을 때 균열탐지율이 향상됨을 확인하였다. 이러한 결과를 통해서 팽창과 축소를 적용한 제안 방법을 이용하면 균열탐지율과 폭 정량화의 정확도를 향상됨을 확인하였다.
더보기Recently, many studies on image-based structural inspection combined with deep learning segmentation models have been reported to the purpose of effectively detecting cracks in structures. In some studies, crack areas were labeled in a wide and coarse manner with containing the crack exterior for model training, which required pre-processing of the detected crack area to quantify the crack width. However, the pre-processing is based on the image processing algorithm and may not clearly distinguish the crack object from the background, resulting in inaccurate quantification results. In the other studies, crack regions were labeled in an elaborate manner according to the boundaries of crack objects. This is useful for quantifying cracks, but due to the abstract nature of typical deep segmentation models, crack features may be missing during model training. In this study, for accurate crack detection and quantification, we propose a novel approach including dilation-erosion method to the existing deep learning-based crack detection approach. First, the crack area is elaborately labeled to include only the inside of the crack, and the area is dilated using a structuring element so that the features of the thin cracks are not missed during model training. In this study, Cascade Mask R-CNN was used as a deep segmentation model for crack detection. The dilated crack area detected by the trained model due to the dilated training data is eroded using the same structuring element. This makes pre-processing unnecessary, which can greatly reduce quantification errors.
The performance of the proposed approach was evaluated on images taken from concrete walls and concrete pavements. As a result of performing crack detection on the concrete wall using the trained model, the proposed approach increased the length-based F1-Score by 0.270 on average. This proved significant improvement in crack detection by applying the dilation on the elaborated labeled cracks. Crack quantification was carried out by applying the erosion with the same structuring element with dilation. The average error of the proposed approach was found to be 0.018mm, which was much smaller than the average error of the conventional approach (= 0.084mm) with pre-processing. Performance was additionally evaluated for 7 concrete pavement images with a resolution of 18,592×10,000 pixels. Using the same model for concrete wall images, the length-based F1-Score of the proposed approach increased on average by 0.071, reconfirming that the proposed method can accurately detect very thin cracks. Experimental results confirmed that the proposed approach can significantly improve the accuracy both in crack detection using segmentation models and in crack quantification without pre-processing.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)