PIDNet 기반 실시간 콘크리트 균열 탐지 모델 구현 = Implementation of a Real-Time Model for Concrete Crack Detection using PIDNet

국문 초록 (Abstract)

본 연구에서는 콘크리트 표면의 균열을 실시간으로 정확하게 탐지하기 위해 PIDNet 기반의 딥러닝 모델을 제안한다. PIDNet은 PID(Proportional-Integral-Derivative) 제어기의 개념을 네트워크 아키텍처에 도입하여, 세 가지 분기(branch)를 통해 상세한 특징, 문맥 정보, 경계 정보를 효과적으로 학습하였다. 모델의 학습과 평가는 AI-Hub에서 제공하는 콘크리트 균열 데이터셋을 활용하였으며, 동일한 워크스테이션 환경에서 U-Net, Attention U-Net, U-Net++, Mask R-CNN 등 기존의 대표적인 세그멘테이션 모델들과 비교 실험을 수행하였다. 평가 결과, 제안된 PIDNet 기반 모델은 IoU 92.3%를 기록하며, 기존 모델 대비 우수한 균열 탐지 성능을 보였다. 또한, 처리 속도 25 FPS와 모델 크기 45MB로 실시간 처리와 경량화 측면에서도 뛰어난 효율성을 확인하였다. 따라서, 본 연구의 PIDNet 기반 모델은 콘크리트 구조물의 균열 모니터링 시스템에 효과적으로 적용될 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

In this study, we propose a PIDNet-based deep learning model for accurate real-time detection of cracks on concrete surfaces. By incorporating the concept of Proportional-Integral-Derivative(PID) controllers into the network architecture, PIDNet effectively learns detailed features, contextual information, and boundary data through its three branches. We trained and evaluated the model using a concrete crack dataset provided by AI-Hub and conducted comparative experiments with existing segmentation models such as U-Net, Attention U-Net, U-Net++, and Mask R-CNN under identical workstation conditions. The evaluation results demonstrate that the proposed PIDNet-based model achieved an IoU of 92.3%, outperforming existing models in crack detection performance. Additionally, with a processing speed of 25 FPS and a model size of 45MB, it exhibits excellent efficiency in terms of real-time processing and lightweight design. Therefore, the PIDNet-based model presented in this study is expected to be effectively applicable to crack monitoring systems for concrete structures.

참고문헌 (Reference)

1 PyTorch, "torchvision.transforms"

2 심승보 ; 민지영, "Semantic Segmentation for Multiple Concrete Damage Based on Hierarchical Learning" 26 (26): 175-181, 2022

3 J. Xu, "PIDNet : A Real-Time Semantic Segmentation Network Inspired by PID Controllers" 19529-19539, 2023

4 백승현 ; 최대영 ; 김영규 ; 정상우 ; 김대년, "Implementation of the Drones with Deep-Learning Crack Detection Analysis for Inspection of Bridge" 19 (19): 45-52, 2021

5 최대영 ; 백승현 ; 김영규 ; 정상우 ; 김대년, "Deep-Learning Crack Analysis for Visual-Safety Inspection of Bridge by Drones" 19 (19): 115-121, 2021

6 S. Murao, "Concrete Crack Detection Using UAV and Deep Learning" 26-30, 2019

7 AI-HUB, "Concrete Crack Data Set"

8 S. Dorafshan, "Comparison of deep convolutional neural networks and edge detectors for image-based crack detection in concrete" 186 : 1031-1045, 2018

9 W. Wang, "Automatic concrete crack segmentation model based on transformer" 139 : 104275-, 2022

10 김수민 ; 손정모 ; 김도수, "A Method for Concrete Crack Detection using U-Net Based Image Inpainting Technique" 25 (25): 35-42, 2020