Development of a deep Learning method for easy annotation of crack segmentation

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。

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。