Earticle

초록

영어

Damage diagnosis through monitoring is essential for systematic and efficient conservation and management of cultural heritage. In this study, we developed a deep learning system that automatically detects and visualizes damage to stone pagodas to enable regular monitoring of cultural heritage. Mask R-CNN was used to detect and visualize damage in pixel units in stone pagoda images. A dataset specialized for stone pagodas in Korea was built and applied to train the model. The generalized performance of the trained model was evaluated on the five-story stone pagoda at Jeongnimsa Temple Site. The damage detection recall for each type was in the range of 0.86 to 0.62 based on IoU 0.50, and the damage area segmentation recall was in the range of 0.68 to 0.51. This study suggests a new safety management methodology by applying artificial intelligence to cultural heritage sites and has important applications in cultural heritage preservation.

한국어

모니터링 기반 손상 진단은 체계적이고 효율적인 문화유산의 보존 관리를 위해 필수적 이다. 이를 위해 문화유산의 상시 모니터링이 가능하도록 석탑의 손상을 자동으로 탐지하고 시각화하는 딥러닝 시스템을 제안한다. 석탑 이미지에서 손상을 픽셀 단위로 탐지하고 시각화 하기 위해 Mask R-CNN을 활용하였으며, 우리나라 석탑에 특화된 데이터세트를 구축하여 딥러 닝 모델을 훈련하였다. 훈련된 모델을 이용하여 정림사지 오층 석탑을 대상으로 성능을 평가하 였다. 각 유형별 손상 탐지 재현율은 IoU 0.50 기준 0.62부터 0.86의 범위에 있었으며, 손상 영역 분할 재현율은 0.51부터 0.68의 범위로 나타났다. 이러한 결과는 인공지능을 문화유산 현장에 적용하여 새로운 안전관리 방법론을 제시하며 문화유산 보존에 있어 중요한 응용 가능성을 가진다.

목차

초록
ABSTRACT
1. 서론
2. 연구 대상 및 방법
2.1. 연구 대상
2.2. 연구 방법
3. 손상 자동 탐지 및 시각화
3.1. 손상 클래스 선정
3.2. 데이터세트 구축
3.3. 이미지 전처리 및 라벨링
3.4. 딥러닝 프레임워크 설계
4. 실험 결과 및 평가
4.1. 성능 평가 방법
4.2. 실험 결과 분석
5. 고찰
5.1. 제안 시스템의 활용 가치
5.2. 훈련 데이터의 신뢰도 검증
6. 결론
사사
REFERENCES

키워드

모니터링 손상지도 손상 탐지 원격 진단 딥러닝 의미론적 분할 Monitoring Damage map Damage detection Remote sensing Deep learning Semantic segmentation

저자

• 이정민 [ Jungmin Lee | 한국전통문화대학교 문화유산산업학과 ]
• 유정민 [ Jeong Min Yu | 한국전통문화대학교 문화유산산업학과 ] Corresponding Author

참고문헌

발행기관

간행물