교량 부재별 모델 결합 프레임워크를 통한 개선된 딥러닝 기반 교량손상객체 자동 검출 모델 (A Deep Learning-based Bridge Damaged Objects Automatic Detection Model using Bridge Members Model Combination Framework)

서지정보

· 발행기관 : 차세대컨버전스정보서비스학회
· 수록지 정보 : 차세대컨버전스정보서비스기술논문지 / 12권 / 1호 / 105 ~ 118페이지
· 저자명 : 홍성삼, 황철훈, 정수완, 김병곤

초록

노후화되고 유지관리가 필요한 교량은 증가하고 있으나, 유지관리 인력은 부족하다. 이를 해결하기 위해 딥러닝 기반 자동화된 교량 손상 분석을 위한 연구가 이루어지고 있다. 딥러닝은 여러 클래스를 분류할 경우 성능 저하의 문제를 갖는다. 해결 방법으로 많은 양의 학습데이터를 확보하거나 클래스별 모델을 학습하여 결합하는 방법이 있다. 본 논문에서는 이러한 문제를 해결하기 위해 부재별 개별학습 기반 교량손상 식별 딥러닝 결합 모델 프레임워크를 제안한다. 클래스 간의 특징의 유사성과 차별성을 반영하기 위해 교대, 슬래브 등 손상 유형을 부재별로 구분하여 모델 학습을 진행한다. 최종적으로 모델 결합 방식을 통해 부재별 교량 손상 식별 모델을 하나의 프레임워크로 구축하여 교량 손상을 식별한다. 부재별 교량 손상을 식별하는 모델은 Instance Segmentation 모델인 Blendmask를 대상으로 하였다. 이는 입력 이미지 크기가 객체 탐지로부터 나타나는 영향이 적기 때문이다. 이전에 제안한 딥러닝 기반의 SR(Super-Resolution) 기술을 통해 이미지를 정규화 하는 기술과 연계성을 갖는다. 제안하는 모델은 실험 결과 기존 보다 112..21%의 정확도(mAP)를 보였다.

영어초록

Although the number of aging bridges to be maintained is increasing, systematic management is difficult due to the stagnancy in management manpower. To solve this problem, research for bridge damage analysis based on deep learning is being conducted. A bridge damage recognition study based on deep learning has a problem of performance degradation when classifying multiple classes. As a solution, there is a method to secure a large amount of training images or to learn and combine models for each class. In this paper, to solve the problem of classifying multiple classes, we propose a deep learning combined model framework for each subtitle-based individual learning-based bridge damage identification. In order to reflect the similarity and differentiation of features between classes, model learning is carried out by classifying damage types such as abutments and slabs by subtitle. Finally, bridge damage is recognized by building a bridge damage recognition model for each member as a framework through the model combination method. Blendmask(instance segmentation model) were the models for recognizing bridge damage by subtitle. This is because the input image size has little effect from object detection. It has a connection with image normalization technology through the previously proposed deep learning-based SR (Super-Resolution) technology. Our proposed model, as a result of the experiment, the accuracy was 112.21%(mAP) higher than that of the previous one.

참고자료

· 없음