[논문 리뷰] RoadAtlas: Intelligent Platform for Automated Road Defect Detection and Asset Management

Zhuoxiao Chen, Yiyun Zhang외 4명|arXiv (Cornell University)|2021. 09. 08.

Infrastructure Maintenance and Monitoring인용 수 4

한 줄 요약

RoadAtlas는 딥러닝 모델(균열 탐지기 및 세그먼터)과 웹 기반 대시보드, MongoDB 백엔드를 통합한 엔드 투 엔드 AI 기반 플랫폼으로, 자동화된 도로 결함 탐지 및 도로 표지판 해석을 지원합니다. 실시간으로 높은 정확도로 균열 및 표지판과 같은 도로 이상 현상을 식별함으로써, 수작업 점검 비용을 조사당 최대 400,000달러 감소시키며, 지역 정부의 데이터 접근성 향상과 의사결정 개선에 기여합니다.

ABSTRACT

With the rapid development of intelligent detection algorithms based on deep learning, much progress has been made in automatic road defect recognition and road marking parsing. This can effectively address the issue of an expensive and time-consuming process for professional inspectors to review the street manually. Towards this goal, we present RoadAtlas, a novel end-to-end integrated system that can support 1) road defect detection, 2) road marking parsing, 3) a web-based dashboard for presenting and inputting data by users, and 4) a backend containing a well-structured database and developed APIs.

연구 동기 및 목표

• 조사를 당초 400,000달러가 넘는 비용이 들 수 있는 수작업 도로 상태 점검의 높은 비용과 시간 소모 문제를 해결하기 위해.
• 딥러닝을 활용해 결함 및 표지판 탐지를 자동화함으로써 전문 점검자에 대한 의존도를 줄이기 위해.
• 실시간 데이터 처리, 시각화, 보고 기능을 지원하는 통합 시스템을 개발하기 위해.
• 지역 정부가 예측 분석을 활용해 도로 상태를 효율적이고 사전에 점검하며 수리 계획을 수립할 수 있도록 지원하기 위해.
• 새로운 결함 유형을 인식하고 시간이 지남에 따라 새로운 데이터를 통합할 수 있는 확장성 있고 유연한 플랫폼을 만들기 위해.

제안 방법

• 사용자 상호작용, 데이터 검증, 보고 기능을 지원하기 위해 Flask와 MongoDB를 사용한 웹 기반 대시보드를 구현하기 위해.
• 두 단계로 구성된 딥러닝 파이프라인을 구현: 첫 번째로, 바운딩 박스를 사용해 결함의 위치를 식별하는 YOLO 기반 아키텍처를 기반으로 한 균열 탐지기.
• 두 번째로, 픽셀 수준의 레이블링 데이터를 기반으로 훈련된 U-Net 기반의 균열 세그먼터를 통해 정밀한 의미적 세그먼테이션 마스크를 생성하기 위해.
• 처리 전에 번호판을 흐리게 처리하여 개인정보 보호를 위한 이미지 익명화를 적용하기 위해.
• 불규칙한 다각형 레이블을 효율적인 균열 탐지기 훈련을 위해 최소 바운딩 박스로 변환하기 위해.
• 도로 표지판 세그먼테이션 결과의 정확도를 향상시키기 위해 조망도 변환과 저수준 윤곽 검출을 적용하기 위해.

Figure 1. The overall framework of the RoadAtlas.

실험 결과

연구 질문

• RQ1 엔드 투 엔드 시스템이 고정밀도와 실시간 성능을 동시에 확보하면서 도로 결함 탐지 및 도로 표지판 해석을 자동화할 수 있는가?
• RQ2 확장 가능한 백엔드와 상호작용 가능한 대시보드와 함께 딥러닝 모델을 어떻게 통합하여 실용적인 도로 자산 관리 시스템을 지원할 수 있는가?
• RQ3 수작업 도로 조사와 전통적 방법에 비해 자동화된 탐지 방식이 얼마나 비용과 시간을 절감할 수 있는가?
• RQ4 최소한의 재학습이나 데이터 재구성으로 새로운 종류의 도로 결함을 탐지할 수 있도록 시스템을 확장할 수 있는가?
• RQ5 바운딩 박스 탐지와 픽셀 수준 세그먼테이션의 조합이 다양한 도로 결함을 정확하게 식별하는 데 얼마나 효과적인가?

주요 결과

• RoadAtlas는 결함 탐지를 자동화함으로써 도로 상태 조사의 비용과 시간을 절감하여, 수작업 점검 대비 조사당 최대 400,000달러의 비용 절감이 가능하다.
• 두 단계로 구성된 딥러닝 파이프라인을 통해 Kerb_Cracking, Road_Crocodile, Road_Longitudinal, Road_Transverse, Road_Block, Sealed_Crack 등의 도로 결함을 고정밀도로 탐지한다.
• U-Net 기반의 균열 세그먼터를 통한 픽셀 수준 세그먼테이션은 결함의 정확한 국소화를 가능하게 하며, 예측 결과를 원본 이미지에 매핑하여 검증이 가능하다.
• 조망도 변환과 저수준 윤곽 검출의 통합은 예측 결과를 기하학적 규칙성과 일치시켜 도로 표지판 해석의 정확도를 향상시킨다.
• 웹 대시보드를 통한 실시간 데이터 처리 및 상호작용 검증을 지원하여 사용자가 결함 및 표지판 데이터를 검토, 확인, CSV 또는 JSON 형식으로 내보낼 수 있다.
• 시스템은 확장 가능하고 유연하며, 모듈러 API 설계와 체계적인 데이터베이스 아키텍처 덕분에 새로운 결함 유형과 새로운 데이터 입력에 쉽게 적응할 수 있다.

Figure 2. Dashboard (top) and Road Defects View (bottom).