도로 균열 감지를 위한 데이터 증강 방법론 비교 연구

A Comparative Study on Data Augmentation Methods for Road Crack Detection

본 연구는 도로 균열 감지를 위한 데이터 증강 기법들의 종합적 성능을 비교하기 위하여 1,021장의 고해상도 도로 균열 이미지 데이터셋을 활용하여 YOLOv8n-seg 모델 기반으로 다양한 데이터 증강 기법의 효용성을 검증하였다. 이를 바탕으로, 기준선을 비롯한 기하학적 변환, Copy-Paste 변형, 마스킹 기법, 복합 방법, 광학적 방법을 적용하여 증강 기법을 체계적으로 비교⦁검정하였다. 도로 이미지의 분석에 특화된 증강 기법을 찾으려 했으며, 도로 균열의 종류에 따라 적합한 증강 기법의 차이가 존재하는지도 살펴보았다. 본 연구의 결과를 정리·종합하면 다음과 같다. 첫째, YOLO 내장 증강이 60.4% mAP@0.5로 가장 우수한 성능을 달성하여 범용 시스템에 최적임을 확인하였다. 둘째, 마스킹 기법은 횡방향 균열에서 기준선 대비 약 3.3배의 성능 향상을 보여 소수 클래스 전문화에 효과적임을 입증하였다. 셋째, 모든 Copy-Paste 변형이 기준선을 하회하는 성능을 보여 도메인별 증강 기법 검증의 중요성을 확인하였다.

In this study, we examined the utility of various data augmentation techniques using the YOLOv8n-seg model and a dataset of 1,021 high-resolution road crack images to comprehensively compare their performance in road crack detection. We systematically compared and evaluated the augmentation techniques, including the baseline, by applying geometric transformations, Copy-Paste variations, masking techniques, combined methods, and optical methods. The study aimed to identify augmentation techniques specialized for road image analysis and examined whether there are differences in suitable augmentation techniques depending on the type of road crack. The results of this study are summarized below. First, YOLO built-in augmentation achieved the highest performance with 60.4% mAP@0.5, confirming that it is optimal for general-purpose systems. Second, the masking technique demonstrated approximately 3.3 times higher performance compared to the baseline in transverse cracks, proving its effectiveness for minority class specialization. Third, all Copy-Paste variants underperformed the baseline, confirming the importance of validating domain-specific augmentation techniques.