논문명 |
딥러닝을 이용한 영상 기반의 콘크리트 구조물 박락 탐지 / Image-based Spalling Detection of Concrete Structures Using Deep Learning |
저자명 |
이예인(Ye-In Lee) ; 김병현(Byunghyun Kim) ; 조수진(Soojin Cho) |
발행사 |
한국콘크리트학회 |
수록사항 |
한국콘크리트학회논문집, Vol.30 No.1 (2018-02) |
페이지 |
시작페이지(91) 총페이지(10) |
ISSN |
1229-5515 |
주제분류 |
재료 / 구조 |
주제어 |
콘크리트 ; 박락 ; 딥러닝 ; 전이학습 ; 이미지 증강//concrete ; spalling ; deep learning ; transfer learning ; image augmentation |
요약1 |
현재 콘크리트 구조물은 균열, 박리, 박락, 철근노출, 골재분리 등의 외관손상을 찾기 위한 육안 검사를 기반으로 정기적 유지관리가 수행되고 있다. 그러나 이는 많은 노동력과 시간을 필요로 하며 작업 인력의 위험도가 높다. 본 연구에서는 딥러닝을 이용한 영상기반의 콘크리트 박락 탐지 기술을 개발하였다. 먼저 학습 이미지 데이터는 웹스크레이핑 기법을 이용하여 수집되며, 수집된 이미지들은 박락, 이음부 및 모서리, 무손상 표면, 기타로 분류된다. 여기에 이미지 증강 기법을 적용하여 학습이미지 수를 증가시킨다. 기존에 이미지 분류를 목적으로 개발된 합성곱신경망인 AlexNet을 일부 조정하여 사용하는 전이학습기법을 이용하여, 콘크리트 박락을 탐지하는 이미지 분류기를 개발하였다. 윈도우 크기만큼 움직이는 두 개의 겹치는 윈도우를 슬라이딩하면서 각각의 윈도우에 개발된 분류기를 적용하였다. 그리고는 분류기의 최종 softmax 층에서 출력되는 스코어의 평균을 이용하여 확률지도를 작성하였다. 마지막으로, 박락에 대한 신뢰도 값이 25 % 이상이 되는 픽셀을 박락으로 판정하였다. 개발된 방법은 14개의 철근노출 및 철근무노출 박락 이미지를 이용하여 검증하였다. 14개의 이미지에 대해 박락은 모두 잘 찾을 수 있었으며, 박락의 탐지능력을 보여주는 재현율은 픽셀 레벨에서 80 % 이상으로 나타났다. 본 개발 방법은 박락뿐만 아니라 다양한 손상 유형에도 확장이 가능할 것으로 판단된다. |
요약2 |
Currently, concrete structures are maintained based on routine visual inspection to find apparent damage such as crack, delamination, spalling, rebar exposure, and segregation. However, visual inspection requires a lot of labor and time, while the risk to inspectors is high. Thus in this study, an image-based concrete spalling detection technique has been developed using deep learning. First, a training image dataset is built by scraping images from internet, and they are categorized into Spalling, Concrete Joint and Edge, Intact Concrete Surface, and Etc. The number of training images increases by implementing image augmentation techniques. An image classifier to detect concrete spalling is developed by a transfer learning approach that fine-tunes the existing convolutional neural network AlexNet using the augmented training image dataset. With two overlapped windows sliding with stride of a window size, the developed classifier is implemented in each window. A probability map of spalling is then constructed using the average of two score values of the last softmax layer in the classifier. Lastly, pixels with a score larger than 25 % out of 100 % are marked as spalling. The developed approach is validated for 14 spalling images with and without rebar exposure. The existence of spalling is not missed in any cases, and the recall in the pixel level, which shows the detectability of spalling, is found to be over 80% for all test images. The developed approach can be expanded for different types of concrete damage. |
소장처 |
한국콘크리트학회 |