열화상 기반 콘크리트 박리 손상 자동 분할을 위한 DenseNet 모델

본 논문은 교량 데크의 박리 손상을 비파괴적으로 탐지하고 그 형태를 정확히 프로파일링하기 위한 새로운 접근법을 제시한다. 기존의 적외선 열화상 기반 방법은 온도 대비를 이용해 박리 여부를 판단했지만, 온도 차이가 작거나 환경 변동이 큰 상황에서는 경계가 흐려져 정확한 분할이 어려웠다. 이를 해결하고자 저자들은 최근 컴퓨터 비전 분야에서 성공을 거둔 DenseNet 구조를 차용한 의미론적 분할 모델을 설계하였다. **아키텍처 설계** - 입력 이미지(360 × 360) → Conv + BN + MaxPool → 3개의 Dense Block (각 4개의 Conv 레이어, 출력 채널 4배 증가) → Transition Layer (1×1 Conv + BN + MaxPool) → 20 × 20 × 512 피처 맵 - Dropout을 삽입해 과적합 방지 - 3단계 Bilinear Upsampling + 3×3 Conv 로 원본 해상도 복원, 최종 1×1 Conv와 Softmax 로 픽셀‑단위 이진 마스크 출력 **실험 설계** - 실험실에서 깊이 1.75", 2.75", 3.75"인 모의 박리 슬래브 3개 제작, 각각 40 ft × 45 ft 크기, 10 ft × 10 ft 박리 영역을 포함 - 외부 일사량에 의해 10 am–2 pm 가열 후 실내로 이동, 열화상 카메라(0.1 Hz)로 연속 촬영 - 온도 대비가 0.5 °C 이상인 프레임을 선택해 각각 445, 413, 511장의 이미지 확보 (Case 1‑3) - Case 4는 세 경우를 모두 합친 데이터셋 사용 **데이터 전처리·증강** - 각 원본 이미지를 3 × 3 격자로 크롭해 360 × 360 서브 이미지 9개 생성 (총 4,005~12,321장) - 라벨링은 픽셀‑단위 이진 마스크(1 = 박리, 0 = 배경) 적용 - 크롭·이동 외 추가 변환(회전·스케일링)은 적용하지 않음, 향후 개선점으로 제시 **학습·평가** - 학습: Adam(lr = 1e‑4), L2 정규화, Mini‑batch = 32, Epoch = 40, 70 % 훈련 / 30 % 테스트 - 손실: Softmax + Cross‑Entropy - 평가 지표: True Positive Rate (TP), False Negative Rate (FN) - 결과: 모든 케이스에서 TP ≈ 0.995–0.998, FN ≈ 3e‑5–1e‑4 로 매우 높은 정확도 달성 **검증·한계** - 시간 경과에 따라 열이 확산되면 박리 경계가 흐려져 모델의 형태 추정 정확도가 감소 (특히 Case 1‑3) - 깊은 박리(3.75")일수록 성능 저하가 뚜렷, 이는 온도 대비가 감소하고 피처가 약화되기 때문 - 클래스 불균형(배경 픽셀 비중이 압도적으로 높음)으로 인해 모델이 배경에 과도히 편향될 가능성 존재 - Case 4(다양한 깊이·조건을 모두 포함)에서 가장 안정적인 성능을 보여 데이터 다양성의 중요성을 강조 **결론 및 향후 과제** - DenseNet 기반 엔드‑투‑엔드 분할 모델이 열화상 영상에서 박리 영역을 정확히 추출할 수 있음을 실험적으로 입증 - 향후 현장 적용을 위해 (1) 클래스 불균형을 보정하는 손실 함수(가중치 Cross‑Entropy, Focal Loss) 도입, (2) 회전·스케일·노이즈 등 다양한 데이터 증강 기법 적용, (3) 더 깊은 네트워크 또는 멀티‑스케일 피처 통합, (4) 실제 교량 현장에서의 장시간·다양한 환경 데이터 수집이 필요 이와 같이 본 연구는 열화상 기반 NDT와 최신 딥러닝 기술을 융합함으로써 교량 유지보수 분야에 새로운 자동화 도구를 제공하고, 향후 스마트 인프라 구축에 기여할 수 있는 기반을 마련하였다.