소규모 이미지 기반 딥러닝 모델을 활용한 콘크리트 손상 분류 및 성능 비교 연구
Concrete Damage Classification using CNN Models with Small-Scale Images: Performance Analysis and Comparison
2
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 소규모 데이터 환경에서의 딥러닝 기반 콘크리트 손상 분류 가능성을 검토하였다. GoogLeNet, ResNet-50, EfficientNet-B0, MobileNetV2 네 가지 CNN 모델을 대상으로, 균열, 백태, 철근 노출 등 세 가지 손상 유형의 총 3,000장 이미지를 활용하였다. 데이터 수량은 100, 250, 500, 1,000장으로 구분하였으며, 정확도, F1-score, 학습 시간, t-SNE 시각화를 통해 성능을 분석하였다. 실험 결과, 모든 모델에서 약 500장 전후에서 성능 포화점이 확인되었으며, ResNet-50과 EfficientNet-B0은 92% 내외의 높은 정확도와 뚜렷한 군집 분리를보였다. MobileNetV2는 경량성과 빠른 연산 속도로 실시간 적용 가능성을 나타냈다. 손상 유형별로는 철근 노출의 성능이 가장 우수했으며, 백태는 상대적으로 낮고 변동성이 크게 나타났다. 종합하면, 본 연구는 500장 이상 조건에서 안정적 분류 성능 확보가 가능함을 확인하고, 소규모데이터 환경에서 실무 적용을 위한 CNN 모델 선택 기준을 제시한다. 향후 연구에서는 데이터 다양성 확대, 현장 이미지 기반 검증, 고도화된 전처리 및 증강 기법의 적용이 필요하다.
Abstract
This study examined the feasibility of deep learning–based concrete damage classification under small-scale data conditions. Four representative CNN models—GoogLeNet, ResNet-50, EfficientNet-B0, and MobileNetV2—were employed using a dataset of 3,000 images representing three types of damage: crack, efflorescence, and rebar exposure. The number of training images was varied at 100, 250, 500, and 1,000, and performance was evaluated in terms of accuracy, F1-score, training time, and t-SNE visualization. The experimental results showed that all models exhibited a performance saturation point around 500 images. ResNet-50 and EfficientNet-B0 achieved high accuracy (around 92%) and distinct cluster separability, while MobileNetV2 demonstrated real-time applicability owing to its lightweight structure and fast computation. Among the damage types, rebar exposure achieved the highest classification accuracy, whereas efflorescence showed relatively lower accuracy with greater variability. Overall, this study confirms that reliable classification performance can be achieved with more than 500 images, and provides practical criteria for selecting CNN models for field applications under limited data conditions. Future research should focus on expanding data diversity, validating with real-world images, and applying advanced preprocessing and augmentation techniques.