쉴드 터널 라이닝 이미지에서 균열의 딥 러닝 기반 인스턴스 분할

이 논문은 마스크 영역 기반 합성곱 신경망(Mask R-CNN)과 형태학적 클로징 작업을 통합하여 쉴드 터널 라이닝 이미지에서 균열의 인스턴스 분할을 위한 딥 러닝(DL) 기반 방법을 제시합니다. 본 연구의 Mask R-CNN은 백본 아키텍처, 영역 제안 네트워크(RPN), 사양을 위한 헤드 아키텍처로 나누어지며, 구현 세부 사항이 소개됩니다. 현재의 이미지 처리 방법과 비교할 때, 제안된 DL 기반 방법은 이미지 내에서 균열을 효율적으로 탐지하며 동시에 각 균열에 대해 고품질 분할 마스크를 생성합니다. 균열 인스턴스 분할 작업을 위해 쉴드 터널 라이닝 이미지 데이터셋이 구축되었습니다. 구축된 데이터셋에는 총 761개의 이미지에서 1171개의 라벨이 있는 균열 인스턴스가 포함되어 있습니다. 형태학적 클로징 작업이 Mask R-CNN에 통합되어 하나의 균열에 속하는 분리된 균열을 연결하는 통합 모델을 형성하였습니다. 형태학적 클로징 작업, 네트워크 깊이, 특성 피라미드 네트워크가 균열 분할 성능에 미치는 영향을 탐구하기 위해 네 개의 훈련된 모델 간에 이미지 테스트가 수행되었으며, 상대적으로 최적의 모델이 발견되었습니다. 상대적으로 최적의 모델은 76개의 테스트 이미지에 대해 81.94%의 균형 잡힌 정확도, 68.68%의 F1 점수, 52.72%의 교차 비율(IoU)을 달성합니다.