초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

국내 모든 장대교량에는 유해진동을 실시간으로 관리하기 위한 모니터링 시스템이 구축되어 있다. 이러한 유선센서 기반의 시스템은 센서가 미 부착된 구조 부재의 진동 여부를 모니터링 할 수 없다는 한계를 지닌다. 부착형 센서의 한계를 극복하고 센서 개수와 무관하게 보다 많은 구조부재의 진동을 실시간으로 점검하기 위해 컴퓨터 비전 기반의 변위계측이 성공적으로 구현되어 왔다. 그러나 이러한 기법 역시 추가적인 고가의 영상장비를 구축해야 하며, 기 구축된 CCTV 영상과 같이 낮은 품질의 영상에서는 기법의 정밀도가 떨어진다는 한계를 보인다. 이러한 비마커 구조물에 대한 저화질 이미지에 컴퓨터 비전 기반의 객체 추적 기법을 적용할 경우 특징이 소실되거나 특징을 찾지 못하는 문제 등으로 인하여 정확하게 진동 여부를 파악할 수 없다.
본 연구는 이러한 저화질 CCTV 영상에서 케이블의 진동을 식별하기 위한 방법론을 제안한다. CCTV 영상에서 케이블의 위치를 자동으로 식별하기 위해 의미론적 ...

국내 모든 장대교량에는 유해진동을 실시간으로 관리하기 위한 모니터링 시스템이 구축되어 있다. 이러한 유선센서 기반의 시스템은 센서가 미 부착된 구조 부재의 진동 여부를 모니터링 할 수 없다는 한계를 지닌다. 부착형 센서의 한계를 극복하고 센서 개수와 무관하게 보다 많은 구조부재의 진동을 실시간으로 점검하기 위해 컴퓨터 비전 기반의 변위계측이 성공적으로 구현되어 왔다. 그러나 이러한 기법 역시 추가적인 고가의 영상장비를 구축해야 하며, 기 구축된 CCTV 영상과 같이 낮은 품질의 영상에서는 기법의 정밀도가 떨어진다는 한계를 보인다. 이러한 비마커 구조물에 대한 저화질 이미지에 컴퓨터 비전 기반의 객체 추적 기법을 적용할 경우 특징이 소실되거나 특징을 찾지 못하는 문제 등으로 인하여 정확하게 진동 여부를 파악할 수 없다.
본 연구는 이러한 저화질 CCTV 영상에서 케이블의 진동을 식별하기 위한 방법론을 제안한다. CCTV 영상에서 케이블의 위치를 자동으로 식별하기 위해 의미론적 객체 분할 모델인 DeepLabV3+를 활용하여 영상 내 케이블의 위치를 식별한다. DeepLabV3+ 학습을 위한 라벨링 작업을 최소화하기 위해 이미지를 합성하여 합성 레이블 이미지를 사용한다. 추가적으로 CycleGAN을 이용하여 야간이나 흐린 날씨에 촬영된 CCTV 이미지의 밝기 및 선명도를 개선하는 디헤이징 작업을 수행한다. 이후 이진화 된 이미지에서 케이블의 진동 발생 여부를 확인하기 위해 케이블 픽셀의 중심선을 계산하여 케이블 중심 위치를 케이블의 지름으로 나누는 정규화를 진행하여 진동의 크기를 정량화 한다. 실내 진동대 실험과 실제 현장에서 확보한 CCTV 영상을 이용하여 제안한 영상 기반 케이블 진동 식별 방법론의 적용성을 검증한다.

Abstract ▼ AI-Helper

A real-time monitoring system aimed at mitigating harmful vibrations has been implemented in major bridges nationwide within the field of civil engineering. However, these systems, which rely on wired sensors, have limitations when it comes to monitoring vibrations in structural elements where senso...

A real-time monitoring system aimed at mitigating harmful vibrations has been implemented in major bridges nationwide within the field of civil engineering. However, these systems, which rely on wired sensors, have limitations when it comes to monitoring vibrations in structural elements where sensors cannot be directly attached. To address these limitations and enable real-time monitoring of vibrations in a larger number of structural elements, a computer vision-based displacement measurement technique has been successfully employed. Nonetheless, this technique requires the additional and costly setup of imaging equipment, and its precision is compromised when applied to low-quality images, such as those obtained from existing closed-circuit television (CCTV) footage. Furthermore, the utilization of computer vision-based object tracking techniques with low-resolution images of non-marker structures presents challenges, including the loss or failure to identify distinct features, thereby hindering accurate assessment of vibration status.
In this study, we propose a methodology to identify cable vibrations in low-definition CCTV images. To automatically identify the location of cables in CCTV images, we employ DeepLabV3+, a semantic object segmentation model, which effectively delineates the cable locations within the images. To minimize the labeling tasks required for DeepLabV3+ training, we synthesize images and use synthetic label images. Additionally, we employ CycleGAN to perform dehazing tasks, which enhances the brightness and clarity of CCTV images taken during nighttime or under cloudy weather conditions. Subsequently, to determine if the cable is vibrating in the binarized image, we calculate the center line of the cable pixels and quantify the size of the vibration by dividing the center line by the cable's diameter. The proposed Deep Learning-based cable vibration identification methodology's applicability is validated through indoor vibration table experiments and by analyzing CCTV images acquired at actual sites.

Keyword