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.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.