검사용 드론 도장면 검사 자동화를 위한 딥러닝 기반 객체 인식 및 공중조작 기술 개발 Development of deep learning-based object recognition and aerial manipulation technology to automating inspection of drone paint surfaces for inspection원문보기
상업용 드론 시장은 2025년까지 428억 달러 규모로 연평균 13.8%의 성장률을 기록할 것으로 예상된다. 그중에서도 검사 및 유지보수 분야의 드론이 가장 큰 시장 규모를 형성할 것으로 전망한다. 산업용 드론은 다양한 분야에서 활용되고 있으며, 사람의 일을 대신하기도 하여 중요성이 증가하고 있다. 기술의 발달로 복잡한 구조의 시설물과 도시 인구 과밀화로 인한 고층 건물이 많이 생겨나고 있다. 많은 사람이 이용하는 고층 건물과 주요 시설물은 안전을 위해 검사와 진단이 필요하다. 검사 및 진단을 사람이 수행하기에는 위험이 따르고 있어 드론을 활용한 방법이 개발되고 있다. 하지만, 자동화가 되어 있지 않아 인력과 비용 낭비가 있으며, 검사 오류가 발생할 가능성이 있다. 이런 문제점을 해결하기 위해서 본 논문에서는 검사용 드론의 검사 자동화를 위한 딥러닝 기반 ...
상업용 드론 시장은 2025년까지 428억 달러 규모로 연평균 13.8%의 성장률을 기록할 것으로 예상된다. 그중에서도 검사 및 유지보수 분야의 드론이 가장 큰 시장 규모를 형성할 것으로 전망한다. 산업용 드론은 다양한 분야에서 활용되고 있으며, 사람의 일을 대신하기도 하여 중요성이 증가하고 있다. 기술의 발달로 복잡한 구조의 시설물과 도시 인구 과밀화로 인한 고층 건물이 많이 생겨나고 있다. 많은 사람이 이용하는 고층 건물과 주요 시설물은 안전을 위해 검사와 진단이 필요하다. 검사 및 진단을 사람이 수행하기에는 위험이 따르고 있어 드론을 활용한 방법이 개발되고 있다. 하지만, 자동화가 되어 있지 않아 인력과 비용 낭비가 있으며, 검사 오류가 발생할 가능성이 있다. 이런 문제점을 해결하기 위해서 본 논문에서는 검사용 드론의 검사 자동화를 위한 딥러닝 기반 객체 인식 기술과 공중 조작기술 개발을 진행하였다. 구현하기에 앞서 드론 기술, 드론 임무 장치 기술, 딥러닝 기술에 대해 살펴보고 기술의 적정성을 확인하였다. 공중조작 기술 구현을 위해 3축 매니퓰레이터 기반의 도장면 두께 측정장치를 개발하였으며, 딥러닝 기반 불량 도장면 객체 인식 기술 구현을 위해 학습데이터를 구축하고 YOLO 기반의 딥러닝 모델을 학습하였다. 도장면 두께 측정을 위해 KCS 14 31 40에 명시된 자료에 따라 Spot Measurement를 수행하였다. 측정 결과 사람이 직접 측정한 결과와 드론으로부터 자동으로 수집된 결과에 차이는 발견되지 않았다. 생성된 YOLO 기반의 딥러닝 객체 인식 모델은 학습데이터 개수 부족 문제로 성능이 떨어지지만, 불량 도장면을 분류하였다. 검사용 드론을 운용하면서 충분한 양의 학습데이터를 확보한다면, 높은 성능의 딥러닝 모델을 확보할 수 있을 것으로 판단된다. 본 논문에서는 딥러닝 기반 객체 인식 기술과 공중 조작기술을 활용한 검사 자동화 기술을 개발하고 검증하였으며, 검사용 드론에서 활용 가능하다는 것을 확인하였다. 이 기술을 활용하면 검사용 드론의 검사 임무 수행의 편의성과 정확도가 증가할 것으로 기대된다.
상업용 드론 시장은 2025년까지 428억 달러 규모로 연평균 13.8%의 성장률을 기록할 것으로 예상된다. 그중에서도 검사 및 유지보수 분야의 드론이 가장 큰 시장 규모를 형성할 것으로 전망한다. 산업용 드론은 다양한 분야에서 활용되고 있으며, 사람의 일을 대신하기도 하여 중요성이 증가하고 있다. 기술의 발달로 복잡한 구조의 시설물과 도시 인구 과밀화로 인한 고층 건물이 많이 생겨나고 있다. 많은 사람이 이용하는 고층 건물과 주요 시설물은 안전을 위해 검사와 진단이 필요하다. 검사 및 진단을 사람이 수행하기에는 위험이 따르고 있어 드론을 활용한 방법이 개발되고 있다. 하지만, 자동화가 되어 있지 않아 인력과 비용 낭비가 있으며, 검사 오류가 발생할 가능성이 있다. 이런 문제점을 해결하기 위해서 본 논문에서는 검사용 드론의 검사 자동화를 위한 딥러닝 기반 객체 인식 기술과 공중 조작기술 개발을 진행하였다. 구현하기에 앞서 드론 기술, 드론 임무 장치 기술, 딥러닝 기술에 대해 살펴보고 기술의 적정성을 확인하였다. 공중조작 기술 구현을 위해 3축 매니퓰레이터 기반의 도장면 두께 측정장치를 개발하였으며, 딥러닝 기반 불량 도장면 객체 인식 기술 구현을 위해 학습데이터를 구축하고 YOLO 기반의 딥러닝 모델을 학습하였다. 도장면 두께 측정을 위해 KCS 14 31 40에 명시된 자료에 따라 Spot Measurement를 수행하였다. 측정 결과 사람이 직접 측정한 결과와 드론으로부터 자동으로 수집된 결과에 차이는 발견되지 않았다. 생성된 YOLO 기반의 딥러닝 객체 인식 모델은 학습데이터 개수 부족 문제로 성능이 떨어지지만, 불량 도장면을 분류하였다. 검사용 드론을 운용하면서 충분한 양의 학습데이터를 확보한다면, 높은 성능의 딥러닝 모델을 확보할 수 있을 것으로 판단된다. 본 논문에서는 딥러닝 기반 객체 인식 기술과 공중 조작기술을 활용한 검사 자동화 기술을 개발하고 검증하였으며, 검사용 드론에서 활용 가능하다는 것을 확인하였다. 이 기술을 활용하면 검사용 드론의 검사 임무 수행의 편의성과 정확도가 증가할 것으로 기대된다.
The commercial drone market is expected to reach 42.8 billion dollars by 2025, with an annual growth rate of 13.8%. Among them, inspection and maintenance industrial drones are expected to form the largest market. Industrial drones ard used in various fields, and their importance is increasing as th...
The commercial drone market is expected to reach 42.8 billion dollars by 2025, with an annual growth rate of 13.8%. Among them, inspection and maintenance industrial drones are expected to form the largest market. Industrial drones ard used in various fields, and their importance is increasing as they can instead human work. With the development of technology, many complex structure and high-rise buildings are emerging due to the overcrowding of urban populations. The structures, which is used by many people, needs to be inspected and diagnosed for safety. As there are risk things for humans to perform inspection and diagnoses, methods using drones are being developed. However, It’s not automated, there is a waste of manpower and money, and there is a possibility of inspection errors. To solve these problems, in this paper developed deep learning-based object recognition and aerial manipulation technology to automating inspection of drone paint surfaces for inspection. Before implementation, drone technology, drone payload technology, and deep learning technology were examined and the appropriateness was confirmed. To implement aerial manipulation technology, 3-axis manipulator based parint surface thickness measuring device was developed. And to implement deep leaning-based defective paint surface object recognition technology, learning data were constructed and YOLO-based deep learning models were generated. Spot measurement was conducted according to the data specified in KCS 14 31 40 to measure the thickness of the painting surface. As a result of the measurement, there was no difference between the data measured directly by humans and the data automatically collected from drone. The YOLO-based deep learning object recognition model has low-performance due to a problem learning data’s amount, but it succeeded classified defective paint surface. It is expected that high-performance deep learning model can be generated, if the learning data’s amount is sufficiently secured while operating inspection drone. In this paper, inspection technology using deep learning-based object recognition technology and aerial manipulation technology was developed and verified, and it was confirmed that it can be used in inspectiong drone. Using this technology, it is expected that convenience and accuracy of conducting inspection missions of inspection drones will increase.
The commercial drone market is expected to reach 42.8 billion dollars by 2025, with an annual growth rate of 13.8%. Among them, inspection and maintenance industrial drones are expected to form the largest market. Industrial drones ard used in various fields, and their importance is increasing as they can instead human work. With the development of technology, many complex structure and high-rise buildings are emerging due to the overcrowding of urban populations. The structures, which is used by many people, needs to be inspected and diagnosed for safety. As there are risk things for humans to perform inspection and diagnoses, methods using drones are being developed. However, It’s not automated, there is a waste of manpower and money, and there is a possibility of inspection errors. To solve these problems, in this paper developed deep learning-based object recognition and aerial manipulation technology to automating inspection of drone paint surfaces for inspection. Before implementation, drone technology, drone payload technology, and deep learning technology were examined and the appropriateness was confirmed. To implement aerial manipulation technology, 3-axis manipulator based parint surface thickness measuring device was developed. And to implement deep leaning-based defective paint surface object recognition technology, learning data were constructed and YOLO-based deep learning models were generated. Spot measurement was conducted according to the data specified in KCS 14 31 40 to measure the thickness of the painting surface. As a result of the measurement, there was no difference between the data measured directly by humans and the data automatically collected from drone. The YOLO-based deep learning object recognition model has low-performance due to a problem learning data’s amount, but it succeeded classified defective paint surface. It is expected that high-performance deep learning model can be generated, if the learning data’s amount is sufficiently secured while operating inspection drone. In this paper, inspection technology using deep learning-based object recognition technology and aerial manipulation technology was developed and verified, and it was confirmed that it can be used in inspectiong drone. Using this technology, it is expected that convenience and accuracy of conducting inspection missions of inspection drones will increase.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.