[정보통신신문=김연균기자]

도로 위의 불청객 ‘포트홀’을 인공지능(AI)으로 감지하고, 도로 관리자나 운전자가 포트홀 발생 정보를 한눈에 파악할 수 있는 기술이 공개됐다.

일반적으로 포트홀 탐지 방식은 △차량이 겪는 진동 기반 탐지 △도로 노면을 향해 조사된 레이저 계측 기반 탐지 △영상 인식 기반 탐지로 구분할 수 있다.

진동 기반 탐지는 3축 또는 수직 가속도계를 차량에 장착해 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. 그러나 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 탑재해 도로 노면의 상태를 3차원 좌표화한 후 노면 상태를 평가할 수 있는 다양한 지표를 계산해내는 방식이다.

노면 상태를 정밀하게 파악하기 위한 기술로 광범위한 영역에서 발생한 다량의 포트홀을 신속하게 탐지해내는 것에는 다소 부적합하며, 기술 도입과 운용에 큰비용이 필요해 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.

한국건설기술연구원 도로교통연구본부 연구팀은 완전 합성곱 신경망(Fully Convolution Neural Network) 구조의 학습을 통해 차량 주행 중 촬영된 노면 사진에서 포트홀 파손 부위를 분류하는 AI 학습 모델을 개발했다.

AI 학습 모델을 완성하기 위해서는 적절한 학습용 데이터를 구축해야 하며, 이를 위해 도로를 직접 주행하며 촬영한 동영상에서 약 1만장의 노면 파손 이미지를 추출한 후, 레이블링했다.

수집한 이미지는 1080픽셀의 해상도에서 256픽셀로 크로핑한 후 노면 이상이 있는 픽셀과 없는 픽셀을 구분했다.

특히 레이블링한 1만장의 이미지를 5등분해 서로 다른 학습 및 검증 데이터셋 조합으로 5개의 AI 추론 모델을 완성했다.

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 비교해 두 영역의 중첩 면적을 두 영역의 총면적으로 나눈 값이며, IoU가 1에 가까울수록 예측한 픽셀 영역이 실제 파손 영역과 일치한다는 의미를 지닌다.

연구원 관계자는 “약 2000장의 테스트 데이터를 사용해 이미지별 IoU를 측정해 평균값을 계산했다”며 “특히 실험용 테스트 데이터 기준으로 5개의 AI 학습 모델로 측정한 mIoU는 각각 0.722, 0.700, 0.725, 0.719, 0.724였으며 전체 모델의 평균 IoU는 0.718로 나타났다”고 설명했다.

현재 연구원은 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.

이 관계자는 “최근 많은 관심을 받고 있는 자율주행 자동차는 포트홀과 같은 돌발적인 노면의 위험 요소를 탐지 및 회피할 수 있는 기술을 지녀야 하므로, 이번 기술이 필수적인 기능으로 탑재될 것을 기대한다”고 밝혔다.

김연균 기자 다른기사 보기