건축물 점검을 위한 딥러닝 기반의 도메인 적응적 균열 검출 시스템|RISS 상세보기

국문 초록 (Abstract)

건축물 안전 점검은 점검자가 육안으로 건축물을 조사하는 방식이며, 특히 건물의 위험을 직관적으로 나타내는균열에 대한 점검이 핵심적이다. 최근에는 이를 보조할 수 있도록 균열 점검의 자동화를 위한 인공지능 기반의 연구가 활발히 이루어지고 있다. 균열은 벽면의 종류와 발생 위치 등에 따라 그 형태가 매우 달라지기 때문에 학습데이터의 폭이 넓어야 하나, 대부분 공인된 데이터셋들은 제한적인 환경과 낮은 해상도로 구성되어 있어 실제 현장에 적용하기엔 실효성이 부족하다. 본 연구에서는 건물 내 균열 점검 현장에 적합한 검출 시스템을 개발하였다.
이를 위해 균열 조사 현장과 같은 이미지 데이터셋 POC를 11,466장을 구축하였고, 데이터의 특성과 분포를 고려한 층화 표집 방법을 통해 구축 데이터셋의 높은 다양성을 보장하였다. 또한, 딥러닝 기반 객체 검출 모델인YOLO 계열의 모델들로 균열 검출 성능을 비교하였고, 최종적으로 YOLO-Cr 모델을 개발하여 mAP(mean Average Precision) 91.5%라는 높은 균열 검출 성능을 보였다. 더 나아가, YOLO-Cr을 토대로 실제 현장점검에서실시간 스캐닝과 UAV를 활용하는 검출 시스템을 설계함으로써 기존 육안 검사의 개선 방법을 제시한다. 본 연구를 통해 다양한 구조물의 안전 점검 자동화에 기여하고 점검의 객관성 및 효율성이 증대될 수 있길 기대한다.

번역하기

건축물 안전 점검은 점검자가 육안으로 건축물을 조사하는 방식이며, 특히 건물의 위험을 직관적으로 나타내는균열에 대한 점검이 핵심적이다. 최근에는 이를 보조할 수 있도록 균열 점검...

참고문헌 (Reference)

1 하종우 ; 박경원 ; 김민수, "딥러닝 기반의 분할과 객체탐지를 활용한 도로균열 탐지시스템 개발" 한국전자거래학회 26 (26): 93-106, 2021

2 김경영 ; 김다현 ; 김동주, "건물 안전 진단을 위한 딥러닝 기반의 외벽 균열 검출 방법" 대한설비관리학회 26 (26): 31-43, 2021

3 G. Jocher, "ultralytics/yolov5: v6.2 - YOLOv5 classification models, apple m1, reproducibility, clearml and deci.ai integrations" Zenodo

4 C. Y. Wang, "You only learn one representation: Unified network for multiple tasks, arXiv preprint arXiv:2105.04206"

5 Joseph Redmon, "You Only Look Once: Unified, Real-Time Object Detection" IEEE 779-788, 2016

6 A. Bochkovskiy, "Yolov4: Optimal speed and accuracy of object detection, arXiv preprint arXiv:2004.10934"

7 J. Redmon, "Yolov3: An incremental improvement, arXiv preprint arXiv:1804.02767"

8 C. Y. Wang, "YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors, arXiv preprint arXiv:2207.02696"

9 M. Maguire, "SDNET2018: A concrete crack image dataset for machine learning applications"

10 G. Y. Kim, "Robust detection deep learning model in the various exterior wall cracks" 2021