기존의 이미지 분류, 객체 탐지 등의 알고리즘 기반 건설 현장 이미지 지능 인식 방법이 작업자, 건설 기계 등 대상 객체의 정확한 수량과 정밀한 경계를 인식하지 못하는 문제를 해결하기 위하여 의미 분할 알고리즘을 도입하였습니다. 초대형 기초 굴착을 응용 시나리오로 하여 건축 정보 모델(BIM)으로 강화된 의미 분할 이미지 데이터셋을 구축하고, DeepLabv3+ 기반 의미 분할 알고리즘을 개발하였으며, 의미 분할 결과를 기반으로 하는 대상 객체 인식 방법을 제안하였습니다. 먼저 닝보시의 초대형 기초 굴착 공사 현장을 기반으로 실제 촬영한 현장 이미지를 수집하고, BIM 기술을 통해 실제 시공 장면과 유사한 효과 이미지를 다량 생성하여 데이터셋을 강화하였습니다. 작업자, 굴착기, 트럭, 콘크리트 믹서 트럭, 콘크리트 펌프 트럭, 크레인, 울타리, 타워크레인, 콘크리트 지지대 및 배경 등 총 10개 유형의 기초 굴착 현장에서 흔히 볼 수 있는 객체를 의미 분할 대상 객체로 선정하고 모든 이미지에 대해 픽셀 단위의 정밀한 주석을 수행하였습니다. 구축된 이미지 데이터셋을 바탕으로 DeepLabv3+ 네트워크를 기반으로 의미 분할 알고리즘을 개발하였으며, 다양한 백본 특성 추출 네트워크와 손실 함수 조합이 알고리즘 성능에 미치는 영향 및 효과 이미지가 성능 향상에 미치는 영향을 비교 실험을 통해 연구하였습니다. 결과는 Xception을 백본 특성 추출 네트워크로 사용하고 Dice loss+CE loss를 손실 함수로 사용한 DeepLabv3+ 모델이 가장 우수한 분할 효과를 보였으며, 평균 교집합비(I¯oU) 값이 68.24%에 달하여, 근경, 원경, 다양한 날씨 및 조명 조건에서 작업자, 기계 설비 및 구조물 등의 객체에 대해 픽셀 단위 분할이 가능함을 보여주었습니다. BIM으로 생성한 효과 이미지 기반으로 학습한 모델이 모델의 분할 성능을 현저히 향상시키며, 실제 촬영 이미지만 사용했을 때에 비해 모델의 I¯oU 값이 26.27% 향상되었습니다. 의미 분할 결과 기반 대상 객체 인식 방법은 기초 굴착 현장 이미지에서 지지대, 기계 설비 등의 객체 유형과 수량을 정확히 출력할 수 있습니다.

초대형 기초 굴착;의미 분할;딥러닝;건축 정보 모델;DeepLabv3+