Conceptos Básicos
본 연구는 기존 감독 학습 기반 픽셀 단위 도로 균열 탐지 알고리즘의 한계를 극복하기 위해 UP-CrackNet이라는 새로운 네트워크 아키텍처와 학습 패러다임을 제안한다. UP-CrackNet은 손상되지 않은 도로 이미지 패치만을 사용하여 학습되며, 적대적 이미지 복원 기술을 적용하여 무감독 방식으로 손상된 영역을 학습한다. 테스트 과정에서는 양방향 필터링 및 Otsu 임계화와 같은 일반적인 이미지 처리 알고리즘을 적용한다. 3개의 데이터셋에 대한 광범위한 실험을 통해 UP-CrackNet의 도로 균열 탐지 효과와 다양한 데이터셋 및 시나리오에 걸친 우수한 일반화 성능을 입증한다.
Resumen
본 연구는 기존 감독 학습 기반 픽셀 단위 도로 균열 탐지 알고리즘의 한계를 극복하기 위해 UP-CrackNet을 제안한다. UP-CrackNet은 다음과 같은 과정으로 구성된다:
- 입력 손상되지 않은 도로 이미지에 다중 스케일 사각형 마스크를 적용하여 손상된 이미지를 생성한다.
- 생성된 손상 이미지를 입력으로 하여 생성 적대 신경망(GAN)을 학습시킨다. 생성기는 주변 손상되지 않은 영역의 의미론적 맥락을 활용하여 손상된 영역을 복원하도록 학습된다.
- 테스트 시, 입력 손상 이미지와 복원 이미지의 차이를 계산하여 오차 맵을 생성한다. 이 오차 맵을 이용하여 픽셀 단위 균열 탐지 결과를 도출한다.
실험 결과, UP-CrackNet은 다른 무감독 이상 탐지 알고리즘에 비해 우수한 성능을 보였으며, 감독 학습 기반 균열 탐지 알고리즘과 비교해서도 만족스러운 성능과 뛰어난 일반화 능력을 나타냈다.
Estadísticas
도로 균열 탐지는 약 33,000건의 연간 교통사고 중 약 1/3을 차지한다.
뉴질랜드 시 의회는 2017년 도로 결함 탐지 및 수리에 525,000 USD를 지출했다.
수동 육안 검사 방식은 시간 소모적이고 위험하며 주관적이다.
Citas
"도로 균열은 단순한 불편함을 넘어 토목 기반시설의 신뢰성과 지속 가능성에 큰 영향을 미치며, 차량 상태와 운전 안전에도 심각한 위협을 초래한다."
"자동화된 도로 균열 탐지 방법은 효율적이고 정확하며 객관적인 결과를 제공하는 것을 목표로 한다."