김민수
(Institute of Railroad Convergence Technology, Korea National University of Transportation)
,
김경호
(A BEST Co. Ltd.)
,
최상현
(Department of Railroad Facility Engineering, Korea National University of Transportation)
국내 대부분의 선구에 부설된 콘크리트침목은 적절히 유지관리되지 않을 경우 열차 운행의 안전성을 심각하게 위협하는 요소가 될 수 있다. 이 연구에서는 최근 가장 강력한 적응성(adaptive)을 갖는 기법으로 활용 범위를 넓히고 있는 Adaboost를 이용하여 고해상도카메라로 촬영한 침목이미지에서 균열을 자동검출할 수 있는 알고리즘을 개발하였다. 개발된 알고리즘은 실제 침목에 발생한 균열 및 비균열 이미지를 분석한 후 도출한 균열특징을 이용하여 학습하였다. 침목균열 자동검출 알고리즘의 적용성은 48개의 학습이미지와 11개의 비학습이미지를 이용하여 검토하였다. 검토 결과 학습이미지와 비학습이미지 모두 균열폭과 균열길이에 대한 인식률이 90% 이상으로 나타났으며, 충분한 균열인식 성능을 갖는 것으로 나타났다.
국내 대부분의 선구에 부설된 콘크리트침목은 적절히 유지관리되지 않을 경우 열차 운행의 안전성을 심각하게 위협하는 요소가 될 수 있다. 이 연구에서는 최근 가장 강력한 적응성(adaptive)을 갖는 기법으로 활용 범위를 넓히고 있는 Adaboost를 이용하여 고해상도카메라로 촬영한 침목이미지에서 균열을 자동검출할 수 있는 알고리즘을 개발하였다. 개발된 알고리즘은 실제 침목에 발생한 균열 및 비균열 이미지를 분석한 후 도출한 균열특징을 이용하여 학습하였다. 침목균열 자동검출 알고리즘의 적용성은 48개의 학습이미지와 11개의 비학습이미지를 이용하여 검토하였다. 검토 결과 학습이미지와 비학습이미지 모두 균열폭과 균열길이에 대한 인식률이 90% 이상으로 나타났으며, 충분한 균열인식 성능을 갖는 것으로 나타났다.
Concrete sleepers, installed on majority of railroad track in this nation can, if not maintained properly, threaten the safety of running trains. In this paper, an algorithm for automatically identifying cracks in a sleeper image, taken by high-resolution camera, is developed based on Adaboost, know...
Concrete sleepers, installed on majority of railroad track in this nation can, if not maintained properly, threaten the safety of running trains. In this paper, an algorithm for automatically identifying cracks in a sleeper image, taken by high-resolution camera, is developed based on Adaboost, known as the strongest adaptive algorithm and most actively utilized algorithm of current days. The developed algorithm is trained using crack characteristics drawn from the analysis results of crack and non-crack images of field-installed sleepers. The applicability of the developed algorithm is verified using 48 images utilized in the training process and 11 images not used in the process. The verification results show that cracks in all the sleeper images can be successfully identified with an identification rate greater than 90%, and that the developed automatic crack identification algorithm therefore has sufficient applicability.
Concrete sleepers, installed on majority of railroad track in this nation can, if not maintained properly, threaten the safety of running trains. In this paper, an algorithm for automatically identifying cracks in a sleeper image, taken by high-resolution camera, is developed based on Adaboost, known as the strongest adaptive algorithm and most actively utilized algorithm of current days. The developed algorithm is trained using crack characteristics drawn from the analysis results of crack and non-crack images of field-installed sleepers. The applicability of the developed algorithm is verified using 48 images utilized in the training process and 11 images not used in the process. The verification results show that cracks in all the sleeper images can be successfully identified with an identification rate greater than 90%, and that the developed automatic crack identification algorithm therefore has sufficient applicability.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이 논문에서는 패턴인식기법을 이용하여 고해상도 영상촬영시스템으로 획득한 콘크리트침목 이미지에서 균열을 자동 검출할 수 있는 알고리즘을 제시하였다. 적용된 패턴인식기법은 최근 가장 강력한 적응성(adaptive)을 갖는 기법으로 활용 범위를 넓히고 있는 Adaboost 알고리즘이다[10].
이 논문에서는 패턴인식기법인 Adaboost를 이용하여 고해상도 영상촬영시스템으로 획득한 콘크리트침목 이미지에서 균열을 자동 검출할 수 있는 알고리즘을 제시하였다. 개발된 알고리즘의 적용성은 실제 부설된 궤도에서 촬영된 침목이미지를 이용한 균열 및 비균열 이미지를 이용하여 검토하였다.
제안 방법
학습된 검출기는 대상 영역 이미지에 대해 침목 위의 자갈, 철사,주기 등에 민감하게 반응하였고 검출기는 이를 균열이 아닌 것으로 판단해 해당 영역을 자동으로 배제하였다. Adaboost 알고리즘에 사용된 하알유사특징은 균열의 회전과 두께에 민감하게 반응하므로 모든 회전 방향과 두께에 대해 각각 학습할 필요가 있으나, 계산상 비효율을 가져올 우려가 있으므로 2차 균열 검출로서 이미지 프로세싱을 통해 균열을 특정하도록 하였다. Fig.
개발된 균열자동검출알고리즘의 적용성은 실제 부설된 침목을 촬영한 이미지를 이용하여 검증하였다. 침목에 발생한 균열은 기존 침목들에 대하여 실시한 균열패턴 검토 결과와 실제 촬영된 균열이미지를 참조하여 침목 표면에 모사하였다.
6(b)와 같이 부가적인 이미지 프로세싱을 통해 균열 부분을 특정할 수 있다. 개발된 알고리즘에서는 각 픽셀 값의 명도, 영역 이미지의 픽셀 값 분포 등의 특성을 통해 균열과 콘크리트 영역을 구분하였고 픽셀값 등 각 기준은 변경이 가능하도록 하였다. 참고로 검출된 균열은 Fig.
이 논문에서는 패턴인식기법인 Adaboost를 이용하여 고해상도 영상촬영시스템으로 획득한 콘크리트침목 이미지에서 균열을 자동 검출할 수 있는 알고리즘을 제시하였다. 개발된 알고리즘의 적용성은 실제 부설된 궤도에서 촬영된 침목이미지를 이용한 균열 및 비균열 이미지를 이용하여 검토하였다. 검토 결과 다음과 같은 결론을 도출할 수 있었다.
침목에 발생한 균열은 기존 침목들에 대하여 실시한 균열패턴 검토 결과와 실제 촬영된 균열이미지를 참조하여 침목 표면에 모사하였다. 균열자동검출알고리즘의 성능에 대한 검증은 학습이미지와 비학습이미지를 이용한 검증으로 분류하여 수행하였다. 학습이미지를 이용한 검증에서 사용된 이미지는 총 48개이며, 침목 길이방향, 길이 직각방향, 경사방향 및 복합 균열과 함께 자갈, 나뭇가지 등의 방해요소가 포함된 이미지를 이용하였다.
대상 데이터
개발된 균열자동검출알고리즘의 균열검출성능은 경부선 ○○○구간 측선에 부설된 침목을 1,920×1,080인 동영상 카메라로 촬영한 이미지를 이용하여 검증하였다. 침목에 발생한 균열은 촬영된 침목 중 일부에서 발견된 균열이미지와 4.
학습이미지를 이용한 검증에서 사용된 이미지는 총 48개이며, 침목 길이방향, 길이 직각방향, 경사방향 및 복합 균열과 함께 자갈, 나뭇가지 등의 방해요소가 포함된 이미지를 이용하였다. 비학습이미지를 이용한 검증은 총 11개의 이미지를 이용하여 수행하였다.
비학습이미지를 이용한 균열검출성능 검증은 총 11개의 침목이미지를 이용하여 수행하였다. Fig.
5mm 이하로 제한하였다. 알고리즘의 학습은 총 1,000개의 이미지를 사용하여 수행하였다.
학습이미지를 이용한 균열검출성능 검증은 총 48개의 침목이미지를 이용하여 수행하였다. 참고로 비균열요소에 대한 알고리즘의 성능을 확인하기 위하여 48개의 이미지 중 7개는 균열이 없는 이미지를 사용하였다. Fig.
2와 같이 이진화하여 픽셀 값의 Y축 투영 후, 최소자승법에 의한 근사 곡선을 구하여 근사곡선의 최대값에 해당하는 지점을 침목 중심으로 정의하여 침목 영역을 자동 추출하도록 구성하였고, 이때 침목에 비해 다른 배경이 대부분의 경우 색의 차이가 분명하므로 흑백 영상의 명암분포에 따라 추출이미지가 밝은 색을 더 많이 포함하도록 자동으로 미세조정을 실시하였다. 참고로 이 연구에서 사용된 이미지는 침목 길이 방향으로 좌우로 배치된 두 개의 카메라를 이용하여 촬영된 이미지를 이용하였다.
침목에 발생할 수 있는 균열에 대한 패턴분석은 경부선 △△△구간 약 4.2km 길이의 3복선 구간에 부설된 40,000여개의 침목을 대상으로 2015년 4월부터 2016년 4월까지 1년간 균열, 파손 등의 손상으로 인하여 불량 판정을 받은246개 침목들에 대하여 수행하였다. Fig.
균열자동검출알고리즘의 성능에 대한 검증은 학습이미지와 비학습이미지를 이용한 검증으로 분류하여 수행하였다. 학습이미지를 이용한 검증에서 사용된 이미지는 총 48개이며, 침목 길이방향, 길이 직각방향, 경사방향 및 복합 균열과 함께 자갈, 나뭇가지 등의 방해요소가 포함된 이미지를 이용하였다. 비학습이미지를 이용한 검증은 총 11개의 이미지를 이용하여 수행하였다.
학습이미지를 이용한 균열검출성능 검증은 총 48개의 침목이미지를 이용하여 수행하였다. 참고로 비균열요소에 대한 알고리즘의 성능을 확인하기 위하여 48개의 이미지 중 7개는 균열이 없는 이미지를 사용하였다.
이론/모형
5는 학습을 위해 추출된 단위영역에 대한 균열이미지와 비균열 이미지이다. 추출된 이미지는 Adaboost 알고리즘의 학습 데이터로 입력되었고, 약분류기 집합으로부터 강분류기를 생성하는데 활용하였다. 학습 데이터 집합은 균열의 방향, 굵기 등에 대해 종류를 구분하여 각각 생성하였고 그에 대응하는 강 분류기를 최종적인 균열검출기로서 정의하였다.
침목의 이미지를 이용하여 발생한 균열을 자동으로 검출하는 시스템은 이미지처리, 패턴인식 및 Adaboost 알고리즘을 이용하여 개발하였다. Fig.
성능/효과
(1) Adaboost를 이용하여 콘크리트침목의 균열을 검출하기 위하여 개발된 알고리즘은 고해상도이미지에 나타난 균열을 자동검출할 수 있다.
(2) 학습이미지를 이용하여 개발된 알고리즘의 균열검출성능을 검토한 결과 다양한 균열폭 및 균열길이에 대한 균열인식률의 평균은 97.98%와 90.62%로 각각 나타났으며, 0.3mm 미만 균열에서도 충분한 균열인식률을 갖는 것으로 나타났다.
(3) 비학습이미지를 이용하여 개발된 알고리즘의 균열검출성능을 검토한 결과 다양한 균열폭 및 균열길이에 대한 균열인식률의 평균은 100%와 91.55%로 각각 나타났으며, 학습이미지와 마찬가지로 0.3mm 미만 균열에서도 충분한 균열인식률을 갖는 것으로 나타났다.
(4) 학습이미지 및 비학습이미지에 대한 검토 결과 모두 균열의 크기가 커질수록 균열인식률이 높아졌으며, 일부 침목에서 균열이 아닌 자갈 그림자, 나뭇가지 등의 지장물 일부를 균열로 인식하는 경우가 발생하였으나, 작은 범위에 걸쳐 한정적으로 나타났다.
11과 같다. 검출 결과 균열폭은 모든 경우를 정확히 인식하였고, 균열길이는 균열폭 0.3mm 미만일 경우 91.19%, 0.3mm 이상의 경우 92.51%으로 나타나 학습이미지와 마찬가지로 균열폭이 증가할수록 균열인식률이 증가하며, 모든 경우에서 90% 이상의 높은 균열인식율을 나타냈다. 모든 경우에 대한 균열길이 인식률의 평균값은 91.
62%로 나타났다. 오검출은 침목-자갈 간 경계부에서 자갈 그림자로 인해 발생하는 어두운 영역 중 일부, 짙은 색의 나뭇가지와 얼룩을 균열로 오인하는 것이 대부분이었다. 7개의 비균열 이미지에 대한 인식 결과에서도 같은 양상의 오검출이 나타났다.
질의응답
핵심어
질문
논문에서 추출한 답변
침목의 역할은 무엇인가?
레일의 간격을 유지하고 열차로부터 전달되는 하중을 도상으로 전달하는 역할을 하는 침목으로는 과거 목침목이 주로 사용되었으나, 저렴한 원목 확보의 어려움, 방부처리에 사용되는 방부재의 유해성 우려, 상대적으로 짧은 수명 등의 단점으로 인하여 점차 콘크리트침목으로 대체되고 있으며, 철도공사의 경우 현재 본선 구간의 약 85%에 콘크리트침목이 부설되어 있는 상황이다. 현재 사용되는 콘크리트 침목은 인장응력으로 인한 균열을 방지하기 위하여 강선 또는 강봉을 삽입하여 미리 압축응력을 도입하는 PC(Prestressed Concrete)침목이다.
목침목에서 콘크리트침목으로 대체된 이유는 무엇인가?
레일의 간격을 유지하고 열차로부터 전달되는 하중을 도상으로 전달하는 역할을 하는 침목으로는 과거 목침목이 주로 사용되었으나, 저렴한 원목 확보의 어려움, 방부처리에 사용되는 방부재의 유해성 우려, 상대적으로 짧은 수명 등의 단점으로 인하여 점차 콘크리트침목으로 대체되고 있으며, 철도공사의 경우 현재 본선 구간의 약 85%에 콘크리트침목이 부설되어 있는 상황이다. 현재 사용되는 콘크리트 침목은 인장응력으로 인한 균열을 방지하기 위하여 강선 또는 강봉을 삽입하여 미리 압축응력을 도입하는 PC(Prestressed Concrete)침목이다.
참고문헌 (13)
M.S. Kaseko, Z. Lo, S. Ritchie (1994) Comparison of traditional and neural classifiers for pavement-crack detection, Journal of Transportation Engineering, 120(4), pp. 552-569.
Y. Wang (1998) Neural network approach to image reconstruction from projections, International Journal of Imaging Systems and Technology, 9(5), pp. 381-387.
W. Benning, J. Lange, R. Schwermann, C. Effkemann, S. Gortz (2004) Monitoring crack origin and evolution at concrete elements using photogrammetry, International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences, 35(5), pp. 678-683.
I. Giakoumis, N. Nikolaidis, I. Pitas (2006) Digital image processing techniques for the detection and removal of cracks in digitized paintings, IEEE Transactions on Image Processing, 15(1), pp. 178-188.
J. Ando, T. Nagao (2009) Automatic construction of accurate image processing using Adaboost, Fifth International Workshop on Computational Intelligence and Applications, Hiroshima University, Japan, pp. 296-301.
A. Marques (2012) Automatic Road Pavement Crack Detection Using SVM, Thesis, Instituto Superior Tecnico, Lisbon, Portugal.
B. Lee (2003) Development of Detecting System for Concrete Surface Cracks Using Image Processing and Artificial Neural Network, Thesis, Korea Advanced Institute of Science and Technology.
B. Lee, J. Shin, C. Park (2008) Development of image processing program to inspect concrete bridges, Proceedings of 2008 Spring Annual Conference, Korea Concrete Institute, Yong Pyong, Korea, 20(1), pp. 189-192.
C.-H. Choo, S.-W. Park, H.-T. Kim, K.-H. Jee, T.-G. Yoon (2011) Analysis and cause of occurrence of lining cracks on NATM tunnel based on the precise inspection for safety and diagnosis - Part I, Journal of Tunnelling and Undergraound Space Association, 13(3), pp. 199-214.
Y. Freund, R.E. Schapire (1999) A short introduction to boosting, Journal of Japanese Society for Artificial Intelligence, 14(5), pp. 771-780.
H. Han (2009) Introduction to Pattern Recognition, Hanbit Media, Seoul, Korea, pp. 514-523.
R. Schapire, Y. Singer (1999) Improved boosting algorithms using confidence-rated predictions, Machine Learning, 37(3), pp. 297-335.
K. Lee (2008) An Implementation for the Face Recognition Visual Monitoring System Using Adaboost and PCA Algorithm, Thesis, Ajou University.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.