자연재해는 도로망과 같은 주요 기반시설에 심각한 피해를 유발하여 구조 및 복구 활동을 크게 지연시킬 수 있다. 기존의 도로 손상 평가는 수작업 점검에 크게 의존하는데, 이는 노동 집약적이며 시간이 많이 소요되고 대규모 재해 피해 지역에서는 적용이 비현실적이다. 본 연구는 고해상도 재해 전후 위성영상을 활용하여 도로 손상을 자동으로 탐지하고 정량적으로 평가하기 위한 딥러닝 기반 프레임워크를 제안하는 것을 목표로 한다. 이를 위해 본 연구는 세 가지 서로 다른 변화 탐지(change detection) 접근법, 즉 단일 시점 오버레이, 차이 기반 분할(difference-based segmentation), 그리고 Siamese 특징 융합(Siamese feature fusion)을 체계적으로 비교한다. 여러 차례의 반복 실험으로 검증한 결과, 차이 기반 모델이 가장 높은 전체 F1-score(0.594 ± 0.025)를 달성하였으며, 오버레이 및 Siamese 모델을 각각 약 127.6%와 27.5% 능가했다. 그러나 본 연구의 핵심 발견은, 이 최우수 모델조차 ‘손상된 도로(damaged road)’ 클래스에 대해 낮은 탐지 재현율(recall)(0.445 ± 0.051)에 의해 제약된다는 점이다. 이는 이 분야에서의 중증한 클래스 불균형(severe class imbalance)이 근본적인 장애물임을 보여주며, 표준적인 학습 전략으로는 이를 충분히 해결하기 어렵다는 사실을 시사한다. 본 연구는 해당 분야에 중요한 벤치마크를 정립하며, 향후 연구는 탐지 재현율을 향상시키기 위해 클래스 불균형을 직접적으로 다루는 방법에 초점을 맞춰야 함을 강조한다. 정량적으로 드러난 한계에도 불구하고, 제안된 프레임워크는 손상 밀도 지도(damage density map)를 시각화할 수 있어, 재해로 피해를 입은 지역에서 도로 복구 우선순위 설정 및 접근성 계획 수립과 같은 긴급 대응 전략을 지원한다.

자연재해는 도로망과 같은 주요 기반시설에 심각한 피해를 유발하여 구조 및 복구 활동을 크게 지연시킬 수 있다. 기존의 도로 손상 평가는 수작업 점검에 크게 의존하는데, 이는 노동 집약적이며 시간이 많이 소요되고 대규모 재해 피해 지역에서는 적용이 비현실적이다. 본 연구는 고해상도 재해 전후 위성영상을 활용하여 도로 손상을 자동으로 탐지하고 정량적으로 평가하기 위한 딥러닝 기반 프레임워크를 제안하는 것을 목표로 한다. 이를 위해 본 연구는 세 가지 서로 다른 변화 탐지(change detection) 접근법, 즉 단일 시점 오버레이, 차이 기반 분할(difference-based segmentation), 그리고 Siamese 특징 융합(Siamese feature fusion)을 체계적으로 비교한다. 여러 차례의 반복 실험으로 검증한 결과, 차이 기반 모델이 가장 높은 전체 F1-score(0.594 ± 0.025)를 달성하였으며, 오버레이 및 Siamese 모델을 각각 약 127.6%와 27.5% 능가했다. 그러나 본 연구의 핵심 발견은, 이 최우수 모델조차 ‘손상된 도로(damaged road)’ 클래스에 대해 낮은 탐지 재현율(recall)(0.445 ± 0.051)에 의해 제약된다는 점이다. 이는 이 분야에서의 중증한 클래스 불균형(severe class imbalance)이 근본적인 장애물임을 보여주며, 표준적인 학습 전략으로는 이를 충분히 해결하기 어렵다는 사실을 시사한다. 본 연구는 해당 분야에 중요한 벤치마크를 정립하며, 향후 연구는 탐지 재현율을 향상시키기 위해 클래스 불균형을 직접적으로 다루는 방법에 초점을 맞춰야 함을 강조한다. 정량적으로 드러난 한계에도 불구하고, 제안된 프레임워크는 손상 밀도 지도(damage density map)를 시각화할 수 있어, 재해로 피해를 입은 지역에서 도로 복구 우선순위 설정 및 접근성 계획 수립과 같은 긴급 대응 전략을 지원한다.

교통 부문은 도시 네트워크에서 온실가스 배출의 주요 원인으로 간주되며, 특히 신호 교차로에서 정차 대기하는 차량(공회전)이 두드러진다. 자율주행자동차는 차량 공회전을 저감하기 위한 유망한 기술로 여겨질 수 있으나, 환경적 이점은 안전성과 이동성 문제에 비해 상대적으로 거의 주목받지 못하고 있다. 본 연구는 Haeundae-gu(부산, 대한민국)에서 V2I 통신을 통해 교통신호제어기에서 전송되는 교통신호 정보와 대기열 방출 시간(queue discharge time)에 기반하여, 자동 공회전 제어 기능을 탑재한 자율주행자동차의 환경적 이점을 미시적 이동 및 배출 시뮬레이션 모델인 VISSIM과 MOVES를 사용하여 조사하였다. 본 연구는 해당 기능이 전체 배출(모든 포함 배출) 기준 CO2 배출을 23.6% 유의하게 감소시키고, 공회전 배출 기준으로는 94.3% 감소시키는 데 기여함을 확인하였다. 또한 총 공회전 감소 시간은 총 주행시간의 47.6%를, 총 공회전 시간의 94.3%를 각각 차지하였다. 결과적으로 C-ITS 하에서 자동 차량 공회전 제어 기능을 갖춘 자율주행자동차는 도시 네트워크에서 온실가스 배출뿐 아니라 연료 소비를 저감하는 데 중요한 역할을 할 수 있다.

도로 기반 시설은 현대 사회의 핵심 구성요소로서, 그 유지관리는 교통 안전과 물류 효율성에 직접적인 영향을 미친다. 이러한 맥락에서 자동 균열 탐지 기술은 유지관리 비용을 절감하고 운영 효율성을 향상시키는 데 중요한 역할을 한다. 그러나 선행 연구는 제한된 수의 균열 클래스에 대해서만 바운딩 박스 또는 세그멘테이션 마스크 주석을 제공하는 데 그치는 경우가 많고, 비교적 작은 규모의 데이터셋을 사용한다는 한계가 있다. 이러한 제한을 극복하고 딥러닝 기반 균열 세그멘테이션의 발전을 도모하기 위해, 본 연구는 실제 도로 환경을 반영한 새로운 균열 세그멘테이션 데이터셋을 제안한다. 제안 데이터셋에는 미끄러짐(slippage), 윤주(rutting), 공사 관련 균열(construction-related cracks)과 같은 다양한 유형의 균열 및 결함이 포함되며, 오지점시점(egocentric)의 차량 탑재 관점에서 획득한 다각형(polygon) 기반 세그멘테이션 마스크를 제공한다. 본 데이터셋을 사용하여 의미(semantic) 및 인스턴스(instance) 세그멘테이션 모델의 성능을 평가하였다. 특히 SegFormer는 의미 세그멘테이션에서 최고 Pixel Accuracy(PA)와 mean Intersection over Union(mIoU)를 달성했으며, YOLOv7은 악어 균열(alligator crack) 클래스 전반에서 우수한 탐지 성능을 보여 AP50 87.2%와 AP 57.5%를 기록하였다. 반면, 모든 모델은 반사 균열(reflection crack) 유형에서 어려움을 겪었는데, 이는 본질적인 세그멘테이션의 난점에서 기인함을 시사한다. 종합하면, 본 연구는 자동 도로 균열 세그멘테이션을 위한 향후 연구의 실용적이고 견고한 기반을 제공한다. 데이터셋 및 주석 세부정보를 포함한 추가 자료는 우리의 GitHub 저장소에서 확인할 수 있다.