Learning to Detect Cracks on Concrete Surfaces Using Deep Convolutional Neural Network

Abstract

Concretes can be damaged by various external and internal factors, and cracks on the concrete surfaces can often reveal a degree of safety. In this thesis, we propose an autonomous crack detection algorithm based on Convolutional Neural Network (CNN). Our algorithm focuses on detecting the critical crack that can have a significant effect on the safety evaluation of a concrete structure. To this aim, the proposed algorithm uses a two-branched CNN architecture, consisting of subnetworks named a crack-component-aware (CCA) network and a crack-region-aware (CRA) network. The CCA network is to learn gradient components regarding the cracks, and the CRA network is to learn a region-of-interest by distinguishing critical cracks and the other trivial noises such as scratches. Specifically, the two sub-networks are built on convolution-deconvolution CNN architectures, but also they are comprised of different functional components to achieve the goals efficiently. The CCA network is designed to have U-net [1] shaped CNN structure, including squeeze-to-excitation blocks to pass learned features from the lower layers to the higher layers. The CRA network outputs an image map to give a higher weight to a critical crack. The two sub-networks are trained in an end-to-end to jointly optimize parameters and produce the final output of identifying the cracks. It is demonstrated with experimental results that the proposed algorithm provides better performance in the crack detection to approximate the ground-truth than the conventional algorithms.;콘크리트는 다양한 외부 및 내부 요인에 의해 손상이 될 수 있으며, 콘크리트 표면의 붕괴의 위험이 있는 콘크리트 건축 구조물에 대한 초기 징후를 알 수 있게 해준다. 본 논문에서는 Convolutional Neural Network(CNN) 기반의 자율적인 균열 검출 알고리즘을 제안한다. 우리의 알고리즘은 콘크리트 구조물의 안전성 평가에 중요한 영향을 미칠 수 있는 균열을 검출하고자 한다. 이를 위해 제안 알고리즘은 2개의 하위 네트워크인 균열 구성요소 인식(crack-component-aware, CCA) 네트워크와 균열 영역 인식(crack-region-aware, CRA) 네트워크로 구성된 2분기 CNN 구조를 설계했다. CCA 네트워크는 SE-block을 포함한 U-net 구조의 CNN 구조로 구성되어, 균열의 주된 구성요소인 저수준의 특징들을 잘 탐지해내는 역할을 한다. CRA 네트워크는 중요한 균열의 영역일수록 높은 가중치를 주어 주된 균열의 영역을 인식하는 역할을 한다. 두 개의 하위 네트워크는 종단 간 학습으로 파라미터를 최적화하도록 학습하며 균열을 인식하는 최종 결과 이미지를 출력한다. 실험 결과를 통해 제안 알고리즘이 기존 기법들보다 균열 검출에서 우수한 성능을 보임을 증명했다.