선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
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.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.