인스턴스 세분화 기반의 픽셀 수준 포장 손상 평가

포장 손상은 얇고 분지형이며 비선형적인 균열로 구성되어 바운딩 박스만으로는 기하학적 특성을 충분히 포착하기 어렵다. 픽셀 수준 세분화는 균열 면적 추정 및 형태 분석에 필요한 정밀 정보를 제공하며, 현장 도로 이미지에서 다중 손상 클래스를 한 번에 로컬라이즈하고 마스크를 통해 면적을 계산할 수 있다. 본 연구는 네 가지 손상 클래스(longitudinal, transverse, alligator, pothole)에 대해 Polygon 라벨로 주석된 UWGB-STREETCRACK 데이터를 사용해 Mask R-CNN 기반의 엔드투엔드 파이프라인의 실용성을 평가한다.

출발점: 이미지 분류나 바운딩 박스 탐지는 얇고 분지된 균열의 기하를 회복하기 어렵다. 픽셀 수준의 세분화는 균열의 면적 및 형태를 직접 추출해 유지보수 지표를 산출하는 데 필수다. 방법: Detectron2의 Mask R-CNN으로 풀 해상도 도로 이미지를 처리하고 polygon 주석을 binary mask로 변환한 뒤 RoI별로 마스크를 예측한다. 동작 원리: IoU 기반 매칭과 NMS를 통해 후보를 선별하고, 최종 예측은 0.75 임계값으로 결정한다. 달라지는 점: 네 가지 손상 클래스를 인스턴스 단위로 구분하고, 전체 도로 면적에서의 crack-area 비율을 산출해 ground-truth와 거의 일치하는 2.164%를 얻었다.

"전체 접근 방식: Field 이미지를 대상으로 polygon 주석을 binary 마스크로 변환하고, COCO 프리트레인 가중치로 초기화한 Mask R-CNN 변형들을 4개 클래스에 대해 학습한다." "데이터 전처리 및 증강: 이미지의 짧은 변을 800px로, 긴 변을 1333px로 정규화하고, 학습 시 수평 뒤집기 0.5의 확률만 적용한다. 컬러 변환이나 기타 증강은 사용하지 않는다." "모델 변형: R50-FPN, R101-C4, R101-DC, R101-FPN, X101-FPN 다섯 백본 변형을 평가하고 COCO 프리트레인 가중치로 초기화한다." "추론 구성 및 평가: 추론 시 동일한 비율 유지로 이미지 크기를 조정하고, RPN의 anchor 크기 및 비율을 설정하며, 바운딩 박스 IoU는 0.1, NMS는 0.65(RPN)/0.5(Detector)로 작동시킨 뒤, 최종 예측 임계값 0.75를 고정한다."

"주요 벤치마크: Mask R-CNN ResNet-101 FPN 3x가 84.23% precision, 90.04% recall, 87.04% F1를 달성했다. YOLO(CSPDarknet53)은 27.5%/20.7%/23.62%를 달성했다." "크랙 면적 추정: Ground truth 2.170%에 대해 모델 추정 2.164%로 절대 오차 0.006%포인트를 기록했다. DeepSegmentor의 추정은 2.130%이며 crop-level로 한정된다." "추가 비교: 본 연구의 엔드투엔드 인스턴스 세분화 파이프라인은 full-scene에서 후보를 로컬라이즈하고 마스크를 예측하므로 실용성이 높은 편이다."

"아키텍처: Mask R-CNN 기반 Detectron2 파이프라인으로 polygon 주석을 binary masks로 로딩하고 4개 클래스에 대해 학습한다." "수학/알고리즘: IoU는 (Bp ∩ Bg) / (Bp ∪ Bg)로 정의되며, 예측 박스와 GT 박스의 IoU가 0.1 이상일 때 매칭으로 간주한다." "차별점: 일반 박스 탐지나 cropped-segmentation과 달리 full-scene에서 인스턴스 단위의 마스크를 예측하고 aggregate crack-area 추정을 제공한다." "학습 상세: 40-에포크 일정, learning rate 0.001, momentum 0.9, weight decay 0.0001, batch size 8, lr는 에포크 24/33에서 0.1로 감소한다."

"주석의 불확실성과 클래스 간 불균형, 라인-모양의 다중 해석으로 인한 annotation ambiguity" "mask-level AP의 부재와 벤치마크의 제약"