Guiding Crack Instance Segmentation From On-Board Videos With Semantic Road-Region Knowledge

키워드

확장요약문

도로 표면 균열은 포장 구조물의 건전성을 평가하는 주요 지표로, 차량 탑재 영상과 딥러닝을 활용한 자동 탐지 기술이 활발히 연구되고 있다. 최근 인스턴스 분할 모델의 발전으로 균열의 위치와 형상을 픽셀 단위로 추정할 수 있게 되었으나, 실제 주행 영상에서는 보도, 건축물 및 주변 시설물 등 비도로 영역의 선형 패턴이 균열로 오인되는 문제가 발생한다. 기존의 균열 검출 방식은 영상의 시각적 특징에 주로 의존하므로, 검출 대상이 실제 도로 표면에 존재하는지에 대한 공간적 판단이 충분히 반영되지 않을 수 있다.

본 연구에서는 이러한 한계를 개선하기 위해 의미론적 도로 영역 정보를 활용한 공간 제약 기반 균열 인스턴스 분할 방법을 제안한다. 제안 방법은 의미론적 분할(Semantic Segmentation) 모델을 활용하여 차량 탑재 영상에서 도로 영역을 추출하고, 인스턴스 분할(Instance Segmentation) 모델을 통해 균열 후보의 위치와 픽셀 단위 분할 마스크를 생성한다. 이후 두 분할 결과의 공간적 중첩 관계를 이용하여 균열 분할 결과를 도로 영역으로 제한함으로써 비도로 영역에서 발생하는 불필요한 검출을 억제한다. 이러한 공간 제약 방식은 기존 균열 검출 모델의 구조 및 학습 가중치를 변경하지 않고, 의미론적 공간 정보를 활용하여 검출 결과를 보정할 수 있도록 구성하였다.

제안된 방법의 유효성을 검증하기 위해 도로 영상 데이터셋을 대상으로 인스턴스 분할(Instance Segmentation) 모델 단독 적용 방식과 의미론적 도로 영역 정보를 활용한 공간 제약 기반 분할 방식을 비교 평가하였다. 비교 결과, 제안 방법은 인스턴스 분할 모델 단독 적용 방식에 비해 비도로 영역에서 발생하는 오탐지를 효과적으로 억제하여 균열 검출의 공간적 신뢰성을 향상시키는 것으로 나타났다. 이러한 결과는 의미론적 도로 영역 정보의 활용이 차량 탑재 영상 기반 균열 인스턴스 분할에서 불필요한 검출을 감소시키는 데 효과적임을 보여준다.