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
- 본 논문에서는 콘크리트 슬래브 표면 영상에서 콘크리트 균열을 자동으로 추출할 수 있는 방법을 제안하였다. 제안된 콘크리트 추출 방법은 콘크리트 슬래브 표면의 R, G, B 채널 값을 퍼지 기법과 SOM 알고리즘에 적용하여 영상에서 후보 균열을 추출하였다.
제안 방법
- 추출된 후보 균열 영상에서 기준선을 제거한 후에 발생하는 오잡음 부분들을 복원하였다. 그리고 밀도 정보를 이용하여 세부적인 잡음을 제거한 후에 최종적으로 균열을 검출하였다. 본 논문에서 제안한 균열 추출 방법은 균열의원 형태를 유지하며 균열의 형태학적 특징 정보를 이용하여 잡음을 제거하였다.
- 잡음이 제거된 영상에서 밀도 정보를 이용하여 세부적인 잡음을 제거한 후에 최종적으로 균열 영역을 검출한다. 다양한 콘크리트 균열 영상에서 기존의 방법보다 효과적으로 균열을 추출하고 특징을 분석할 수 있는 방법을 제안한다.
- 따라서 본 논문에서 제안된 방법은 콘크리트 슬래브 표면의 R, G, B 채널 값을 퍼지기법[6～7]에 적용하여 후보 균열 영역을 추출한 후에 SOM 기법[8]을 적용하여 추출된 후보 균열 영역 중에서 잡음 영역을 제거한다. 잡음이 제거된 영상에서 밀도 정보를 이용하여 세부적인 잡음을 제거한 후에 최종적으로 균열 영역을 검출한다.
- 그림 4와 같이 퍼지 기법을 적용한 영상에서 RGB 컬러 정보를 이용하여 후보 균열을 추출하는 경우에는 균열 영역과 잡음 영역의 RGB 컬러 정보가 유사하여 균열을 추출할 수 없는 경우가 발생한다. 따라서 퍼지 기법을 적용한 영상에 SOM 기법을 적용하여 보다 정확히 후보 균열 영역과 잡음 영역을 구분한다.
- 그리고 다양한 영상에 적용하였을 경우에는 균열이 검출되지 않았다. 본 논문에서 제안된 방법은 R, G, B 채널 값을 퍼지 기법과 SOM 기법을 이용하여 후보 균열을 추출한 후에 밀도 정보를 이용하여 최종적으로 균열을 검출하였다. 그림 11은 기존의 콘크리트 균열 검출 방법과 제안된 방법 간의 균열 검출 결과를 비교한 결과 영상이다.
- 그리고 밀도 정보를 이용하여 세부적인 잡음을 제거한 후에 최종적으로 균열을 검출하였다. 본 논문에서 제안한 균열 추출 방법은 균열의원 형태를 유지하며 균열의 형태학적 특징 정보를 이용하여 잡음을 제거하였다. 그리고 콘크리트 균열 중에서 기존의 균열 추출 방법에서 잡음으로 간주되어 제거된 미세한 균열과 콘크리트 표면에 거친 잡음이 많이 내포된 영상에 대해서도 효율적으로 균열이 추출되었다.
- 본 논문에서 제안한 방법을 Intel Pentium-IV 3.0GHz CPU와 1GB RAM이 장착된 IBM 호환 PC 상에서 VC++ 6.0으로 구현하여 실험하였다. 실험에 적용된 균열 영상은 CANON사의 350D 디지털 카메라를 사용하여 800×600 크기를 가진 영상을 획득하여 실험에 적용하였다.
- 을 적용하여 추출된 후보 균열 영역 중에서 잡음 영역을 제거한다. 잡음이 제거된 영상에서 밀도 정보를 이용하여 세부적인 잡음을 제거한 후에 최종적으로 균열 영역을 검출한다. 다양한 콘크리트 균열 영상에서 기존의 방법보다 효과적으로 균열을 추출하고 특징을 분석할 수 있는 방법을 제안한다.
- 본 논문에서는 콘크리트 슬래브 표면 영상에서 콘크리트 균열을 자동으로 추출할 수 있는 방법을 제안하였다. 제안된 콘크리트 추출 방법은 콘크리트 슬래브 표면의 R, G, B 채널 값을 퍼지 기법과 SOM 알고리즘에 적용하여 영상에서 후보 균열을 추출하였다. 추출된 후보 균열 영상에서 기준선을 제거한 후에 발생하는 오잡음 부분들을 복원하였다.
- 제안된 콘크리트 추출 방법은 콘크리트 슬래브 표면의 R, G, B 채널 값을 퍼지 기법과 SOM 알고리즘에 적용하여 영상에서 후보 균열을 추출하였다. 추출된 후보 균열 영상에서 기준선을 제거한 후에 발생하는 오잡음 부분들을 복원하였다. 그리고 밀도 정보를 이용하여 세부적인 잡음을 제거한 후에 최종적으로 균열을 검출하였다.
대상 데이터
- 실험에 적용된 균열 영상은 CANON사의 350D 디지털 카메라를 사용하여 800×600 크기를 가진 영상을 획득하여 실험에 적용하였다.
이론/모형
- 본 논문에서는 지역적으로 평활화된 영상에서 그림 5와 같이 3×3 크기를 가진 마스크의 그레이 평균값을 SOM 알고리즘에 적용하여 학습하고 출력값은 식(2)와 같이 계산한다.
- 그림 9에서와 같이 균열은 낮은 밀도와 낮은 명암도를 가지며, 잡음은 높은 밀도와 높은 명암도를 가진다. 이러한 밀도 정보를 이용하여 잡음을 제거하기 위해 Grassfire 방법을 수행한 후에 식(4)를 적용한다.
- G 채널 값의 소속도와 앞에서 계산된 R과 B 채널의 소속도 값을 추론 규칙(1)에 적용한다. 추론 규칙은 Max_Min 방법으로 추론하고 그림 3의 소속 함수에 적용하여 소속도를 계산한다. 계산된 소속도를 식(1)과 같은 무게 중심법에 적용하여 비퍼지화를 수행한다.
- 학습이 완료된 SOM 알고리즘에서 후보 균열을 추출하기 위해 퍼지 기법을 적용한 영상을 SOM 알고리즘의 학습 방법과 같은 방법으로 3×3 크기를 가진 마스크의 그레이 평균값을 인식 패턴으로 적용하여 그림 6과 같이 세밀한 후보 균열 영역을 추출한다.
성능/효과
- 본 논문에서 제안한 균열 추출 방법은 균열의원 형태를 유지하며 균열의 형태학적 특징 정보를 이용하여 잡음을 제거하였다. 그리고 콘크리트 균열 중에서 기존의 균열 추출 방법에서 잡음으로 간주되어 제거된 미세한 균열과 콘크리트 표면에 거친 잡음이 많이 내포된 영상에 대해서도 효율적으로 균열이 추출되었다.
- 그림 11에서와 같이 본 논문에서 제안한 방법이 미세한 균열 검출에 있어서 기존의 방법보다 개선된 것을 확인할 수 있다. 그러나 미세 균열의 길이(1cm)를 초과하는 홈, 오물 등의 이물질이 콘크리트 영상에 존재하는 경우에는 그림 12와 같이 정확히 균열이 검출되지 않았다.
후속연구
- 향후 연구 과제로 콘크리트 표면에 존재하는 진행 방향 및 균일 길이와 폭을 정확히 계산한 후에 균열의 진행도와 균열의 형태에 따른 균열의 원인을 파악하고 미리 대처할 수 있는 지능적인 균열 검출 및 분석 방법에 대해 연구할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.