초록 열기/닫기 버튼
최근 집중 호우 발생 빈도가 늘어남에 따라 포트홀 발생 건수가 지속적으로 증가하고 있다. 또한, 도로의 노후화로 인한 노면 파손은 불가피하며, 파손된 도로와 포트홀은 운전자의 주행을 방해하여 다양한 안전사고를 발생시킨다. 이 문제를 효율적으로 해결하기 위해 인공신경망을 활용한 다양한 도로 파손 탐지 연구가 진행되었다. 하지만 기존 연구들에서는 포트홀의 특성에 대한 이해도가 부족하다는 한계점이 존재했고, 더불어 포트홀을 급증시킬 수 있는 위해 요소들이 증가하여 관련 연구의 필요성은 더욱 높아지고 있다. 이에 선행 연구의 한계점을 극복하고자 본 연구에서는 포트홀의 특성을 효과적으로 반영할 수 있는 이미지 전처리 기법과 EfficientDet 기반으로 포트홀 검출을 위한 최적 구조를 제안한다. 제안 전처리 기법은 CLAHE 기법과 Sobel Edge detection 알고리즘 2가지를 결합하여 도로 노면 이미지 내 포트홀을 Contrast 명암 대비에만 의존하여 해결하는 문제가 아닌 전체 이미지에 대한 윤곽선 검출과 명암 대비 제한값 설정으로 포트홀의 경계를 극대화하여 확인 및 학습할 수 있도록 설정하였다. 또한 포트홀 데이터셋에 적합한 최적의 BiFPN Layer 수를 설계함으로써 모듈이 명확한 포트홀 검출이 가능토록 하였다. 본 연구에서 제안하는 방법론을 EfficientDet과 YOLO v5 모델에 적용하여 본 방법론의 타당성을 실험적으로 증명하였다.
In recent years, the number of potholes has been increasing due to the high frequency of heavy rainfall. In addition, road surface damage is inevitable due to the aging of roads, and damaged roads (potholes and cracks) interfere with drivers' driving, causing various safety accidents. To efficiently solve this problem, various road damage detection studies have been conducted using artificial neural networks. However, previous studies have been limited by a lack of understanding of potholes. Furthermore, the need for research is growing as the number of risk factors that can cause potholes is rapidly increasing. To overcome the limitations of previous studies, this study proposes an image preprocessing technique that can effectively reflect the characteristics of potholes and an optimal structure for pothole detection based on EfficientDet. The proposed preprocessing technique combines two algorithms, CLAHE and Sobel Edge detection, to identify and learn potholes in road surface images by maximizing the boundaries of potholes through contour detection and contrast thresholding for the entire image, rather than solely relying on contrast. In addition, we designed the optimal number of BiFPN layers for the pothole dataset so that the module can clearly detect potholes. The methodology proposed in this study was applied to EfficientDet and YOLO v5 models to experimentally prove the feasibility of the methodology.
