기술 요약: SlumpGuard

문제 정의

콘크리트의 워커빌리티(workability)는 건설 품질을 결정하는 핵심 요소이며, 전통적으로는 수동 슬럼프 시험을 통해 평가되어 왔다. 그러나 이러한 기존 방식은 노동 집약적이고 시간이 많이 소요되며, 작업자의 주관성에 크게 의존한다는 단점이 있다. 한국 건설 표준 시방서(KCS 14 20 10)와 같은 현재의 산업 표준은 종종 간헐적인 검사(예: 일 1회 또는 120㎥당 1회)만을 규정하고 있어, 혼합, 운반 또는 타설 과정 중 발생하는 품질 편차를 사전에 감지하지 못하고 지나칠 위험이 있다.

기존의 자동화 솔루션들은 현장 도입에 있어 상당한 장벽에 직면해 있다. 센서 기반 방식은 침습적인 하드웨어 설치와 교정이 필요하며, 이는 현장 규정이나 장비의 가변성에 의해 제한되는 경우가 많다. 이전의 비전 기반 방식들도 실제 현장 적용성 측면에서 어려움을 겪었다. 스테레오 비전 시스템은 일상적인 작업 흐름에 포함되지 않는 반복적인 현장 테스트를 요구하는 경우가 많고, 믹서 트럭에 장착된 카메라는 먼지와 슬러리 오염에 취약하다. 또한, 이미지만을 사용하는 프레임워크는 정확한 슬럼프 추정에 필수적인 역동적인 흐름 특성을 포착하는 데 한계가 있다.

방법론

저자들은 실제 현장 배포를 위해 설계된 완전 자율형 카메라 전용 비전 시스템인 SlumpGuard를 제안한다. 이 시스템은 단일 고정 카메라를 사용하여 믹서 트럭 슈트(chute)로부터 나오는 자연스러운 배출 흐름을 분석하며, 센서, 하드웨어 설치 또는 수동 개입의 필요성을 제거한다. 시스템 아키텍처는 모듈식의 3단계 파이프라인으로 구성된다.

1. 슈트 탐지 (1단계)

다양한 배경과 슈트 회전이 존재하는 제약 없는 현장 영상을 처리하기 위해, 시스템은 DOTA 데이터셋으로 사전 학습된 최첨단 객체 탐지 모델인 YOLOv8을 사용한다.

• 메커니즘: 모델은 축 정렬형("Unrotated Chute") 및 회전된 바운딩 박스("Chute")를 모두 예측하여 배출 영역을 국지화한다.
• 최적화: 효율성을 높이기 위해, 탐지기가 8프레임 이상 동일한 영역을 식와하면 추론을 중단하고 좌표 평균을 통해 관심 영역(RoI)을 고정한다. 이후 시스템은 슈트 내부를 크롭하여 후속 분석을 위한 좌측($V_L$) 및 우측($V_R$) 흐름 스트림을 분리한다.

2. 타설 이벤트 탐지 (2단계)

이 단계는 어느 슈트에서 콘크리트가 흐르기 시작하는지, 즉 '언제'와 '어디서'를 결정하여 불필요한 영상 구간을 필터링한다.

• 메커니즘: 시스템은 Lucas-Kanade 희소 광학 흐름(sparse optical flow) 알고리즘을 적용하여 탐지된 슈트 바운딩 박스 중심부의 움직임 벡터를 추적한다.
• 로직: 회전된 바운딩 박스의 하단 가장자리와 비교하여 추적된 중심점의 변위를 분석함으로써, 시스템은 콘크리트가 임계치를 통과하는 정확한 순간을 식별한다. 이러한 "모션 게이팅(motion-gated)" 프로세싱은 실제 배출이 포함된 프레임만을 분류 모듈로 전달하도록 보장한다.

3. 슬럼프 예측 및 이상 탐지 (3단계)

흐름의 시작이 감지되면, 비디오 분류 모듈이 슬럼프 범주를 추정한다.

• 아키텍처: 시스템은 시공간적 특징을 포착하기 위해 Mixed Convolution (MC) 및 (2+1)D 변형 모델을 평가하는 ResNet 3D 백본을 활용한다. 실험 결과 (2+1)D-18 아키텍처가 최적임이 확인되었다.
• 학습 전략: 이 과업은 KS F 4009 표준에 기반한 5개의 범주형 구간(예: 150–180mm, 180–210mm)을 가진 분류 문제로 프레임화되었다. 데이터 불균형과 환경적 가변성을 처리하기 위해 저자들은 광범위한 데이터 증강(ColorJitter, Gamma Correction, MixUp, CutMix)과 레이블 스무딩을 이용한 **소프트 레이블 학습(soft-label training)**을 채택하였다.
• 추론: 예측은 연속적인 $N$-프레임 윈도우를 통해 수행된다. 최종 슬럼프 범주는 안정성을 확보하기 위해 $T$번의 추론 사이클 동안 다수결 투표(majority voting)를 통해 결정된다. 결과는 정해진 규격과 비교되어 이상 징nel 알람을 트리거한다.

주요 기여

1. 시스템 설계: 믹서 트럭의 하드웨어 수정 없이 기존 건설 워크플로우에 원활하게 통합되는 비침습적 카메라 전용 파이프라인을 도입하였다.
2. 데이터셋 구축: 실제 건설 환경을 모사한 통제된 조건에서 촬영된 6,443개의 비디오 클립(각 10초)으로 구성된 현장 재현 데이터셋을 구축하였다. 이 데이터셋은 슈트 위치 지정 및 슬럼프 값에 대한 정밀한 그라운드 트루스(ground-truth) 레이블을 포함하며, 회전 및 미회전 바운딩 박스에 대한 어노테이션을 제공한다.
3. 모듈형 파이프라인: 위치 지정, 이벤트 탐지, 분류를 분리하는 3단계 접근 방식을 통해 해석 가능성을 높이고 특정 구성 요소의 정밀한 개선을 가능하게 하였다.
4. 전문가 검증: 자동화 시스템과 인간의 시각적 추정치를 벤치마킹하기 위해 15년 이상의 경력을 가진 11명의 도메인 전문가가 참여한 비교 연구를 수행하였다.

결과

시스템은 구축된 데이터셋과 전문가 연구를 통해 평가되었다:

• 슈트 탐지: 평균 정밀도(mAP50-95) 0.9945와 정밀도(precision) 0.995를 달s성하였으며, 프레임당 9.0ms의 추론 속도를 기록하여 실시간 적용 가능성을 입증하였다.
• 타설 탐지: 광학 흐름 기반 방식은 활성화된 슈트 및 흐름 시작을 식별하는 데 있어 90% 이상의 전체 정확도를 달성하였다. "타설 없음" 시나리오에서는 100%의 정확도를 보였다. 특정 조건(예: 우측 슈트의 그림자 또는 추적이 어려운 240mm 이상의 높은 슬럼프 값으로 인한 유동 흐름)에서는 미세한 오류가 관찰되었다.
• 슬럼프 예측: 최적화된 (2+1)D-18 모델은 테스트 세트에서 82.26%의 정확도와 0.8691의 F1-score를 달성하였다. 절제 연구(Ablation studies)를 통해 레이블 스무딩, 가중 샘플링, MixUp의 결합이 성능을 유의미하게 향상시킴을 확인하였다.
• 전문가 비교: 10개의 비디오 샘플에 대한 블라인드 평가에서, 인간 전문가는 **9.1%에서 45.5%**의 경우에만 그라운드 트루스 슬럼프 범주를 정확히 식별하였으며, 만장일치로 일치한 샘플은 없었다. 반면, SlumpGuard는 평가된 모든 샘플에 대해 정확한 예측을 제공하여 인간의 시각적 추정이 지닌 불일치성을 부각시켰다.

의의 및 주장

본 논문은 SlumpGuard가 기존의 수동 또는 센서 의존적 검사 방법을 대체할 수 있는 신뢰할 수 있고 현장 적용 가능한 대안이라고 주장한다. 그 의의는 다음과 같다:

• 지속적 모니터링: 간헐적인 점검이 아닌 배치(batch) 단위의 실시간 품질 보증을 가능하게 한다.
• 객관성: 전문가 연구에서 입증된 바와 같이, 인간의 시각적 추정이 가진 내재적 주관성과 작업자 간 변동성 문제를 해결한다.
• 배포 용이성: 특수 하드웨어 설치가 필요 없는 경량 솔루션을 제공함으로써, 기존의 자동화 방식들을 제한해 온 규제 및 물류적 장벽을 극복한다.

저자들은 SlumpGuard를 모든 품질 관리 조치를 대체하는 도구가 아니라, 콘크리트 타설 중 실시간 의사결정을 지원하는 강력한 지속적 검증 도구로 정의하며, 궁극적으로 더욱 일관된 건설 품질에 기여하고자 한다.