Deep Convolutional Neural Network untuk Mendeteksi Retak pada Permukaan Beton yang Memiliki Void

Patrick Nicholas Hadinata; Djoni Simanta; Liyanto Eddy

doi:10.26593/josc.v1i1.5151

Authors

Patrick Nicholas Hadinata Universitas Katolik Parahyangan https://orcid.org/0000-0002-9552-8777
Djoni Simanta Universitas Katolik Parahyangan
Liyanto Eddy Universitas Katolik Parahyangan https://orcid.org/0000-0003-4029-3162

DOI:

https://doi.org/10.26593/josc.v1i1.5151

Keywords:

convolutional neural network, DeepLabV3 , deteksi retak, U-Net, void

Abstract

Convolutional neural network berbasis encoder-decoder telah dirancang dan dilatih menggunakan dataset eksternal untuk mendeteksi retak pada permukaan beton yang relatif sederhana. Namun, pada kenyataannya permukaan beton memiliki banyak fitur seperti void pada permukaan yang disebabkan oleh udara yang terperangkap saat proses pencampuran beton. Oleh karena itu, pada penelitian ini kemampuan convolutional neural network akan diteliti lebih lanjut untuk mendeteksi retak pada permukaan beton yang memiliki void. Tujuan pertama penelitian ini adalah menguji model yang dilatih dengan dataset eksternal pada permukaan beton ber-void. Jika model tidak berhasil membedakan void dengan retak, maka tujuan kedua penelitian ini adalah menyusun dataset pelatihan internal baru yang secara khusus membedakan void dengan retak, yang kemudian akan ditambahkan pada dataset eksternal untuk diinvestigasi performanya. Penelitian ini menggunakan arsitektur U-Net dan arsitektur DeepLabV3+ sebagai encoder-decoder untuk mengoperasikan semantic image segmentation. Model encoder-decoder yang dilatih dengan dataset eksternal tidak berhasil membedakan void dengan retak saat pengujian. Maka, dataset internal yang terdiri dari gambar beton ber-void dibentuk dan digabungkan dengan dataset eksternal. Dengan penambahan dataset internal yang baru, hasil pengujian menunjukkan bahwa model berhasil membedakan void dengan retak pada permukaan beton. U-Net mencapai nilai F1 sebesar 85,92%, sedangkan DeepLabV3+ mencapai nilai F1 sebesar 84,09%.

References

O. Ronneberger, P. Fischer, dan T. Brox, "U-Net: Convolutional Networks for Biomedical Image Segmentation," In International Conference on Medical image computing and computer-assisted intervention, 2015, hal. 234-241, doi: 10.1007/978-3-319-24574-4_28.

L. C. Chen, Y. Zhu, G. Papandreou, F. Schroff, dan H. Adam, "Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation," In Proceedings of the European conference on computer vision (ECCV), 2018, hal. 801-818.

X. Yang, H. Li, Y. Yu, X. Luo, T. Huang, dan X. Yang, "Automatic Pixel‐Level Crack Detection and Measurement Using Fully Convolutional Network," Computer‐Aided Civil and Infrastructure Engineering, vol. 33, no. 12, hal. 1090-1109, 2018, doi: 10.1111/mice.12412.

P.N. Hadinata, D. Simanta, L. Eddy, dan K. Nagai, "Crack Detection on Concrete Surfaces Using Deep Encoder-Decoder Convolutional Neural Network: A Comparison Study Between U-Net and DeepLabV3+," Journal of the Civil Engineering Forum, vol. 7, no. 3, 2021.

N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, dan R. Salakhutdinov, "Dropout: A Simple Way to Prevent Neural Networks from Overfitting," The journal of machine learning research, vol. 15, no. 1, hal. 1929-1958, 2014.

L. C. Chen, G. Papandreou, F. Schroff, dan H. Adam, "Rethinking Atrous Convolution for Semantic Image Segmentation," 2017, arXiv preprint arXiv:1706.05587.

F. Chollet, "Xception: Deep Learning with Depthwise Separable Convolutions," In Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, hal. 1251-1258.

C. Goutte, dan E. Gaussier, "A Probabilistic Interpretation of Precision, Recall And F-Score, With Implication for Evaluation," In European conference on information retrieval, 2005, hal. 345-359, doi: 10.1007/978-3-540-31865-1_25.

D. P. Kingma, dan J. Ba, "Adam: A Method for Stochastic Optimization," 2014, arXiv preprint arXiv:1412.6980.

F. Milletari, N. Navab, dan S. A. Ahmadi, "V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation," In 2016 fourth international conference on 3D vision (3DV), 2016, hal. 565-571, doi: 10.1109/3DV.2016.79.