エンコーダデコーダアーキテクチャを用いた道路舗装のひび割れ自動検出法

Automatic Crack Detection on Road Pavements Using Encoder-Decoder Architecture.

• Zhun Fan
• Chong Li
• Ying Chen
• Jiahong Wei
• Giuseppe Loprencipe
• Xiaopeng Chen
• Paola Di Mascio

抄録

ポルトランドセメントコンクリート（PCC）やアスファルトコンクリート（AC）舗装の交通安全性や耐久性を確保するためには、画像からの自動ひび割れ検知が重要な課題となっています。舗装の破損は、水の浸入、高荷重による応力、気候の影響など、多くの原因に依存しています。一般的に、ひび割れは路面に発生する最初の苦痛であり、ひび割れの広がりや形成を防止するための適切なモニタリングとメンテナンスが重要である。道路舗装のひび割れを識別するための従来のアルゴリズムは、非常に時間がかかり、コストも高い。また、多くのひび割れは、複雑なトポロジカル構造、油汚れ、連続性の悪さ、コントラストの低さを示しており、ひび割れの特徴を定義することが困難である。そのため、自動ひび割れ検出アルゴリズムは、結果を改善するための重要なツールとなっています。コンピュータビジョンや物体検出における深層学習の発展に触発されて、提案するアルゴリズムは、エンドツーエンド方式で亀裂検出を行うために、U-Hierarchical Dilated Network（U-HDN）と名付けられた階層的特徴学習と拡張畳み込みを用いたエンコーダ-デコーダアーキテクチャを考慮しています。複数のコンテキスト情報を持つクラック特性を自動的に学習し、エンドツーエンドでクラック検出を行うことができる。そして、エンコーダー／デコーダーアーキテクチャに埋め込まれたマルチディレイションモジュールを提案する。複数のコンテキストサイズのクラック特徴を、異なる拡張率を持つ拡張畳み込みによってマルチダイレーションモジュールに統合することで、より多くのクラック情報を得ることができる。最後に、階層的特徴学習モジュールは、高レベルから低レベルの畳み込み層からマルチスケールの特徴を得るように設計されており、これを統合することで、ピクセル単位のクラック検出を予測することができる。118枚の画像を用いた公開ひび割れデータベースについていくつかの実験を行い、同じ画像について他の手法で得られた結果と比較した。その結果、提案するU-HDN法は、他のアルゴリズムと比較して、異なるコンテキストサイズと異なるレベルの特徴マップを抽出して融合することができるため、高い性能を達成していることが示された。

Automatic crack detection from images is an important task that is adopted to ensure road safety and durability for Portland cement concrete (PCC) and asphalt concrete (AC) pavement. Pavement failure depends on a number of causes including water intrusion, stress from heavy loads, and all the climate effects. Generally, cracks are the first distress that arises on road surfaces and proper monitoring and maintenance to prevent cracks from spreading or forming is important. Conventional algorithms to identify cracks on road pavements are extremely time-consuming and high cost. Many cracks show complicated topological structures, oil stains, poor continuity, and low contrast, which are difficult for defining crack features. Therefore, the automated crack detection algorithm is a key tool to improve the results. Inspired by the development of deep learning in computer vision and object detection, the proposed algorithm considers an encoder-decoder architecture with hierarchical feature learning and dilated convolution, named U-Hierarchical Dilated Network (U-HDN), to perform crack detection in an end-to-end method. Crack characteristics with multiple context information are automatically able to learn and perform end-to-end crack detection. Then, a multi-dilation module embedded in an encoder-decoder architecture is proposed. The crack features of multiple context sizes can be integrated into the multi-dilation module by dilation convolution with different dilatation rates, which can obtain much more cracks information. Finally, the hierarchical feature learning module is designed to obtain a multi-scale features from the high to low- level convolutional layers, which are integrated to predict pixel-wise crack detection. Some experiments on public crack databases using 118 images were performed and the results were compared with those obtained with other methods on the same images. The results show that the proposed U-HDN method achieves high performance because it can extract and fuse different context sizes and different levels of feature maps than other algorithms.