Journal of the Korean Geotechnical Society (한국지반공학회논문집)

Korean Geotechnical Society (한국지반공학회)
권호 표지
DOI QR코드

DOI QR Code

Assessment of Applicability of CNN Algorithm for Interpretation of Thermal Images Acquired in Superficial Defect Inspection Zones

포장층 이상구간에서 획득한 열화상 이미지 해석을 위한 CNN 알고리즘의 적용성 평가

  • Jang, Byeong-Su (Dept. of Disaster Safety Engrg., Daejeon Univ.) ;
  • Kim, YoungSeok (Northern Infrastructure Specialized Team, Korea Institute of Civil Engrg. and Building Technology) ;
  • Kim, Sewon (Dept. of Geotechnical Engrg. Research, Korea Institute of Civil Engrg. and Building Technology) ;
  • Choi, Hyun-Jun (Northern Infrastructure Specialized Team, Korea Institute of Civil Engrg. and Building Technology ) ;
  • Yoon, Hyung-Koo (Dept. of Disaster Safety Engrg., Daejeon Univ.)
  • 장병수 (대전대학교 재난안전공학과) ;
  • 김영석 (한국건설기술연구원 북방인프라특화팀 ) ;
  • 김세원 (한국건설기술연구원 지반연구본부 ) ;
  • 최현준 (한국건설기술연구원 북방인프라특화팀) ;
  • 윤형구 (대전대학교 재난안전공학과 )
  • Received : 2023.08.29
  • Accepted : 2023.09.17
  • Published : 2023.10.31
Download PDF
⟨ Previous Next ⟩

Abstract

The presence of abnormalities in the subgrade of roads poses safety risks to users and results in significant maintenance costs. In this study, we aimed to experimentally evaluate the temperature distributions in abnormal areas of subgrade materials using infrared cameras and analyze the data with machine learning techniques. The experimental site was configured as a cubic shape measuring 50 cm in width, length, and depth, with abnormal areas designated for water and air. Concrete blocks covered the upper part of the site to simulate the pavement layer. Temperature distribution was monitored over 23 h, from 4 PM to 3 PM the following day, resulting in image data and numerical temperature values extracted from the middle of the abnormal area. The temperature difference between the maximum and minimum values measured 34.8℃ for water, 34.2℃ for air, and 28.6℃ for the original subgrade. To classify conditions in the measured images, we employed the image analysis method of a convolutional neural network (CNN), utilizing ResNet-101 and SqueezeNet networks. The classification accuracies of ResNet-101 for water, air, and the original subgrade were 70%, 50%, and 80%, respectively. SqueezeNet achieved classification accuracies of 60% for water, 30% for air, and 70% for the original subgrade. This study highlights the effectiveness of CNN algorithms in analyzing subgrade properties and predicting subsurface conditions.

도로 하부에 발생된 이상구간은 사용자의 안전을 위협하고 보수하기 위해서도 많은 사회적 비용이 동반된다. 본 연구에서는 적외선 카메라를 사용하여 이상구간 매질에 따른 온도 분포를 실험적으로 평가하고 이를 머신러닝 기법으로 분석하고자 하였다. 대상 현장은 가로와 세로 및 깊이가 모두 50cm인 정육면체 형태로 설정하였고, 이상구간은 물과 공기로 결정하였다. 실험부지의 상부는 포장층을 모사하기 위해 콘크리트 블록을 설치하였으며, 오후 4시부터 다음날 오후 3시까지 총 23시간 동안 포장층의 온도 분포를 측정하였다. 측정된 값은 이미지 형태로 도출되었으며, 이미지 중간부분에서 측정 온도의 수치를 추출하였다. 최대온도와 최저온도의 차이는 물, 공기, 그리고 원 지반에서 각각 34.8℃, 34.2℃ 그리고 28.6℃로 나타났으며, 이미지 분석 기법인 convolution neural network(CNN) 방법을 활용하여 각 측정 이미지에 해당하는 조건을 분류하였다. 분류를 수행하기 위해서는 res net 101과 squeeze net 네트워크가 이용되었다. res net 101의 분류 정확도는 물, 공기 그리고 원 지반에서 각각 70%, 50% 그리고 80%로 나타났고, squeeze net의 분류 정확도는 60%, 30% 그리고 70%로 나타났다. 해당 연구 결과는 수치데이터로 특징 판단이 어려울 경우 이미지 기반의 CNN 알고리즘을 활용하면 매질 특성 분석이 가능하고 지반내 상태도 예측할 수 있는 방법론을 보여준다.

Keywords

Acknowledgement

본 연구는 과학기술정보통신부의 한국연구재단(NRF-2020R1A2C2012113)과 국토교통부 국토교통과학기술진흥원 'AI 기반 가스·오일 플랜트 운영·유지관리 핵심기술 개발(RS-2021-KA161932)' 사업의 지원으로 수행되었으며 이에 감사드립니다.

References

  1. Batayneh, A. T., Abueladas, A. A., and Moumani, K. A. (2002), Use of Ground-penetrating Radar for Assessment of Potential Sinkhole Conditions: an Example from Ghor al Haditha Area, Jordan, Environmental Geology, Vol.41, No.8, pp.977-983. https://doi.org/10.1007/s00254-001-0477-8
  2. Bianco, S., Cadene, R., Celona, L., and Napoletano, P. (2018), Benchmark Analysis of Representative Deep Neural Network Architectures, IEEE access, Vol.6, pp.64270-64277. https://doi.org/10.1109/ACCESS.2018.2877890
  3. Cheng, Q., Tang, C. S., Lin, Z. Z., Tian, B. G., and Shi, B. (2022), Measurement of Water Content at Bare Soil Surface with Infrared Thermal Imaging Technology, Journal of Hydrology, Vol.615, 128715.
  4. Cho, N. J., Cha, W., and Kim, H. K. (2016), Non-destructive Detection of Underground Cavities Using Thermal Images. Electron, Journal of the Korean Geotechnical Society, Vol.21, No.16, pp. 5465-5476.
  5. Frodella, W., Lazzeri, G., Moretti, S., Keizer, J., and Verheijen, F. G. (2020), Applying Infrared Thermography to Soil Surface Temperature Monitoring: Case Study of a High-resolution 48 h Survey in a Vineyard (Anadia, Portugal), Sensors, Vol.20, No.9, 2444.
  6. Go, G. H. and Lee, S. J. (2021), A Study on Numerical Analysis for GPR Signal Characterization of Tunnel Lining Cavities, Journal of the Korean Geotechnical Society, Vol.37, No.10, pp.65-76.
  7. Hoai, N. V., Dung, N. M., and Ro, S. (2019, July), Sinkhole Detection by Deep Learning and Data Association. In 2019 Eleventh International Conference on Ubiquitous and Future Networks (ICUFN) (pp.211-213). IEEE.
  8. Kang, S., Lee, J. S., Lee, S. J., Park, Y. K., and Hong, W. T. (2017), The Effect of Directivity of Antenna for the Evaluation of Abnormal Area Using Ground Penetrating Radar, Journal of the Korean Geotechnical Society, Vol.33, No.11, pp.1-4.
  9. Kalhor, D., Ebrahimi, S., Tokime, R. B., Mamoudan, F. A., Belanger, Y., Mercier, A., and Maldague, X. (2021), Cavity Detection in Steel-pipe Culverts Using Infrared Thermography, Applied Sciences, Vol.11, No.9, 4051.
  10. Lee, E. J., Shin, S. Y., Ko, B. C., and Chang, C. (2016), Early Sinkhole Detection Using a Drone-based Thermal Camera and Image Processing, Infrared Physics & Technology, Vol.78, pp.223-232. https://doi.org/10.1016/j.infrared.2016.08.009
  11. Lee, D. Y. and Cho, N. K. (2016), Understanding of Subsurface Cavity Mechanism due to the Deterioration of Buried Pipe, Journal of the Korean Geotechnical Society, Vol.32, No.12, pp.33-43. https://doi.org/10.7843/kgs.2016.32.12.33
  12. Lin, R. (2022, February), Analysis on the selection of the appropriate batch size in CNN neural network. In 2022 International Conference on Machine Learning and Knowledge Engineering (MLKE) (pp. 106-109). IEEE.