KR102408406B1 - Apparatus and method for learning concrete construction crack - Google Patents
Apparatus and method for learning concrete construction crack Download PDFInfo
- Publication number
- KR102408406B1 KR102408406B1 KR1020200097879A KR20200097879A KR102408406B1 KR 102408406 B1 KR102408406 B1 KR 102408406B1 KR 1020200097879 A KR1020200097879 A KR 1020200097879A KR 20200097879 A KR20200097879 A KR 20200097879A KR 102408406 B1 KR102408406 B1 KR 102408406B1
- Authority
- KR
- South Korea
- Prior art keywords
- weight
- error function
- crack
- predicted
- image data
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/022—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by means of tv-camera scanning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
콘크리트 균열을 탐지하기 위하여 딥러닝 오토엔코더 모델을 학습하는 콘크리트 균열 학습 장치 및 방법에 관한 것으로, 균열이 포함된 균열 콘크리트 이미지 데이터를 입력값으로 입력받는 입력부, 입력된 균열 콘크리트 이미지 데이터로부터 균열 상태를 예측하는 예측부, 예측한 균열 상태를 토대로 예측 균열 이미지 데이터를 예측값으로 출력하는 출력부, 예측 균열 이미지 데이터에 상응하는 예측값과 그의 라벨 이미지 데이터에 상응하는 라벨값을 비교하여 오차 함수를 산출하는 오차 산출부, 산출된 오차 함수에 가중치를 부여하여 가중치 오차 함수를 산출하는 가중치 설정부, 그리고 산출된 가중치 오차 함수를 토대로 균열 콘크리트 이미지의 균열 상태를 학습하는 학습부를 포함할 수 있다.It relates to a concrete crack learning apparatus and method for learning a deep learning autoencoder model to detect concrete cracks, an input unit that receives cracked concrete image data containing cracks as an input value, and a crack state from the input cracked concrete image data. Prediction unit, an output unit that outputs predicted crack image data as a predicted value based on the predicted crack state, and an error calculating an error function by comparing the predicted value corresponding to the predicted crack image data with the label value corresponding to the label image data It may include a calculation unit, a weight setting unit calculating a weight error function by giving weights to the calculated error function, and a learning unit learning a crack state of the cracked concrete image based on the calculated weight error function.
Description
본 발명은 콘크리트 균열 학습 장치에 관한 것으로, 보다 상세하게는 콘크리트 균열을 탐지하기 위하여 딥러닝 오토엔코더 모델을 학습하는 콘크리트 균열 학습 장치 및 방법에 관한 것이다.The present invention relates to a concrete crack learning apparatus, and more particularly, to a concrete crack learning apparatus and method for learning a deep learning autoencoder model to detect a concrete crack.
일반적으로, 콘크리트 구조물의 균열은, 구조물의 미적 특성을 떨어뜨릴 뿐만 아니라, 장기적으로 구조물의 안전을 위험하게 하는 요인이 될 수 있다.In general, cracks in a concrete structure not only deteriorate the aesthetic properties of the structure, but may also be a factor that endangers the safety of the structure in the long term.
그러므로, 콘크리트 구조물은, 구조물의 균열 상태를 주기적으로 파악하고, 이에 대한 신속한 초기 대응을 진행하는 것이 안전성 유지 측면에서 매우 중요하다.Therefore, in the concrete structure, it is very important in terms of maintaining safety to periodically identify the crack state of the structure and proceed with a prompt initial response.
현재 콘크리트 균열 탐지 방법은, 전문가가 직접 육안으로 검사하고 평가하는 외관 검사법이 주로 사용되고 있지만, 작업 시간, 비용, 안전성의 한계점을 가지는 문제가 있었다.Currently, the concrete crack detection method is mainly used for visual inspection and evaluation by experts, but there is a problem with limitations in working time, cost, and safety.
콘크리트 표면의 균열은, 고체의 표면이나 내부에 금이 가는 현상으로서, 콘크리트의 경우 외력에 의한 응력 발생, 시공 후 관리 불량에 따른 수분 손실 등이 그 원인이 될 수 있다.Cracks on the concrete surface are cracks on the surface or inside of a solid, and in the case of concrete, stress caused by external forces, moisture loss due to poor maintenance after construction, etc. may be the cause.
따라서, 콘크리트 표면의 균열은, 발생 원인에 따라 구조물에 심각한 손상을 초래할 수 있기 때문에 정확히 탐지하는 기술이 필요하며 발견 뒤에는 적절한 조치가 필수적이다.Therefore, since cracks in the concrete surface can cause serious damage to the structure depending on the cause, it is necessary to accurately detect them, and appropriate measures are essential after they are discovered.
최근에는, 무인항공기와 디지털 영상 처리 기법을 이용하여 콘크리트 구조물의 균열 이미지를 원거리에서도 탐지할 수 있는 방법이 한국 공개특허 제10-2017-0100990호 (2017.09.05)로 공개된 바 있다.Recently, a method for detecting a crack image of a concrete structure from a distance using an unmanned aerial vehicle and a digital image processing technique has been disclosed as Korean Patent Laid-Open No. 10-2017-0100990 (2017.09.05).
하지만, 이러한 기존 기술은, 콘크리트 구조물의 균열이 미세하거나 적게 존재하는 경우에 정밀하게 콘크리트 균열을 탐지하는 것이 어려울 뿐만 아니라 콘크리트 균열 탐지에 많은 시간과 비용이 드는 문제가 있었다.However, these existing techniques have a problem in that it is difficult to precisely detect concrete cracks when there are minute or few cracks in the concrete structure, and it takes a lot of time and money to detect concrete cracks.
따라서, 콘크리트 구조물에 생성되는 미세한 균열 및 작은 크기의 균열 등을 저비용으로 신속하고 정밀하게 탐지하도록 신뢰성이 높고 오차를 최소화할 수 있는 콘크리트 균열 학습 장치의 개발이 요구되고 있다.Therefore, there is a need for developing a concrete crack learning apparatus capable of minimizing errors with high reliability to quickly and accurately detect minute cracks and small cracks generated in a concrete structure at low cost.
본 발명의 일실시예가 이루고자 하는 기술적 과제는, 예측값과 라벨값을 비교하여 산출된 오차 함수에 가중치를 부여하여 오토엔코더(AutoEncoder) 모델을 학습 수행 시에 신뢰성이 높고 오차를 최소화할 수 있는 콘크리트 균열 학습 장치 및 방법을 제공하고자 한다.The technical task to be achieved by an embodiment of the present invention is to give weight to the error function calculated by comparing the predicted value and the label value to have high reliability and minimize the error when learning the AutoEncoder model. An object of the present invention is to provide a learning apparatus and method.
본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The technical problems to be achieved in the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned will be clearly understood by those of ordinary skill in the art to which the present invention belongs from the description below. will be able
상기와 같은 기술적 과제를 해결하기 위하여, 본 발명의 일실시예에 의한 콘크리트 균열 학습 장치는, 균열이 포함된 균열 콘크리트 이미지 데이터를 입력값으로 입력받는 입력부, 입력된 균열 콘크리트 이미지 데이터로부터 균열 상태를 예측하는 예측부, 예측한 균열 상태를 토대로 예측 균열 이미지 데이터를 예측값으로 출력하는 출력부, 예측 균열 이미지 데이터에 상응하는 예측값과 그의 라벨 이미지 데이터에 상응하는 라벨값을 비교하여 오차 함수를 산출하는 오차 산출부, 산출된 오차 함수에 가중치를 부여하여 가중치 오차 함수를 산출하는 가중치 설정부, 그리고 산출된 가중치 오차 함수를 토대로 균열 콘크리트 이미지의 균열 상태를 학습하는 학습부를 포함할 수 있다.In order to solve the above technical problem, the concrete crack learning apparatus according to an embodiment of the present invention includes an input unit that receives cracked concrete image data including cracks as input values, and a crack state from the input cracked concrete image data. Prediction unit, an output unit that outputs predicted crack image data as a predicted value based on the predicted crack state, and an error calculating an error function by comparing the predicted value corresponding to the predicted crack image data with the label value corresponding to the label image data It may include a calculation unit, a weight setting unit calculating a weight error function by giving weights to the calculated error function, and a learning unit learning a crack state of the cracked concrete image based on the calculated weight error function.
한편, 본 발명의 일실시예에 의한 콘크리트 균열 학습 장치의 콘크리트 균열 학습 방법은, 입력부, 예측부, 출력부, 오차 산출부, 가중치 설정부, 그리고 학습부를 포함하는 콘크리트 균열 학습 장치의 콘크리트 균열 학습 방법으로서, 균열이 포함된 균열 콘크리트 이미지 데이터를 입력값으로 입력받는 단계, 입력된 균열 콘크리트 이미지 데이터로부터 균열 상태를 예측하는 단계, 예측한 균열 상태를 토대로 예측 균열 이미지 데이터를 예측값으로 출력하는 단계, 예측 균열 이미지 데이터에 상응하는 예측값과 그의 라벨 이미지 데이터에 상응하는 라벨값을 비교하여 오차 함수를 산출하는 단계, 산출된 오차 함수에 가중치를 부여하여 가중치 오차 함수를 산출하는 단계, 그리고 산출된 가중치 오차 함수를 토대로 균열 콘크리트 이미지의 균열 상태를 학습하는 단계를 포함할 수 있다.On the other hand, the concrete crack learning method of the concrete crack learning apparatus according to an embodiment of the present invention, concrete crack learning of the concrete crack learning apparatus including an input unit, a prediction unit, an output unit, an error calculation unit, a weight setting unit, and a learning unit A method comprising: receiving cracked concrete image data including cracks as input values; predicting a crack state from the input cracked concrete image data; outputting predicted crack image data as a predicted value based on the predicted crack state; Comparing a predicted value corresponding to the predicted crack image data with a label value corresponding to the label image data thereof to calculate an error function, calculating a weight error function by weighting the calculated error function, and the calculated weighting error It may include learning the crack state of the cracked concrete image based on the function.
본 발명에 따른 콘크리트 균열 학습 장치 및 방법의 효과에 대해 설명하면 다음과 같다.The effect of the concrete crack learning apparatus and method according to the present invention will be described as follows.
본 발명은, 예측값과 라벨값을 비교하여 산출된 오차 함수에 가중치를 부여하여 오토엔코더(AutoEncoder) 모델 학습 수행 시에 신뢰성이 높고 오차를 최소화할 수 있다.According to the present invention, a weight is given to an error function calculated by comparing a predicted value with a label value, so that the reliability is high and the error can be minimized when learning the AutoEncoder model.
이처럼, 본 발명은, 콘크리트의 균열 탐지를 위해 딥러닝 알고리즘 중 오토엔코더(AutoEncoder) 학습 시에, 라벨 이미지의 균열 폭이 가늘게 있는 경우 (약 2 ~ 3 픽셀 이하), 학습이 제대로 수행되지 않는 현상이 발생하는 것을 방지하기 위하여 예측값과 라벨값을 비교하여 산출된 오차 함수에 가중치를 부여하여 모델 학습이 가능하도록 개선 방안을 제공할 수 있다.As such, in the present invention, when the crack width of the label image is thin (about 2 to 3 pixels or less), the learning is not performed properly during autoencoder learning among deep learning algorithms for crack detection in concrete In order to prevent this from occurring, an improvement method can be provided to enable model learning by assigning weights to the error function calculated by comparing the predicted value and the label value.
본 발명의 적용 가능성의 추가적인 범위는 이하의 상세한 설명으로부터 명백해질 것이다. 그러나 본 발명의 사상 및 범위 내에서 다양한 변경 및 수정은 해당업자에게 명확하게 이해될 수 있으므로, 상세한 설명 및 본 발명의 바람직한 실시 예와 같은 특정 실시 예는 단지 예시로 주어진 것으로 이해되어야 한다.Further scope of applicability of the present invention will become apparent from the following detailed description. However, various changes and modifications within the spirit and scope of the present invention may be clearly understood by those skilled in the art, so it should be understood that the detailed description and specific embodiments such as preferred embodiments of the present invention are given by way of example only.
도 1은 본 발명에 따른 콘크리트 균열 학습 장치를 설명하기 위한 블럭 구성도이다.
도 2는 본 발명에 따른 콘크리트 균열 학습 과정을 설명하기 위한 도면이다.
도 3 내지 도 6은 본 발명에 따른 가중치 설정 방법을 설명하기 위한 도면이다.
도 7 및 도 8은 가중치 오차 함수의 이용 유무에 따른 균열 분석 결과를 설명하기 위한 도면이다.1 is a block diagram for explaining a concrete crack learning apparatus according to the present invention.
2 is a view for explaining a concrete crack learning process according to the present invention.
3 to 6 are diagrams for explaining a weight setting method according to the present invention.
7 and 8 are diagrams for explaining crack analysis results according to whether or not a weight error function is used.
이하에서는 도면을 참조하여 본 발명을 더욱 상세하게 설명한다.Hereinafter, the present invention will be described in more detail with reference to the drawings.
이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 단순히 본 명세서 작성의 용이함을 고려하여 부여되는 것으로서, 상기 "모듈" 및 "부"는 서로 혼용되어 사용될 수도 있다.The suffixes “module” and “unit” for components used in the following description are simply given in consideration of the ease of writing this specification, and the “module” and “unit” may be used interchangeably.
나아가, 이하 첨부 도면들 및 첨부 도면들에 기재된 내용들을 참조하여 본 발명의 실시예를 상세하게 설명하지만, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다.Furthermore, embodiments of the present invention will be described in detail with reference to the accompanying drawings and the contents described in the accompanying drawings, but the present invention is not limited or limited by the embodiments.
본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 관례 또는 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 그 의미를 기재할 것이다. 따라서 본 명세서에서 사용되는 용어는, 단순한 용어의 명칭이 아닌 그 용어가 가지는 실질적인 의미와 본 명세서의 전반에 걸친 내용을 토대로 해석되어야 함을 밝혀두고자 한다.The terms used in the present specification have been selected as currently widely used general terms as possible while considering the functions in the present invention, but may vary depending on the intention or custom of a person skilled in the art or the advent of new technology. In addition, in a specific case, there is a term arbitrarily selected by the applicant, and in this case, the meaning will be described in the description of the corresponding invention. Therefore, it is intended to clarify that the terms used in this specification should be interpreted based on the actual meaning of the terms and the contents of the entire specification, rather than the simple names of terms.
도 1은 본 발명에 따른 콘크리트 균열 학습 장치를 설명하기 위한 블럭 구성도이다.1 is a block diagram for explaining a concrete crack learning apparatus according to the present invention.
도 1에 도시된 바와 같이, 본 발명의 콘크리트 균열 학습 장치는, 입력부(10), 예측부(20), 출력부(30), 오차 산출부(40), 가중치 설정부(50), 그리고 학습부(60)를 포함할 수 있다.As shown in FIG. 1 , the concrete crack learning apparatus of the present invention includes an
여기서, 입력부(10)는, 균열이 포함된 균열 콘크리트 이미지 데이터를 입력값으로 입력받을 수 있다.Here, the
일 예로, 입력부(10)는, 콘크리트 구조물의 균열 영역을 촬영하여 균열이 포함된 균열 콘크리트 이미지 데이터를 입력값으로 입력받을 수 있다.As an example, the
그리고, 예측부(20)는, 입력된 균열 콘크리트 이미지 데이터로부터 균열 상태를 예측할 수 있다.And, the
여기서, 예측부(20)는, 균열 콘크리트 이미지 데이터를 엔코딩하는 엔코더부, 엔코딩된 균열 콘크리트 이미지 데이터를 디코딩하여 균열 상태를 예측하는 디코더부, 그리고, 엔코더부와 디코더부를 연결하는 보틀넥(bottle neck)부를 포함할 수 있는데, 이에 한정되지는 않는다.Here, the
다음, 출력부(30)는, 예측한 균열 상태를 토대로 예측 균열 이미지 데이터를 예측값으로 출력할 수 있다.Next, the
이어, 오차 산출부(40)는, 예측 균열 이미지 데이터에 상응하는 예측값과 그의 라벨 이미지 데이터에 상응하는 라벨값을 비교하여 오차 함수를 산출할 수 있다.Next, the
여기서, 오차 산출부(40)는, 평균제곱오차 함수, 교차엔트로피 함수 등을 이용하여 오차 함수를 산출할 수 있다.Here, the
그리고, 가중치 설정부(50)는, 산출된 오차 함수에 가중치를 부여하여 가중치 오차 함수를 산출할 수 있다.Then, the
여기서, 오차 함수에 가중치를 부여하는 이유는, 콘크리트의 균열 탐지를 위해 딥러닝 알고리즘 중 오토엔코더(AutoEncoder) 학습 시에, 라벨 이미지의 균열 폭이 가늘게 있는 경우 (약 2 ~ 3 픽셀 이하), 학습이 제대로 수행되지 않는 현상을 방지하기 위함이다.Here, the reason for assigning weight to the error function is that when the autoencoder is trained among deep learning algorithms for crack detection in concrete, when the crack width of the label image is thin (about 2 to 3 pixels or less), learning This is to prevent the phenomenon from not being performed properly.
또한, 가중치 설정부(50)는, 다양한 방법으로 가중치 오차 함수를 산출할 수 있다.Also, the
제1 실시예로서, 가중치 설정부(50)는, 밸런스드 스텝(balanced step) 함수를 이용하여 가중치 오차 함수를 산출할 수 있다.As a first embodiment, the
여기서, 가중치 설정부(50)는, 산출된 오차 함수에 가중치를 부여할 때, 가중치를 0 ~ 1 사이의 값으로 부여할 수 있다.Here, the
일 예로, 가중치 설정부(50)는, 가중치 오차 함수 = (1 + weight * sign(라벨값 - 예측값)) * 오차 함수(라벨값, 예측값) (여기서, weight는 가중치값이고, sign(x)은 양수/음수를 판별하는 함수로서, x>=0 이면 1, x < 0 이면 -1을 반환하는 함수임)으로 이루어지는 수식에 의해 가중치 오차 함수를 산출할 수 있다. As an example, the
다음, 제2 실시예로서, 가중치 설정부(50)는, 스퀘어드 및 밸런스드 스텝(squared & balanced step) 함수를 이용하여 가중치 오차 함수를 산출할 수도 있다.Next, as a second embodiment, the
여기서, 가중치 설정부(50)는, 산출된 오차 함수에 가중치를 부여할 때, 가중치를 1 이상의 값으로 부여할 수 있다.Here, the
일 예로, 가중치 설정부(50)는, 가중치 오차 함수 = (1 + weight * sign(라벨값 - 예측값))2 * 오차 함수(라벨값, 예측값) (여기서, weight는 가중치값이고, sign은 양수/음수를 판별하는 함수임)으로 이루어지는 수식에 의해 가중치 오차 함수를 산출할 수 있다.As an example, the
이어, 제3 실시예로서, 가중치 설정부(50)는, 스텝(step) 함수를 이용하여 가중치 오차 함수를 산출할 수도 있다.Next, as a third embodiment, the
일 예로, 가중치 설정부(50)는, 가중치 오차 함수 = (1 + weight * sign(relu(라벨값 - 예측값))) * 오차 함수(라벨값, 예측값) (여기서, weight는 가중치값이고, sign은 양수/음수를 판별하는 함수이며, relu는 max(x, 0)인 함수임)으로 이루어지는 수식에 의해 가중치 오차 함수를 산출할 수 있다.As an example, the
그리고, 제4 실시예로서, 가중치 설정부(50)는, 레루(relu) 함수를 이용하여 가중치 오차 함수를 산출할 수도 있다.And, as a fourth embodiment, the
일 예로, 가중치 설정부(50)는, 가중치 오차 함수 = (1 + weight * relu(라벨값 - 예측값)) * 오차 함수(라벨값, 예측값) (여기서, weight는 가중치값이고, relu는 max(x, 0)인 함수임)으로 이루어지는 수식에 의해 가중치 오차 함수를 산출할 수 있다.As an example, the
다음, 학습부(60)는, 산출된 가중치 오차 함수를 토대로 균열 콘크리트 이미지의 균열 상태를 학습할 수 있다.Next, the
이처럼, 본 발명은, 콘크리트의 균열 탐지를 위해 딥러닝 알고리즘 중 오토엔코더(AutoEncoder) 학습 시에, 라벨 이미지의 균열 폭이 가늘게 있는 경우 (약 2 ~ 3 픽셀 이하), 학습이 제대로 수행되지 않는 현상이 발생하는 방지하기 위하여 예측값과 라벨값을 비교하여 산출된 오차 함수에 가중치를 부여하여 모델 학습이 가능하도록 개선 방안을 제공할 수 있다.As such, in the present invention, when the crack width of the label image is thin (about 2 to 3 pixels or less), the learning is not performed properly during autoencoder learning among deep learning algorithms for crack detection in concrete In order to prevent this from occurring, an improvement method can be provided to enable model learning by assigning weights to the error function calculated by comparing the predicted value and the label value.
즉, 본 발명은, 오차 함수에 가중치를 부여하여, 오토엔코더 모델 학습 수행 시에, 라벨 이미지의 픽셀값이 0, 1에 따라 차등 가중치를 부여할 수 있다.That is, in the present invention, by giving weights to the error function, differential weights can be given according to the pixel values of the
일 예로, 라벨값 1에 대해 오차가 많이 발생한 경우, 더욱 가중치를 늘리는 것이 바람직하다.For example, when a large error occurs with respect to the
이와 같이, 본 발명은, 예측값과 라벨값을 비교하여 산출된 오차 함수에 가중치를 부여하여 오토엔코더(AutoEncoder) 모델 학습 수행 시에 신뢰성이 높고 오차를 최소화할 수 있다.As described above, according to the present invention, the error function calculated by comparing the predicted value and the label value is weighted so that the reliability is high and the error can be minimized when learning the AutoEncoder model.
도 2는 본 발명에 따른 콘크리트 균열 학습 과정을 설명하기 위한 도면이다.2 is a view for explaining a concrete crack learning process according to the present invention.
도 2에 도시된 바와 같이, 본 발명은, 균열이 포함된 균열 콘크리트 이미지 데이터를 입력값으로 입력받을 수 있다.As shown in FIG. 2 , in the present invention, cracked concrete image data including cracks may be input as an input value.
다음, 본 발명은, 입력된 균열 콘크리트 이미지 데이터로부터 균열 상태를 예측할 수 있다.Next, the present invention can predict the crack state from the input cracked concrete image data.
일 예로, 본 발명은, 엔코더가 균열 콘크리트 이미지 데이터를 엔코딩하고, 엔코더와 디코더를 연결하는 보틀넥(bottle neck)을 거치면, 디코더가 균열 콘크리트 이미지 데이터를 디코딩하여 균열 상태를 예측할 수 있다.For example, in the present invention, when the encoder encodes cracked concrete image data and passes through a bottle neck connecting the encoder and the decoder, the decoder decodes the cracked concrete image data to predict the crack state.
이어, 본 발명은, 예측한 균열 상태를 토대로 예측 균열 이미지 데이터를 예측값으로 출력할 수 있다.Next, the present invention may output predicted crack image data as a predicted value based on the predicted crack state.
그리고, 본 발명은, 예측 균열 이미지 데이터에 상응하는 예측값과 그의 라벨 이미지 데이터에 상응하는 라벨값을 비교하여 오차 함수를 산출할 수 있다.And, according to the present invention, an error function can be calculated by comparing a predicted value corresponding to the predicted crack image data with a label value corresponding to the label image data thereof.
다음, 본 발명은, 산출된 오차 함수에 가중치를 부여하여 가중치 오차 함수를 산출할 수 있다.Next, according to the present invention, a weighted error function may be calculated by weighting the calculated error function.
여기서, 본 발명은, 밸런스드 스텝(balanced step) 함수, 스퀘어드 및 밸런스드 스텝(squared & balanced step) 함수, 스텝(step) 함수 및 레루(relu) 함수 등을 이용하여 가중치 오차 함수를 산출할 수 있다.Here, in the present invention, a weight error function may be calculated using a balanced step function, a squared and balanced step function, a step function, a relu function, and the like.
이어, 본 발명은, 산출된 가중치 오차 함수를 토대로 균열 콘크리트 이미지의 균열 상태를 학습할 수 있다.Next, the present invention can learn the crack state of the cracked concrete image based on the calculated weight error function.
도 3 내지 도 6은 본 발명에 따른 가중치 설정 방법을 설명하기 위한 도면이다.3 to 6 are diagrams for explaining a weight setting method according to the present invention.
도 3은, 가중치가 0.5일 때, 가중치 밸런스드 스텝(balanced step) 함수를 보여주는 그래프이다.3 is a graph showing a weight balanced step function when the weight is 0.5.
도 3과 같이, 본 발명은, 밸런스드 스텝(balanced step) 함수를 이용하여 가중치 오차 함수를 산출할 수 있다.3 , in the present invention, a weight error function may be calculated using a balanced step function.
여기서, 본 발명은, 산출된 오차 함수에 가중치를 부여할 때, 가중치를 0 ~ 1 사이의 값으로 부여할 수 있다.Here, in the present invention, when a weight is assigned to the calculated error function, the weight may be assigned as a value between 0 and 1.
일 예로, 본 발명은, 가중치 오차 함수 = (1 + weight * sign(라벨값 - 예측값)) * 오차 함수(라벨값, 예측값) (여기서, weight는 가중치값이고, sign은 양수/음수를 판별하는 함수임)으로 이루어지는 수식에 의해 가중치 오차 함수를 산출할 수 있다.As an example, in the present invention, weight error function = (1 + weight * sign (label value - predicted value)) * error function (label value, predicted value) (where weight is a weight value, and sign is a method for determining positive/negative numbers) function), the weight error function can be calculated.
도 4는, 가중치가 0.5일 때, 가중치 스퀘어드 및 밸런스드 스텝(squared & balanced step) 함수를 보여주는 그래프이다.4 is a graph showing a weight squared and balanced step function when the weight is 0.5.
도 4와 같이, 본 발명은, 스퀘어드 및 밸런스드 스텝(squared & balanced step) 함수를 이용하여 가중치 오차 함수를 산출할 수 있다.As shown in FIG. 4 , in the present invention, a weight error function may be calculated using a squared and balanced step function.
여기서, 본 발명은, 산출된 오차 함수에 가중치를 부여할 때, 가중치를 1 이상의 값으로 부여할 수 있다.Here, in the present invention, when weighting the calculated error function, the weight may be given as a value of 1 or more.
일 예로, 본 발명은, 가중치 오차 함수 = (1 + weight * sign(라벨값 - 예측값))2 * 오차 함수(라벨값, 예측값) (여기서, weight는 가중치값이고, sign은 양수/음수를 판별하는 함수임)으로 이루어지는 수식에 의해 가중치 오차 함수를 산출할 수 있다.As an example, in the present invention, weight error function = (1 + weight * sign (label value - predicted value)) 2 * error function (label value, predicted value) (here, weight is a weight value, and sign is positive/negative) The weight error function can be calculated by an equation consisting of
도 5는, 가중치가 0.5일 때, 가중치 스텝(step) 함수를 보여주는 그래프이다.5 is a graph showing a weight step function when the weight is 0.5.
도 5와 같이, 본 발명은, 스텝(step) 함수를 이용하여 가중치 오차 함수를 산출할 수 있다.5 , in the present invention, a weight error function can be calculated using a step function.
일 예로, 본 발명은, 가중치 오차 함수 = (1 + weight * sign(relu(라벨값 - 예측값))) * 오차 함수(라벨값, 예측값) (여기서, weight는 가중치값이고, sign은 양수/음수를 판별하는 함수이며, relu는 max(x, 0)인 함수임)으로 이루어지는 수식에 의해 가중치 오차 함수를 산출할 수 있다.As an example, in the present invention, weight error function = (1 + weight * sign(relu (label value - predicted value))) * error function (label value, predicted value) (here, weight is a weight value, and sign is a positive/negative number is a function for determining , and relu is a function of max(x, 0)), the weight error function can be calculated by the formula.
도 6은, 가중치가 0.5일 때, 가중치 레루(relu) 함수를 보여주는 그래프이다.6 is a graph showing a weight relu function when the weight is 0.5.
도 6과 같이, 본 발명은, 레루(relu) 함수를 이용하여 가중치 오차 함수를 산출할 수 있다.6 , in the present invention, a weight error function can be calculated using a relu function.
일 예로, 본 발명은, 가중치 오차 함수 = (1 + weight * relu(라벨값 - 예측값)) * 오차 함수(라벨값, 예측값) (여기서, weight는 가중치값이고, relu는 max(x, 0)인 함수임)으로 이루어지는 수식에 의해 가중치 오차 함수를 산출할 수 있다.As an example, in the present invention, weight error function = (1 + weight * relu (label value - predicted value)) * error function (label value, predicted value) (where weight is a weight value and relu is max(x, 0) The weight error function can be calculated by an equation consisting of
도 7 및 도 8은 가중치 오차 함수의 이용 유무에 따른 균열 분석 결과를 설명하기 위한 도면이다.7 and 8 are diagrams for explaining crack analysis results according to whether or not a weight error function is used.
도 7은 본 발명의 가중치 오차 함수를 이용하지 않은 경우에 따른 균열 분석 결과를 보여주는 도면이고, 도 8은 본 발명의 가중치 오차 함수의 이용한 경우에 따른 균열 분석 결과를 보여주는 도면이다.7 is a view showing crack analysis results when the weight error function of the present invention is not used, and FIG. 8 is a view showing crack analysis results when the weight error function of the present invention is used.
도 7에 도시된 바와 같이, 본 발명의 가중치 오차 함수를 이용하지 않은 경우에는, 도면 하단의 우측 사진과 같이, 라벨 이미지의 균열 폭이 가늘게 있는 경우 (약 2 ~ 3 픽셀 이하), 균열 추출이 나타나지 않으므로 학습이 제대로 수행되지 않는 현상이 발생할 수 있다.As shown in Figure 7, when the weight error function of the present invention is not used, when the crack width of the label image is thin (about 2-3 pixels or less), as shown in the right photo at the bottom of the drawing, crack extraction is Since it does not appear, a phenomenon in which learning is not performed properly may occur.
이에 반해, 도 8에 도시된 바와 같이, 본 발명의 가중치 오차 함수를 이용한 경우에는, 도면 하단의 우측 사진과 같이, 라벨 이미지의 균열 폭이 가늘게 있는 경우(약 2 ~ 3 픽셀 이하)에도, 균열 추출이 명확하게 나타나므로 학습이 정확하게 수행되어 학습 신뢰성이 향상될 수 있다.On the other hand, as shown in FIG. 8, when the weight error function of the present invention is used, as shown in the right photo at the bottom of the drawing, even when the crack width of the label image is thin (about 2-3 pixels or less), cracks Since the extraction is clearly shown, the learning can be performed accurately and the learning reliability can be improved.
이와 같이, 본 발명은, 예측값과 라벨값을 비교하여 산출된 오차 함수에 가중치를 부여하여 오토엔코더(AutoEncoder) 모델 학습 수행 시에 신뢰성이 높고 오차를 최소화할 수 있다.As described above, according to the present invention, the error function calculated by comparing the predicted value and the label value is weighted so that the reliability is high and the error can be minimized when learning the AutoEncoder model.
이처럼, 본 발명은, 콘크리트의 균열 탐지를 위해 딥러닝 알고리즘 중 오토엔코더(AutoEncoder) 학습 시에, 라벨 이미지의 균열 폭이 가늘게 있는 경우 (약 2 ~ 3 픽셀 이하), 학습이 제대로 수행되지 않는 현상이 발생하는 방지하기 위하여 예측값과 라벨값을 비교하여 산출된 오차 함수에 가중치를 부여하여 모델 학습이 가능하도록 개선 방안을 제공할 수 있다.As such, in the present invention, when the crack width of the label image is thin (about 2 to 3 pixels or less), the learning is not performed properly during autoencoder learning among deep learning algorithms for crack detection in concrete In order to prevent this from occurring, an improvement method can be provided to enable model learning by assigning weights to the error function calculated by comparing the predicted value and the label value.
이상에서 본 발명들에 설명된 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시예에 포함되며, 반드시 하나의 실시예에만 한정되는 것은 아니다. 나아가, 각 실시예에서 예시된 특징, 구조, 효과 등은 실시예들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시예들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.Features, structures, effects, etc. described in the present inventions above are included in at least one embodiment of the present invention, and are not necessarily limited to only one embodiment. Furthermore, features, structures, effects, etc. illustrated in each embodiment can be combined or modified for other embodiments by those of ordinary skill in the art to which the embodiments belong. Accordingly, the contents related to such combinations and modifications should be interpreted as being included in the scope of the present invention.
또한, 이상에서 실시예를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시예에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.In addition, although the embodiment has been described above, it is merely an example and does not limit the present invention, and those of ordinary skill in the art to which the present invention pertains are exemplified above in a range that does not depart from the essential characteristics of the present embodiment. It can be seen that various modifications and applications that have not been made are possible. For example, each component specifically shown in the embodiment can be implemented by modification. And differences related to such modifications and applications should be construed as being included in the scope of the present invention defined in the appended claims.
10: 입력부
20: 예측부
30: 출력부
40: 오차 산출부
50: 가중치 설정부
60: 학습부10: input
20: prediction unit
30: output unit
40: error calculation unit
50: weight setting unit
60: study department
Claims (6)
상기 입력된 균열 콘크리트 이미지 데이터로부터 균열 상태를 예측하는 예측부;
상기 예측한 균열 상태를 토대로 예측 균열 이미지 데이터를 예측값으로 출력하는 출력부;
상기 예측 균열 이미지 데이터에 상응하는 예측값과 그의 라벨 이미지 데이터에 상응하는 라벨값을 비교하여 오차 함수를 산출하는 오차 산출부;
상기 산출된 오차 함수에 가중치를 부여하여 가중치 오차 함수를 산출하는 가중치 설정부; 그리고,
상기 산출된 가중치 오차 함수를 토대로 균열 콘크리트 이미지의 균열 상태를 학습하는 학습부를 포함하는 것을 특징으로 하는 콘크리트 균열 학습 장치.an input unit that receives cracked concrete image data including cracks as input values;
a predictor for predicting a crack state from the input cracked concrete image data;
an output unit for outputting predicted crack image data as a predicted value based on the predicted crack state;
an error calculator for calculating an error function by comparing a predicted value corresponding to the predicted crack image data with a label value corresponding to the label image data;
a weight setting unit for calculating a weighted error function by assigning a weight to the calculated error function; and,
and a learning unit for learning the crack state of the cracked concrete image based on the calculated weight error function.
가중치 오차 함수 = (1 + weight * sign(라벨값 - 예측값)) * 오차 함수(라벨값, 예측값) (여기서, weight는 가중치값이고, sign은 양수/음수를 판별하는 함수임)으로 이루어지는 수식에 의해 가중치 오차 함수를 산출하는 것을 특징으로 하는 콘크리트 균열 학습 장치.The method of claim 1, wherein the weight setting unit comprises:
Weight error function = (1 + weight * sign(label value - predicted value)) * error function (label value, predicted value) Concrete crack learning apparatus, characterized in that for calculating the weight error function by.
가중치 오차 함수 = (1 + weight * sign(라벨값 - 예측값))2 * 오차 함수(라벨값, 예측값) (여기서, weight는 가중치값이고, sign은 양수/음수를 판별하는 함수임)으로 이루어지는 수식에 의해 가중치 오차 함수를 산출하는 것을 특징으로 하는 콘크리트 균열 학습 장치.The method of claim 1, wherein the weight setting unit comprises:
Weight error function = (1 + weight * sign(label value - predicted value)) 2 * error function (label value, predicted value) (where weight is a weight value and sign is a function that determines positive/negative numbers) Concrete crack learning apparatus, characterized in that for calculating the weight error function by
가중치 오차 함수 = (1 + weight * sign(relu(라벨값 - 예측값))) * 오차 함수(라벨값, 예측값) (여기서, weight는 가중치값이고, sign은 양수/음수를 판별하는 함수이며, relu는 max(x, 0)인 함수임)으로 이루어지는 수식에 의해 가중치 오차 함수를 산출하는 것을 특징으로 하는 콘크리트 균열 학습 장치.The method of claim 1, wherein the weight setting unit comprises:
Weight error function = (1 + weight * sign(relu(label value - predicted value))) * error function (label value, predicted value) (where weight is a weight value, sign is a function that determines positive/negative numbers, relu is a function of max(x, 0)), a concrete crack learning apparatus, characterized in that the weight error function is calculated by the formula.
가중치 오차 함수 = (1 + weight * relu(라벨값 - 예측값)) * 오차 함수(라벨값, 예측값) (여기서, weight는 가중치값이고, relu는 max(x, 0)인 함수임)으로 이루어지는 수식에 의해 가중치 오차 함수를 산출하는 것을 특징으로 하는 콘크리트 균열 학습 장치.The method of claim 1, wherein the weight setting unit comprises:
Weight error function = (1 + weight * relu(label value - predicted value)) * error function (label value, predicted value) (where weight is a weight value and relu is a function with max(x, 0)) Concrete crack learning apparatus, characterized in that for calculating the weight error function by
균열이 포함된 균열 콘크리트 이미지 데이터를 입력값으로 입력받는 단계;
상기 입력된 균열 콘크리트 이미지 데이터로부터 균열 상태를 예측하는 단계;
상기 예측한 균열 상태를 토대로 예측 균열 이미지 데이터를 예측값으로 출력하는 단계;
상기 예측 균열 이미지 데이터에 상응하는 예측값과 그의 라벨 이미지 데이터에 상응하는 라벨값을 비교하여 오차 함수를 산출하는 단계;
상기 산출된 오차 함수에 가중치를 부여하여 가중치 오차 함수를 산출하는 단계; 그리고,
상기 산출된 가중치 오차 함수를 토대로 균열 콘크리트 이미지의 균열 상태를 학습하는 단계를 포함하는 것을 특징으로 하는 콘크리트 균열 학습 방법.In the concrete crack learning method of the concrete crack learning apparatus comprising an input unit, a prediction unit, an output unit, an error calculation unit, a weight setting unit, and a learning unit,
receiving cracked concrete image data including cracks as input values;
predicting a crack state from the input cracked concrete image data;
outputting predicted crack image data as a predicted value based on the predicted crack state;
calculating an error function by comparing a predicted value corresponding to the predicted crack image data with a label value corresponding to the label image data;
calculating a weighted error function by weighting the calculated error function; and,
and learning the crack state of the cracked concrete image based on the calculated weight error function.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200097879A KR102408406B1 (en) | 2020-08-05 | 2020-08-05 | Apparatus and method for learning concrete construction crack |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200097879A KR102408406B1 (en) | 2020-08-05 | 2020-08-05 | Apparatus and method for learning concrete construction crack |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220017648A KR20220017648A (en) | 2022-02-14 |
| KR102408406B1 true KR102408406B1 (en) | 2022-06-14 |
Family
ID=80253865
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200097879A KR102408406B1 (en) | 2020-08-05 | 2020-08-05 | Apparatus and method for learning concrete construction crack |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102408406B1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102465284B1 (en) * | 2022-04-13 | 2022-11-11 | 주식회사 디와이스코프코리아 | Method, device and system for detecting structure crack based on mobile terminal |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106934795B (en) | 2017-01-23 | 2018-11-02 | 陕西师范大学 | A kind of automatic testing method and prediction technique of glue into concrete beam cracks |
| CN110321815A (en) | 2019-06-18 | 2019-10-11 | 中国计量大学 | A kind of crack on road recognition methods based on deep learning |
| KR102007761B1 (en) | 2018-10-29 | 2019-10-21 | 정윤진 | Facility maintenance repair method recommendation system and method |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102158192B1 (en) * | 2018-11-20 | 2020-09-22 | 인하대학교 산학협력단 | Damage Detection Approach for Tendon of Prestressed Concrete PSC Bridge Based on Auto-Encoder |
-
2020
- 2020-08-05 KR KR1020200097879A patent/KR102408406B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106934795B (en) | 2017-01-23 | 2018-11-02 | 陕西师范大学 | A kind of automatic testing method and prediction technique of glue into concrete beam cracks |
| KR102007761B1 (en) | 2018-10-29 | 2019-10-21 | 정윤진 | Facility maintenance repair method recommendation system and method |
| CN110321815A (en) | 2019-06-18 | 2019-10-11 | 中国计量大学 | A kind of crack on road recognition methods based on deep learning |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220017648A (en) | 2022-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Paal et al. | Automated damage index estimation of reinforced concrete columns for post-earthquake evaluations | |
| Debón et al. | Comparing risk of failure models in water supply networks using ROC curves | |
| CN109671071B (en) | Underground pipeline defect positioning and grade judging method based on deep learning | |
| US11593607B2 (en) | Method and system for predicting content of multiple components in rare earth extraction process | |
| Zou et al. | Multicategory damage detection and safety assessment of post‐earthquake reinforced concrete structures using deep learning | |
| AU2016207867A1 (en) | Structural damage detection | |
| KR102408406B1 (en) | Apparatus and method for learning concrete construction crack | |
| JP2008175549A (en) | Defect detection device and method | |
| US20190114754A1 (en) | Industrial object defect detection | |
| NZ595471A (en) | Inflammatory bowel disease prognostics | |
| US8811750B2 (en) | Apparatus and method for extracting edge in image | |
| CN108682003B (en) | Product quality detection method | |
| CN111597941B (en) | Target detection method for dam defect image | |
| US20190385081A1 (en) | Anomaly detection model selection and validity for time series data | |
| CN116128380B (en) | Bridge health monitoring method and device, electronic equipment and storage medium | |
| CN111879710A (en) | Steel structure coating corrosion resistance evaluation method, system, server and storage medium | |
| Ye et al. | Post‐earthquake damage recognition and condition assessment of bridges using UAV integrated with deep learning approach | |
| CN112149356A (en) | Method, device, equipment and medium for predicting structural crack propagation path | |
| CN115471476A (en) | Method, device, equipment and medium for detecting component defects | |
| CN115546488A (en) | Information segmentation method, information extraction method and training method of information segmentation model | |
| CN109444060B (en) | Solution concentration detection method, device, equipment and storage medium | |
| CN113313669A (en) | Method for enhancing semantic features of top layer of surface disease image of subway tunnel | |
| CN103852562A (en) | Method for judging questionable value of sample testing data | |
| CN100579231C (en) | Motion vector prediction method and device | |
| CN102521805B (en) | Video word processing method based on interframe information |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |