2.1 콘크리트 균열 분할 연구 동향

콘크리트 균열은 구조물의 성능 저하로 이어질 수 있는 주요 열화 요인으로 발생 초기 단계에 탐지하고 정량화하는 것은 구조물 건전성 모니터링의 핵심 과제이다. 초기에는 엣지 검출(Edge detection), 임계값 기반 이진화(Thresholding), 텍스처 분석(Texture analysis)과 같은 전통적인 영상 처리 기법이 균열 탐지에 활용되어 왔다(Dorafshan et al., 2018; Munawar et al., 2021). 그러나 이러한 방법들은 조명 변화, 표면 질감과 같은 노이즈에 민감하며, 균열 형상이 복잡한 실제 구조물 환경에서는 신뢰성 있는 성능을 확보하는 데에는 한계가 있다(Fan, 2025; Nnolim, 2020; Alkannad et al., 2025). 이를 극복하고자 최근에는 딥러닝 기반의 균열 탐지 기술이 단순 균열 유무만이 아니라 픽셀 단위에서 균열과 비균열 영역을 구분하는 의미론적 분할로 확장되어 균열의 길이, 폭, 면적, 방향성과 같은 기하학적 특성을 직접적으로 산출할 수 있는 장점이 있다. 이는 균열의 정량적 평가뿐만 아니라, 균열 밀도, 균열 진전 특성 등 구조물의 성능 저하를 분석하는 기초 자료로 제공될 수 있음이 보고되었다(Shi et al., 2024; Yu et al., 2023; Manjunatha et al., 2024; Shim and Min, 2022).

2.2 U-Net++ 아키텍처

U-Net은 encoder와 decoder를 skip connection으로 결합하여 feature map의 손실을 최소화하는 구조로 생물의학 분야에서 이미지 분할을 목적으로 고안된 End-to-End 방식의 FCN 기반 모델이다(Kim et al., 2020). 그러나, U-Net은 encoder와 decoder의 feature map 사이에 존재하는 semantic gap을 완벽하게 해소하지 못하는 한계가 있다. 따라서 이러한 한계를 극복하고자 U-Net++ 아키텍처는 Fig. 1에 나타낸 바와 같이, nested dense skip pathway와 deep supervision 기법을 도입하여 개발되었다(Zhou et al., 2018). Fig. 1은 U-Net 계열 구조를 단계적으로 비교한 것으로, (a) 전체 구조와 (b) 첫 번째 skip pathway의 상세 구성을 나타낸다. 본 연구에서는 (a) 구조를 적용하였으며, 학습은 최종 출력에 대한 단일 손실로 수행하였다. 이때, skip pathway의 노드 $x^{i,j}$는 다음 식 (1)에 따라 계산할 수 있다

이때 $\mathcal{H}(\cdot)$는 Convolution 연산과 활성화 함수, $\mathcal{U}(\cdot)$는 Up-sampling layer, $[\ ]$는 concatenation layer를 의미한다. 이러한 구조를 통해 Encoder에서 추출된 저수준 공간 정보는 점진적으로 고수준 의미 정보를 포함하도록 변환된 후 decoder로 전달되며, 이는 encoder와 decoder 간의 불일치성을 완화할 수 있다. 결과적으로 U-Net++는 서로 다른 깊이를 갖는 다수의 U-Net이 서로 겹쳐있는 것과 같은 효과를 낸다.

Fig. 1 Architecture of U-Net++ with a ResNet34 encoder: (a) overall structure, (b) detailed view of the first skip pathway (redrawn based on Zhou et al., 2018)

또한 U-Net++에 적용되는 deep supervision은 네트워크의 최종 출력뿐 아니라 중간 단계의 출력에서도 손실 함수를 계산하여 역전파를 수행함으로써, 학습 안정성과 분할 정확도 향상에 기여한다. 이는 학습의 수렴속도를 개선하고 gradient 소실 문제를 완화하며 특히 균열과 같이 얇고 복잡한 위상구조(topology)를 가진 객체의 경계를 복원하는데 기여한다. 이때, deep supervision을 적용할 경우 손실 함수는 식 (2)와 같이 정의된다(Zhou et al., 2018). 다만 본 연구에서는 전처리 증강 기법 간 비교 조건을 통일하기 위하여 최종 출력에 대한 단일 손실을 적용하였으며, 이는 3.4절에 기술하였다.

이때, $\hat{Y}_b, Y_b$는 각각 b번째 이미지에 대한 평탄화된 예측 확률과 평탄화된 정답을 의미하며, N은 배치 크기를 나타낸다.

2.3 전처리 기법

2.4 데이터 증강 기법 비교

본 연구에서는 모델의 일반화 성능을 극대화하고 과적합을 방지하고자 서로 다른 학습 데이터를 조합하여 데이터 증강이 가능한 CutMix와 MixUp 기법을 도입하고자 하였다.

3.1 데이터셋 구성 및 하드웨어 사양

3.2 실험 변수

본 연구에서는 resizing과 chipping의 두 가지 전처리 방식을 적용하였으며, 데이터 증강 기법은 없음, CutMix 및 MixUp의 세 가지로 구성하여 총 6개의 실험 시나리오를 설정하였다.

이에 추가적으로, resizing 해상도가 균열 분할 성능에 미치는 영향을 정량적으로 분석하고 실무 적용에 적합한 최적 입력 해상도 기준을 도출하기 위한 목적으로 512×512 픽셀 및 1024×1024 픽셀 크기의 추가 실험을 수행하였다. 이때, 추가 실험은 하드웨어 사양의 한계로 인하여 batch size를 8과 2로 축소하였다. 따라서 추가 실험은 배치 크기 차이로 인한 BatchNorm 통계의 불안정성, gradient step 수의 증가, 실효 학습률의 변동이 결과에 일정 부분 반영되었을 가능성이 있다.

3.3 전처리 방법

고해상도 영상 처리를 위해 본 연구에서는 resizing과 chipping 기반 전처리 방법을 적용하고, 그 성능을 비교하였다. Resizing 알고리즘은 원본 영상을 256×256 픽셀로 축소하여 모델에 입력하며, 이때 마스크 영상은 라벨 정보의 왜곡(Aliasing)을 방지하기 위하여 Nearest Neighbor 보간법을 적용하였다. 이 방식은 영상 전체의 구조적 맥락을 유지하는데 유리하다. 또한, 이미지를 축소하는 resizing 시 발생하는 신호의 왜곡을 최소화하기 위해 저역 통과 필터(Low-pass filter)를 활용한 anti-aliasing 처리를 병행하였다. 이는 급격한 해상도 변화로 인해 저역 통과 필터링을 병행하여 미세한 균열 패턴의 고주파 성분이 급격히 소실되어 발생하는 aliasing을 억제할 수 있다. 본 연구에서는 resizing 모드와 좌표계 정렬 옵션을 고정 하여 전처리 과정에서 발생할 수 있는 변수를 통제하고 모델이 공간적 표현을 일관되게 학습하도록 하였다.

한편, chipping 알고리즘의 경우 원본 해상도를 유지한 상태에서 256×256 픽셀 크기의 국부 패치를 추출하여 입력 데이터로 사용하였다. 인접 패치 간 경계 영역에서 균열 연결성 저하를 완화하기 위하여 10%의 중첩 비율을 적용하였으며, stride는 패치 크기의 90%인 230 pixel로 설정하였다.

3.4 데이터 증강 및 학습 방법

본 연구에서는 일반화 성능 개선 및 과적합 억제를 위하여 batch-level에서 수행되는 데이터 혼합 증강 기법인 MixUp과 CutMix를 도입하였다. 이때, CutMix의 혼합 계수 $\lambda$는 Beta (1.0, 1.0), MixUp의 $\lambda$는 Beta (0.4, 0.4) 분포로부터 추출하여 적용하였으며, 전처리 및 정규화가 완료된 입력 데이터를 대상으로 수행하였다.

손실 함수의 경우, 픽셀 단위 분류 손실과 영역 중첩목적함수를 동시에 반영하기 위해 BCEWithLogitsLoss와 Dice Loss를 0.3:0.7로 결합한 하이브리드 손실 함수를 채택하였다.

3.5 하이퍼 파라미터

본 연구의 모든 실험은 성능 비교를 위하여 동일한 학습 방법과 하이퍼 파라미터를 적용하였으며, 주요 설정값은 Table 3과 같다. 사전 학습된 ResNet34 backbone은 ImageNet 데이터 셋으로부터 엣지 및 텍스처와 같은 저수준 시각 특징을 이미 학습한 상태이며, 콘크리트 균열은 이러한 저수준 특징(Low-level feature)이 지배적인 객체이므로 본 과제에 효과적으로 전이될 수 있다. 손실 함수는 균열 픽셀의 절대적 분포(BCE)와 상대적 중첩도(Dice)를 동시에 반영하기 위해 하이브리드 형태로 구성하였으며, pos_weight는 균열 픽셀 비중이 전체의 약 1∼3% 수준인 클래스 불균형을 보정하기 위해 10.0으로 설정하여 균열 픽셀 1개의 손실이 배경 픽셀 10개와 동등하게 취급되도록 하였다. 학습률은 초기 5 epoch 동안 선형 워밍업을 적용한 후 코사인 감쇠(cosine annealing)로 최소 학습률까지 감소시켜, 사전 학습 가중치가 초기 높은 학습률에 의해 급격히 변형되는 것을 방지하고 학습 후반부의 미세 조정을 가능하게 하였다. 한편, 검증 세트의 Dice 계수가 20 epoch 연속 개선되지 않으면 학습을 조기 종료(Early stopping)하도록 설정하여 불필요한 연산을 방지하고 과적합 위험을 억제하였다. 또한, 연산 효율성 확보를 위해 자동 혼합 정밀도(AMP)를 적용하여 순전파의 FP16 연산으로 GPU 메모리를 절감하고, 역전파 시 GradScaler를 통해 손실 값을 스케일링하여 FP16 환경의 기울기 언더플로우를 방지하였다.

3.6 평가 지표

본 연구에서는 제안된 모델의 균열 분할 성능을 정량적으로 평가하기 위하여 픽셀 단위의 혼동 행렬로부터 도출되는 다각적인 평가지표인 Dice coefficient(본 연구의 이진 분할 설정에서 positive class 기준 F1-score와 동일), Intersection over Union (IoU), Precision, Recall 및 Accuracy로 구성하여 모델의 분할 성능을 다양한 지표로 평가하였다(Table 4). 또한, 모델의 오분류 특성(error profile)을 분석하기 위하여 오탐율(False Positive Rate, FPR)과 미탐율(False Negative Rate, FNR)을 산출하였다. FPR은 실제 배경 픽셀 중 균열로 잘못 예측한 비율(FPR= FP/(FP+TN))이며, FNR은 실제 균열 픽셀 중 탐지하지 못한 비율(FNR=FN/(FN+TP))을 나타낸다. 구조물 안전 점검의 관점에서 FNR은 양성 클래스 비율에 해당하므로, 높은 Dice 계수와 함께 낮은 FNR을 달성하는 것이 구조물 유지관리 적용 측면에서 중요하다. 또한, 분류 임계값(threshold)에 무관한 모델의 분류 임계값 독립적 판별성능을 평가하기 위하여 ROC 곡선(Receiver Operating Characteristic curve)으로부터 AUC(Area Under the Curve)를 산출하였다. 이때, Dice, IoU, Precision, Recall, Accuracy, FPR 및 FNR은 시그모이드 출력 확률을 0.5의 고정 임계값을 적용하여 이진화하였다. 반면, ROC-AUC는 이진화 이전의 시그모이드 확률을 사용하여 산출하였으며, 임계값 독립적 판별 성능 지표로 활용하였다.

4.1 학습 결과 분석

Fig. 2와 3에는 각각 전처리 방식별 손실 함수 곡선과 Dice 계수 곡선을 나타내었다. 모든 시나리오에서 손실은 초기 epoch 구간에서 급격히 감소한 후 완만하게 수렴하였고, 검증 손실의 재상승은 관찰되지 않아 과적합은 확인되지 않았다. Dice 계수 역시 초기 구간에서 빠르게 증가한 후 수렴하였으며, 이는 모델이 학습 초기에 균열-배경 간 기본 분별 특성을 형성한 후 예측-정답 마스크 간 불일치 영역을 점진적으로 보정한 것으로 판단된다.

Fig. 2 Loss curve

Fig. 3 Dice coefficient curve

Resizing 시나리오(S1∼S3)는 학습 초기 5 epoch 이내에 검증 Dice가 약 0.1 수준으로 출발하여 최종 0.4 수준에 수렴하기까지 20∼30 epoch가 소요되었으며, 이는 1920×1080 영상의 256×256 축소 과정에서 고주파 성분이 소실되어 ImageNet 사전 학습 가중치의 저수준 특징(Low-level-features)과 입력 간 불일치가 발생하였기 때문으로 판단된다. CutMix(S2), MixUp(S3) 적용 시 훈련 손실 대비 검증 손실이 더 낮게 유지되는 정규화 효과는 확인되었으나, S1 대비 향상 폭은 최대 0.003에 그쳐 해상도 축소에 따른 미세균열의 누락의 근본적 한계는 극복하지 못하는 것으로 나타났다.

Chipping 시나리오(S4∼S6)는 학습 초기 epoch 1에서 훈련 Dice가 약 0.43∼0.45, 검증 Dice가 약 0.5∼0.52 수준으로 resizing 대비 현저히 높은 초기 성능을 보였으며, 10∼15 epoch 이내에서 검증 Dice가 약 0.52에 도달하고 최종적으로 resizing 대비 약 0.13 향상된 0.55 부근에서 수렴하였다. 이는 원본 해상도 보존에 의한 균열 형태학적 특징 유지가 ImageNet 사전 학습 가중치로부터의 효과적 특징 전이를 가능하게 한 것으로 판단된다. 혼합 증강 적용 시 MixUp(S6)에서 훈련-검증 격차가 가장 크게 나타나는 정규화 효과가 확인되고 조기 종료가 가속되었으나, 최종 Dice 향상 폭은 최대 0.02 수준으로 실질적 개선을 수반하지 않았으며, 이는 약 57만개에 달하는 chipping 훈련 패치가 이미 학습 데이터 다양성을 충분히 확보하여 추가 증강의 효과가 미미한 것으로 판단된다.

4.2 시나리오별 정량적 성능 비교

Table 4와 Table 5는 6개 시나리오의 정량 성능을 전처리 방식별로 나타낸 것이다. Resizing 기반 세 시나리오(S1∼S3)의 Dice와 IoU는 각각 0.407∼0.41 및 0.256∼0.259 범위로 증강 조건에 따른 차이가 나타나지 않았다. FPR도 세 시나리오 모두 0.004로 동일하여 배경 픽셀의 오검출은 낮게 제어되었으나, FNR은 0.53 이상으로 실제 균열 픽셀의 과반수 이상이 미검출되는 한계를 보였다. 시나리오 간 세부 차이를 비교하면, CutMix를 적용한 경우, Precision이 가장 높아 균열 예측의 신뢰도는 우수하였으나 Recall이 가장 낮아 FN이 상대적으로 증가한 반면, 증강을 적용하지 않은 경우, Recall이 높고 FNR이 낮아 균열 검출 관점에서 가장 유리하였다. 한편, Table 5에 나타낸 ROC-AUC는 0.934∼0.938 범위로 세 시나리오 간 임계값 독립적 판별 성능의 차이가 미미하고 추론 시간 역시 2.4ms/image로 유사하였다. 이는 CutMix와 MixUp이 학습 단계에서만 적용되고 추론 단계에서는 비활성화되기 때문이다.

Chipping 평가 결과는 3.1.3절에 명시한 두 모집단(전체 patch / 균열 포함 patch ≥0.1%) 중 균열 포함 patch 기준값을 Table 4⋅5에 수록하였다. 전체 patch(106,335개) 기준 Dice는 S4∼S6 모두 약 0.41 수준으로 resizing과 유사하게 산출되었으나, 이는 모델의 균열 탐지 능력 저하가 아닌 배경 patch(TP=FN=0)에서 소량 FP만으로도 Dice가 구조적으로 왜곡되는 평가상 효과에 기인한다. Fig. 4는 GT에 균열이 없음에도 콘크리트 표면의 미세 흠집⋅시공 조인트 등을 균열로 오인하여 FP를 생성한 배경 patch 오탐 사례로, Table 1의 Contextual misidentification(맥락 부재에 의한 오인) 오류 유형과 일치한다. Resizing 테스트셋(2,363장)과 동등한 평가 조건을 확보하기 위해 균열 픽셀 비율 0.1% 이상인 patch만을 선별하여 재평가하였으며, Table 4, 5의 chipping 성능은 이 기준의 값이다.

Fig. 4 False positives in background patches (S4): Concrete scratches misidentified as cracks

균열 포함 패치 기준으로 평가한 chipping 기반 세 시나리오(S4∼S6)는 resizing 대비 Dice, IoU, Recall 모두 높고 FNR이 낮게 나타나 전반적인 분할 성능에서 우위를 보였다. 세 시나리오 간 Dice 차이는 0.004 이내로 chipping 조건 내에서 증강 효과의 차이는 미미하였으며, FPR은 0.011로 동일하였다. 증강을 적용하지 않은 경우가 Recall과 FNR 모두 가장 유리한 값을 보여, resizing 조건과 동일하게 증강 미적용이 균열 검출 관점에서 가장 우수하였다. Table 5의 ROC-AUC는 0.942∼0.949 범위로 resizing 대비 다소 높아 임계값 독립적 판별성능에서도 chipping이 우수한 것으로 나타났다.

한편, Table 4, 5의 chipping 평가는 patch 단위에서 수행되었으므로, 평가 모집단의 영향을 배제하기 위하여 patch 예측을 원본 1920×1080 해상도로 재구성한 후 동일 해상도에서 픽셀 단위로 평가한 결과를 Table 6에 나타내었다. 원본 스케일 평가에서는 chipping (S4: Dice 0.433)이 resizing 512 픽셀(S7: Dice 0.515) 및 resizing 1024 픽셀(S8: Dice 0.529) 보다 Dice가 낮게 산출되었으며, 이는 patch 경계의 boundary artifact와 배경 patch의 FP가 원본 스케일 합성 과정에서 누적된 구조적 효과에 기인한다. 그러나 미세균열 검출률을 나타내는 Recall과 FNR에서는 chipping (Recall 0.654, FNR 0.346)이 모든 resizing 조건 대비 우위를 유지하여, 본 연구의 핵심 결과인 공간 해상도 보존에 의한 미세균열 검출률 향상이 원본 스케일 평가에서도 일관되게 재현됨을 확인하였다.

4.3 전처리 방법에 따른 성능 분석

Table 4에 나타낸 resizing 방식(S1∼S3)과 chipping (S4∼S6)의 성능을 비교하면, 전처리 방식 간 가장 큰 차이가 나타난 지표는 Recall과 FNR이다. Recall은 검출률을 나타내는 지표로, resizing 방식에서는 약 46%의 균열을 검출한 반면, chipping 방식에서는 약 65%의 균열을 검출하였다. 이에 대응한 FNR을 비교하면, chipping 방식은 resizing 방식에 비해 약 0.18 낮게 나타났다. 이는 1920×1080 영상을 256×256으로 축소하는 과정에서 약 56.4배의 공간 해상도 감소가 발생하여, 수 픽셀 폭의 미세균열이 인접 배경 픽셀과의 보간 혼합에 의해 소실된 결과로 판단된다. 구조물 안전 점검에서 균열의 미검출(FN)은 위험 요인이 될 수 있으므로, 미세균열 검출율(Recall)의 향상은 실무적 관점에서 중요한 의미를 갖는다. 이러한 FNR의 차이를 Fig. 5의 균열 이미지 분석에서도 확인 할 수 있다.

Fig. 5 Comparison of segmentation results between S1 (Resizing) and S4 (Chipping) on the same original image (1920×1080)

(a) Input image, (b) Ground truth, (c) S1 error map, (d) S1 prediction, (e) S4 prediction, (f) S4 error map. Note: Metrics shown are from full-image inference and differ in evaluation conditions from Table 4.

동일한 원본 영상(1920×1080)에 대하여 S1과 S4 모델로 inference를 수행한 결과, resizing 방식의 error map(Fig. 5(c))에서는 영상 상단의 미세 수평 균열에 대해 녹색 (TP) 영역이 확인되었으나, 하단 영역의 균열은 청색(FN)으로 나타나 탐지되지 않은 구간이 발생하였다. 반면, chipping 방식의 error map(Fig. 5(f))에서는 resizing 방식에서 탐지되지 못한 실제 균열이 녹색(TP)로 검출되므로 원본 해상도 보존이 미세균열 검출률 향상에 기여하는 것을 확인하였다. 또한, chipping 방식은 적색(FP) 영역이 resizing에 비해 다소 넓게 나타났으며 이는 패치 단위 입력의 전역적 맥락 부족에 기인한 것으로 보인다. 이러한 검출 차이는 균열 밀집 영역에서 특히 두드러지며, chipping 방식은 TP 영역의 공간적 연속성이 우수하여 균열 연결성 복원 측면에서도 우수한 것으로 나타났다.

한편, resizing 입력 해상도가 균열 분할 성능에 미치는 영향을 정량 분석하기 위하여 입력 크기 512×512 (S7), 1024×1024 (S8) 추가 실험을 수행하였다. Table 4와 5에 나타낸 바와 같이, 입력 해상도 증가에 따라 Dice 계수는 증가하였으나, 256에서 512 구간의 향상 폭이 약 0.108인 반면, 512에서 1024 구간은 약 0.011에 그쳐 해상도가 증가함에도 불구하고 그 효과는 미미하였다. 또한, 원본 스케일 평가(Table 6)에서 입력 해상도를 1024까지 확장한 S8의 Recall, FNR은 chipping에 도달하지 못하여, 단순 해상도 상향만으로는 원본 1920×1080 해상도의 미세 균열 정보를 완벽하게 복원하지 못함을 확인하였다.

4.4 데이터 혼합 증강의 효과 검증

4.1절의 학습 곡선 분석에서 CutMix 및 MixUp 적용 시 훈련-검증 손실 간 간격이 확대되는 정규화 효과가 확인되었으나, 4.2절의 정량 평가에서는 증강 미적용 시나리오 (S1, S4)가 Dice, Recall, FNR에서 가장 유리하거나 동등한 수치를 보여, 두 전처리 방식 모두에서 데이터 혼합 증강이 최종 분할 성능의 실질적 개선에는 기여하지 못하는 것으로 나타났다.

이러한 결과는 전처리 단계에서 이미 결정된 성능 상한을 증강만으로는 초과할 수 없음을 의미한다. Resizing 방식의 경우, 고해상도 영상을 256×256으로 축소하는 과정에서 발생하는 미세 균열 정보의 비가역적 손실이 성능의 병목으로 작용하며, 입력 데이터에 균열의 물리적 형상이 충분히 보존되지 않은 상태에서는 학습 표본 조합의 다양성을 증가시키더라도 모델이 학습할 수 있는 균열 특징 자체가 제한된다. 반면에, chipping 방식에서는 원본 해상도가 보존되어 정보 손실의 문제는 발생하지 않으나, 훈련 패치 수가 약 57만 개로 학습 데이터의 다양성이 이미 충분히 확보된 조건에서 추가적인 증강의 한계가 있는 것으로 판단된다. 이는 균열 분할에서 분할 정확도의 지배적 요인이 증강 기법의 선택보다 입력 데이터의 공간 해상도 보존 여부에 있음을 의미한다.

균열의 형태학적 특성 측면에서, MixUp의 픽셀 단위 선형 결합은 균열-배경 간 명암 대비를 약화시키고 CutMix의 사각 영역 치환은 균열의 선형 연결성을 패치 경계에서 단절시켜, 두 기법 모두 경계 자체가 검출의 핵심인 균열 객체에 대해서는 노이즈로 작용할 수 있다. Table 4의 시나리오 간 Dice 차이가 0.004 이내인 본 실험 결과는, 이러한 부정적 영향과 데이터 다양성 확장의 정규화 효과가 상쇄되어 나타난 것으로 사료된다.

4.5 학습 효율성 및 추론 성능 비교

Table 7에는 각 시나리오의 학습 효율성 및 추론 성능을 비교하여 나타내었다. Epoch 당 학습 시간은 resizing 방식이 327초 인 반면에 chipping 방식은 4,900초로 약 15배의 차이를 보였다. 이는 chipping 방식의 훈련 패치 수가 resizing 방식에 비해 약 15배 많은 것에 영향을 받았다. 총 학습 시간의 경우, 조기 종료 시점에 따라 차이를 보였다. Resizing 방식의 S1은 100 epoch를 완주 하여 9.1 시간이 소요되었지만, chipping 방식의 S4는 78 epoch에서 조기 종료되었음에도 약 106.2 시간이 소요되어 약 11.7배의 차이를 나타냈다. CutMix와 MixUp을 적용한 S5, S6는 정규화 효과에 의해 43 epoch에서 학습이 조기 종료되어 학습 시간이 약 58.5시간으로 감소하였으나, resizing 방식 대비 약 6.4배의 학습 비용이 사용되었다. 추론 시간의 경우, 패치 단위 추론 시간은 두 전처리 방식 모두 2.4 ms/patch로 동일하였다. 이는 두 방식 모두 동일한 입력 크기와 동일한 모델 아키텍쳐를 사용하기 때문이다. 그러나 실제 구조물 점검 환경에서 원본 영상 1장에 대한 분할 결과를 산출하는데 소요되는 시간은 두 방식 간에 큰 차이가 존재한다. Resizing 방식은 원본 영상 1장을 1회 추론으로 처리하므로 약 2.4ms/image이 소요되는 반면, chipping 방식은 원본 영상 1장당 평균 약 45개 패치가 생성되므로 약 107 ms/image이 소요되어 약 45배의 차이를 보인다.

한편, resizing 입력 해상도를 1024로 확장한 S8의 총 학습 시간은 146.1시간으로 chipping 방식 S4의 106.2 시간을 약 1.4배 초과하였다. 이는 단순한 해상도 향상만으로는 chipping 대비 학습 비용 효율을 확보하지 못함을 의미하며, 입력 해상도 선택은 미세균열 검출 정밀도와 학습 및 추론 비용을 동시에 고려하여 결정해야 할 것으로 판단된다.

이러한 결과를 종합하면, chipping 방식은 resizing 방식 대비 분할 성능에서 명확한 우위를 보이나, epoch 당 학습 비용 약 15배, 원본 영상 단위 추론 시간 약 45배의 연산 비용 증가를 수반한다. 따라서 미세 균열의 정밀한 검출이 요구되는 정밀 안전진단에서는 chipping 방식이 적합하며, 대규모 스크리닝이나 실시간 모니터링과 같이 처리 속도가 우선시 되는 경우에는 resizing 방식이 연산 효율 측면에서 유리할 수 있다.