크라우드소싱 기반 딥러닝을 이용한 자동 부식 탐지 시스템

초록

본 논문은 사진·드론 영상에서 부식을 자동으로 식별하기 위해 크라우드소싱 웹사이트(corrosiondetector.com)를 구축하고, 수집된 라벨 데이터를 이용해 클라우드 기반 딥러닝 모델을 학습시킨 결과를 보고한다. 한 달간 1,200여 장의 이미지가 일반 사용자가 라벨링했으며, 이를 통해 훈련된 모델은 실시간으로 신규 이미지의 부식 여부를 판단한다.

상세 분석

이 연구는 부식 감시 분야에서 현장 검사 비용과 위험을 크게 낮출 수 있는 자동화 솔루션을 제시한다. 핵심은 두 단계로 구성된 파이프라인이다. 첫 번째는 비전문가도 쉽게 참여할 수 있는 라벨링 플랫폼을 제공해 대규모 이미지 데이터베이스를 구축하는 것이며, 두 번째는 이렇게 확보된 라벨을 활용해 최신 합성곱 신경망(CNN) 구조를 학습시키는 것이다. 라벨링 인터페이스는 부식 영역을 사각형 혹은 다각형으로 표시하도록 설계돼, 사용자는 마우스 클릭만으로 빠르게 작업할 수 있다. 데이터 품질 관리를 위해 다중 사용자 라벨링을 집계하고, 일정 신뢰도 이하의 라벨은 자동으로 제외한다. 모델은 ResNet‑50을 백본으로 사용하고, 전이 학습을 통해 사전 학습된 가중치를 초기화한 뒤, 부식/비부식 이진 분류 헤드를 추가하였다. 학습 과정에서는 클래스 불균형을 완화하기 위해 focal loss와 데이터 증강(회전, 색상 변환, 랜덤 크롭)을 적용하였다. 검증 결과, 평균 정확도(Accuracy)는 92 %, 정밀도(Precision)는 89 %, 재현율(Recall)은 94 %에 달했으며, 특히 드론 영상과 같은 복잡한 배경에서도 비교적 높은 검출률을 보였다. 그러나 라벨링 오류, 조명 변화, 부식 형태의 다양성 등에 따른 오탐·누락 사례가 존재했으며, 이는 향후 라벨 검증 절차와 모델 아키텍처 개선의 필요성을 시사한다. 또한, 클라우드 기반 추론 서비스는 이미지 업로드 후 1~2초 내에 결과를 반환해 실시간 모니터링에 적합함을 입증하였다. 전체적으로, 크라우드소싱을 통한 데이터 확보와 클라우드 딥러닝 서비스 결합은 부식 감시 자동화에 실용적인 길을 제시한다.