향상된 YOLOv11 기반 배관 결함 탐지

지하 유틸리티 터널은 장기간 사용 후 부식, 균열 및 누수 문제가 발생하여 도시 안전을 위협합니다. 기존 방법들은 높은 주관성, 높은 누락률 및 실시간 성능 저하 문제로 인해 정밀한 관리 요구를 충족하지 못합니다. 본 논문은 YOLOv10 대신 C3k2 백본과 동적 앵커 헤드가 이미 YOLOv10 대비 유틸리티 터널 배관 결함 탐지에서 1.8% mAP 향상을 보이는 향상된 YOLOv11 기반 주의집중(attention) 강화 방식을 제안합니다. 저조도 이미지 품질 향상을 위해 동형 필터링을 사용하였고; 원본 YOLOv11의 마지막 두 개의 C3k2 모듈을 다중 스케일 특징 통합 모듈(Multi-Scale Feature Aggregation Module)로 교체하여 확장된 수용 영역(receptive fields)으로 미세 균열을 포착합니다; 목(neck) 부분에는 C2PSA/BRA 주의집중을 활용한 양방향 가중 특징 피라미드 네트워크(Bidirectional Weighted Feature Pyramid Network)를 도입해 스케일 간 특징 융합과 배경 억제를 수행하여 세밀한 미세 균열 감도와 전역적인 오탐 억제를 동시에 실현합니다; 탐지 헤드에서는 DIoU 손실 함수를 채택해 선형 결함의 위치 오류를 줄였습니다. 5000장의 유틸리티 터널 결함 이미지에 대한 실험 결과, 향상된 알고리즘은 93.2% 정확도(precision), 92.4% 재현율(recall), 92.6% 평균 정밀도(mAP)를 달성해 원본 YOLOv11, Faster R-CNN, YOLOv5를 능가하였습니다. 절제 실험(ablations)에서 해당 모듈의 효능이 검증되었으며, 기준선 대비 상대 오차를 75% 감소시켰습니다. 이 알고리즘은 복잡한 유틸리티 터널 환경 내 여러 유형의 결함을 정확히 식별하여 도시 인프라의 안전하고 효율적인 운영 및 유지보수에 기술적 지원을 제공합니다.