머리말
건설산업에서는 생산성 향상을 위해 생애주기 동안 생성되는 수많은 데이터를 디지털화하기 위해 시도하였다. 그중 영상은 다양한 정보를 포함하면서도 획득이 쉬워 시공부터 운영 단계까지 지속해서 수집할 수 있는 디지털 데이터 중 하나이다. 최근 딥러닝 기술의 발전으로 영상 데이터로부터 숨겨진 패턴을 발견하고 의미 있는 정보를 추출할 수 있게 됨으로써, 영상 데이터의 가치는 더욱 높아지고 있다. 이에, 딥러닝을 적용한 디지털 영상처리는 이미 현재 기술로써 우리의 일상에 존재한다. 얼굴을 촬영한 영상은 이미 열쇠를 대신하고 있으며, 누구나 쉽게 스마트폰 애플리케이션을 통해 어린이가 될 수도, 노인이 될 수도 있다. 이처럼 영상을 대상으로 한 인공지능 기술의 적용은 다양한 산업에서 활용 가능성이 무궁무진하지만, 아직 건설 분야에서는 그 활용이 제한적이다. 본 고에서는 인공지능 기술 중 영상에 적용할 수 있는 의미론적 분할(Semantic Segmentation) 기술과 함께 비대면 디지털 현장진단 분야에서의 적용 사례를 소개하고자 한다.

딥러닝을 활용한 의미론적 분할 기술 
의미론적 분할은 영상을 구성하는 픽셀을 사전에 정의한 클래스로 분류하는 기술로 객체 검출(Object detection)과 더불어 다양한 분야에 적용되고 있는 컴퓨터 비전 기술 중 하나이다. 객체 검출은 영상 내 존재하는 특정 객체의 위치 정보를 박스 좌표의 형태로 보여주는 데 반해, 객체 분할은 영상 내 모든 픽셀에 대한 분류 결과를 보여주는 데 차이가 있다([그림 1]). 이러한 의미론적 분할은 영상의 모든 픽셀에 대해 분류 결과를 제공함으로써, 객체 간의 경계를 정확히 파악해야 할 때 적용된다. 예를 들어, 자율주행을 위해 요구되는 차선, 차량, 보행자 등의 경계 정보를 획득하기 위해 의미론적 분할이 적용된다. 또한, 의료분야에서는 자기공명영상(Magnetic Resonance Imaging, MRI)이나 전산화단층촬영(Computed Tomography, CT) 영상에서 장기, 세포 조직 등의 영역을 파악하는데 적용된다.

사용자가 지정한 클래스에 따라 새로 입력한 영상을 분할하는 모델의 학습은 다양한 상황이 반영되어야 하므로 고난도의 문제이다. 그럼에도, 딥러닝을 적용한 최신 의미론적 분할 모델들의 정확도는 높은 수준에 도달하였다. 연구자들이 발표한 논문과 코드를 공유하고, 벤치마크 데이터 셋에 따른 성능을 제공하는 사이트인 Papers with code에 따르면, 대표적인 데이터 셋인 PASCAL VOC 2012 test와 val에 대한 의미론적 분할 모델의 성능은 각각 89.0%와 90.0%의 평균 교집합 대 합집합 비율(mean Intersection of Unition, mIoU)을 나타냈다. 여기서, IoU는 예측한 영역과 실제 영역이 일치하는 정도를 의미하며, 0과 100% 사이의 값으로 나타내어 100%에 가까울수록 모델의 성능이 좋음을 의미한다. mIoU는 각 클래스별 IoU의 평균값을 나타낸다.

다음 [그림 2]는 건물 외피에 의미론적 분할 모델을 적용한 결과를 나타낸다. [그림 2]의 좌측은 원본 영상, 중앙은 사용자가 라벨링 한 결과, 우측은 의미론적 분할 모델을 적용한 결과를 보여준다. 결과에서 확인할 수 있듯이, 딥러닝을 활용한 의미론적 분할 기술은 건물에도 충분히 적용할 수 있다.

의미론적 분할 기술의 비대면 디지털 현장진단 적용 사례 1: 건물 외벽 열화상 진단
건물 외벽에서 발생하는 열손실은 표면 온도의 차이를 발생시키고, 이를 진단하기 위해 적외선 열화상카메라가 활용된다. 적외선 열화상카메라는 대상 표면에서 방사하는 복사 에너지를 측정하여 온도 정보로 변환하여 시각화하는 장치이다. 건물 외벽 열화상 진단을 위해서는 관심 대상인 벽 이외 창, 문과 같은 영역 온도를 제외해야 한다. 최근 판매하는 적외선 열화상카메라는 실화상도 함께 획득할 수 있어, 실화상에 컴퓨터 비전 기술을 적용한 결과를 적외선 열화상에도 반영할 수 있다.

최근 연구에서는 실화상에 의미론적 분할 모델을 적용하여 벽체 영역만을 획득하고, 이를 적외선 열화상과 연결하여 벽에 발생한 열적 이상영역을 검출하는 방법이 제안되었다([그림 3]). 의미론적 분할 모델을 건물 외피 영상에 적용함으로써, 관심 대상인 벽체에 해당하는 온도만을 추출할 수 있다. 이를 통해, 건물 외벽의 온도 분포를 정확하게 파악할 수 있으며, 열적 이상영역에 대한 기준을 수립하여 외벽에 발생한 열적 이상영역을 검출할 수 있다. [그림 4]는 의미론적 분할 모델을 적용하여 외벽의 온도 분포를 추출한 후, 이상영역을 검출한 사례를 나타낸다. 그림과 같이, 전체 적외선 열화상의 온도 분포를 활용하는 경우, 열적 이상영역을 검출하기 어렵다. 그러나, 의미론적 분할 모델을 적용하여 외벽에 해당하는 온도 분포를 추출하면 열적 이상영역의 검출이 가능하다.

의미론적 분할 기술의 비대면 디지털 현장진단 적용 사례 2: 건물 창면적비 산출
창면적비는 지붕과 바닥을 제외한 외피 면적 중 창이 차지하는 면적의 비율을 의미하며, 건물에서 발생하는 에너지 손실과 밀접한 연관이 있다. 기존 건물의 경우 도면이 유실된 경우가 빈번하여 작업자의 실측을 통해 창면적비를 산출하고 있다. 의미론적 분할 기술의 적용을 통해, 외피 영상으로부터 해당 건물의 창면적비를 자동으로 산출하는 것이 가능하다.

다음 [그림 5]는 의미론적 분할 기술을 적용한 건물 창면적비 산출 방법과 적용 사례를 나타낸다. 창면적비 산출을 위한 입면 영상을 획득한 후, 창, 벽, 기타로 클래스로 분류하도록 학습한 의미론적 분할 모델을 적용하면 각 픽셀별로 클래스가 분류된 분할 결과를 획득할 수 있다. 창과 벽으로 분할된 픽셀의 수 대비 창으로 분할된 픽셀의 수를 계산함으로써 창면적비를 영상으로부터 획득할 수 있다.

맺음말
앞서 건설산업에서 생성되는 다양한 디지털 데이터 중 영상에 적용할 수 있는 의미론적 분할 기술과 해당 기술을 건물 외피 열화상 진단과 창면적비 산출에 적용한 사례를 소개하였다. 인공지능 기술의 건물 영상 적용은 현재 시작 단계에 있으며, 다르게 이야기하면 적용 가능성이 매우 높다.
이제 어떠한 산업이든 인공지능으로의 전환은 필수가 될 것이다. 그러나 인공지능으로의 전환을 위해서는 디지털로의 전환이 체계적으로 진행되어야 한다. 인공지능을 통한 학습을 위해서는 양질의 라벨링 데이터가 다량으로 확보되어야 하며, 양질의 라벨링 데이터를 위해서는 현장에서 생산되는 다량의 디지털 데이터를 체계적으로 정리하고 공유하는 것이 그 무엇보다 중요하다. 건설산업의 구성원들 모두가 인공지능으로 전환을 위해 함께 데이터를 구축하고, 기술을 개발하고, 기술을 고도화하기 위해 다시 데이터를 함께 구축하는 선순환이 이루어질 수 있기를 기대한다.

감사의 글
본 연구는 국토교통부/국토교통과학기술진흥원의 지원으로 수행되었음(과제번호 RS-2023-00244769)

참고문헌
1. Papers with code, https://paperswithcode.com/task/semantic-segmentation
2. Visual Object Classes Challenge 2012, http://host.robots.ox.ac.uk/pascal/VOC/voc2012/
3. Park, G., Lee, M., Jang, H., Kim, C., 2021, Thermal anomaly detection in walls via CNN-based segmentation, Automation in Construction 125: pp. 103627