[논문]무인체 탑재용 이종영상 스캐닝을 통한 딥러닝 기반의 구조물 균열 평가 기술

안윤규; 장근영

무인체 탑재용 이종영상 스캐닝을 통한 딥러닝 기반의 구조물 균열 평가 기술
Deep Learning-Based Structural Crack Evaluation Technique Through UAV-Mounted Hybrid Image Scanning 원문보기

한국공간구조학회지 = Journal of Korean Association for Spatial Structures, v.17 no.4, 2017년, pp.20 - 26

안윤규 (세종대학교 건축공학과) , 장근영 (세종대학교 건축공학과)

초록이 없습니다.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

예컨대, 기존에 전문가의 육안검사나 이미지 프로세싱으로 평가에 한계점이 많았던 도로 아스팔트의 균열 검출이나⁴⁾, 콘크리트에 발생한 균열을 자동으로 검출하기 위한 용도로 사용되고 있다⁵⁾. 본고에 서는 [Fig. 1]에 나타낸 바와 같이 무인체에 탑재하기 위한 이종영상 스캐닝 시스템을 소개하고, 이로 부터 취득된 대용량 데이터를 딥러닝 기반으로 처리하는 자동화 구조물 균열 평가 기술을 소개하고자 한다.
2]에 나타난 바와 같이 다양한 균열 영상 3,170, 비균열 영상 972 종류를 인공 신경망에 학습시켰으며, Fully-connected layer와 Classification output layer를 전이 학습(Transfer learning)을 통해 균열 특성치 검출용 인공신경 망으로 재구축하였다¹³⁾. 이때, 데이터 확장(Data augmentation)을 통해 다양한 균열 형태를 학습시킴으로써 학습 데이터의 질을 높이고, 균열 추출의 정확도를 높이고자 하였다. 인공신경망에 데이터 학습이 완료되면, 상기 이미지 프로세싱으로 취득된 비전 이미지에 나타난 균열을 자동으로 평가할 수 있다.

제안 방법

균열의 특성치에 대한 학습이 된 인공신경망을 활용하여, 본 실험에서 일련의 프로세싱 과정으로 부터 얻어진 비전 이미지를 테스트 이미지로 설정 하여 자동화 균열 검출을 수행하였다. 마스크 사이즈는 20×20으로 하여 100μm 대역의 균열을 검출할 수 있도록 하였고, 임계값을 99%로 설정하여 최대한 노이즈를 배제한 결과를 얻었으며, 이를 테스트이미지에 맵핑하면 [Fig.
3]과 같이 우측면에만 균열 모사를 위해 500μm 두께의 아크릴 조각을 양생 시 삽입하였고, 다양한 크기의 균열이 발생하였다. 또한, 오보 테스트를 위하여 펜을 이용하여 가짜 균열을 표면에 모사하였다.
딥러닝 기반의 균열 추출을 위해서는 균열의 특성치에 대한 학습이 된 인공신경망의 구축이 필요 하다. 이를 위해 [Fig. 2]에 나타난 바와 같이 다양한 균열 영상 3,170, 비균열 영상 972 종류를 인공 신경망에 학습시켰으며, Fully-connected layer와 Classification output layer를 전이 학습(Transfer learning)을 통해 균열 특성치 검출용 인공신경 망으로 재구축하였다¹³⁾. 이때, 데이터 확장(Data augmentation)을 통해 다양한 균열 형태를 학습시킴으로써 학습 데이터의 질을 높이고, 균열 추출의 정확도를 높이고자 하였다.
4]는 콘크리트 시험편을 스캐닝하기 위한 이종영상 시스템 전반을 나타낸다. 이종영상 시스템을 탑재한 드론이 한 방향으로 스캐닝하는 것을 모사하기 위해, 이동식 지그(Jig)에 시스템을 설치하여 지그를 수평 방향으로 23mm/s의 속도로 스캐닝하였다. 실험에 사용된 레이저의 파장대는 940nm 로 비가시 영역에 해당하며, 라인 빔의 크기는 1× 135mm² 이고, 111mW/mm² 의 강도를 갖는다.

대상 데이터

실험에 사용된 레이저의 파장대는 940nm 로 비가시 영역에 해당하며, 라인 빔의 크기는 1× 135mm2 이고, 111mW/mm2 의 강도를 갖는다.
이종영상 스캐닝 기반의 요소 기술 개발 및 검증을 위해 실내 실험을 진행하였으며, [Fig. 3]에 보는 바와 같이 균열이 모사된 콘크리트 시험편을 준비하였다. 콘크리트 시험편은 시멘트, 실리카샌드, 플라이애시, 고성능감수제, 물을 [Table 1]에 나타난 바와 같이 배합하였다.
3]에 보는 바와 같이 균열이 모사된 콘크리트 시험편을 준비하였다. 콘크리트 시험편은 시멘트, 실리카샌드, 플라이애시, 고성능감수제, 물을 [Table 1]에 나타난 바와 같이 배합하였다. 콘크리트 시험편의 크기 는 1,000×500×100mm³이며, [Fig.

성능/효과

본고에서 소개한 드론을 활용한 이종영상 스캐닝 기반의 균열 평가 시스템은 넓은 영역, 특히 인력접근이 어려운 대형 구조물에 활용이 가능할 것으로 기대한다. 더욱이 본 기술은 딥러닝 알고리즘을 활용하여 균열 검출의 자동화를 수행하였고 비전 및 열화상 이미지의 이종영상 정보를 활용함으로써 균열 검출 성능을 향상시키고, 오보를 최소화 할 수 있다는 장점을 지닌다. 본고에서는 해당 요소 기술 개발만을 다루었으나 현재 시스템의 소형화 및 최적화 과정을 거치고 있고, 드론에 직접 장착하여 현장실험을 계획 중이다.
이때 합성곱 인공신경망(Convolutional Neural Network, CNN)을 활용하였으며, 균열 추출의 신뢰도를 높이기 위해서는 마스크의 크기 및 임계처리(Thresholding)의 최적화가 필요하다. 마지막으로, 비전 이미지로부터 자동 추출된 균열 정보에 대해 열화상 이미지에서 얻어진 균열 정보와 정합함으로써 딥러닝 과정에서 발생한 오보를 최소화할 수 있다.
자동화 검출의 결과로 정확도(Accuracy) 99.71%, 정밀도(Precision) 69.89%, 재현율(Recall) 90.29%를 나타내었다. 여기서 정확도란 비전 이미지의 전체 영역에서 딥러닝 프로세스에 의해 균열 및 건전 영역을 검출한 정도를 나타내는 것으로 가짜 균열과 노이즈 등을 제외하면 비교적 정확한 99.
비전 이미지에서의 딥러닝을 통한 자동화 균열 검출의 결과는 다양한 표면 상태 및 노이즈의 영향으로 오보의 가능성이 크기 때문에 해당 이미지를 열화상 이미지와 정합하여 균열 검출의 신뢰도를 향상시킬 수 있다. 정합의 결과로 정확도 99.99%, 정밀도 98.72%, 재현율 99.23%를 나타내었으며, [Table 2]에 나타낸 것과 같이 비전 이미지의 딥러닝 검출 결과와 약 정확도 0.18%, 정밀도 28.83%, 재현율 8.94%의 향상을 나타내었다. 이는 정합을 통해 나타난 오보가 최소화 되어 균열 검출의 신뢰도가 높아진 결과이다.

후속연구

이와 같은 흐름에 보조를 맞추어 이와 같은 신기술에 대한 연구는 필수적이며 구조물의 유지관리 차원에서 상당 한 질적 향상을 가져올 것으로 기대된다. 나아가 본 기술은 SOC 구조물뿐만 아니라 기계시스템, 항공기, 반도체 등에 발생하는 균열 검출에도 적극 활용이 가능하기 때문에 요소기술 개발은 다양한 분야로의 확장으로 이어질 수 있을 것으로 판단된다.
본고에서 소개한 드론을 활용한 이종영상 스캐닝 기반의 균열 평가 시스템은 넓은 영역, 특히 인력접근이 어려운 대형 구조물에 활용이 가능할 것으로 기대한다. 더욱이 본 기술은 딥러닝 알고리즘을 활용하여 균열 검출의 자동화를 수행하였고 비전 및 열화상 이미지의 이종영상 정보를 활용함으로써 균열 검출 성능을 향상시키고, 오보를 최소화 할 수 있다는 장점을 지닌다.
더욱이 본 기술은 딥러닝 알고리즘을 활용하여 균열 검출의 자동화를 수행하였고 비전 및 열화상 이미지의 이종영상 정보를 활용함으로써 균열 검출 성능을 향상시키고, 오보를 최소화 할 수 있다는 장점을 지닌다. 본고에서는 해당 요소 기술 개발만을 다루었으나 현재 시스템의 소형화 및 최적화 과정을 거치고 있고, 드론에 직접 장착하여 현장실험을 계획 중이다. 4차 산업혁명에 따라 건설 산업의 미래는 새로운 국면이 예상된다.
4차 산업혁명에 따라 건설 산업의 미래는 새로운 국면이 예상된다. 이와 같은 흐름에 보조를 맞추어 이와 같은 신기술에 대한 연구는 필수적이며 구조물의 유지관리 차원에서 상당 한 질적 향상을 가져올 것으로 기대된다. 나아가 본 기술은 SOC 구조물뿐만 아니라 기계시스템, 항공기, 반도체 등에 발생하는 균열 검출에도 적극 활용이 가능하기 때문에 요소기술 개발은 다양한 분야로의 확장으로 이어질 수 있을 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	와상 전류(Eddy current) 기술의 한계점은 무엇인가?	특히, SOC에 가장 널리 쓰이는 콘크리트 구조물의 경우, 탄성파 감쇄율이 매우 커서 계측된 신호의 신호대 잡음비(SNR)가 낮거나, 불균질한 재료특성으로 인하여 신호 해석이 난해한 경우가 보통이다. 다음으로 와상 전류(Eddy current) 기술이 균열 평가에 이용되고 있으나, 전자기 현상을 유도해야 하므로 전도성 물체가 아니면 균열을 평가할 수 없다는 한계점이 있다9). 또 광학 센서(Fiber optic sensor)를 이용한 구조물 진단 방법이 있다.
	광학 센서(Fiber optic sensor)를 이용한 구조물 진단 방법의 단점은 무엇인가?	광학 센서는 그 크기가 작고 비용이 적게 들며 전자파의 간섭을 받지 않아 신뢰도 높은 계측을 할 수 있다는 장점이 있다. 다만 수명이 짧아 지속적인 계측이 어렵다10). 다른 방법으로 플래시, 와상 전류, 레이저 등의 열원을 활용하여 열파를 가하고 이를 계측하는 열화상 기법이 있으며 구조물 재료특성에 관계없이 적용 가능하며 효과적인 균열 검출 기법이다.
	탄성파 기반의 기술의 장점과 단점은 무엇인가?	최근에는 비접촉식 혹은 원격 탄성파 가진 및 계측이 가능한 레이저 초음파 기법에 대한 연구도 활발히 진행 중이다. 이와 같은 탄성파 기반의 기술은 균열 검출의 민감도가 매우 높은 장점을 지니나, 국부적인 균열 평가에 그치는 경우가 많고, 균열 진단을 위한 신호 해석이 복잡하다는 단점이 있다. 특히, SOC에 가장 널리 쓰이는 콘크리트 구조물의 경우, 탄성파 감쇄율이 매우 커서 계측된 신호의 신호대 잡음비(SNR)가 낮거나, 불균질한 재료특성으로 인하여 신호 해석이 난해한 경우가 보통이다.

참고문헌 (13)

Korea Facilities Maintenance Association (www.fma.or.kr), 2017.
Li, B., Ushiroda, K., Yang, L., Song, Q., & Xiao, J., Wall-climbing Robot for Nondestructive Evaluation using Impact-echo and Metric Learning SVM, International Journal of Intelligent Robotics and Applications, Vol.1, 2017.

상세보기
Kim, J., Kim, S., Park, J., & Nam, J., Development of Crack Detection System with Unmanned Aerial Vehicles and Digital Image Processing, Advances in Structural Engineering and Mechanics, 2015.
Zhang, L., Yang, F., Daniel Zhang, Y., & Zhu, Y. J., Road Crack Detection Using Deep Convolutional Neural Network, 2016 IEEE International Conference on Image Processing (ICIP), Vol.28, 2016.
Cha, Y.-J., Choi, W., & Bykztrk, O., Deep Learning-Based Crack Damage Detection Using Convolutional Neural Networks, Computer-Aided Civil and Infrastructure Engineering, Vol.29, 2017.
Chang, P. C., Flatau, A., & Liu, S. C., Review Paper: Health Monitoring of Civil Infrastructure, Structural Health Monitoring, Vol.2, 2003.

상세보기
Sun, F., Wang, N., He, J., Guan, X., & Yang, J., Lamb Wave Damage Quantification Using GA-Based LS-SVM, Materials, Vol.10, 2017.

상세보기
Dumoulin, C., & Deraemaeker, A., Real-time Fast Ultrasonic Monitoring of Concrete Cracking using Embedded Piezoelectric Transducers, Smart Materials and Structures Vol.26, 2017.

상세보기
Chady, T., Enokizono, M., & Sikora, R., Crack Detection and Recognition using an Eddy Current Differential Probe, IEEE Transactions on Magnetics, Vol.35, 1999.

상세보기
Maheshwari, M., Annamdas, V. G. M., Pang, J. H. L., Asundi, A., & Tjin, S. C., Crack Monitoring using Multiple Smart Materials; Fiber-optic Sensors & Piezo Sensors, International Journal of Smart and Nano Materials, Vol.8, 2017

상세보기
An, Y. K., Min Kim, J., & Sohn, H., Laser Lock-in Thermography for Detection of Surface-breaking Fatigue Cracks on Uncoated Steel Structures, NDT and E International, Vol.65, 2014.

상세보기
Zhang, Z., A Flexible New Technique for Camera Calibration, IEEE Trans. Pattern Anal. Mach. Intell., Vol.22, 2010.
Krizhevsky, A., Sutskever, I., & Hinton, G. E., ImageNet Classification with Deep Convolutional Neural Networks, Advances In Neural Information Processing Systems, 2012.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

무인체 탑재용 이종영상 스캐닝을 통한 딥러닝 기반의 구조물 균열 평가 기술
Deep Learning-Based Structural Crack Evaluation Technique Through UAV-Mounted Hybrid Image Scanning 원문보기

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

질의응답

참고문헌 (13)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

무인체 탑재용 이종영상 스캐닝을 통한 딥러닝 기반의 구조물 균열 평가 기술 Deep Learning-Based Structural Crack Evaluation Technique Through UAV-Mounted Hybrid Image Scanning 원문보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

질의응답

참고문헌 (13)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

무인체 탑재용 이종영상 스캐닝을 통한 딥러닝 기반의 구조물 균열 평가 기술
Deep Learning-Based Structural Crack Evaluation Technique Through UAV-Mounted Hybrid Image Scanning 원문보기

AI 본문요약
AI-Helper