UDLV3+를 활용한 인프라 구조물 균열 탐지 설계 및 성능 평가 = Design and Performance Evaluation of Infrastructure Crack Detection Using UDLV3+

다국어 초록 (Multilingual Abstract)

Design and Performance Evaluation of Infrastructure Crack Detection Using UDLV3+

Lee Jong-Hyun
Department of Computer Engineering
Honam University
Directed by prof. Lee Sang-Hyun
This study aims to design and evaluate the performance of deep learning-based segmentation models for more precise and efficient crack detection in concrete-based infrastructure structures. In infrastructure maintenance, cracks are among the most critical defects, and accurately detecting early-stage cracks plays a key role in determining the overall safety and lifespan of the structure. However, conventional visual inspection methods and crack gauge-based measurements have clear limitations in terms of objectivity and quantifiability, and are prone to subjective inconsistencies depending on the inspector’s expertise. To address these issues, this research proposes an automated crack detection method using artificial intelligence technology, specifically image-based deep learning segmentation models.
To achieve this, four models were selected for comparative evaluation: the widely adopted U-Net, DeepLabV3+, Swin Transformer, and the proposed hybrid model combining U-Net and DeepLabV3+ (UDLV3+). The models were compared based on their architectural features, training stability, inference speed, and quantitative performance indicators. The proposed UDLV3+ model was designed to combine the lightweight structure and fast convergence of U-Net with the multi-scale feature extraction and boundary refinement capabilities of DeepLabV3+, aiming to maximize crack detection accuracy while maintaining computational efficiency suitable for real-time applications.
Experiments were conducted using a dataset of over 40,000 concrete surface images classified into Positive (with cracks) and Negative (without cracks) categories. Preprocessing and augmentation techniques such as mask generation, normalization, resizing, and horizontal flipping were applied to improve generalization performance during training. The models were trained for 50 epochs, and performance was evaluated using metrics including IoU, Dice coefficient, inference speed (FPS), computational complexity (GFLOPs), and the number of parameters (Million Parameters).
As a result, the proposed UDLV3+ model achieved the highest detection performance with an IoU of 0.523 and a Dice coefficient of 0.554. Furthermore, it maintained a computational cost of only 1.43 GFLOPs and 26.18M parameters while achieving an inference speed of 519.70 FPS, demonstrating a successful balance between accuracy and efficiency. The U-Net model, with a Dice coefficient of 0.472 and an inference speed of 1978.91 FPS, showed extremely fast processing capabilities and was found to be suitable for lightweight or edge device-based systems. In contrast, DeepLabV3+ effectively captured cracks of varying shapes and scales, but its high computational cost (10.26 GFLOPs) and large parameter count (39.63M) make it less suitable for resource-constrained environments. Despite being a state-of-the-art Vision Transformer-based architecture, the Swin Transformer showed poor accuracy with an IoU of 0.125 and Dice coefficient of 0.216, indicating difficulty in distinguishing cracks from background noise and blurry boundaries.
Additionally, analysis of training loss curves showed that both the U-Net and UDLV3+ models exhibited rapid loss reduction in early epochs followed by a stable convergence phase. The hybrid model, in particular, demonstrated both fast convergence and low final loss values, confirming its robustness in training and strong generalization potential.
In conclusion, the proposed UDLV3+ model outperformed individual models in terms of accuracy, computational efficiency, and inference speed, demonstrating a level of performance suitable for practical application in real-world crack diagnostic systems. Furthermore, this study presents a viable AI-based solution for various application environments such as automated infrastructure maintenance, unmanned inspection systems, and Edge-AI-based real-time diagnostics. These findings suggest a foundational contribution to the advancement of smart city infrastructure management and AI-integrated structural health monitoring systems.

국문 초록 (Abstract)

UDLV3+를 활용한 인프라 구조물 균열 탐지 설계 및 성능 평가
제 출 자 : 이 종 현
지도교수 : 이 상 현
본 논문은 콘크리트 기반 인프라 구조물에서 발생하는 균열을 보다 정밀하고 효율적으로 탐지하기 위한 딥러닝 기반 세그멘테이션 모델의 설계 및 성능 평가를 목적으로 한다. 구조물의 유지보수에서 균열은 주요 결함 중 하나이며, 균열의 초기 발생을 정확하게 감지하는 것은 전체 구조물의 안정성과 수명을 판단하는 데 핵심적인 역할을 한다. 그러나 기존의 시각 점검 방식이나 균열 게이지를 활용한 방법은 정량성과 신뢰성에서 뚜렷한 한계를 가지며, 전문가에 따른 주관적 편차 또한 발생할 수 있다. 이러한 문제를 해결하기 위해 본 연구는 인공지능 기술, 특히 영상 기반 딥러닝 세그멘테이션 모델을 활용하여 자동화된 균열 탐지 방법을 제안하고자 한다.
이를 위해 대표적인 세그멘테이션 모델인 U-Net, DeepLabV3+, Swin Transformer, 그리고 제안된 하이브리드 구조인 U-Net + DeepLabV3+ (UDLV3+)를 실험에 포함하여 각 모델의 구조적 특성, 학습 안정성, 추론 속도 및 정량 평가 지표를 기반으로 성능을 비교하였다. 특히 제안된 UDLV3+ 모델은 U-Net 모델의 경량성과 빠른 수렴 특성, DeepLabV3+ 모델의 다중 해상도 특징 추출 능력 및 경계 인식 강점을 결합하여, 균열 탐지 정확도를 극대화하면서도 실시간 응용에 적합한 연산 효율을 구현하는 데 목적을 두었다.
실험은 Positive(균열 포함)와 Negative(정상 이미지)로 구분된 40,000장 이상의 데이터셋을 기반으로 수행되었으며, 이미지 전처리 과정에서는 마스크 생성, 정규화, 크기 조정, 수평 반전 등의 데이터 증강 기법을 적용하여 학습의 일반화 성능을 확보하였다. 학습은 총 50 Epoch 동안 수행되었고, 성능 평가지표는 IoU, Dice 계수, 추론 속도(FPS), 연산량(GFLOPs), 파라미터 수(Million parameters)를 채택하였다.
구현 결과, 제안된 UDLV3+ 모델은 IoU 0.523, Dice 계수 0.554를 기록하여 탐지 정확도 면에서 가장 우수한 성능을 보였다. 해당 모델은 또한 1.43 GFLOPs의 연산량과 26.18M의 파라미터 수를 유지하면서도 519.70 FPS의 속도를 기록해, 정확도와 연산 효율 간의 균형을 성공적으로 달성한 것으로 나타났다. U-Net 단일 모델은 Dice 계수 0.513 및 FPS 1,978.91로 매우 빠른 추론 속도를 보이며, 경량 환경이나 엣지 디바이스 기반 시스템에 적합한 모델로 평가되었다. DeepLabV3+ 모델은 다양한 크기와 형태의 균열을 효과적으로 포착할 수 있으나, 10.26 GFLOPs의 높은 연산량과 39.63M의 파라미터 수로 인해 경량 환경에는 부적합한 것으로 나타났다. Swin Transformer 모델은 Vision Transformer 기반의 최신 구조임에도 불구하고 IoU 0.125, Dice 계수 0.216으로 정확도가 낮았으며, 균열과 배경 간 경계 식별에 어려움을 겪는 것으로 분석되었다.
또한 학습 중 손실(Loss) 변화 곡선 분석에서도 U-Net 및 UDLV3+ 모델은 초반 Epoch에서 손실이 급격히 감소한 후, 후반부에 걸쳐 안정적인 수렴 양상을 보였다. 특히 UDLV3+ 모델은 빠른 손실 감소와 낮은 최종 손실 값을 함께 보여, 모델 학습 안정성과 일반화 가능성 면에서도 우수함을 입증하였다.
따라서, 본 연구에서 제안한 UDLV3+ 모델은 기존 단일 모델 대비 정확도, 효율성, 추론 속도 등 다양한 측면에서 뛰어난 성능을 입증하였으며, 이는 실제 인프라 구조물의 균열 진단 시스템에 실용적으로 적용이 가능한 수준의 품질을 갖춘 것으로 판단된다. 또한 본 연구는 구조물의 유지보수 자동화, 무인 점검 시스템, Edge-AI 기반 실시간 진단 등 다양한 응용 환경에 적합한 AI 기반 균열 탐지 솔루션을 제시함으로써, 향후 스마트시티 및 인프라 관리 기술 고도화에 기여할 수 있는 기반이 될 수 있다.

목차 (Table of Contents)

• 제1장 서론 1
• 1절 연구 배경 1
• 1. 인프라 구조물 현황 1
• 2. 균열(Crack) 관리 및 연구 3
• 2절 국내외 균열 검사 9
• 3절 연구 논문의 구성 16
• 제2장 연구 내용· 18
• 1절 인공지능 모델 18
• 2절 제안된 인공지능 모델 20
• 1. U-Net (Segmentation) 모델 20
• 2. DeepLabV3+ (Segmenation) 모델 24
• 3. Swin Transformer (Segmentation) 모델 30
• 제3장 인공지능 모델의 성능 비교 및 평가를 위한 설계 35
• 1절 U-Net (Segmentation) 모델 39
• 1. U-Net 모델 설계 39
• 2절 DeepLabV3+ 모델 47
• 1. DeepLabV3+ 모델 설계 47
• 3절 Swin Tansformer (Segmentation) 모델 57
• 1. Swin Transformer (Segmentation) 모델 설계 57
• 2. Swin Transformer (Segmentation) 모델 구조 60
• 4절 UDLV3+ 기반 하이브리드 모델 제안 66
• 1. UDLV3+ 기반 하이브리드 모델 설계 66
• 2. UDLV3+ 기반 하이브리드 모델 구조 68
• 5절 데이터셋 구축 72
• 1. 비교 평가 기준 74
• 제4장 균열 탐지를 위한 딥러닝 세그멘테이션 모델 구현 및 성능 비교 77
• 1절 개발 환경 77
• 2절 제안된 인공지능 모델 학습 방법 79
• 1. 균열 마스크 생성 81
• 2. 이미지 마스크 셋 구성 81
• 3. 인공지능 모델 학습 및 검증 82
• 4. 텍스트 이미지 시각화 83
• 5. 평가지표 84
• 3절 U-Net 모델 기반 균열 탐지 결과 및 성능 분석 89
• 4절 DeepLabV3+ 모델 기반 균열 탐지 결과 및 성능 분석 94
• 5절 Swin Tranformer 모델 기반 균열 탐지 결과 및 성능 분석 97
• 6절 UDLV3+ 하이브리드 기반 균열 탐지 결과 및 성능 분석 100
• 7절 모델별 균열 탐지 종합 성능 분석 및 평가 105
• 1. 모델별 정량적 성능 비교 105
• 2. 학습 손실(Loss) 곡선 분석 106
• 3. 모델별 종합평가 및 모델 선택 기준 108
• 제5장 결론 110
• 참고문헌 112
• ABSTRACT 117