Deep Learning-Based Detection of Road Damage from Disaster Satellite Imagery
연구 내용
재난 전후 위성영상의 변화를 딥러닝으로 자동 분할·정량화해 도로 손상을 검출하는 연구
재난으로 인한 도로망 손상은 신속한 복구 우선순위 도출이 필요하지만, 대규모 지역에서 수작업 점검이 어렵다는 문제가 있습니다. 이에 pre- and post-disaster 고해상도 위성영상에 대해 변화 탐지 기반의 딥러닝 분할 프레임워크를 구축합니다. 단일 시점 오버레이, 차분 기반 세그멘테이션, Siamese feature fusion을 비교해 손상 영역을 정량화하고 손상 밀도 맵을 생성합니다. 특히 ‘damaged road’ 클래스에서 관측되는 낮은 재현율 한계를 관찰하며, 클래스 불균형을 직접적으로 다루는 후속 연구 방향에 대한 벤치마크를 제공합니다. 결과는 긴급 대응에서 접근성 계획과 복구 순서 수립에 활용 가능합니다.
관련 연구 성과
관련 논문
1편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 재난 전후 영상에서 도로 손상을 자동화된 방식으로 탐지해야 한다는 요구를 설정하고, 변화 탐지 접근을 단일 시점 오버레이 형태로 출발해 비교 가능한 기준을 마련하였습니다. 이후 차분 기반 세그멘테이션과 Siamese feature fusion을 적용해 손상 픽셀의 분리 성능을 개선하는 방향으로 확장했습니다. 2025년에는 여러 실험 반복을 통해 모델 성능의 안정성과 클래스 불균형에 따른 재현율 제한을 함께 제시하는 연구를 수행하였습니다. 이를 통해 재난 대응형 도로 손상 탐지의 평가 틀과 후속 개선 포인트를 도출하였습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Deep Learning-Based Detection and Assessment of Road Damage Caused by Disaster with Satellite Imagery