연구 한눈에 보기
- 문제
- 균열 분할 과정에서 얇은 균열이 누락되거나 끊어지는 문제가 발생합니다.
- 핵심 아이디어
- FACS-Net과 균열 위상 손실로 주파수 정보와 균열의 연결성을 고려합니다.
- 활용
- 인프라 상태 평가에 필요한 균열 정보를 더 충실하게 제공합니다.
이번 글에서는 Automation in Construction (Elsevier) 2026년 호에 게재된 제 논문, "Frequency-aware crack segmentation network (FACS-net) and crack topology loss (CT-loss) for thin cracks"의 핵심 내용을 소개하려 합니다.
건설 현장의 안전을 진단할 때 가장 중요한 신호 중 하나가 바로 '균열(Crack)'입니다. 특히 눈에 잘 띄지 않는 초기 미세 균열을 찾아내는 것이 무엇보다 중요한데, 기존 딥러닝 모델들은 이 부분을 해결하는 데 큰 어려움을 겪고 있었습니다.
저는 이 문제의 원인을 데이터 부족이 아닌 딥러닝의 구조적 특성인 '주파수 편향(Spectral Bias)'에서 찾았고, 이를 해결하기 위해 새로운 모델 구조(FACS-Net)와 손실 함수(CT-Loss)를 제안했습니다. 이번 포스팅을 통해 저희가 어떤 방식으로 이 난제를 풀었는지 공유하고자 합니다.
문제의 시작: 딥러닝이 얇은 균열을 보지 못하는 이유
연구를 진행하며 가장 의아했던 점은, 최신 딥러닝 모델들이 굵고 선명한 균열은 기가 막히게 찾으면서도 얇은 균열(Thin Cracks) 앞에서는 속수무책이라는 것이었습니다.
이 현상을 분석해보니 'Spectral Bias(주파수 편향)'라는 딥러닝의 고질적인 특성이 원인이었습니다.
- 저주파(Low-frequency): 이미지의 배경, 전체적인 형태 등 부드럽게 변하는 영역. 딥러닝 모델이 아주 잘 학습합니다.
- 고주파(High-frequency): 얇은 균열, 경계선(Edge), 텍스처 등 급격하게 변하는 영역. 딥러닝 모델은 학습 과정에서 이 부분을 무시하거나 나중으로 미루는 경향이 있습니다.
특히 균열이 얇아질수록 전체 픽셀 중 경계선(Edge) 이 차지하는 비중이 급격히 높아지는데, 기존 모델들은 인코더에서 이미지를 압축(Down-sampling)하는 과정에서 이 중요한 고주파 정보를 잃어버리고 있었습니다. 결국 모델에게 미세 균열은 '중요한 신호'가 아니라 '배경 노이즈'로 취급되고 있었던 것입니다.
해결책 1: 주파수를 제어하는 모델 (FACS-Net)
"모델이 고주파 성분을 보기 싫어한다면, 강제로 보게 만들자"는 것이 제 접근이었습니다. 이를 위해 'FACS-Net(Frequency-Aware Crack Segmentation Network)'이라는 새로운 아키텍처를 설계했습니다.
기존 인코더-디코더 구조에 'FPCM(Frequency Preference Control Module)'을 도입한 것이 핵심입니다. 이 모듈은 다음과 같이 작동합니다:
- 주파수 분리: 이미지를 주파수 도메인(FFT)으로 변환하여 저주파와 고주파 성분으로 나눕니다.
- 고주파 강조: 모델이 놓치기 쉬운 고주파 대역(균열의 디테일)에 가중치를 부여하여, 이 정보가 소실되지 않고 디코더로 전달되게 합니다.
- 점진적 복원: 저해상도에서 고해상도로 이미지를 키워나갈 때(Progressive Growing), 각 단계마다 이 주파수 정보를 주입하여 흐릿한 균열을 선명하게 복원합니다.
해결책 2: 형태를 보존하는 손실 함수 (CT-Loss)
모델이 픽셀을 잘 찾더라도, 균열이 끊겨서(Fragmented) 탐지된다면 현장에서는 무용지물입니다. 안전 진단에서는 균열이 어디서 시작해 어디로 이어지는지 그 연결성(Topology) 을 파악하는 것이 핵심이기 때문입니다.
기존의 손실 함수(BCE Loss 등)는 픽셀 하나하나의 정답 여부만 따지기 때문에, 균열이 점선처럼 끊겨도 "대체로 맞았다"고 판단하는 문제가 있었습니다.
이를 해결하기 위해 저는 세 가지 요소를 결합한 CT-Loss(Crack Topology Loss) 를 제안했습니다:
- BCE Loss: 전체적인 픽셀 정확도를 잡습니다.
- SEMEDA: 균열의 '경계선(Edge)'을 선명하게 유지하도록 돕습니다.
- Soft-CTS: 기존에 미분이 불가능해 학습에 쓸 수 없었던 CTS(Crack Topology Score) 지표를 미분 가능한 형태(Soft-CTS)로 변형했습니다. 이를 통해 모델은 "균열이 끊어지면 틀린 것이다"라는 것을 학습하게 됩니다.
실험 결과: 미세 균열에서 압도적인 성능 향상
이 아이디어가 실제로 효과가 있었을까요? 대규모 데이터셋인 CrackVision12K를 사용하여 실험한 결과, 특히 2픽셀 이하의 아주 얇은 균열에서 놀라운 성능 향상을 확인했습니다.
기존 SOTA 모델(Hybrid-Segmentor)과 비교했을 때:
- IoU (정확도): 0.160 → 0.466 (약 3배 향상)
- CTS (연결성 점수): 0.585 → 0.945 (끊김 없이 매끄럽게 탐지)
다른 모델들이 미세 균열을 노이즈로 인식하거나 점선처럼 끊어서 탐지할 때, FACS-Net은 끊김 없는 실선으로 온전하게 찾아내는 것을 확인할 수 있었습니다.
맺음말
이번 연구는 단순히 모델의 성능을 높이는 것을 넘어, 딥러닝이 구조적으로 취약했던 '고주파 영역'과 '위상학적 연결성'을 어떻게 학습시킬 것인가에 대한 고민의 결과입니다.
FACS-Net과 CT-Loss를 통해 제안한 방법론이, 앞으로 균열뿐만 아니라 전선, 혈관, 도로망과 같이 가늘고 연속성이 중요한(Thin & Continuous) 객체를 다루는 다양한 비전 연구에 도움이 되기를 바랍니다.
글쓴이 소개
