Analysis of Learning Strategies for YOLOv8-Seg-Based Tactile Paving Damage Detection

도시 보행 환경의 안전 확보와 유지관리 효율성 향상을 위해, 본 연구는 YOLOv8-Seg 기반으로 점자블록의 정상 구간과 파손 영역을 실시간으로 탐지·분할하기 위한 세그멘테이션 모델을 설계하고 학습 전략을 비교·분석하였다. 이를 위해 실제 보행로에서 수집한 21,384장의 이미지에 대해 Polygon Mask 기반 정밀 라벨링을 수행하고, 데이터 정제 수준과 학습전략을 달리한 Baseline, High-Recall, High-Recall Extended의 세 가지 학습 버전을 구성하여 성능을 비교하였다. 실험 결과, High-Recall 학습 버전은 파손 영역에서 높은 정밀도(0.592)를 기록하고 경계 표현의 일관성이 우수하여 세 학습 버전 중 가장 균형 잡힌 성능을 보였다. 또한 Jetson Orin Nano에서 성능을 검증한 결과, 저전력 엣지 디바이스 환경에서도 정상적으로 구동됨을 확인하여 현장 적용 가능성을 검토하였다. 제안한 YOLOv8-Seg 기반 점자블록 파손 인식 모델은 지자체의 점자블록 유지보수 체계에서 오탐을 줄이고 점검 효율을 향상시키는 기반 기술로 활용될 수 있을 것으로 기대된다.