도로 손상 정량화를 위한 세그멘테이션 모델 비교 연구

국문 초록 (Abstract)

도로 포장 손상은 교통 안전성과 유지보수 비용에 직접적인 영향을 미치는 요소로, 손상 영역의 정밀한 인식과 정량화가 요구된다. 특히 균열과 포트홀은 크기와 형태가 다양하며 불규칙한 경계를 가지므로, 단순 객체 검출을 넘어 픽셀 단위 경계 정보를 확보할 수 있는 인스턴스 세그멘테이션 접근이 필요하다. 본 연구는 도로 손상 인스턴스 세그멘테이션을 대상으로 1-stage 기반 YOLOv8n-seg, YOLOv11-seg와 2-stage 기반 Mask R-CNN을 동일 조건에서 비교·분석하였다. 실험은 총 4,567장의 실제 도로 영상 데이터셋을 기반으로 수행되었으며, Precision, Recall, F1-score, mAP50 및 mAP50-95를 중심으로 정량 평가하였다. 실험 결과, YOLOv11-seg는 Precision 측면에서 상대적으로 우수한 성능을 보이며 오탐 억제에 유리한 경향을 나타냈다. YOLOv8n-seg는 경량 구조를 유지하면서 유사한 평균 성능을 확보하여 모델 규모 대비 효율성을 보였다. Mask R-CNN은 높은 Recall을 기록하였으나 정밀도와 모델 규모 측면에서 차이를 나타냈다. 본 연구는 구조적 특성이 도로 손상 정밀 분할 성능에 미치는 영향을 분석하고, 경량성과 정밀도 간 성능 균형을 정량적으로 검토하였다.

다국어 초록 (Multilingual Abstract)

Road pavement damage directly affects traffic safety and maintenance costs, requiring precise recognition and quantitative assessment of damaged regions. Since cracks and potholes exhibit diverse scales and irregular boundaries, instance segmentation approaches that provide pixel-level boundary information are more suitable than simple object detection. This study comparatively analyzes one-stage-based YOLOv8n-seg, YOLOv11-seg, and two-stage-based Mask R-CNN under identical experimental conditions for road damage instance segmentation. Experiments were conducted on a dataset consisting of 4,567 real-world road images, and performance was evaluated using Precision, Recall, F1-score, mAP50, and mAP50-95. The results indicate that YOLOv11-seg achieves relatively higher Precision, demonstrating an advantage in suppressing false positives. YOLOv8n-seg maintains comparable average performance while preserving model compactness, showing favorable efficiency relative to model size. Mask R-CNN achieves high Recall but exhibits limitations in precision and model complexity. This study quantitatively analyzes the impact of structural differences on segmentation performance and examines the trade-off between lightweight design and boundary-level precision for road damage quantification.