Research Article

Journal of Agricultural, Life and Environmental Sciences. 30 September 2024. 193-200
https://doi.org/10.22698/jales.20240016

ABSTRACT


MAIN

  • 서 론

  • 연구 방법

  •   TML 학습 데이터 구축

  •   TML 기반의 도로 균열 탐지 모형 학습 및 평가

  • 결과 및 고찰

  • 결 론

서 론

도로의 수명을 연장시키기 위해서는 유지보수의 시기를 최적화하는 것이 가장 중요하다. 포장상태를 명확하게 파악하지 못해 유지보수 시기가 지연되면 재포장의 시행시기가 앞당겨지게 되어 전체 수명비용을 증가시키게 되어 큰 손실을 유발하게 된다(DSRI, 2017). 도로 포장상태는 포장균열의 종류와 형태, 균열량 등을 정확히 모니터링하고 그 변화를 파악함으로써 포장의 손상 정도와 원인을 유추할 수 있어 예방적 유지관리에 있어 가장 중요한 요소라 할 수 있다. 하지만 균열에 대한 모니터링과 DB 구축 과정이 현재까지는 수작업에 의존하고 있어 정량적, 정성적인 DB 구축과 관리가 이루어지지 못하고 있는 실정이다(GRI, 2014). 따라서 보다 효율적인 예방적 유지 관리가 가능하도록 하기 위해서는 머신러닝(Machine Learning)과 같은 인공지능 기술을 이용하여 기존에는 불가능했던 DB 구축 및 분석방법의 개선이 필요하다(SIT, 2020).

최근 국내・외에서 드론, LIDAR, 블랙박스 카메라 등을 통해 획득한 영상 이미지를 기반으로 도로상태를 파악하기 위한 머신러닝 연구가 활발하게 이루어지고 있다. Choi et al.(2018)은 균열인식을 위한 알고리즘으로 CNN(Convolution Neurl Network)과 YOLO(You Only Look Once)를 활용하여 균열인식 및 등급분류가 가능하도록 하였다. 또한, Kim et al.(2019)은 물체탐지알고리즘인 Faster-RCNN 모델을 기반으로 도로 균열을 탐지하여 그 적용성을 확인하였다.

그러나 인공지능 기술을 활용하는 과정에서는 관련 전문 지식과 프로그래밍 능력이 요구되므로, 비전공자가 이 기술을 실무에 적용하기까지는 다수의 어려움이 발생할 수 있다. 이러한 어려움을 해결하기 위해서 구글은 웹 기반 Teachable Machine Learning(TML)(http://teachablemachine.withgoogle.com)을 개발하였다. TML은 사용자가 간편하게 이미지, 음성, 동영상 데이터를 업로드하고 구글 클라우드 서버에서 이를 학습시킬 수 있게 해주며, 학습된 모형을 즉시 사용해 결과를 예측하거나, 개인의 컴퓨터나 모바일 기기로 내려받아 사용할 수 있는 기능을 제공한다. 초기 버전과 달리 최근 TML의 학습 속도 및 예측 정확도는 실무에 활용될 수 있을 정도로 향상되고 있다. 따라서 인공지능과 관련된 전문 지식 없이도 TML은 포장 및 도로 관리를 위한 인공지능 모형 개발에 활용될 수 있다. 그러나 아직까지 강원도 내 도로의 균열 탐지가 가능한 TML 기반의 모형이 개발되어 평가된 바 없다. 따라서 본 연구의 목적은 이러한 다양한 형태의 도로 균열 사진을 TML의 학습 데이터로 이용하여 강원도 내 도로의 균열을 탐지할 수 있는 인공지능 모형을 개발하고 실무 적용성을 평가하는 것이다.

연구 방법

TML 학습 데이터 구축

본 연구에서는 구글이 개발하여 제공하는 TML을 이용하여 강원도 내 도로 균열 탐지를 위한 모형을 학습하였다. 일반적으로 머신러닝 모델의 성능을 최대화하기 위해서는 충분한 양의 학습 데이터 구축이 필요하지만, 본 연구에서는 이러한 인공지능의 도로 균열 탐지 적용성을 평가하는 것이 중점이었기 때문에 최소한의 데이터 사용만을 통해 모형을 학습하고 평가하였다. 이를 위해 도로의 균열 여부 판단이 가능한 아스팔트 도로 사진 69개(균열 38개, 정상상태 31개), 콘크리트 도로 사진 60개(균열 38개, 정상상태 22개)를 준비하여 인공지능 모형의 학습(총 129개 사진) 및 테스트(클래스별 5개, 총 20개 사진을 테스트에 활용)에 사용하였다(Fig. 1, 2, 3, 4). 학습 데이터 구축시 차량을 이동하면서 학습 데이터를 구축할 경우 도로 이외에 다른 경관이 포함될 경우 이것이 균열 학습에 영향을 줄 수 있기에 가급적 도로가 대부분인 사진을 취득하는 것이 정확한 인공지능 학습에 도움을 주리라 판단된다. 본 연구에서는 이러한 학습 데이터를 이용하여 TML을 통해 총 4가지 도로 균열 형태를 인식할 수 있는 인공지능 모형을 학습하였다.

https://cdn.apub.kr/journalsite/sites/ales/2024-036-03/N0250360302/images/ales_36_03_02_F1.jpg
Fig. 1.

Examples of the cracks on asphalt pavement used as learning data for the artificial intelligence model.

https://cdn.apub.kr/journalsite/sites/ales/2024-036-03/N0250360302/images/ales_36_03_02_F2.jpg
Fig. 2.

Examples of intact asphalt pavement used as learning data for the artificial intelligence model.

https://cdn.apub.kr/journalsite/sites/ales/2024-036-03/N0250360302/images/ales_36_03_02_F3.jpg
Fig. 3.

Examples of cracks on the concrete pavement used as learning data for the artificial intelligence model.

https://cdn.apub.kr/journalsite/sites/ales/2024-036-03/N0250360302/images/ales_36_03_02_F4.jpg
Fig. 4.

Examples of intact concrete pavement used as learning data for the artificial intelligence model.

TML 기반의 도로 균열 탐지 모형 학습 및 평가

본 연구에서는 Google의 TML을 활용하여 학습 데이터를 클라우드 서버에 업로드하고 서버에서 학습을 진행하였다. 이 방식은 데이터의 업로드부터 학습까지 매우 빠른 속도로 진행되며, 구체적으로는 균열 탐지 모델 학습에 1분 미만이 소요되는 것으로 나타났다(Fig. 5). 하지만 인공지능 모형이 학습된 이후에는 새로운 데이터에 대한 일반화 성능이 중요하게 평가되어야 할 필요가 있다. 일반적으로 학습 데이터만을 사용한 성능 평가는 인공지능 모형의 과적합 문제를 발생시킬 수 있다(LHI, 2020). 따라서 본 연구에서는 균열 탐지를 위한 모형을 학습하는데 사용되지 않은 총 20장의 테스트(아스팔트 도로의 균열과 정상상태, 콘크리트 도로의 균열과 정상상태) 자료를 사용하여 모형의 예측 정확성을 검증하였다. 특히, 콘크리트 도로의 정상상태를 평가할 때는 주변 경관이나 시설물이 인식에 영향을 줄 수 있으므로, 원본 사진과 경관 요소를 제거한 부분 확대 사진을 모두 사용하여 모델의 정확성을 평가하였다.

https://cdn.apub.kr/journalsite/sites/ales/2024-036-03/N0250360302/images/ales_36_03_02_F5.jpg
Fig. 5.

Learning process of concrete crack detection for the artificial intelligence model.

결과 및 고찰

본 연구에서는 아스팔트 도로의 균열 및 정상상태 각 5장, 그리고 콘크리트 도로의 균열 및 정상상태 각 5장의 테스트 사진을 이용하여 TML로 학습된 모형의 예측 정확도를 평가하였다. 평가 결과, TML 기반의 도로 균열 탐지 모형은 클래스별 아스팔트 도로의 균열 탐지 99%, 아스팔트 도로의 정상상태 탐지 98%, 콘크리트 도로의 균열 탐지 97%, 콘크리트 도로의 정상상태 탐지 96%의 정확성을 가지고 있는 것으로 분석되었다(Fig. 6). 그러나 Fig. 7에서 보이는 바와 같이, 인공지능 모형이 학습 데이터에서 균열을 정확하게 학습하기 위해서는 주변 경관 및 다른 객체의 영향을 최소화하는 것이 필수적이다. 도로 주변의 경관이나 다른 객체들로 인해 인식이 제대로 이루어지지 않은 콘크리트 도로의 경우, 균열 탐지 모형의 예측 정확도가 18%로 크게 감소하는 문제가 발생하였다. 그럼에도 불구하고, 주변 경관을 제외한 도로 사진만을 이용하여 모형을 테스트할 경우, 정확도가 90% 이상으로 상당히 높게 나타났다. 이는 학습 및 테스트 자료의 품질이 모형의 학습 및 예측 성능에 결정적인 영향을 미친다는 것을 의미한다. 따라서 학습 데이터 구축 시, 주변 경관이나 타 객체가 균열 인식에 미치는 영향을 최소화할 수 있는 데이터 처리 기법을 적용하거나, 다양한 환경에서 촬영된 사진을 이용하여 TML로 학습된 모형의 일반화 능력을 강화할 필요가 있을 것으로 보인다. Fig. 8은 총 4개 클래스(아스팔트 도로 균열 및 정상, 콘크리트 도로 균열 및 정상)에 대한 TML 기반의 도로 균열 탐지 모형의 평균 예측 정확도를 보여준다. 적은 양의 학습 데이터만으로도 91% 이상의 예측 정확도를 보여주었으며, 특히 균열의 경우 평균 95% 정도의 예측 정확도를 나타내는 것을 확인할 수 있다. 본 연구의 결과를 통해 TML은 도로 사진만을 이용해 콘크리트, 아스팔트 등의 도로 균열을 탐지하는데 충분한 적용성이 있는 것으로 확인되었다.

https://cdn.apub.kr/journalsite/sites/ales/2024-036-03/N0250360302/images/ales_36_03_02_F6.jpg
Fig. 6.

Asphalt and concrete road crack detection test results of the learned model.

https://cdn.apub.kr/journalsite/sites/ales/2024-036-03/N0250360302/images/ales_36_03_02_F7.jpg
Fig. 7.

Test results of the model learned with photos of roads, when including the surrounding scenery.

https://cdn.apub.kr/journalsite/sites/ales/2024-036-03/N0250360302/images/ales_36_03_02_F8.jpg
Fig. 8.

Test results of asphalt (ASP) and concrete (Con’s) road crack detection.

결 론

도로의 안전 강화와 체계적인 유지관리를 위해서는 주기적인 균열 상태조사와 보강이 필요하지만, 인력 투입과 교통량의 영향을 받아 매우 어려운 작업이다. 본 연구에서는 구글 TML을 이용하여 강원도 도로의 균열 및 정상 상태를 효율적으로 예측하는 인공지능 모형을 개발하고 평가하였다. 학습된 모형은 아스팔트와 콘크리트 도로의 4개 클래스(아스팔트 도로 균열 및 정상, 콘크리트 도로 균열 및 정상)에 대해 우수한 탐지 성능을 보여주었으며, 강원도의 도로 유지관리에 효율적으로 활용될 수 있는 가능성을 보여주었다. 또한, 본 연구를 통해 프로그래밍에 대한 전문 지식이 없는 비전공자도 인공지능 모형을 활용하여 도로 균열 탐지 모형을 쉽고 효율적으로 개발할 수 있는 적용 가능성을 확인하였다. 그러나 인공지능 모형의 예측 정확성을 극대화하기 위해서는 드론 촬영 기반의 다양한 도로 및 환경 조건에서 학습 및 테스트 데이터를 수집하고, 수집된 데이터의 품질을 관리하는 것이 무엇보다 중요하다. 이를 위해서는 현재 도로포장관리시스템에 이러한 인공지능 모형을 통합할 수 있도록 정부 차원의 지원이 필요하며, 도로 관리 업무 중에도 장기적인 학습 데이터를 구축할 수 있는 장기적인 계획 수립이 필요할 것이다. 향후 본 연구의 방법론은 강원도 뿐만 아니라 다른 지역을 대상으로 도로 균열 뿐만 아니라 포트홀, 도로 내 야생동물 유입, 낙석, 토석류 등과 같은 다양한 도로 위험 요소를 실시간으로 탐지할 수 있는 인공지능 모형을 개발하는데 유용하게 활용될 수 있을 것이다.

References

1

Choi, S. H., Do, M. S., Yu, S. H., Jo, C. S. (2018) Determination of Visual Based Asphalt Pavement Crack Condition Using Deep Learning. Int J Highw Eng 20:75-83.

10.7855/IJHE.2018.20.5.075
2

DSRI (Daejeon Sejong Research Institute) (2017) Research on efficient road maintenance Methods.

3

GRI (Gyeonggi Research Institute) (2014) Directions to Introduce the Pavement Management System for Gyeonggi-do.

4

Kim, J. M., Hyeon, S. G., Chae, J. H., Do, M. S. (2019) Road Crack Detection based on Object Detection Algorithm using Unmanned Aerial Vehicle Image. J Korea Inst Intell Transp Syst 18:155-163.

10.12815/kits.2019.18.6.155
5

LHI (Land & Housing Research Institute) (2020) AI Based Construction Technology and Research Strategy.

6

SIT (Seoul Institute of Technology) (2020) A Plan Research of Smart Management System Development for Structures in Seoul.

페이지 상단으로 이동하기