외벽 AI 진단사진을 "보는" AI가 아니라
균열을 "재는" AI입니다.
ANTAI의 분석 엔진은 외벽 균열 하나만을 위해 자체 설계·학습한 전용 AI입니다. 균열이 있는지 판별하는 데서 멈추지 않고, 실제 위치를 미터 단위로, 폭을 밀리미터 단위로 계산해 보수 판단과 견적에 바로 쓸 수 있는 숫자로 바꿉니다.
숫자로 검증된 AI 모델
모델 성능은 학습에 한 번도 쓰지 않은 검증 이미지로, 균열 픽셀 하나하나를 정답과 대조해 측정합니다. 박스 단위가 아니라 픽셀 단위 평가라서 훨씬 엄격한 기준입니다.
약 38만 장 학습 데이터
공개 콘크리트 균열 데이터에 균열이 없는 외벽 이미지 6천여 장을 함께 학습해, "균열이 아닌 것"을 균열로 판정하지 않도록 훈련했습니다.
11개 단지 실제 현장 영상
실제 아파트 단지 11곳에서 촬영한 드론 영상 114편에서 프레임을 추출해 학습에 반영했습니다. 실험실 데이터가 아닌 실제 외벽에 맞춘 모델입니다.
4차례 현장 맞춤 고도화
현장 영상에서 나온 오검출 사례(패널 이음선, 보수 흔적 등)를 다시 학습시키는 과정을 반복해 모델을 단계적으로 개선했습니다.
| 모델 단계 | 학습 내용 | 검증 F1 | 검증 IoU |
|---|---|---|---|
| 기반 모델 | 공개 균열 데이터 사전 학습 모델 | 0.814 | 0.686 |
| 1차 고도화 | 대규모 균열 데이터 추가 학습 | 0.952 | 0.909 |
| 2차 고도화 | 현장 드론 영상 프레임 추가 학습 | 0.955 | 0.914 |
| 3차 고도화 (운영 모델) | 패널 이음선 · 보수 흔적 등 현장 오검출 사례 집중 학습 | 0.951 | 0.907 |
검증 이미지(약 700장)는 학습에 사용하지 않은 별도 세트입니다. 운영 모델은 검증 점수만이 아니라 실제 현장 영상에서 이음선·보수 흔적을 균열로 잘못 잡는 사례를 줄이는 데 맞춰 선택했습니다. 현장 데이터가 쌓일수록 계속 재학습합니다.
실제 현장 영상으로
비교해서 고른 모델
ANTAI는 대표적인 객체 검출 모델(YOLO) 두 종류와 픽셀 분할 모델(U-Net)을 같은 현장 드론 영상에 돌려 결과를 직접 비교했습니다. 가는 균열을 끊김 없이 따라가고 폭까지 잴 수 있는 픽셀 분할 방식이 외벽 균열에 가장 적합했고, 이를 운영 모델로 채택했습니다.
| 방식 | 결과 형태 | 폭 측정 |
|---|---|---|
| 객체 검출 (YOLO) | 균열 주변 사각 박스 | 별도 분할 필요 |
| 픽셀 분할 (ANTAI 운영) | 균열 픽셀 마스크 | 바로 측정 가능 |
분석 파이프라인
드론 영상 한 편이 균열 목록과 보고서가 되기까지의 과정입니다.
-
01
영상 · 위치 정보 동기화
드론의 고정밀 RTK 텔레메트리(위도·경도·고도·방위각·짐벌 각도)를 영상 프레임 시각에 맞춰 보간합니다. 위치 기록이 끊긴 구간의 프레임은 위치를 신뢰할 수 없으므로 분석에서 제외합니다.
-
02
픽셀 단위 균열 분할
고해상도 프레임을 축소하지 않고 겹치는 타일로 나눠, ANTAI가 현장 데이터로 학습시킨 AI 분할 모델(U-Net)이 픽셀마다 균열 확률을 계산합니다. 가는 균열이 축소 과정에서 사라지지 않도록 원본 해상도를 유지하며, 끊겨 보이는 조각은 하나의 균열로 이어 묶습니다.
-
03
오검출 제거
외벽에는 균열처럼 보이는 것이 많습니다. 하늘과 지붕·산 능선의 경계선, 비스듬히 찍힌 패널 이음선, 자로 그은 듯한 전선·케이블, 나무와 식물 위의 검출을 각각 별도 규칙과 장면 분할로 걸러냅니다. 보수 흔적과 이음선도 학습 데이터에 포함해 구분하도록 학습했습니다.
-
04
벽면 위치 계산
균열 픽셀에서 카메라 시선(ray)을 쏘아 벽면과 만나는 점을 계산합니다. RTK로 측량한 벽 모서리 기준선을 넣으면 "지면에서 몇 m, 좌측 모서리에서 몇 m"로 위치가 나오고, 위경도 좌표도 함께 산출됩니다. 3D 메쉬가 있으면 메쉬와의 교차로 곡면·돌출부도 계산합니다.
-
05
폭 · 길이 측정
균열 마스크를 한 줄 골격선으로 만들고 곁가지를 제거해 길이를 잽니다. 폭은 마스크 두께만이 아니라 균열을 가로지르는 밝기 손실을 적분해 픽셀보다 작은 단위까지 추정합니다. 촬영 거리와 각도로 픽셀당 mm 값을 위치마다 따로 계산합니다.
-
06
프레임 간 병합
드론이 이동하며 같은 균열을 여러 번 찍기 때문에, 벽면 위 거리가 가까운 검출을 하나의 균열로 합칩니다. 그중 가장 가깝고 정면에서 찍힌 프레임을 대표 사진으로 저장합니다.
-
07
상태등급 · 보수공법 판단
최대 폭으로 상태등급을 매기고, 폭과 방향(수직·수평·사선)에 따라 적합한 보수공법과 우선순위를 제시합니다. 사선 균열이나 폭 2mm 이상 균열은 구조 검토를 권고합니다.
-
08
균열 대장 · 재점검 비교
모든 균열에 단지·동·벽면·번호로 된 영구 ID를 붙여 대장으로 관리합니다. 다음 점검 때 3D 위치로 같은 균열을 자동 매칭해 신규·확대·변화없음·미검출을 판정하고, 연간 폭·길이 변화량을 계산합니다.
판정 기준
상태등급과 보수공법은 일반적으로 쓰이는 콘크리트 균열 평가·보수 기준에 따른 1차 판정입니다.
상태등급 (최대 균열폭 기준)
| 등급 | 최대 균열폭 |
|---|---|
| a | 0.1mm 미만 |
| b | 0.1 ~ 0.3mm |
| c | 0.3 ~ 0.5mm |
| d | 0.5 ~ 1.0mm |
| e | 1.0mm 이상 |
시설물 안전 및 유지관리 관련 지침의 콘크리트 균열폭 평가 관점을 따릅니다. 적용 지침은 점검 시점의 현행 기준으로 확인합니다.
보수공법 판단
| 최대 균열폭 | 권장 공법 |
|---|---|
| 0.2mm 미만 | 표면처리공법 |
| 0.2 ~ 1.0mm | 주입공법 (저압 저속 주입) |
| 1.0mm 초과 | 충전공법 (U-cut / V-cut) |
| 2.0mm 이상 · 사선 | 우선순위 상향, 구조 검토 · 보강 권고 |
최종 공법은 진행성·누수·철근 부식 여부 등 현장 확인 후 책임기술자가 결정합니다. ANTAI는 이 판단 근거와 물량을 기준으로 현장에 맞는 시공업체 연결과 비교견적까지 진행합니다.
믿을 수 있는 결과를 위한
설계 원칙
좋은 AI는 맞히는 것만큼, 자신이 얼마나 확실한지 정직하게 알려주는 것이 중요합니다. ANTAI 보고서의 모든 수치에는 근거가 함께 남습니다.
- 균열마다 AI 신뢰도 점수, 확인된 프레임 수, 촬영 거리·각도를 함께 기록합니다.
- 촬영 위치마다 픽셀당 mm 값을 따로 계산하고, 분해능보다 가는 균열은 "분해능 이하 추정치"로 구분 표기합니다.
- 최대 폭은 안전한 쪽(실제보다 약간 크게)으로 추정되도록 설계해, 위험한 균열을 작게 평가하지 않습니다.
- 0.2mm급 미세 균열은 픽셀당 약 0.5mm 이하의 근접·줌 촬영으로 측정 정밀도를 확보합니다.
- AI 판독 결과는 검토자가 최종 확인한 뒤 보고서로 발행합니다.
| 검증 항목 | 합성 데이터 검증 결과 |
|---|---|
| 위치 오차 | 수 cm 수준 |
| 폭 (중앙값) | ±0.15mm |
| 최대 폭 | 0.3 ~ 0.5mm 크게 (안전측) |
정답 균열이 알려진 합성 외벽 영상으로 측정한 값입니다. 실제 현장 정확도는 촬영 거리·각도·조명·마감재에 따라 달라집니다.
분석 결과물이 궁금하신가요?
합성 데이터로 만든 보고서 샘플을 확인해 보세요.