시설물 안전 점검을 위한 딥러닝 기반 균열 탐지 -터널 콘크리트 라이닝을 중심으로- = Deep Learning-based Crack Detection for Facility Safety Inspection -Focusing on Tunnel Cement Concrete Lining-
저자
발행사항
서울 : 서울시립대학교 일반대학원, 2023
학위논문사항
학위논문(석사)-- 서울시립대학교 일반대학원 : 공간정보공학과 2023. 2
발행연도
2023
작성언어
한국어
주제어
발행국(도시)
서울
형태사항
v, 69 p. ; 26 cm
일반주기명
지도교수: 이임평
UCI식별코드
I804:11035-000000034029
소장기관
인력 기반 터널 점검은 점검자의 주관적인 판단에 영향을 받으며 지속적인 이력 관리가 어렵다. 따라서 최근에는 터널을 비롯한 여러 가지 기반 시설물에 발생한 콘크리트 균열을 영상과 딥러닝 기반으로 자동 탐지하는 연구가 최근 활발히 이루어지고 있다. 하지만 대부분의 연구에서는 사용하는 대규모 공개 균열 데이터셋은 터널 내부에서 발생하는 균열과 매우 상이하다. 또한, 현행 터널 상태평가에서 정교한 균열 레이블을 구축하기 위해서는 추가적인 작업이 요구된다. 이에 본 연구는 균열 형상이 다소 단순하게 표현된 기존 데이터셋을 딥러닝 모델에 입력하여 균열 탐지 성능을 개선하는 방안을 제시한다. 기존 터널 데이터셋, 고품질 터널 데이터셋을 조합하여 학습한 딥러닝 모델의 성능평가를 수행하고 딥러닝 모델별 추론 결과를 결합하여 성능 향상을 기대한다. 또한, 이러한 연구성과를 실제 현장에 적용하려면 딥러닝 모델의 신뢰성을 설명하는 것이 중요하다. 따라서 본 연구에서는 균열 탐지 딥러닝 모델의 성능을 더 합리적으로 설명할 수 있는 스켈레톤화와 허용 버퍼 기반 평가지표를 적용한다. 실험 결과 일부 고품질 정답 레이블과 기존 정답 레이블의 조합으로 균열 탐지가 가능함을 확인하였다. 인코더-디코더 구조의 DeepLabv3+ 모델이 가장 높은 탐지 재현율을 보였다. 특히 시설물 안전진단 기준인 폭 0.30mm 이상의 균열을 모두 탐지해내어 합리적인 딥러닝 기반 균열 추출이 가능할 것으로 기대한다.
더보기As human-based tunnel inspections are affected by the subjective judgment of the inspector, making continuous history management difficult. Therefore, detecting damages to civil infrastructures from digital images using deep learning became a popular research topic. However, public crack datasets used in most studies differ significantly from cracks in tunnels. Also, an additional process is required to build sophisticated crack labels in the current tunnel evaluation. Therefore, this research presents a method to improve crack detection performance by inputting existing datasets into a deep learning model. This research evaluates the performance of deep learning models trained by combining existing tunnel datasets, and high-quality tunnel datasets. And this research combines inference results to improve performance. In addition, it is essential to explain the robustness of deep learning models. Therefore, the skeletonization and tolerance buffer-based evaluation method is applied. As a result of the experiment, crack detection is possible with a combination of high-quality and original tunnel datasets. DeepLabv3+ showed the highest detection recall rate. In particular, deep learning-based crack extraction is expected to be possible by detecting all cracks with a width of 0.30 mm or more.
더보기분석정보
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)