Development of a deep Learning method for easy annotation of crack segmentation
Project/Area Number |
22K04262
|
Research Category |
Grant-in-Aid for Scientific Research (C)
|
Allocation Type | Multi-year Fund |
Section | 一般 |
Review Section |
Basic Section 22010:Civil engineering material, execution and construction management-related
|
Research Institution | Yamaguchi University |
Principal Investigator |
藤田 悠介 山口大学, 大学院創成科学研究科, 准教授 (40509527)
|
Project Period (FY) |
2022-04-01 – 2025-03-31
|
Project Status |
Granted (Fiscal Year 2022)
|
Budget Amount *help |
¥4,030,000 (Direct Cost: ¥3,100,000、Indirect Cost: ¥930,000)
Fiscal Year 2024: ¥390,000 (Direct Cost: ¥300,000、Indirect Cost: ¥90,000)
Fiscal Year 2023: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2022: ¥2,730,000 (Direct Cost: ¥2,100,000、Indirect Cost: ¥630,000)
|
Keywords | DCNN / アノテーション / ファインチューニング / 可視化 / 自己教師あり学習 / 弱教師あり学習 / 異常検知 / 省力化 / 深層学習 / 領域分割 / 可視化技術 |
Outline of Research at the Start |
一般に、高性能な深層学習モデルを構築するためには、大量のデータを収集し、データに正確にラベルを付与(アノテーション)して教師データを作成する必要がある。データの収集や教師データの作成は煩雑であり、その省力化や効率化が期待されている。 本研究では、コンクリート構造物や舗装路面の表面を撮影した画像からひび割れを抽出するモデルを構築する問題において、深層学習モデルの学習に用いる教師データの作成(アノテーション)を省力化して高性能なモデルを構築できる、深層学習の新しい適用法を開発する。
|
Outline of Annual Research Achievements |
老朽化が進む社会インフラをいかに守るかは重要な課題であり、点検の高度化・効率化に向けて深層学習の活用にかかる期待は大きい。一般に、高性能な深層学習モデルを構築するためには、大量のデータを収集し、データに正確にラベルを付与(アノテーション)して教師データを作成する必要がある。データの収集や教師データの作成は煩雑であり、その省力化や効率化が期待されている。本研究では、簡易なアノテーションにより深層学習モデルを構築する新しい方式を開発する。 初年度は、コンクリート構造物および舗装路面の外観検査を効率化するために、DCNNモデルの構築に使用する教師データ作成のためのアノテーション(ラベル付け作業)を省力化する方法を多角的に開発した。まず、「分類モデルに可視化法を適用して領域分割モデルを構築する方法」を検討し、限られたデータセットの中で有効性を確認し、課題を明らかにした。また、「学習済みの領域分割モデルをFine-tuningして分類モデルを構築する方法」の開発、「少量のラベル付きデータと大量のラベルなしデータを用いてモデルを構築する自己教師あり学習の手法」の適用、および「弱教師あり学習によるアノテーションを省力化させる方式」の開発を行った。
|
Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当初の計画にもとづく以下の課題①に加えて、課題②、③、④の検討を行い、一定の研究成果が得られた。 ①分類モデルに可視化法を適用して領域分割モデルを構築する方法を検討した。予備実験として、限られたデータセットの中でその有効性を確認し、課題を明らかにした。 ②舗装路面データを用いて、学習済みの領域分割モデルをFine-tuningして分類モデルを構築する方法を開発し、その有効性を確認した。この成果は学会発表済みである。 ③少量のラベル付きデータと大量のラベルなしデータを用いてモデルを構築する自己教師あり学習の手法を適用してアノテーションの省力化を検討し、その有効性と課題を明らかにした。 ④弱教師あり学習の枠組みから、アノテーションを省力化させる方式を開発し、有効性と課題を明らかにした。 当初の計画以上に遂行できており、おおむね順調に進展している。
|
Strategy for Future Research Activity |
これまでの課題①~④について、継続して取り組む予定である。 課題③と④については、これまでの成果を学会発表する予定である。 また、これに加えて課題⑤として「異常検知モデルの適用」を計画している。
|
Report
(1 results)
Research Products
(3 results)