As technology develops, the utilization of tunnels is diversifying, and at the same time, the importance of maintenance and repair of structures is being emphasized. However, despite the recognition of its high importance, regular inspections are conducted by manpower, still require a lot of time, and rely on methods that lack objectivity. In order to solve this problem, many technologies using high-resolution image processing methodologies have been developed, and in recent years, researches using deep learning technologies have been conducted in various ways. Nevertheless, micro-cracks occurring on the tunnel surface are still challenging because their shapes vary, and their recognition performance varies depending on shooting conditions. In addition, more research has been focused on improving the crack detection recognition rate, and further studies are still needed to obtain information for crack diagnosis. This thesis proposes a new tunnel crack detection method using semantic segmentation and a new measurement method using image processing. A new segmentation algorithm using hierarchical convolutional neural networks is developed to improve the speed of crack detection, and a multi-loss update method is proposed to improve accuracy. The performance of the model is evaluated in terms of accuracy and speed. As a result, an improvement of 2.165% for intersection over union of crack (IoU of crack) and an increase of 1.97 times for inference speed is found. Also, measurements on the shape, area, length, and width of the crack are derived using a reference instrument and compared and evaluated in terms of precision and accuracy with the method using the field of view (FOV), which is existing technology. As a result, reducing the error of changes in working distance and shooting angle is derived. This achievement is expected to be utilized as an accurate inspection technology to improve the safety of tunnel maintenance in the future.
기술이 발전함에 따라, 터널의 활용도가 다양해지고 있으며, 동시에 구조물의 유지 및 보수의 중요성이 강조되고 있다. 하지만 높은 중요성에 대한 인지에도 불구하고, 정기적인 점검은 인력에 의해 시행되어, 여전히 많은 시간이 필요하며, 객관성이 부족한 방법에 의존하는 것이 현재의 실정이다. 이러한 문제를 해결하기 위해 고해상도 영상처리 기법을 활용한 많은 기술이 개발되었고, 최근 들어서는 딥러닝 기술의 활용한 연구가 여러 방법으로 진행 중이다. 그럼에도 불구하고 터널 표면에서 발생하는 미세 균열은 그 형태가 다양하고 촬영 조건에 따라 그 인식 성능이 달라지므로 여전히 도전적인 과제다. 뿐만 아니라, 균열 탐지 인식률 향상에 대한 연구에 보다 집중이 되어 있어, 균열의 진단을 위한 정보를 취득하기 위한 단계는 여전히 추가적인 연구가 필요하다. 본 학위논문에서는 시멘틱 세그멘테이션 기법을 적용하여 새로운 터널 균열 탐지 방법과 이미지 프로세싱 기법을 활용한 새로운 측정 방법을 제안하고자 한다. 균열 탐지의 속도 향상을 위해 계층적 컨볼루션 뉴럴네트워크를 활용한 새로운 세그멘테이션 알고리즘을 개발하였으며, 정확도 향상을 위해 다중 손실 업데이트 방법을 제안하였다. 모델의 성능은 정확도와 속도 측면에서 평가하였으며, 그 결과 균열의 IoU (intersection over union)에 대해 2.165%의 향상과 해석 속도에 대해 1.97 배의 향상이 나타났다. 또한 레퍼런스 계측기를 활용하여 균열의 모양, 면적, 길이, 폭에 대한 측정치들을 도출하였으며, 기존의 화각 (FOV) 를 활용한 방식과 정밀도와 정확도 측면에서 비교 및 평가하였다. 그 결과 촬영 거리와 촬영 각도의 변화에 대한 오차를 경감시키는 효과를 도출했다. 이 성과는 향후 터널 유지관리의 안전성 향상을 위한 정확한 상태 점검 기술로 활용될 것으로 기대한다.
