검색 상세

딥러닝 기반 철근 콘크리트 검출 알고리즘 연구

Research on Detection Algorithm for Reinforced Concrete Based on Deep Learning

  • 스웨 (SHI YUE, 동신대학교 일반대학원)

초록/요약

철근콘크리트(Reinforced Concrete, RC)는 현대 건축 구조물에서 가장 널리 사용되는 건설 재료 중 하나로, 그 구조적 내구성(Durability)은 건축물의 외관 유지뿐만 아니라 하중 지지 능력에도 직접적인 영향을 미친다. 그러나 시공 과정 및 사용 환경의 영향으로 인해 철근콘크리트 구조물은 시간이 지남에 따라 다양한 열화 현상을 보이게 되며, 이는 구조적 안전성과 사용 수명에 심각한 문제를 야기할 수 있다. 그러나 실제 공학적 적용 측면에서 볼 때, 철근콘크리트 구조물의 표면 균열은 내부 열화가 진행되어 보호층이 탈락하고 철근이 부식되는 가장 주요하고도 위험한 원인으로 지적된다. 이러한 표면 균열이 장기간 방치될 경우, 점차 풍화나 철근 노출 등과 같은 심각한 구조적 결함으로 발전할 수 있다. 따라서 시공 단계뿐만 아니라 유지관리 과정에서도 철근콘크리트 구조물의 표면 균열을 신속하고 정확하게 검출·식별하는 것은 구조물의 안전성과 내구성을 확보하기 위해 매우 중요하다. 전통적인 균열검사는 숙련된 기술자가 육안 점검을 통해 수행해야 하며, 안전성이 낮고 비용이 높으며 효율이 떨어지는 등의 문제가 존재한다. 그러나 최근 몇 년간 컴퓨터 비전과 딥러닝 이론이 발전함에 따라 철근콘크리트의 검출과 인식을 위한 보다 자동화된 방법이 제공되고 있다. 전통적인 딥러닝 알고리즘은 합성곱 커널의 공유 등과 같은 장점을 활용하여 네트워크의 복잡도를 효과적으로 낮추고 학습 파라미터를 최소화할 수 있지만, 동시에 네트워크의 전역적 모델링 능력을 무의식적으로 손상시킬 수 있다. 이러한 한계는 미세한 균열의 정확한 인식을 저해한다. ResNet 모델은 국부적인 균열 특성을 효과적으로 인식할 수 있으며, 객체 탐지 및 이미지 분류와 같은 문제에서 우수한 성능을 보여왔다. 한편, 특징 피라미드(Feature Pyramid)는 네트워크의 각 계층에서 추출된 특징을 효과적으로 융합하여, 저수준 특징의 해상도를 향상시키는 동시에 견고한 의미 정보와 전역적 문맥 특성을 유지할 수 있다. 따라서, 미세 균열의 인식 능력을 더욱 향상시키기 위하여, 본 연구에서는 ResNet 네트워크를 기반으로 대규모 철근콘크리트 표면 균열 검출에 적용 가능한 새로운 네트워크 모델인 LResNet-FPN을 제안하였다. 제안된 LResNet-FPN 모델은 경량화된 잔차 블록(Residual Block) 구조를 이용하여 백본(Backbone) 네트워크를 구성하였으며, 여기에 특징 피라미드 네트워크(FPN) 구조를 융합함으로써 소규모 목표(미세 균열) 검출 성능을 효과적으로 향상시켰다. 실험 결과, 제안 모델은 학습 데이터셋에서 기존의 합성곱 신경망(Convolutional Neural Network, CNN) 기반 모델보다 우수한 성능을 나타냈으며, 동시에 적은 매개변수(Parameter) 수로 효율적인 운용이 가능함을 확인하였다. 또한, 소거(Ablation) 실험을 통해 검증한 결과, 최적화된 FPN 구조가 모델의 전체 성능을 향상시키는 데 유의미한 기여를 하였으며, 특히 미세 균열 대상의 인식 및 검출 능력에서 탁월한 효과를 보였다.

more

목차

표 목차 iii
그림 목차 iv
초록v
Ⅰ. 서론 1
1. 연구 배경 1
2. 연구 동향 2
3. 연구 내용 5
Ⅱ. ResNet과 다중 스케일 특징 추출 구조 개요 7
1. 합성곱 신경망(Convolutional Neural Network, CNN)개요 7
1) 입력층 8
2) 합성곱층9
3) 풀링층 11
4) 배치 정규화층13
5) 완전 연결층 15
6) 활성화 함수 17
7) 출력층(Output Layer) 19
2. ResNet 구조 20
3. 다중 스케일특징추출구조(Multi-Scale Feature Extraction Structure)27
Ⅲ. ResNet 모델 기반 대형 콘크리트 표면 균열 검출 31
1. 제안한 LResNet-FPN 32
2. 균열 데이터셋 40
3. 쌍선형 보간(Bilinear Interpolation) 42
4. 손실 함수44
5. Adam 최적화 알고리즘 46
Ⅳ. 실험 결과 및 분석 49
1. 성능 평가 지표 49
1) 혼동 행렬 49
2) 정확도 50
3) 정밀도 51
4) 재현율 52
5) F1 점수(F1 Score)52
2. LResNet-FPN 기반 대규모 철근콘크리트 균열 검출 모델 53
1) 실험 환경 53
2) 모델 학습 과정 54
3) 모델 경량화 방법 및 비교 분석 55
4) LResNet 학습 결과 및 분석 57
5) 소거 실험 66
6) LResNet-FPN과 다른 모델과의 비교 68
3. 검출 시스템 구현 및 검증69
1) LResNet-FPN 기반 Mask R-CNN 구조 69
2) 실험 준비 및 결과 73
V. 결론 및 전망78
참고문헌 80
ABSTRACT 83
감사의 글 86

more
반출 Meta View 목록