터널 누수 검출에서 전통적인 방법의 낮은 효율성과 기존 딥러닝 모델들이 텍스처 특성을 충분히 활용하지 못하는 문제를 해결하기 위해, 본 논문에서는 종방향 텍스처 컨볼루션과 학습 가능한 채널 주의 메커니즘을 기반으로 하는 누수 이미지 분할 방법을 제안한다. 먼저, 누수 영역의 종방향 확장 특성에 대응하여 3개의 다른 비대칭 컨볼루션 커널이 연속으로 구성된 종방향 텍스처 컨볼루션을 설계하여 다중 스케일 수용 영역을 통해 종방향 텍스처 특성 추출 능력을 강화하였다. 둘째, 채널 주의 메커니즘에 학습 가능한 매개변수 행렬을 도입하여 특징 채널 가중치를 동적으로 최적화하여 핵심 영역에 집중하도록 하였다. 마지막으로, SegNet의 인코더-디코더 구조를 기반으로 Sobel 연산자 전처리 및 풀링 인덱스 업샘플링 기술을 결합하여 경량 분할 네트워크를 구축하였다. 공개 데이터셋의 4,555개 누수 이미지로 실험을 수행하였으며, 결과는 U-Net, DeepLabv3+ 등의 모델과 비교하여 IoU 지표가 0.72%~2.82% 향상되어 80.64%에 도달했음을 보여준다; 정확도와 F1 값은 각각 94.68%와 89.30%로 향상되었다. 소거 실험은 LTC와 LCA 모듈의 효율성을 추가로 검증했으며, 두 모듈의 결합으로 IoU가 3.96% 향상되었다. 본 방법은 다중 스케일 종방향 텍스처 특성과 적응형 채널 가중 메커니즘의 융합을 통해 누수 영역 분할 정확도를 크게 향상시켜 인프라 안전 모니터링에 효율적인 솔루션을 제공한다.

터널 누수 검출; 종방향 텍스처 컨볼루션; 채널 주의; 다중 스케일 수용 영역