딥러닝기반 영상 처리 모델을 활용한 구조물 균열 인식 성능 및 처리 속도 비교 연구
A Comparative Study on the Performance and Inference Speed of Deep Learning Models for Structure Crack Detection
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 건축물 외관에 나타난 균열을 자동으로 탐지하기 위한 딥러닝 기반 영상 처리 모델들의 성능을 비교⋅분석하였다. 기존의 육안 점검 방식이 시간과 인력 소모가 크고 객관성에 한계가 있는 문제점을 극복하기 위해, CNN 및 Transformer 기반의 다양한 객체 탐지 모델을 대상으로 균열 탐지 정확도와 처리 속도, 모델 크기 등을 평가하였다. 특히, 현장 적용을 위한 경량화 모델의 효용성을 중심으로YOLOv11, Faster R-CNN, EfficientDet, RT-DETR 모델을 실험하였다. 공개 균열 데이터셋을 활용한 실험 결과, YOLOv11 시리즈가 높은 정확도와 우수한 처리 속도를 동시에 제공하여 현장 실시간 점검에 적합한 모델임을 확인하였다. 또한, 정확도와 처리 속도의 균형을 평가하는TO-score 지표를 제안하여 모델 선택의 실용적 기준을 마련하였다. 본 연구는 제한된 연산 자원 환경에서 균열 탐지 모델의 최적화를 위한 기초자료로 활용될 수 있을 것이다.
Abstract
This study compares and analyzes the performance of deep learning-based image processing models for automatic crack detection on building exteriors. To overcome the limitations of traditional visual inspections, which are time-consuming, labor-intensive, and prone to subjectivity, various CNN- and Transformer-based object detection models were evaluated in terms of detection accuracy, inference speed, and model size. The study particularly focuses on the practicality of lightweight models for real-world applications, experimenting with YOLOv11, Faster R-CNN, EfficientDet, and RT-DETR models. Using a public crack dataset, the results show that the YOLOv11 series achieves a high level of accuracy while maintaining fast inference speeds, making it suitable for real-time field inspections. Additionally, a novel Trade-off Score (TO-score) metric was proposed to quantitatively balance accuracy and speed for practical model selection. This research provides valuable insights for optimizing crack detection models in environments with limited computational resources.