이 연구의 목적은 화상처리 기법과 신경회로망을 이용하여 다섯가지 균열 패턴 즉, 횡방향, 종방향, 대각선($-45^{\circ}$) 대각선($+45^{\circ}$) 그리고 비방향성 균열의 패턴을 인식할 수 있는 기법을 제안하는 것이다. 제안된 화상처리 알고리즘과 인공 신경회로망 모델은 MATLAB 언어를 이용하여 구현하였다. 인공 신경회로망의 입력층에 들어갈 패턴인자는 Total projection technique를 통해 구하였으며, 인공 신경회로망의 구조(은닉층의 수와 은닉노드의 수)와 가중치 값은 가상 균열 화상을 사용하여 학습을 통해 결정하였다. 인공 신경회로망의 학습은 Bayesianregularization 기법을 도입함으로써 과적합 문제가 발생하지 않도록 하였으며, 이 연구에서 제안한 기법의 적합성을 판정하기 위하여 총 38개의 실제 균열 화상을 사용하여 시험하였다. 검증 시험 결과내에서는 이 연구에서 제안한 기법이 사람의 균열 패턴 인식결과와 정확히 일치하는 결과것으로 나타났다.
이 연구의 목적은 화상처리 기법과 신경회로망을 이용하여 다섯가지 균열 패턴 즉, 횡방향, 종방향, 대각선($-45^{\circ}$) 대각선($+45^{\circ}$) 그리고 비방향성 균열의 패턴을 인식할 수 있는 기법을 제안하는 것이다. 제안된 화상처리 알고리즘과 인공 신경회로망 모델은 MATLAB 언어를 이용하여 구현하였다. 인공 신경회로망의 입력층에 들어갈 패턴인자는 Total projection technique를 통해 구하였으며, 인공 신경회로망의 구조(은닉층의 수와 은닉노드의 수)와 가중치 값은 가상 균열 화상을 사용하여 학습을 통해 결정하였다. 인공 신경회로망의 학습은 Bayesian regularization 기법을 도입함으로써 과적합 문제가 발생하지 않도록 하였으며, 이 연구에서 제안한 기법의 적합성을 판정하기 위하여 총 38개의 실제 균열 화상을 사용하여 시험하였다. 검증 시험 결과내에서는 이 연구에서 제안한 기법이 사람의 균열 패턴 인식결과와 정확히 일치하는 결과것으로 나타났다.
This study proposes a technique for the recognition of crack patterns, which includes horizontal, vertical, diagonal($-45^{\circ}$), diagonal($+45^{\circ}$), and random cracks, based on image processing technique and artificial neural network. A MATLAB code was developed for th...
This study proposes a technique for the recognition of crack patterns, which includes horizontal, vertical, diagonal($-45^{\circ}$), diagonal($+45^{\circ}$), and random cracks, based on image processing technique and artificial neural network. A MATLAB code was developed for the proposed image processing algorithm and artificial neural network. Features were determined using total projection technique, and the structure(no. of layers and hidden neurons) and weight of artificial neural network were determined by learning from artificial crack images. In this process, we adopted Bayesian regularization technique as a generalization method to eliminate overfitting Problem. Numerical tests were performed on thirty-eight crack images to examine validity of the algorithm. Within the limited tests in the present study, the proposed algorithm was revealed as accurately recognizing the crack patterns when compared to those classified by a human expert.
This study proposes a technique for the recognition of crack patterns, which includes horizontal, vertical, diagonal($-45^{\circ}$), diagonal($+45^{\circ}$), and random cracks, based on image processing technique and artificial neural network. A MATLAB code was developed for the proposed image processing algorithm and artificial neural network. Features were determined using total projection technique, and the structure(no. of layers and hidden neurons) and weight of artificial neural network were determined by learning from artificial crack images. In this process, we adopted Bayesian regularization technique as a generalization method to eliminate overfitting Problem. Numerical tests were performed on thirty-eight crack images to examine validity of the algorithm. Within the limited tests in the present study, the proposed algorithm was revealed as accurately recognizing the crack patterns when compared to those classified by a human expert.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그러나 일반 콘크리트 구조물에 발생한 균열에 대한 패턴인식 기법에 관한 연구는 미흡한 실정이다. 따라서 이 연구는 5가지 균열 패턴 즉, 종방향, 횡방향, 대각선(-45°), 대각선(+45°), 비방향성 에 대해 디지털 카메라나 비디오 카메라로 촬영한 균열을 컴퓨터가 자동으로 패턴을 인식할 수 있는 기법을 개발하 는데 연구목적을 두고 있다.
제안 방법
6은 전형적인 5가지의 균열 패턴과 패턴인자들의 관계를 나타낸다. Total Projection Technique0!] 의한 회 전각도에 따른 투영된 길이 값들은 회전시키는 각도의 크 기에 따라서 그 개수가 정해지는데 본 연구에서는 1° 간 격으로 회전시켜 얻은 180개의 값들 중에서 3개씩 평균하여 구한 값을 최종적으로 신경회로망의 입력층에 넣을 패 턴인자로 정하였다. 따라서 이 연구에서 사용한 신경회로 망의 입력층의 노드 개수는 60개이다.
5와 같이 원과 같은 완전 등방성인 경우 지름 의 2배가 된다. 그러나 이를 정확히 구현하기 어려울 뿐더 러 계산시간도 오래 걸리게 되는 단점이 있기 때문에 이 연구에서는 일반적인 투영 개념을 사용하였다. 즉, 완전 등방성인 원의 경우에도 투영된 길이는 지름이 되도록 하였다.
일반적으로 균열이 포함된 화상에서 균열을 검출할 때는 촬영할 때 빛의 영향, 균열 이외의 많은 노이즈로 인하여 많은 어려움이 있다. 따라서 이 연구에서는 Fig. 4와 같은 과정을 통해 해결하고자 하였다° 빛의 영향은 모폴 로지(morphology) 기법을 통하여 보정하였으며% 그 연산 방법은 원 화상과 closing 연산을 수행한 화상을 빼는 것이다. 이때 사용한 구조적 요소(structuring elements) 의 크기는 반지름이 15화소인 원이다.
이때 사용한 구조적 요소(structuring elements) 의 크기는 반지름이 15화소인 원이다. 배경과 노이즈들로부터 균열을 검출한 방법은 이진화 기법과 형상 분석기법을 기 본으로 하였으며, 검출 성능을 향상시키기 위해 Fig. 4와 같은 알고리즘을 구성하였다 이진화는 Otsu®가 제안한 방법을 사용하였으며, 전역적 이진화에서 추출되지 못한 균열을 추출하기 위해 3×3 커널을 이용하여 작은 홀을 제 거하는 픽셀단위 처리(노이즈 감소)와 전역적 이진화에서 추출된 균열 주위의 11시1 영역 내에서 이진화를 하는 지 역적 이진화를 추가하였다.
학습데이터는 횡방 향, 종방향, 대각선(-45°), 대각선(+45°) 균열에 대해서는 각각 100개, 방향성이 없는 균열에 대해서는 80개의 가상 균열 화상을 사용하였으며, 은닉노드의 개수는 1개부터 시 작하여 학습성공률의 변화가 없을 때까지 증가시켜갔다. 은닉노드의 개수가 3개일 때부터 학습성공률이 100%가 되었는데 학습데이터로 실제 균열 사진이 아닌 가상 균열 화상을 사용한 점을 감안하여 은닉노드의 수를 1개 증가 하여 최종적으로 Fig. 7과 같이 입력층 60, 은닉층 4, 출력 층 5개의 구조인 MLP (Multi-Layer PerceptronX 구성하였으며, 은닉층과 출력층의 활성함수는 일반적으로 많이 사용하는 다음 식과 같은 hyperbolic tangent sigmoid를 사용하였다
이 연구에서 제안한 알고리즘은 MATLAB을 이용하여 구현하였으며, 성능 검증을 위해 총 38개의 균열 화상(횡 방향 균열: 4개, 종방향 균열: 19개, 대각선(-45°) 균열: 7 개, 대각선(+45°) 균열: 5개, 비방향성 균열: 3개)을 사용하였다. Fig.
이 연구에서는 디지털 카메라를 통해 얻은 균열 화상에서 화상처리 기법과 신경회로망을 이용하여 5가지 균열패턴(횡방향, 종방향, 대각선(-45°), 대각선(+45°), 비방향 성)을 컴퓨터가 자동으로 인식할 수 있는 기법을 제안하였다. 그리고 제안된 알고리즘의 성능을 총 38개의 실제 균열 화상을 통해 확인하였으며, 결론은 다음과 같다.
신경회로망의 복잡도는 일반적으로 은닉층의 수(L), 은 닉노드의 수(n)에 의하여 결정되는데, 신경회로망이 지역 적 특성을 나타낼 수 있는 능력은 은닉층의 수에 의하여 결정되고, 분류할 수 있는 영역의 정확도는 은닉노드의 수 에 의하여 결정된다. 이 연구에서는 입력층이 60개의 노드 이고 출력층이 5개인 기본 구조를 바탕으로 학습데이터를 사용하여 은닉노드 개수를 결정하였다. 학습데이터는 횡방 향, 종방향, 대각선(-45°), 대각선(+45°) 균열에 대해서는 각각 100개, 방향성이 없는 균열에 대해서는 80개의 가상 균열 화상을 사용하였으며, 은닉노드의 개수는 1개부터 시 작하여 학습성공률의 변화가 없을 때까지 증가시켜갔다.
즉, 완전 등방성인 원의 경우에도 투영된 길이는 지름이 되도록 하였다. 패턴인자는 Total Projection Techr血que에 의해 각 회전각도에 따른 투영된 길이 값이 되며, 화상의 크기나 균열의 크기에 관계없이 패턴을 분류하기 위해서 모든 값 들을 투영된 길이 중에서 제일 큰 값으로 나누어 0부터 1 까지의 값을 갖도록 정규화하였다.
8은 각 균열 패턴에 해당하는 대표적인 입력값들을 그래프로 나타낸 것이며, Table 1은 목표 출력값 이다. 학습방법은 신경회로망 모델을 적용할 때 훈련에 사용된 자료에 대한 오차는 매우 작은 값이 나타나지만 새로운 자료에 대해서는 오차가 커질 수 있는 과적합 (overfitting) 문제를 피하기 위하여 일반화 기법을 사용하였다. 일반화 기 법에는 Bayesian regularization9'1® 방법과 early stopping 방법이 있는데, 이 연구에서는 일반적으로 더 좋은 결과를 나타내는 것으로 알려진 Bayesian re卽ilai谕tion을 사용하였다.
대상 데이터
2차 추출과정이 끝난 화상은 균열이외에도 균열로 잘못 추출 된 물체들이 존재하게 되는데 이는 균열의 형상 특성을 이용한 형상분석을 통하여 해결하였다. 형상 분석에 사용된 형상 계수는 packing density"이다.
Total Projection Technique0!] 의한 회 전각도에 따른 투영된 길이 값들은 회전시키는 각도의 크 기에 따라서 그 개수가 정해지는데 본 연구에서는 1° 간 격으로 회전시켜 얻은 180개의 값들 중에서 3개씩 평균하여 구한 값을 최종적으로 신경회로망의 입력층에 넣을 패 턴인자로 정하였다. 따라서 이 연구에서 사용한 신경회로 망의 입력층의 노드 개수는 60개이다.
이 연구에서는 입력층이 60개의 노드 이고 출력층이 5개인 기본 구조를 바탕으로 학습데이터를 사용하여 은닉노드 개수를 결정하였다. 학습데이터는 횡방 향, 종방향, 대각선(-45°), 대각선(+45°) 균열에 대해서는 각각 100개, 방향성이 없는 균열에 대해서는 80개의 가상 균열 화상을 사용하였으며, 은닉노드의 개수는 1개부터 시 작하여 학습성공률의 변화가 없을 때까지 증가시켜갔다. 은닉노드의 개수가 3개일 때부터 학습성공률이 100%가 되었는데 학습데이터로 실제 균열 사진이 아닌 가상 균열 화상을 사용한 점을 감안하여 은닉노드의 수를 1개 증가 하여 최종적으로 Fig.
이론/모형
이 연구에서는 균열의 패턴을 분류하기 위하여 마이크 로 균열의 분포특성을 정량화 하는데 사용되는 Total Projection Techn血que을 사용하였다® 이 기법에서 투영된 길이는 Fig. 5와 같이 원과 같은 완전 등방성인 경우 지름 의 2배가 된다. 그러나 이를 정확히 구현하기 어려울 뿐더 러 계산시간도 오래 걸리게 되는 단점이 있기 때문에 이 연구에서는 일반적인 투영 개념을 사용하였다.
학습방법은 신경회로망 모델을 적용할 때 훈련에 사용된 자료에 대한 오차는 매우 작은 값이 나타나지만 새로운 자료에 대해서는 오차가 커질 수 있는 과적합 (overfitting) 문제를 피하기 위하여 일반화 기법을 사용하였다. 일반화 기 법에는 Bayesian regularization9'1® 방법과 early stopping 방법이 있는데, 이 연구에서는 일반적으로 더 좋은 결과를 나타내는 것으로 알려진 Bayesian re卽ilai谕tion을 사용하였다. 최종적인 인식은 Table 2와 같이 신경회로망의 연산에 의해 출력된 결과층의 노드 값 중에서 제일 큰 수의 노드를 선택 하여 패턴을 인식하도록 하였다.
성능/효과
1) 검증실험 결과 미세 균열이 화상 전체에 걸쳐 퍼져 있는 경우 균열 검출에 부분적으로 부정확한 결과가 나타난 반면, 균열의 패턴인식은 사람의 판단과 정확히 일치하는 것으로 나타났다. 따라서 이 연구에서 제안한 균열 패턴인식 기법을 적용할 경우, 균열 패턴을 판별 하는데 보다 객관성을 얻을 수 있을 것으로 판단된다.
후속연구
2) 이 연구에서 정한 5가지 균열 패턴 이외에 보다 다양한 형태의 패턴이나 균열 원인에 따른 패턴을 추가한다면 보다 일반성을 높일 수 있을 것으로 판단된다. 이 경우보다 복잡한 균열 패턴을 인식하기 위해서는 패턴인자 를 추출하는 기법 뿐만 아니라 인공 신경회로망의 구조 가 균열 패턴의 복잡성에 따라 결정되어야 할 것이다.
1) 검증실험 결과 미세 균열이 화상 전체에 걸쳐 퍼져 있는 경우 균열 검출에 부분적으로 부정확한 결과가 나타난 반면, 균열의 패턴인식은 사람의 판단과 정확히 일치하는 것으로 나타났다. 따라서 이 연구에서 제안한 균열 패턴인식 기법을 적용할 경우, 균열 패턴을 판별 하는데 보다 객관성을 얻을 수 있을 것으로 판단된다.
참고문헌 (10)
시설안전기술공단, '콘크리트 구조물의 균열평가기법 및 보수.보강 전문시방서의 개발', 1999
Kim, Y.S, Haas and C.T., 'An Algorithm for Automatic Crack Detection, Mapping and Representation', KSCE Journal of Civil Engineering, Vol.4, No.2, 2000, pp. 103-111
Richard O.D., Peter, E.H., and David. G.S., 'Pattern Classification', 2nd ed., John Wiley & Sons, Inc., 2001
Gonzalez, R.C. and Woods, R.E., 'Digital Image Processing', 2nd ed., John Wiley & Sons, Inc., Longman, 1992
Otsu, N.A. 'Threshold Selection Method from Gray Level Histogram', IEEE Transactions on Systems, Man, and Cybernetics, Vol.SMC-9, No.1, 1979, pp.62-66
Ammouche, A., Breysse, D., Romain, H., Didry, O., and Marchand J., 'A New Image Analysis Technique for The Quantitative Assessment of Microcracks in Cement-Based Materials', Cement and Concrete Research, Vol.30, No.1, 2000, pp.25-35
Foresee, F.D. and Hagan, M.T., 'Gauss-Newton approximation to Bayesian Regularization', Proedings of the 1997 International Joint Conference on Neural Networks, 1997, pp.1930-1935
※ AI-Helper는 부적절한 답변을 할 수 있습니다.