연구정보

AI를 활용한 포트홀 자동 탐지 기술
  • 게시일2021-08-24
  • 조회수767

AI를 활용한 포트홀 자동 탐지 기술

 

 

▲ 이태희 도로교통연구본부 박사후연구원

 

AI를 활용한 포트홀 자동 탐지 기술

 

들어가며


도로 포트홀(pothole)은 아스팔트 도로 표면에서 발생하는 파손의 일종으로 그림 1과 같은 비정형의 패임이며, 노면 홈이라 부르기도한다. 노면 파손 유형은 파손 부위의 길이나 면적, 폭 등과 같은 파손 형상을 기준으로 분류하며, 노면 홈 즉 포트홀은 나라마다 미미한 기준 차이는 있으나 대체로 파손 부위 지름이 15cm 이상인 원형에 가까운 패임으로 분류하고 있다. 포트홀은 도로 노면에 빗물이 충분히 스며들어 골재 분리가 발생하기 쉬운 상태에서 차량의이동 하중이 누적되며 급진전된다. 실제로 2020년 기록적인 집중 호우가 있었던 당시, 서울시에서 8월 중 단 10일간 보수한 포트홀이 7천 건 이상으로 보고되었다. 이처럼 장마철에 집중적으로 발생할 수 있는 포트홀을 차량 운전자가 인지하지 못하고 고속으로 통과할 경우 차량 손상 또는 탑승자의 생명을 위협하는 교통사고로 이어질 수 있어 각별한 관리를 요한다. 따라서 각 지자체의 도로 관리자는 파손 위치를 신속히 파악하고 보수해야 하지만, 한정된 인력으로 넓은 도로에서 발생하는 다량의 포트홀을 파악하는 데에 큰 어려움을 겪고 있다. 시민의 제보도 적극 반영하여 포트홀 발생 위치를 파악하고 있으나, 인력에 의한 탐지 방식으로 단기간에 발생한 다량의 포트홀에 효과적으로 대응하기란 현실적으로 불가능에 가까워 보인다. 이에 연구진은 포트홀 발생 위치를 신속히 파악할 수 있는 도로 포트홀 자동 탐지 기술을 수년간 연구해왔으며, 최근까지 개발한 AI 기반 포트홀 자동 탐지 기술을 이 글에서 소개하고자 한다.

 

그림 1 도로 노면에서 발생한 포트홀 예시, 그림 2 도로 포트홀 탐지 기술 동향

 

 

도로 포트홀 탐지 기술 동향


포트홀을 포함한 도로 노면에서 발생한 파손 관리는 발생 위치를 신속히 탐지하는 것에서 시작되며, 탐지 방식은 차량이 겪는 진동 기반 탐지, 도로 노면을 향해 조사된 레이저 계측 기반 탐지, 그리고 영상 인식 기반 탐지로 구분할 수 있다. 진동 기반 탐지는 3축 또는 수직 가속도계를 차량에 장착하여 주행 중 차량이 겪는 진동을 계측하며, 여러 단계의 필터링 과정을 거쳐 노면 파손이 유발한 진동만을 추출한다. 진동 기반 탐지 방식은 저렴한 비용으로 도로 노면 상태를 실시간 평가하는 것에 적합하다. 하지만 차량 바퀴의 주행 경로 외의 노면 손상을 탐지할 수 없으며, 노면 손상의 크기를 파악할 수 없다는 단점이 있다.


레이저 계측 기반 탐지는 별도의 점검 차량에 특수 장비를 탑재하여 도로 노면의 상태를 3차원 좌표화한 후 노면 상태를 평가할 수 있는 다양한 지표를 계산해내는 방식이다. 노면 상태를 정밀하게 파악하기 위한 기술로서 광범위한 영역에서 발생한 다량의 포트홀을 신속하게 탐지해내는 것에는 다소 부적합하며, 기술 도입과 운용에 큰비용이 필요하여 주요 도로 노선에 한정적으로 운용되고 있다. 영상 인식 기반 탐지 방식은 합리적인 비용으로 넓은 영역의 노면상태를 분석할 수 있으며, 최근 인공 심층신경망을 활용한 객체 인식 기술의 발달로 더욱 주목받고 있다. 특히 영상 인식 기반의 탐지방식은 차량 블랙박스나 휴대전화에 탑재된 카메라와 같은 개인 촬영 장비로도 탐지할 수 있어 육안 조사에 의존하고 있는 지자체에 기술을 보급하기 용이하며, 탐지 결과가 사진으로 저장되기 때문에 관련 전문가가 아닌 일반인도 직관적으로 파손 정보를 파악할 수 있다는 장점이 있다.

 

 

그림 3 완전 합성곱 신경망 구조의 포트홀 탐지 AI 모델, 그림 4 포트홀 탐지용 AI 모델의 학습 데이터 예시, 그림 5 K-fold cross validation 기법 적용(K=5)

 

AI를 활용한 포트홀 자동탐지 기술 개발


연구팀은 완전 합성곱 신경망(Fully Convolution Neural Network) 구조의 학습을 통하여 차량 주행 중 촬영된 노면 사진에서 포트홀 파손 부위를 분류하는 AI 학습 모델을 개발하였다. 그림 3은 촬영된 이미지를 픽셀 단위로 분석하여 도로 노면의 파손 영역을 가시화하는 AI 학습 모델의 세부 구조를 나타낸 것이다.


AI 학습 모델을 완성하기 위해서는 적절한 학습용 데이터를 구축해야 하며, 이를 위해 도로를 직접 주행하며 촬영한 동영상에서 약 10,000장의 노면 파손 이미지를 추출한 후, 레이블링하였다. 수집한 이미지는 1080픽셀의 해상도에서 256픽셀로 크로핑(cropping)한 후 그림 4와 같이 노면 이상이 있는 픽셀과 없는 픽셀을 구분하였다. 레이블링한 약 10,000장의 이미지를 5등분하여 그림 5와 같이 K-fold cross validation 기법을 통하여 앙상블을 형성하고, 서로 다른 학습 및 검증 데이터셋 조합으로 5개의 AI 추론 모델을 완성하였다. 최소평균제곱오차(Minimum-Mean-Squared-Error, MMSE)를 모델의 손실 함수로 사용하였고, ADAM(ADAptive Moment estimation)으로 각 손실치를 최적화하였다. 학습 에폭(epoch)에 따른 손실치를 계산하여 손실치가 가장 작은 학습 결과를 최종 모델로 결정하였다.

 

 

AI 기반 포트홀 자동탐지 기술의 성능 평가


개발한 영상인식 기반 자동탐지 기술을 이용하면 그림 6에서 보는 바와 같이 도로노면에 파손이 있는 영역을 이미지에서 분할하여 확인할 수 있다. 이와 같은 의미론적 분할 문제에서 AI 추론 모델의 성능을 평가하기 위한 지표로 IoU(Intersection over Union)를 주로 사용한다. IoU는 추론 모델이 예측한 픽셀 영역과 이미지에서의 실제 파손이 점한 영역을 비교하여 두 영역의 중첩 면적을 두 영역의 총면적으로 나눈 값이며, IoU가 1에 가까울수록 예측한 픽셀 영역이 실제 파손 영역과 일치한다는 의미를 지닌다. 약 2천 장의 테스트 데이터를 사용하여 이미지별 IoU를 측정하여 평균값을 계산하였다. 실험용 테스트 데이터 기준으로 5개의 AI 학습 모델로 측정한 mIoU는 각각 0.722, 0.700, 0.725, 0.719, 0.724로서 전체 모델의 평균 IoU는 0.718로 계산되었다. 또한 총 이미지에서 IoU가 0.5 이상으로 측정된 이미지는 모델 평균 95.84%로 높은 탐지 성능을 보였다.

 

그림 6 AI 모델을 이용한 도로 노면 파손 영역의 추론 예시

 

 

맺음말


해마다 장마철이면 포트홀 자동탐지에 관한 사회적 요구가 지속되고 있으며, 이에 대한 해결 방안으로 AI 추론 모델을 활용한 포트홀 자동탐지 기술을 소개하였다. 본 기술은 도로 주행 중에 도로 관리자나 일반인이 쉽게 측정할 수 있는 휴대폰 애플리케이션과 각 단말에서 전송된 포트홀 발생 정보를 한눈에 파악하기 위한 지도기반 클라우드 서버 플랫폼으로 구성해 놓은 상태이다. 현재 여러 지자체에서 실증 실험을 진행하고 있고, 시범 구축을 원하는 지자체에 본 기술을 확대 적용할 계획을 가지고 있다. 또한 최근 많은 관심을 받고 있는 자율주행 자동차는 포트홀과 같은 돌발적인 노면의 위험 요소를 탐지 및 회피할 수 있는 기술을 지녀야 하므로, 본 기술이 필수적인 기능으로 탑재될 것을 기대한다.

 

 

QUICK