최근 교량 구조물의 노후화로 시설물의 점검과 안전 및 유지 관리에 대한 관심이 증가하고 있으며 이에 따라 안전점검 시스템의 필요성이 대두되고 있다. 교량 구조물과 같은 콘크리트 구조물의 표면에 발생하는 균열은 구조물의 성능 및 내구성에 영향을 주는 요인으로 현재 외관 조사를 실행함으로써 구조물의 균열을 파악하고 있으며 외관 조사를 통해 작성된 외관조사망도는 손상 점검 및 보수공사에도 사용될 수 있다. 기존에는 교량 구조물의 외관 조사로 현장에서 점검자가 직접 육안을 통해 점검하기 때문에 많은 시간과 비용이 소모되고 또한, 위험지역에서의 조사는 접근하기 어려운 문제와 안전상의 문제가 발생할 수 있다. 이러한 이유로 교량 하부에 특수 장비를 설치하거나 드론을 활용해 탑재된 카메라로 구조물의 외관을 촬영 후 점검자가 촬영된 사진을 기반으로 직접 균열을 찾아 외관조사망도를 작성하는 과정으로 이루어진다. 그러나 수작업으로 진행되는 외관조사망도는 점검자의 개인 주관이 개입될 수 있어 외관 조사의 객관성 및 신뢰도가 떨어지고 실제 균열 위치와 실측 균열 위치 간의 오차가 발생할 수 있다. 이를 해결하기 위해 이미지 ...
최근 교량 구조물의 노후화로 시설물의 점검과 안전 및 유지 관리에 대한 관심이 증가하고 있으며 이에 따라 안전점검 시스템의 필요성이 대두되고 있다. 교량 구조물과 같은 콘크리트 구조물의 표면에 발생하는 균열은 구조물의 성능 및 내구성에 영향을 주는 요인으로 현재 외관 조사를 실행함으로써 구조물의 균열을 파악하고 있으며 외관 조사를 통해 작성된 외관조사망도는 손상 점검 및 보수공사에도 사용될 수 있다. 기존에는 교량 구조물의 외관 조사로 현장에서 점검자가 직접 육안을 통해 점검하기 때문에 많은 시간과 비용이 소모되고 또한, 위험지역에서의 조사는 접근하기 어려운 문제와 안전상의 문제가 발생할 수 있다. 이러한 이유로 교량 하부에 특수 장비를 설치하거나 드론을 활용해 탑재된 카메라로 구조물의 외관을 촬영 후 점검자가 촬영된 사진을 기반으로 직접 균열을 찾아 외관조사망도를 작성하는 과정으로 이루어진다. 그러나 수작업으로 진행되는 외관조사망도는 점검자의 개인 주관이 개입될 수 있어 외관 조사의 객관성 및 신뢰도가 떨어지고 실제 균열 위치와 실측 균열 위치 간의 오차가 발생할 수 있다. 이를 해결하기 위해 이미지 분석 기법(image processing method), 머신러닝 알고리즘(machine learningalgorithm)과 같이 균열 검출 기술을 사용하고자 했고 최근에는 머신러닝 알고리즘 중 딥러닝(deep learning) 기반의 CNN(Convolutional Neural Network) 모델을 활용한 콘크리트 표면의 균열 검출 연구가 이뤄지고 있다. 본 논문에서는 효과적이고 효율적으로 구조물의 점검 및 조사를 하기 위해 CNN 모델을 활용한 딥러닝 기반의 사진상 저해상도 콘크리트 균열 검출 알고리즘 및 길이 산정 기술을 제안하였다. 딥러닝 기술은 최근 머신러닝 분야에서 가장 두각을 나타내고 있는 분야이다. CNN 모델을 활용한 사진 기반의 객체 검출 알고리즘은 객체 분류 및 검출 기능에서 정확도과 속도가 높은 것을 인정받고 있으며 볼트 풀림 각도 검출, 프레임 구조의 손상 탐지, 토목구조물의 진단 및 모니터링, 콘크리트 표면의 균열 검출 등과 같이 사진 데이터를 사용해 개체를 탐지하는 기술 등에 활용된 바 있다. 이에 따라 사진상 저해상도 콘크리트 균열 검출 기술로 CNN 모델을 선정하였다. 하지만 기존 연구의 콘크리트 표면의 균열 탐지는 매우 뚜렷한 균열을 사용해 탐지하는 알고리즘으로 특수 장비나 드론을 사용하게 되면 근접촬영이 어려운 특성상 콘크리트 구조물의 표면과 렌즈와의 촬영 거리가 멀어 콘크리트 균열 부분이 저해상도일 확률이 높아 기존 연구에서의 균열 검출 알고리즘으로는 한계를 가진다. 따라서 이번 연구를 통해 사진상 저해상도 콘크리트 균열 검출이 가능해진다면 특수 장비나 드론을 사용한 원거리 촬영 영상에서의 균열 검출 외에도 초기 균열과 같이 미세한 균열 또한, 검출할 수 있다면 초기 균열 탐지에도 효과적으로 사용할 수 있을 것이다. 또한, 기존 연구에서 콘크리트 표면의 균열 검출은 가능하지만, 균열의 길이와 같은 정보를 포함하지 않고 있어 이번 연구는 균열의 탐지와 균열의 선형화, 길이 산정과 같은 시각화를 목표로 하고 있다. 더 나아가 추후 균열 검출 시스템의 자동화 연구에 제안될 것으로 기대된다. 저해상도 콘크리트 균열 검출 및 길이 산정을 확인하기 위해 광산교 교량의 하부 사진 데이터를 제안된 방법을 통해 분류하고 신경망 모델을 학습해 정밀도(precision)와 재현율(recall)에 따라 하이퍼 파라미터의 최적값을 결정한다. 이후 원본 사진에 균열로 검출된 부분을 선형화 및 길이 산정과 같은 시각화를 통해 얻은 균열 검출 결과와 외관조사망도를 통해 얻은 실제 균열 위치를 표시한 균열 실측 사진(ground truth)과 비교해 정확도를 확인한다.
최근 교량 구조물의 노후화로 시설물의 점검과 안전 및 유지 관리에 대한 관심이 증가하고 있으며 이에 따라 안전점검 시스템의 필요성이 대두되고 있다. 교량 구조물과 같은 콘크리트 구조물의 표면에 발생하는 균열은 구조물의 성능 및 내구성에 영향을 주는 요인으로 현재 외관 조사를 실행함으로써 구조물의 균열을 파악하고 있으며 외관 조사를 통해 작성된 외관조사망도는 손상 점검 및 보수공사에도 사용될 수 있다. 기존에는 교량 구조물의 외관 조사로 현장에서 점검자가 직접 육안을 통해 점검하기 때문에 많은 시간과 비용이 소모되고 또한, 위험지역에서의 조사는 접근하기 어려운 문제와 안전상의 문제가 발생할 수 있다. 이러한 이유로 교량 하부에 특수 장비를 설치하거나 드론을 활용해 탑재된 카메라로 구조물의 외관을 촬영 후 점검자가 촬영된 사진을 기반으로 직접 균열을 찾아 외관조사망도를 작성하는 과정으로 이루어진다. 그러나 수작업으로 진행되는 외관조사망도는 점검자의 개인 주관이 개입될 수 있어 외관 조사의 객관성 및 신뢰도가 떨어지고 실제 균열 위치와 실측 균열 위치 간의 오차가 발생할 수 있다. 이를 해결하기 위해 이미지 분석 기법(image processing method), 머신러닝 알고리즘(machine learning algorithm)과 같이 균열 검출 기술을 사용하고자 했고 최근에는 머신러닝 알고리즘 중 딥러닝(deep learning) 기반의 CNN(Convolutional Neural Network) 모델을 활용한 콘크리트 표면의 균열 검출 연구가 이뤄지고 있다. 본 논문에서는 효과적이고 효율적으로 구조물의 점검 및 조사를 하기 위해 CNN 모델을 활용한 딥러닝 기반의 사진상 저해상도 콘크리트 균열 검출 알고리즘 및 길이 산정 기술을 제안하였다. 딥러닝 기술은 최근 머신러닝 분야에서 가장 두각을 나타내고 있는 분야이다. CNN 모델을 활용한 사진 기반의 객체 검출 알고리즘은 객체 분류 및 검출 기능에서 정확도과 속도가 높은 것을 인정받고 있으며 볼트 풀림 각도 검출, 프레임 구조의 손상 탐지, 토목구조물의 진단 및 모니터링, 콘크리트 표면의 균열 검출 등과 같이 사진 데이터를 사용해 개체를 탐지하는 기술 등에 활용된 바 있다. 이에 따라 사진상 저해상도 콘크리트 균열 검출 기술로 CNN 모델을 선정하였다. 하지만 기존 연구의 콘크리트 표면의 균열 탐지는 매우 뚜렷한 균열을 사용해 탐지하는 알고리즘으로 특수 장비나 드론을 사용하게 되면 근접촬영이 어려운 특성상 콘크리트 구조물의 표면과 렌즈와의 촬영 거리가 멀어 콘크리트 균열 부분이 저해상도일 확률이 높아 기존 연구에서의 균열 검출 알고리즘으로는 한계를 가진다. 따라서 이번 연구를 통해 사진상 저해상도 콘크리트 균열 검출이 가능해진다면 특수 장비나 드론을 사용한 원거리 촬영 영상에서의 균열 검출 외에도 초기 균열과 같이 미세한 균열 또한, 검출할 수 있다면 초기 균열 탐지에도 효과적으로 사용할 수 있을 것이다. 또한, 기존 연구에서 콘크리트 표면의 균열 검출은 가능하지만, 균열의 길이와 같은 정보를 포함하지 않고 있어 이번 연구는 균열의 탐지와 균열의 선형화, 길이 산정과 같은 시각화를 목표로 하고 있다. 더 나아가 추후 균열 검출 시스템의 자동화 연구에 제안될 것으로 기대된다. 저해상도 콘크리트 균열 검출 및 길이 산정을 확인하기 위해 광산교 교량의 하부 사진 데이터를 제안된 방법을 통해 분류하고 신경망 모델을 학습해 정밀도(precision)와 재현율(recall)에 따라 하이퍼 파라미터의 최적값을 결정한다. 이후 원본 사진에 균열로 검출된 부분을 선형화 및 길이 산정과 같은 시각화를 통해 얻은 균열 검출 결과와 외관조사망도를 통해 얻은 실제 균열 위치를 표시한 균열 실측 사진(ground truth)과 비교해 정확도를 확인한다.
Recently, due to the aging of bridge structures, interest in the inspection, safety, facilities maintenance has been increasing and the need for safety inspection systems has emerged. Cracks on the surface of concrete structures, such as bridges, are currently studied by conducting cosmetic investig...
Recently, due to the aging of bridge structures, interest in the inspection, safety, facilities maintenance has been increasing and the need for safety inspection systems has emerged. Cracks on the surface of concrete structures, such as bridges, are currently studied by conducting cosmetic investigations and appearance examination through visual inspection which the result can later be used for damage inspection and repair work. In the past, visual inspection of bridge structures requires a lot of time and money since the process is on-site and investigations in dangerous areas can cause difficult-to-access and safety problems. The process includes installing special equipment at the bottom of the bridge or using drones to photograph the appearance of the structure for creating a visual inspection map by directly finding cracks based on images taken by the inspector. However, appearance examination may involve the personal subjectivity of the inspector, which may lead to a result with poor reliability of visual inspection and error between the actual location of the crack and the result location of the crack. To solve this problem, I propose using crack detection techniques such as image processing and machine learning algorithms to have the result of detecting cracks on concrete surfaces using deep learning-based CNN (Convolution Neural Network). In the study, I proposed an algorithm for detecting concrete cracks by low-definition images and length estimation using CNN to check and investigate bridge structures effectively and efficiently. Deep learning technology is currently the most prominent field in machine learning. Photo-based object detection algorithms using CNN models are recognized for their high accuracy and speed in object classification and detection functions and have been used to detect objects using photographic data, such as bolt loosening angle detection, damage detection of frame structures, diagnosis and monitoring of civil structures, and crack detection of concrete surfaces. Accordingly, the CNN model was selected as a low-definition concrete crack detection techniques in photography. However, crack detection on the concrete surface of previous research based on an algorithm that detects only very clear cracks, and using special equipment or drones is difficult to take close-up shots, so the use of conventional crack detection algorithms is limited as the cracks in the picture are likely to be low-definition. Therefore, if low-resolution concrete cracks can be detected in images, fine cracks such as early cracks can be detected in addition to cracks detected in long-range photographic images using special equipment or drones. On the other hand, crack detection on concrete surfaces is possible in existing studies, but it does not include information such as the length of cracks so this study aims at visualization the detection and linearization of cracks and length calculation. Furthermore, it is expected to be proposed in the future for the automation study of crack detection systems. To detect low-definition concrete cracks and estimate length, we classify the image data of mine bridges through the proposed method and train CNN models to determine the optimal values of hyper-parameters according to their precision and recall. The accuracy will be checked based on the crack detection results obtained through visualizations such as linearization and length calculation, and against the real ground images showing the actual location of the crack obtained through the examination appearance.
Recently, due to the aging of bridge structures, interest in the inspection, safety, facilities maintenance has been increasing and the need for safety inspection systems has emerged. Cracks on the surface of concrete structures, such as bridges, are currently studied by conducting cosmetic investigations and appearance examination through visual inspection which the result can later be used for damage inspection and repair work. In the past, visual inspection of bridge structures requires a lot of time and money since the process is on-site and investigations in dangerous areas can cause difficult-to-access and safety problems. The process includes installing special equipment at the bottom of the bridge or using drones to photograph the appearance of the structure for creating a visual inspection map by directly finding cracks based on images taken by the inspector. However, appearance examination may involve the personal subjectivity of the inspector, which may lead to a result with poor reliability of visual inspection and error between the actual location of the crack and the result location of the crack. To solve this problem, I propose using crack detection techniques such as image processing and machine learning algorithms to have the result of detecting cracks on concrete surfaces using deep learning-based CNN (Convolution Neural Network). In the study, I proposed an algorithm for detecting concrete cracks by low-definition images and length estimation using CNN to check and investigate bridge structures effectively and efficiently. Deep learning technology is currently the most prominent field in machine learning. Photo-based object detection algorithms using CNN models are recognized for their high accuracy and speed in object classification and detection functions and have been used to detect objects using photographic data, such as bolt loosening angle detection, damage detection of frame structures, diagnosis and monitoring of civil structures, and crack detection of concrete surfaces. Accordingly, the CNN model was selected as a low-definition concrete crack detection techniques in photography. However, crack detection on the concrete surface of previous research based on an algorithm that detects only very clear cracks, and using special equipment or drones is difficult to take close-up shots, so the use of conventional crack detection algorithms is limited as the cracks in the picture are likely to be low-definition. Therefore, if low-resolution concrete cracks can be detected in images, fine cracks such as early cracks can be detected in addition to cracks detected in long-range photographic images using special equipment or drones. On the other hand, crack detection on concrete surfaces is possible in existing studies, but it does not include information such as the length of cracks so this study aims at visualization the detection and linearization of cracks and length calculation. Furthermore, it is expected to be proposed in the future for the automation study of crack detection systems. To detect low-definition concrete cracks and estimate length, we classify the image data of mine bridges through the proposed method and train CNN models to determine the optimal values of hyper-parameters according to their precision and recall. The accuracy will be checked based on the crack detection results obtained through visualizations such as linearization and length calculation, and against the real ground images showing the actual location of the crack obtained through the examination appearance.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.