데이터셋 준비
균열 원본 이미지와 균열 정답 마스크를 구성합니다.
안전점검 자동화
균열 탐지 모델
U-Net을 이용한 딥러닝 기반 균열 의미론적 분할 학습 및 추론 파이프라인
U-Net Architecture
U-Net 학습 알고리즘
Encoder-decoder architecture for pixel-wise semantic segmentation
U-Net은 인코더에서 합성곱과 풀링을 반복하여 영상의 문맥 특징을 추출하고, 디코더에서 업샘플링하며 원래 공간 해상도를 복원합니다. 같은 단계의 특징맵을 스킵 연결로 결합해 위치 정보를 보존하고, 마지막 1×1 합성곱으로 각 픽셀의 클래스 확률을 출력합니다. 예측값과 정답 마스크의 손실을 최소화하도록 역전파하여 가중치를 학습합니다.
U-NetEncoder · DecoderSkip Connection2-Class Segmentation
INFERENCE RESULT
원본 이미지와 균열 추론 결과 비교
동일한 균열 이미지에 대해 모델 입력과 의미론적 분할 결과를 비교합니다. 결과 이미지의 빨간색 영역은 U-Net이 균열로 예측한 픽셀입니다.
TRAINING & INFERENCE PIPELINE
U-Net 균열 영역 분석 과정
데이터 구성부터 학습된 체크포인트를 이용한 추론과 결과 시각화까지 전체 파이프라인을 8단계로 수행합니다.
데이터 전처리
정답 마스크를 0/255 값에서 0/1 클래스 번호로 변환합니다.
모델 구성
U-Net 기반의 배경·균열 2클래스 의미론적 분할 모델을 설정합니다.
모델 학습
이미지와 정답 마스크를 비교하며 신경망 가중치를 최적화합니다.
검증 및 성능 평가
실제 균열 영역과 예측 결과를 비교하여 모델의 정확도와 균열 검출 성능을 평가합니다.
체크포인트 저장
검증 성능이 가장 우수한 모델 가중치를 .pth 파일로 저장합니다.
모델 추론
학습된 가중치로 이미지의 각 픽셀이 균열인지 예측합니다.
결과 시각화
예측된 균열 영역을 원본 이미지 위에 빨간색으로 표시합니다.
Pixel-level Analysis
픽셀 단위
균열 영역 분석
균열 데이터셋의 영상을 이용하여 U-Net 기반 의미론적 분할 모델을 학습하였습니다. 정답 마스크를 배경과 균열의 2개 클래스로 구성하고, 학습 과정에서 모델 가중치를 최적화하였습니다. 학습된 최적 체크포인트를 이용해 테스트 영상의 각 픽셀을 배경 또는 균열로 추론하고, 예측된 균열 영역을 시각화하였습니다.
바운딩 박스로 위치만 표시하는 객체 탐지와 달리 균열의 실제 형상을 픽셀 단위로 구분하므로, 기술적으로는 균열 의미론적 분할(Crack Semantic Segmentation)이라고 합니다.