논문 상세보기
pp.75-84
본 연구는 딥러닝 기술을 활용하여 공동주택 외벽의 균열 탐지를 효과적으로 하기 위한 다양한 데이터 전처리 방법을 비교 분석하 였다. 특히, 표준 균열 데이터셋에 일반적으로 나타나지 않는 오탐균열을 식별하는 데 중점을 두고 있다. 이 연구는 탐지 정확도를 최 적화하기 위해 여러 이미지 전처리 기법을 적용한 결과를 비교한다. 객체 탐지를 위한 엣지 필터링과 RGB 색 필터 등을 이용한 색상 정규화를 결합한 방법을 집중적으로 검증하였다. 이러한 기술들은 실제 균열과 오탐균열을 구분하기 위해 적용되었으며, 이들의 탐 지 성능에 미치는 영향을 철저히 조사하였다. 효율적인 균열 탐지 모델을 찾기 위해 EfficientNet V2s 기반 모델을 적용하였다. RGB, YUV, LAB, HSV 네 가지 이미지 필터가 원본 이미지와 CLAHE 정규화된 이미지에 적용되었는데, 그 결과 단색 콘크리트 균열 탐지 에 효과적인 전통적인 정규화 방법이 공동주택 외벽 균열 탐지에는 제한적인 효과를 보인다는 것을 확인하였다. 또한, 단일 색 필터의 적용이 일관된 탐지 결과 개선 효과를 주지 않는다는 것을 밝혔다. 결국, 본 연구를 통해 다양한 이미지 정규화와 색 필터 조합의 균열 탐지 성능을 검증하였으며, 실제 균열과 오탐균열을 구분하는 탐지 성능 향상을 위해 추가적으로 다양한 접근의 연구가 필요하다는 것을 확인하였다.
This study compares and analyzes various data preprocessing methods for deep learning-based crack detection in the exterior walls of apartment buildings. It focuses on identifying false-positive crack anomalies not typically represented in standard crack datasets but relevant to apartment buildings. To optimize detection accuracy, two primary image preprocessing techniques were tested: edge filtering combined with color normalization for object detection and image filtering techniques, such as RGB filters. These techniques were applied to differentiate false-positive cracks from genuine wall cracks, and their impact on detection performance was thoroughly evaluated. An EfficientNet V2s-based model was employed to assess performance in detecting false-positive cracks. Four image filters (RGB, YUV, LAB, and HSV) were applied to both original images and those treated by CLAHE normalization. The findings indicated that traditional normalization methods, which are effective for monochrome concrete crack detection, had limited effectiveness in identifying the false-positive crack anomalies of the exteriors of apartment buildings. Additionally, the application of single color filters did not consistently improve detection results. The study concludes that a broader investigation into various combinations of image normalization and color filters was conducted to enhance crack detection performance. Further, a multifaceted approach is necessary to yield better outcomes in detecting real cracks from false positives.
1. 서 론
2. 선행연구 분석
2.1 균열탐지기술
2.2 균열 데이터
2.3 이미지 전처리 기술
3. 균열 데이터의 취득과 신경망 모델
3.1 공공 데이터 기반 균열 탐지
3.2 데이터 증강
3.3 신경망 모델
3.4 모델 성능 평가 지표
4. 이미지 데이터 전처리
4.1 이미지 필터 및 정규화 적용
4.2 색상 모델의 적용
5. 딥러닝을 이용한 오탐균열 판별
5.1 이미지 필터 및 색상모델을 이용한 오탐균열 판별
5.2 오탐균열 판별을 위한 딥러닝 학습결과 분석
6. 결 론
감사의 글
References
요 지
