Grad-CAM 기반 CNN 모델의 콘크리트 손상 분류 성능 및 해석성 분석
Analysis of Performance and Interpretability in CNN-Based Concrete Damage Classification using Grad-CAM
2
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 Grad-CAM을 활용하여 딥러닝 기반 콘크리트 손상 분류 모델의 해석성을 정량적으로 평가하고, 그 결과를 성능 지표와비교하여 실무 적용을 위한 기초적 기준을 제시하였다. GoogLeNet, ResNet-50, EfficientNet-B0 세 가지 CNN 모델을 대상으로 데이터 수(750, 1500, 3000장)와 Grad-CAM threshold 값(0.3, 0.5, 0.7)을 변수로 실험을 수행하였다. 모델 성능은 정확도와 F1-score, 해석성은 Grad-CAM 기반 Damage Ratio로 평가하였다. 실험 결과, 데이터 수가 증가할수록 성능과 해석성이 모두 향상되었으나 두 지표 간 상충 관계가 나타났다. EfficientNet-B0는 가장 높은 정확도를 기록했으며, GoogLeNet은 넓은 해석 영역과 높은 Damage Ratio를 보였다. 또한 threshold 0.5에서 해석성과 노이즈 억제 간의 균형이 가장 적절한 것으로 분석되었다. 결론적으로 본 연구는 딥러닝 기반 구조물 손상 진단에서 성능과 해석성의 균형적 접근 및 모델, threshold 설정 기준을 제시하였으며, 향후 연구에서는 다양한 손상 유형과 실제 구조물 데이터를 활용한 해석성 고도화가 필요하다.
Abstract
This study quantitatively evaluated the interpretability of deep learning–based concrete damage classification models using Grad-CAM and compared the results with performance metrics to establish fundamental criteria for practical applications. Three representative CNN models— GoogLeNet, ResNet-50, and EfficientNet-B0—were tested with varying dataset sizes (750, 1500, 3000 images) and Grad-CAM threshold values (0.3, 0.5, 0.7). Model performance was assessed using accuracy and F1-score, while interpretability was evaluated with the Grad-CAM–based Damage Ratio. The experimental results showed that both performance and interpretability improved as the dataset size increased; however, a trade-off between the two metrics was observed. EfficientNet-B0 achieved the highest accuracy, whereas GoogLeNet produced wider activation regions with a higher Damage Ratio. In addition, threshold 0.5 yielded the most balanced results in terms of interpretability and noise suppression. In conclusion, this study highlights the importance of balancing performance and interpretability in deep learning–based structural damage diagnosis and proposes baseline criteria for model and threshold selection. Future research should focus on enhancing interpretability by incorporating diverse damage types and real-world structural data.