무참조 이미지 품질 평가를 활용한 딥러닝 기반 터널 균열 검출 성능 검증
Performance verification of deep-learning based tunnel crack detection using no-reference image quality assessment
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
터널 구조물의 안전성 평가는 콘크리트 라이닝의 균열 검출 정확도에 크게 좌우된다. 최근 딥러닝(deep-learning, DL) 기반 자동화 기술이 활발히 도입되고 있으나, 고속으로 이동하며 촬영하는 이동식 터널 스캐닝 장비(mobile tunnel scanning systems, MTSSs)의 특성상 모션 블러(motion blur, MB)로 인한 이미지 품질 저하는 균열 검출 성능을 저해하는 주요 원인으로 작용한다. 본 연구는 이러한 문제를 해결하기 위해 무참조 이미지 품질 평가(no-reference image quality assessment, NR-IQA) 기법을 활용하여 저품질 이미지를 사전에 필터링함으로써 convolutional neural network(CNN) 기반 균열 검출 모델의 성능을 향상시키는 방안을 제시하였다. 실제 MTSS 이미지에 방향성을 갖는 MB를 단계적으로 적용한 데이터셋을 구축하고, 4종의 NR-IQA 지표(BRISQUE, NIQE, PIQE, CPBD)로 품질 점수를 산출하였다. 이후, Dynamic U-Net 모델의 균열 검출 성능(F1-score)과 NR-IQA 점수 간의 상관관계를 분석하였다. 실험 결과, MB 강도가 증가함에 따라 F1-score는 89.43%에서 4.45%로 급감하여 품질 저하가 성능에 미치는 치명적 영향을 확인하였다. 특히, CPBD, PIQE와 NIQE 지표는 F1-score와 매우 높은 통계적 상관관계 결과를 보여, 모델 성능을 예측하는 신뢰성 있는 지표로 활용될 수 있음을 입증하였다. 본 연구는 NR-IQA가 MTSS의 이미지 품질을 정량적으로 평가하고, 이를 기반으로 입력 데이터를 체계적으로 관리하여 CNN 모델의 안정성과 신뢰도를 향상시킬 수 있는 효과적인 도구임을 실험적으로 검증하였다.
Abstract
The safety assessment of tunnel structures heavily relies on the accuracy of crack detection on concrete linings. While deep learning (DL) based automation is being actively adopted, image quality degradation due to motion blur (MB) inherent to mobile tunnel scanning systems (MTSSs) that capture images at high speeds remains a primary factor undermining crack detection performance. To address this issue, this study proposed a method to improve the performance of a convolutional neural network (CNN)-based crack detection model by using no-reference image quality assessment (NR-IQA) to pre-filter low-quality images. An experimental dataset was constructed by applying directional MB of varying intensities to actual MTSS images. The quality of these images was then scored using four NR-IQA metrics (BRISQUE, NIQE, PIQE, and CPBD). Subsequently, the correlation and sensitivity between the NR-IQA scores and the crack detection performance (F1-score) of a Dynamic U-Net model were analyzed. The results confirmed the critical impact of quality degradation on performance, with the F1-score dropping sharply from 89.43% to 4.45% as MB intensity increased. Notably, the CPBD, PIQE, and NIQE metrics demonstrated a very high statistical correlation with the F1-score, proving their viability as reliable indicators for predicting model performance. This study experimentally verified that NR-IQA is an effective tool for quantitatively assessing the quality of MTSS images and, based on this assessment, systematically managing input data to enhance the stability and reliability of DL models.