인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이임평
- 발행연도
- 2023
- 저작권
- 서울시립대학교 논문은 저작권에 의해 보호받습니다.
이용수10
초록· 키워드
상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지정보가 잘못된 경우 알려주세요!
인력 기반 터널 점검은 점검자의 주관적인 판단에 영향을 받으며 지속적인 이력 관리가 어렵다. 따라서 최근에는 터널을 비롯한 여러 가지 기반 시설물에 발생한 콘크리트 균열을 영상과 딥러닝 기반으로 자동 탐지하는 연구가 최근 활발히 이루어지고 있다. 하지만 대부분의 연구에서는 사용하는 대규모 공개 균열 데이터셋은 터널 내부에서 발생하는 균열과 매우 상이하다. 또한, 현행 터널 상태평가에서 정교한 균열 레이블을 구축하기 위해서는 추가적인 작업이 요구된다. 이에 본 연구는 균열 형상이 다소 단순하게 표현된 기존 데이터셋을 딥러닝 모델에 입력하여 균열 탐지 성능을 개선하는 방안을 제시한다. 기존 터널 데이터셋, 고품질 터널 데이터셋을 조합하여 학습한 딥러닝 모델의 성능평가를 수행하고 딥러닝 모델별 추론 결과를 결합하여 성능 향상을 기대한다. 또한, 이러한 연구성과를 실제 현장에 적용하려면 딥러닝 모델의 신뢰성을 설명하는 것이 중요하다. 따라서 본 연구에서는 균열 탐지 딥러닝 모델의 성능을 더 합리적으로 설명할 수 있는 스켈레톤화와 허용 버퍼 기반 평가지표를 적용한다. 실험 결과 일부 고품질 정답 레이블과 기존 정답 레이블의 조합으로 균열 탐지가 가능함을 확인하였다. 인코더-디코더 구조의 DeepLabv3+ 모델이 가장 높은 탐지 재현율을 보였다. 특히 시설물 안전진단 기준인 폭 0.30mm 이상의 균열을 모두 탐지해내어 합리적인 딥러닝 기반 균열 추출이 가능할 것으로 기대한다.
목차
- 제1장 서론 1제1절 연구 배경 1제2절 터널 영상 취득 시스템 활용 5제2장 선행 연구 9제1절 딥러닝 기반 균열 탐지 9제2절 데이터 불균형 해소 방법 12제3절 저품질 데이터를 활용한 딥러닝 학습 13제4절 균열 탐지 성능평가 15제3장 연구 방법 17제1절 연구 개요 17제2절 데이터 취득 및 가공 191. 사전학습 데이터셋 수집 192. 터널 영상 취득 시스템 데이터 가공 213. 터널 데이터셋 전처리 25제3절 딥러닝 모델 학습 281. DeepLabv3+ 292. DANet 303. SETR 31제4절 후처리 및 성능평가 32제4장 실험 및 결과 34제1절 실험 개요 34제2절 딥러닝 모델 학습 351. 실험 환경 및 데이터 352. 학습 결과 36제3절 균열 탐지 결과 411. 딥러닝 모델별 균열 탐지 결과 412. 추론 결과 결합 463. 스켈레톤화와 허용 버퍼 기반 추론 성능평가 494. 균열 폭에 따른 추론 성능평가 59제5장 결론 61참고 문헌 63ABSTRACT 68
최근 본 자료
