생성형 인공지능 기반 터널 콘크리트 균열 영상 데이터의 증강을 위한 파라미터 분석
Parameter analysis for augmentation of tunnel concrete crack image data based on generative AI
- 발행
- 2024 등록이 논문은 발행 시점을 확인하지 못해 원문 등록일을 적었습니다. KCI가 2005~2008년에 옛 논문을 몰아서 올린 탓에, 그 시기 등록분은 발행보다 평균 3~5년 늦습니다. 실제 발행연도는 더 이를 수 있습니다.
- 소속·발행
- 한국건설기술연구원
- 출처
- 국내 KCI
- DOI
- 10.9711/KTAJ.2024.26.6.633
- 원문
- 원문 보기 ↗
개념
키워드
터널 유지관리, 훈련 데이터 증강, 생성형 AI, 균열 탐지, 균열 영상, Tunnel maintenance, Training data augmentation, Generative AI, Crack detection, Crack image
초록
노후 인프라 구조물을 안전하게 유지하기 위해서는 지속적인 관리가 필요하며, 이는 터널 내부의 콘크리트 구조물에도동일하게 적용된다. 터널 구조물의 건전성 관리는 정기적인 점검과 정밀한 검사 기술을 통해 이루어진다. 기존의 검사 방법은 인력 기반으로, 작업자가 직접 현장을 방문하여 육안으로 상태를 확인하고 기록하는 방식이다. 이로 인해 구조물 상태는 경험적이고 주관적인 판단에 의해 결정될 수밖에 없는 상황이다. 이러한 문제를 개선하고 점검 결과의 객관성과 신뢰성을 높이기 위해 고해상도 카메라와 딥러닝을 활용한 방법이 활발히 연구되고 있다. 특히, 터널 구조물에 발생하는 균열을 탐지하는 신경망 모델 기반의 알고리즘은 높은 정확도를 보여주고 있다. 그러나 이러한 딥러닝 기술은 다수의 훈련영상 데이터가 확보되었다는 전제가 필요하다. 현실적으로 균열과 같은 손상 영상은 주변에서 흔히 찾아볼 수 없고, 이를확보하는 데 많은 비용과 시간이 소요된다. 이러한 문제를 해결하기 위해 본 연구에서는 생성형 AI를 이용해 균열 영상데이터를 증강하는 방법을 제안하였다. 또한, 실제와 유사한 균열 영상을 생성하기 위한 파라미터 분석을 완료하였고,그 결과 Fréchet Inception Distance가 31.73의 값을 나타내는 성능의 생성모델을 확보하였다. 이러한 방법은 향후 균열탐지 훈련 방법과 연계하여 유지관리 점검의 정확성과 신뢰성을 높이는 기술로 활용될 것으로 기대된다.