표면 균열감지를 위한 딥러닝 모델 범용성 관한 연구
- 주제(키워드) Crack Detection , Deep Learning , CNN , Transfer Learning
- 주제(DDC) 006.31
- 발행기관 아주대학교
- 지도교수 유종빈
- 발행년도 2022
- 학위수여년월 2022. 8
- 학위명 석사
- 학과 및 전공 일반대학원 인공지능학과
- 실제URI http://www.dcollection.net/handler/ajou/000000032191
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
시설물의 재해와 재난으로부터 예방하는 방안으로 정기적인 안전 점검 및 정밀안전진단을 시행하고 있다. 콘크리트나 표면에 발생하는 이상감지를 통해 균열, 박락 등과 같은 이상 현상이 생길 때 구조물의 미관뿐 아니라 안전사고로 직결되는 원인으로 조기에 식별하는 게 중요하다. 비용과 시간, 안전성 측면에서 기존 방식(검사원 육안 점검) 보다 구조물 표면을 촬영하여 이미지 영상처리 기법을 사용하면 유리할 것이다. 최근 딥러닝에 관한 관심이 높아지면서 이러한 이상감지를 적용하는 연구들이 등장하고 있으나 높은 성능을 나타낼 수 있는 모델 선택과 선택된 모델이 가지는 특장점이 무엇인지에 대한 비교분석은 많은 고찰이 필요할 것이다. 본 연구에서는 이미지 객체 탐지에 두각을 드러내고 있는 딥러닝 CNN 모델들에 대해 비교를 통해 성능을 확인하여 가장 적합한 모델이 무엇이고, 이를 다른 사물에 적용했을 때 어떤 성능이 나오는지 더 나아가 각 모델이 가지는 특징들에 대해 분석하고자 한다. 비교모델은 ResNet, VGG, MobileNet, InceptionV3 이며, 콘크리트 균열 형상이 각각 다른 2개의 데이터셋으로 구성하여 실험하였다. 추가로 메모리 사용량과 학습 시간을 비교하였으며, 비교모델의 파라미터 크기와 학습 시간, 성능지표 들을 분석하여 균열 측정 환경에 가장 적합한 모델을 제안하고자 한다.
more목차
제 1 장 서론 1
제 2 장 이론적 배경 3
제 1 절 연구 동향 3
제 2 절 인공 신경망 9
제 3 절 ResNet 14
제 4 절 VGG 15
제 5 절 MobileNet 17
제 6 절 InceptionV3 18
제 3 장 실험 설계 19
제 1 절 실험개요 19
제 2 절 데이터셋 설명 19
제 3 절 훈련 옵션 21
제 4 장 실험 결과 22
제 1 절 검증 데이터 분류 및 결과 분석 23
제 2 절 ResNet을 이용한 균열부 탐지 31
제 3 절 VGGNet을 이용한 균열부 탐지 34
제 4 절 MobileNet을 이용한 균열부 탐지 36
제 5 절 InceptionV3을 이용한 균열부 탐지 38
제 5 장 결론 및 향후 연구 39
참고문헌 42
