단일 단계 YOLOv3 기반 교량 손상 자동 탐지

초록

본 연구는 현장 점검 사진을 활용해 교량 콘크리트 손상(균열, 포프아웃, 스팔링, 노출 철근)을 실시간으로 탐지하는 단일 단계 검출기인 YOLOv3를 개선한다. 새로운 전이 학습 전략, 배치 재정규화, 포컬 로스를 도입해 평균 정밀도(AP)를 80%까지 끌어올렸으며, 기존 YOLOv3 대비 13% 향상된 성능을 보였다.

상세 분석

본 논문은 기존 구조물 손상 탐지 연구가 주로 두 단계형(Region‑Proposal 기반) 네트워크에 의존하고, 실험 데이터가 제한적이며 현장 적용 가능성이 낮다는 점을 비판한다. 이를 극복하기 위해 저자는 단일 단계 검출기인 YOLOv3를 선택했으며, 현장 점검 사진으로 구성된 자체 데이터셋을 구축하였다. 데이터셋은 4가지 손상 유형(균열, 포프아웃, 스팔링, 노출 철근)을 포함하고, 조명, 배경, 손상 크기·형태 등 다양한 변동성을 반영한다.

모델 개선은 세 가지 축으로 진행된다. 첫째, 전이 학습 단계에서 기존 ImageNet‑pretrained 가중치를 그대로 사용하는 대신, 유사 도메인(콘크리트 표면 사진)에서 사전 학습한 가중치를 초기화함으로써 특성 추출 효율을 높였다. 둘째, 학습 과정에서 배치 정규화(Batch Normalization)의 한계인 작은 배치 크기에서의 불안정성을 보완하기 위해 배치 재정규화(Batch Renormalization)를 적용하였다. 이는 미니배치 통계와 전체 데이터 통계 사이의 가중 평균을 사용해 학습 안정성을 유지하면서도 일반화 성능을 향상시킨다. 셋째, 손상 객체가 작은 경우와 배경 클래스가 압도적으로 많은 상황을 고려해 포컬 로스(Focal Loss)를 도입하였다. 이 손실 함수는 어려운(오분류) 샘플에 더 큰 가중치를 부여해 학습이 편향되지 않도록 한다.

실험에서는 평균 정밀도(AP)와 프레임당 처리 속도(FPS)를 주요 지표로 삼았다. 개선된 YOLOv3는 원본 대비 AP가 13% 상승했으며, 80% 수준의 정확도를 달성하였다. 처리 속도는 실시간 요구 사항을 만족할 정도로 30 FPS 이상을 유지했다. 또한, 각 손상 유형별 정밀도와 재현율을 분석한 결과, 특히 작은 균열과 노출 철근 탐지에서 큰 폭의 개선이 관찰되었다. 이는 배치 재정규화와 포컬 로스가 작은 객체와 불균형 데이터에 강인함을 입증한다.

한계점으로는 데이터셋 규모가 아직 제한적이며, 라벨링 품질에 따라 성능 변동이 클 수 있다는 점을 지적한다. 향후 연구에서는 더 다양한 환경(날씨, 조명)과 대규모 데이터셋을 확보하고, 경량화 모델(예: YOLOv5‑nano)과의 비교를 통해 실제 현장 로봇·드론 시스템에 직접 적용 가능한 파이프라인을 구축할 필요가 있다.