Crack detection is a crucial task in monitoring the quality of civil engineering to avoid a huge destruction of building, tunnels, and bridges. Manual inspection by the inspector is solely depends on skills, experiences, judgment and engineering point of view. Unfortunately, this process required a huge amount of time, laborious process with complex analysis. In order to overcome these issues, this study proposes an autoencoder-based deep learning framework for concrete crack detection. Unlike a general convolution neural network-based autoencoder, the proposed framework classifies features more with the fully connected layers between autoencoder modules and decoder modules. The results show that the proposed framework is outperform in detecting the concrete cracks propagation area and removing the noise from the original noisy input images.
콘크리트 크랙 검사는 건물, 터널 및 다리 등의 붕괴 등을 피하기 위한 품질 모니터링의 주요한 행위이다. 사람에 의한 수동 크랙 검사는 검사자의 기술, 경험 및 판단 등의 오류를 생성시킬 수 있다. 또한, 검사 프로세스는 많은 시간 및 노동력을 필요함은 물론 패턴 등에 복잡한 과정을 거치게 된다. 이를 위하여, 본 연구에서는 콘크리트 크랙이 포함된 이미지를 대상으로 크랙을 검출하기 위한 오토인코더 기반의 딥러닝 구조를 제안한다. 제안된 딥러닝오토인코더는 기존의 컨볼루션 인코더와는 달리 인코더와 디코더 구조 사이에 다수의 신경망을 위치시켜 feature를 고도화하는 과정을 포함한다. 이를 통하여, 기존의 컨볼루션 오토인코더 구조에 비하여 노이즈 제거 및 크랙 분별에 효과가 있음을 데이터 실험을 통해 실증한다.