DreamBooth을 이용한 데이터 증강 기반 구조물 표면 균열 탐지 신경망 모델 개발
Development of a Neural Network Model for Structural Surface Crack Detection Based on Data Augmentation Using DreamBooth
2
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
노후화된 콘크리트 구조물의 균열은 구조적 안정성과 사회적 안전을 위협하는 주요 요인이다. 그러나 실제 현장에서는 다양한 열화 조건을 반영할 수 있는 균열 영상 데이터 확보가 어렵고, 이로 인해 균열 탐지 신경망 모델은 현장 적용 시 성능 저하를 겪는 한계가 있다. 본연구에서는 이러한 데이터 부족 문제를 해결하기 위해 Stable Diffusion 기반의 생성형 인공지능을 활용하였다. 구체적으로, DreamBooth 기반의 인페인팅 미세 조정 기법을 적용하여 마스크 영상에 현실감 있는 균열을 합성하고, 서로 다른 라벨의 조합을 통해 새로운 훈련용 데이터를대량으로 생성하였다. 실험에서는 콘크리트 균열 영상 4,867장을 훈련용, 검증용, 실험용 데이터로 각각 15%, 15%, 70% 비율로 분할하여DDRNet, RegSeg, SwinFormer(T), PoolFormer(S24) 모델을 평가하였다. 합성 영상의 품질은 Frechet Inception Distance 지표로 비교 및 평가한결과, 시각적으로 실제와 유사한 합성 영상을 생성하였다. 균열 탐지 성능 평가 결과, 합성 데이터를 포함한 학습은 기존 방법 대비 평균 F1 점수를 5.73% 향상시켰고, 특히 PoolFormer(S24)에서는 11.96%의 개선을 달성하였다. 결론적으로, 제안된 합성 데이터 기반 증강 기법은 다양한 신경망 구조와 환경에서 균열 탐지 성능을 효과적으로 향상시킬 수 있는 범용적이고 실질적인 대안임을 확인하였다.
Abstract
Cracks in aging concrete structures pose significant threats to structural stability and public safety. However, it is difficult to secure sufficient crack image datasets that reflect diverse deterioration conditions in real-world scenarios, which leads to performance degradation of crack detection neural networks when applied on-site. To address this data scarcity problem, this study employs a generative AI approach based on Stable Diffusion. Specifically, an inpainting fine-tuning method using DreamBooth was applied to synthesize realistic cracks within masked regions, and additional training datasets were generated through combinations of different label images. For evaluation, 4,867 concrete crack images were divided into training, validation, and test sets with ratios of 15%, 15%, and 70%, respectively, and four segmentation models—DDRNet, RegSeg, SwinFormer(T), and PoolFormer(S24)—were assessed. The quality of the generated images was evaluated using the Frechet Inception Distance metric, confirming visually consistent and high-quality crack synthesis. In terms of detection performance, incorporating synthetic data improved the average F1-score by 5.73% compared with the baseline, with PoolFormer(S24) achieving the highest improvement of 11.96%. In conclusion, the proposed synthetic data-based augmentation method effectively enhances crack detection accuracy across diverse network architectures and environments, providing a practical and generalizable alternative for real-world applications.