Centrala begrepp
본 연구에서는 균열 표면 세그멘테이션을 위한 반지도 학습 기반 접근법을 제안하였다. 구조적 유사성을 고려하여 다양한 데이터셋을 구축하고, 약-강 일관성 정규화 기법을 활용하여 모델을 학습하였다. 이를 통해 적은 양의 레이블 데이터로도 강건하고 일반화 성능이 우수한 모델을 학습할 수 있었다.
Sammanfattning
본 연구에서는 균열 표면 세그멘테이션을 위한 반지도 학습 기반 접근법을 제안하였다. 다음과 같은 주요 내용을 다루고 있다:
균열 표면 이미지 데이터셋 구축:
동질적(homogeneous), 이질적(heterogeneous), 조화(harmonized) 데이터셋을 구축하여 구조적 유사성의 영향을 분석
각 데이터셋의 특성 및 구성을 상세히 기술
약-강 일관성 정규화 기반 반지도 학습 전략 수립:
약한 증강과 강한 증강 파이프라인을 활용하여 모델 학습
약한 증강 이미지의 예측과 강한 증강 이미지의 예측 간 일관성을 유지하도록 학습
다양한 증강 전략 비교 및 분석:
9가지 증강 전략을 테스트하고 각각의 장단점 분석
레이블 데이터 양에 따른 예측 성능 변화 확인
구조적 유사성이 모델 성능에 미치는 영향 분석:
동질적, 이질적, 조화 데이터셋에서 학습한 모델의 성능 비교
구조적 유사성이 높은 데이터로 학습한 모델이 더 우수한 성능 발휘
균열 역학 평가를 위한 자동 초기 균열 크기 측정 성능 검증:
학습된 모델을 활용하여 초기 균열 크기를 자동으로 측정
실험실 환경에서는 전문가 수준의 정확도 달성, 이질적 환경에서도 1% 미만의 오차 달성
본 연구는 균열 표면 세그멘테이션을 위한 효과적인 반지도 학습 기반 접근법을 제시하고, 구조적 유사성이 모델 성능에 미치는 영향을 심도 있게 분석하였다. 또한 균열 역학 평가를 위한 자동 측정 기능을 검증함으로써 실용적인 활용 가능성을 보여주었다.
Statistik
균열 표면 이미지의 초기 균열 크기 𝑎0는 약 0.5 ~ 0.3 W 범위에 있다.
균열 표면 이미지의 두께 𝐵는 약 20 mm 수준이다.
Citat
"본 연구에서는 균열 표면 세그멘테이션을 위한 반지도 학습 기반 접근법을 제안하였다."
"구조적 유사성을 고려하여 다양한 데이터셋을 구축하고, 약-강 일관성 정규화 기법을 활용하여 모델을 학습하였다."
"이를 통해 적은 양의 레이블 데이터로도 강건하고 일반화 성능이 우수한 모델을 학습할 수 있었다."