Attention U-Net을 이용한 저해상도 이미지 균열 검출

• 영문명: Crack Detection in Low-Resolution Images Using Attention U-Net
• 발행기관: 한국스마트미디어학회
• 저자명: 김준혁(Jun-Heok Kim) 노주현(Ju-Hyeon Noh) 장준영(Jun-Young Jang) 양희덕(Hee-Deok Yang)
• 간행물 정보: 『스마트미디어저널』제14권 제4호, 9~17쪽, 전체 9쪽
• 주제분류: 공학 > 컴퓨터학
• 파일형태: PDF
• 발행일자: 2025.04.30

국문 초록

도로와 구조물의 안전 점검이 중요한 과제로 부상함에 따라, 비정형적 균열을 효과적으로 검출할 수 있는 새로운 네트워크를 제안한다. 기존 균열 검출 모델은 비정형적 균열의 복잡한 구조를 학습하는 과정에서 특징 손실과 성능 저하 문제가 발생할 수 있다. 이를 개선하기 위해 본 연구는 다양한 크기의 수용 영역을 활용하여 특징 손실을 최소화하고, 저화질 이미지에서도 균열 검출 성능을 유지할 수 있는 네트워크를 개발하는 것을 목표로 한다. 본 연구에서는 Large Receptive Field Block을 적용한 Attention U-Net 네트워크를 설계하여, 균열 검출의 정확도를 향상시키고자 한다. 제안한 네트워크는 포장도로 균열 데이터인 Crack500 데이터 세트를 통해 검증되었으며, 기존 연구와 비교했을 때 특히 저화질 이미지에서 우수한 성능을 보인다. 이를 통해, 본 연구는 균열 검출의 신뢰성을 높이고, 도로 및 구조물의 유지보수 효율성을 향상시키는 데 기여하고자 한다.

영문 초록

With the increasing importance of road and structural safety inspections, this study proposes a novel network for effectively detecting non-uniform cracks. Existing crack detection models often suffer from feature loss and performance degradation when learning the complex structures of irregular cracks. To address this issue, this study aims to develop a network that minimizes feature loss and maintains crack detection performance even in low-resolution images by utilizing receptive fields of various sizes. In this study, we design an Attention U-Net network incorporating a Large Receptive Field Block to enhance crack detection accuracy. The proposed network is validated using the Crack500 dataset, a pavement crack dataset, and demonstrates superior performance compared to existing methods, particularly in low-resolution images. Through this research, we aim to improve the reliability of crack detection and contribute to enhancing the efficiency of road and structural maintenance.

목차

Ⅰ. 서론

Ⅱ. 관련연구

Ⅲ. 제안된 방법

Ⅳ. 실험 결과

Ⅴ. 결론

REFERENCES

키워드

균열검출 딥 러닝 저화질 영상처리 Crack detection deep learning Semantic segmantation