All Issue

2021 Vol.23, Issue 6 Preview Page

Research Paper

Training a semantic segmentation model for cracks in the concrete lining of tunnel

터널 콘크리트 라이닝 균열 분석을 위한 의미론적 분할 모델 학습

Sangwoo Ham1
,
Soohyeon Bae2
,
Hwiyoung Kim3
,
Impyeong Lee4
,
Gyu-Phil Lee5
,
Donggyou Kim6*
함 상우1
,
배 수현2
,
김 휘영3
,
이 임평4
,
이 규필5
,
김 동규6*
1Ph.D. Candidate, Dept. of Geoinformatics, University of Seoul
2Master Student, Dept. of Geoinformatics, University of Seoul
3Ph.D. Candidate, Dept. of Geoinformatics, University of Seoul
4Professor, Dept. of Geoinformatics, University of Seoul
5Senior Researcher, Dept. of Geotechnical Engineering Research, Korea Institute of Civil Engineering and Building Technology
6Research Fellow, Dept. of Geotechnical Engineering Research, Korea Institute of Civil Engineering and Building Technology
1정회원, 서울시립대학교 대학원 공간정보공학과 박사과정
2비회원, 서울시립대학교 대학원 공간정보공학과 석사과정
3비회원, 서울시립대학교 대학원 공간정보공학과 박사과정
4비회원, 서울시립대학교 공간정보공학과 정교수
5정회원, 한국건설기술연구원 지반연구본부 수석연구원
6정회원, 한국건설기술연구원 지반연구본부 연구위원
*Corresponding Author
30 November 2021. pp. 549-558
PDF XML Citation
Abstract

In order to keep infrastructures such as tunnels and underground facilities safe, cracks of concrete lining in tunnel should be detected by regular inspections. Since regular inspections are accomplished through manual efforts using maintenance lift vehicles, it brings about traffic jam, exposes works to dangerous circumstances, and deteriorates consistency of crack inspection data. This study aims to provide methodology to automatically extract cracks from tunnel concrete lining images generated by the existing tunnel image acquisition system. Specifically, we train a deep learning based semantic segmentation model with open dataset, and evaluate its performance with the dataset from the existing tunnel image acquisition system. In particular, we compare the model performance in case of using all of a public dataset, subset of the public dataset which are related to tunnel surfaces, and the tunnel-related subset with negative examples. As a result, the model trained using the tunnel-related subset with negative examples reached the best performance. In the future, we expect that this research can be used for planning efficient model training strategy for crack detection.

Keywords
Deep learning
Crack detection
Semantic segmentation
Image processing
Concrete lining

터널과 지하시설물을 비롯한 콘크리트 토목구조물을 안전하게 관리하려면 균열 발생 여부를 정기적인 점검을 통해 알아내야 한다. 터널의 콘크리트 라이닝 표면에 발생한 균열의 위치와 형태를 검사하는 일은 주로 고소작업차를 투입하여 이루어진다. 이러한 작업은 차로를 통제한 채 이루어지므로 교통 체증을 일으키며, 점검 종사자가 위험한 환경에 노출되며, 매번 같은 종사자가 같은 터널의 같은 부위를 조사하기 어려우므로 검사 결과의 일관성이 저해된다. 본 연구는 기존 터널 영상 취득 시스템을 대상으로 딥러닝 기술을 적용해 터널 내 콘크리트 라이닝의 균열을 자동으로 탐지하는 방법을 다음과 같이 제시한다. 구체적으로는 의미론적 분할(semantic segmentation)을 수행하는 딥러닝 모델을 공개 데이터셋으로 학습시키고, 터널 영상 취득 시스템으로 취득한 데이터셋을 딥러닝 모델에 입력했을 때 성능을 알아본다. 첫 번째, 공개 데이터셋을 전부 학습시켰을 경우, 두 번째, 공개 데이터셋 중 기존 터널 영상 취득 시스템 데이터셋과 관련성이 높은 데이터셋만 선택하여 학습시켰을 경우, 마지막으로 관련성이 높은 데이터셋과 균열이 없는 영상(negative example)을 선택하여 학습시켰을 경우에 대하여 성능을 비교하여 효율적인 모델 학습 방안을 모색한다. 그 결과 공개 데이터셋에서 관련성이 높은 영상과 균열이 없는 영상을 골라 학습시켰을 경우의 성능이 가장 좋았다. 향후 딥러닝 알고리즘을 터널 영상 취득 시스템에 적용할 때 효율적인 모델 학습 방안을 수립하는데 기여할 것으로 기대한다.

키워드
딥러닝
균열탐지
의미론적 분할
영상처리
콘크리트 라이닝
References
1
Jung, S.Y., Lee, S.K., Park, C.I., Cho, S.Y., Yu, J.H. (2019), "A method for detecting concrete cracks using deep-learning and image processing", Journal of the Architectural Institute of Korea Structure and Construction, Vol. 35, No. 11, pp. 163-170.
2
Kim, A.R., Kim, D.H., Byun, Y.S., Lee, S.W. (2018), "Crack detection of concrete structure using deep learning and image processing method in geotechnical engineering", Journal of the Korean Geotechnical Society, Vol. 34, No. 12, pp. 145-154.
3
Kim, B.H., Cho, S.J. (2019), "Image-based concrete crack assessment using mask and region-based convolutional neural network", Structural Control and Health Monitoring, Vol. 26, No. 8, e2381. 10.1002/stc.2381
4
Lee, Y.I., Kim, B.H., Cho, S.J. (2018), "Image-based spalling detection of concrete structures using deep learning", Journal of the Korea Concrete Institute, Vol. 30, No. 1, pp. 91-99. 10.4334/JKCI.2018.30.1.091
5
Middha, L., Crack segmentation dataset, https://www.kaggle.com/lakshaymiddha/crack-segmentation-dataset (November 5, 2021).
6
Paik, S.H., Choi, D.Y., Kim, Y.K., Jung, S.W., Kim, D.N. (2021), "Implementation of the drones with deep-learning crack detection analysis for inspection of bridge", The Journal of Korean Institute of Information Technology, Vol. 19, No. 3, pp. 45-52. 10.14801/jkiit.2021.19.3.45
7
Tsai, Y.C., Chatterjee, A. (2017), "Comprehensive, quantitative crack detection algorithm performance evaluation system", Journal of Computing in Civil Engineering, Vol. 31, No. 5, 04017047. 10.1061/(ASCE)CP.1943-5487.0000696
8
Zhao, H., Shi, J., Qi, X., Wang, X., Jia, J. (2017), "Pyramid scene parsing network", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, pp. 2881-2890. 10.1109/CVPR.2017.660
Information
  • Publisher :Korean Tunneling and Underground Space Association
  • Publisher(Ko) :한국터널지하공간학회
  • Journal Title :Journal of Korean Tunnelling and Underground Space Association
  • Journal Title(Ko) :한국터널지하공간학회 논문집
  • Volume : 23
  • No :6
  • Pages :549-558
  • Received Date : 2021-10-25
  • Revised Date : 2021-11-15
  • Accepted Date : 2021-11-15
  • DOI :https://doi.org/10.9711/KTAJ.2021.23.6.549
Journal Informaiton Journal of Korean Tunnelling and Underground Space Association Journal of Korean Tunnelling and Underground Space Association
Online Submission & Review System
  • NRF
  • KOFST
  • KISTI Current Status
  • KISTI Cited-by
  • crosscheck
  • orcid
  • open access
  • ccl
Journal Informaiton Journal Informaiton - close