본 논문에서는 도시 시설물 지능형 유지관리를 위한 내부 철근 두께의 예측을 위해 GPR 데이터를 활용한 철근 두께 예측 기법에 관한 연구를 실시하였다. 국내의 규격 미달 철근의 사용 및 배근 시공과 같은 부실시공 사례에서 볼 수 있듯이, 철근 두께에 대한 정보의 경우 규격 미달 철근의 사용에 대한 구조물 정밀 안전진단을 위해서 꼭 필요함을 알 수 있다. 이를 위해 본 연구에서는 시편을 제작하여 철근 직경을 단계적으로 증가시켜 GPR의 B-scan 데이터를 취득하였다. GPR 의 B-scan 데이터는 가시성이 떨어지기 때문에 이를 migration을 통해 히트맵 이미지 데이터로 변화시켜 데이터의 직관성을 높이고자 하였다. 본 연구는 보편적으로 이용되는 B-scan 데이터와 히트맵 데이터의 합성곱 신경망(CNN) 적용 시 결과를 비교하기 위해 B-scan 및 히트맵 데이터에서 각각 철근에 대한 영역을 추출하여 학습 및 검증 데이터를 구축하였으며, 구축된 데이터에 CNN을 적용하였다. 그 결과, 히트맵 데이터의 경우 B-scan 데이터와 비교하였을 때 더 좋은 결괏값을 얻을 수 있었다. 이를 통해 GPR 히트맵 데이터를 이용하였을 경우 B-scan 데이터를 이용하였을 때보다 더 높은 정확도로 철근 두께를 예측할 수 있음을 확인하였으며, 시설물 내부 철근 두께 예측의 가능성을 검증하였다.
본 논문에서는 도시 시설물 지능형 유지관리를 위한 내부 철근 두께의 예측을 위해 GPR 데이터를 활용한 철근 두께 예측 기법에 관한 연구를 실시하였다. 국내의 규격 미달 철근의 사용 및 배근 시공과 같은 부실시공 사례에서 볼 수 있듯이, 철근 두께에 대한 정보의 경우 규격 미달 철근의 사용에 대한 구조물 정밀 안전진단을 위해서 꼭 필요함을 알 수 있다. 이를 위해 본 연구에서는 시편을 제작하여 철근 직경을 단계적으로 증가시켜 GPR의 B-scan 데이터를 취득하였다. GPR 의 B-scan 데이터는 가시성이 떨어지기 때문에 이를 migration을 통해 히트맵 이미지 데이터로 변화시켜 데이터의 직관성을 높이고자 하였다. 본 연구는 보편적으로 이용되는 B-scan 데이터와 히트맵 데이터의 합성곱 신경망(CNN) 적용 시 결과를 비교하기 위해 B-scan 및 히트맵 데이터에서 각각 철근에 대한 영역을 추출하여 학습 및 검증 데이터를 구축하였으며, 구축된 데이터에 CNN을 적용하였다. 그 결과, 히트맵 데이터의 경우 B-scan 데이터와 비교하였을 때 더 좋은 결괏값을 얻을 수 있었다. 이를 통해 GPR 히트맵 데이터를 이용하였을 경우 B-scan 데이터를 이용하였을 때보다 더 높은 정확도로 철근 두께를 예측할 수 있음을 확인하였으며, 시설물 내부 철근 두께 예측의 가능성을 검증하였다.
In this paper, a study was conducted on the method of using GPR data to predict rebar thickness inside a facility. As shown in the cases of poor construction, such as the use of rebars below the domestic standard and the construction of reinforcement, information on rebar thickness can be found to b...
In this paper, a study was conducted on the method of using GPR data to predict rebar thickness inside a facility. As shown in the cases of poor construction, such as the use of rebars below the domestic standard and the construction of reinforcement, information on rebar thickness can be found to be essential for precision safety diagnosis of structures. For this purpose, the B-scan data of GPR was obtained by gradually increasing the diameter of rebars by making specimen. Because the B-scan data of GPR is less visible, the data was converted into the heatmap image data through migration to increase the intuition of the data. In order to compare the results of application of commonly used B-scan data and heatmap data to CNN, this study extracted areas for rebars from B-scan and heatmap data respectively to build training and validation data, and applied CNN to the deployed data. As a result, better results were obtained for the heatmap data when compared with the B-scan data. This confirms that if GPR heatmap data are used, rebar thickness can be predicted with higher accuracy than when B-scan data is used, and the possibility of predicting rebar thickness inside a facility is verified.
In this paper, a study was conducted on the method of using GPR data to predict rebar thickness inside a facility. As shown in the cases of poor construction, such as the use of rebars below the domestic standard and the construction of reinforcement, information on rebar thickness can be found to be essential for precision safety diagnosis of structures. For this purpose, the B-scan data of GPR was obtained by gradually increasing the diameter of rebars by making specimen. Because the B-scan data of GPR is less visible, the data was converted into the heatmap image data through migration to increase the intuition of the data. In order to compare the results of application of commonly used B-scan data and heatmap data to CNN, this study extracted areas for rebars from B-scan and heatmap data respectively to build training and validation data, and applied CNN to the deployed data. As a result, better results were obtained for the heatmap data when compared with the B-scan data. This confirms that if GPR heatmap data are used, rebar thickness can be predicted with higher accuracy than when B-scan data is used, and the possibility of predicting rebar thickness inside a facility is verified.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 논문에서는 시설물 내부의 철근의 두께를 예측하기 위해 지상 관통 레이더(Ground Penetrating Radar)를 이용하여 철근을 탐상하고 두께를 예측하는 기법을 제안하고자 한다. GPR은 비파괴시험(NDT, Non-Destructive Testing)을 위한 장비 중 하나로써, 다양한 주파수 대역의 전자기파를 지반 혹은 구조물 내로 전파한 후 내부에서 반사되는 신호를 분석하여 층리의 위치, 바위와 철근, 또는 파이프와 같은 매설물이나 동공을 찾는 데 많이 이용되고 있다(Rhee et al.
향후 더 많은 데이터 취득을 통하여 다양한 철근 직경에 대한 학습 및 검증 데이터를 구축하고, 다양한 매질에 이를 적용하고자 한다. 또한 더욱 복잡한 CNN 모델을 이용하여 높은 정확도의 결괏값을 도출해 내어 현장 적용성을 높임으로써 스마트시티구현에 이바지하고자 한다.
본 연구에서는 GPR 데이터를 활용하여 현장에서 신속하게 시설물 내부 철근 두께를 예측하기 위해 GPR 데이터를 활용한 철근 두께 예측 기법에 관한 연구를 실시하였다. 보편적으로 매설물 검출에 이용되는 GPR의 B-scan 데이터는 철근의 깊이 및 유무에 대해 신속한 검출이 가능하지만, 철근의 두께를 알아내는 데는 상당한 시간이 소요되기 때문에 현장에 이를 바로 적용하기 힘든 한계점이 존재한다.
보편적으로 매설물 검출에 이용되는 GPR의 B-scan 데이터는 철근의 깊이 및 유무에 대해 신속한 검출이 가능하지만, 철근의 두께를 알아내는 데는 상당한 시간이 소요되기 때문에 현장에 이를 바로 적용하기 힘든 한계점이 존재한다. 이에 GPR 데이터를 미리 학습시켜 신속한 철근 두께 예측에 관한 기초연구로써, 이미지 분류에 널리 사용되고 있는 CNN을 활용하여 이를 GPR 데이터에 적용하기 위한 실험을 진행하였다.
제안 방법
2개의 합성곱층과 2개의 결합층인 비교적 간단한 모델을 이용하였으며, 마지막 단계인 완전 연결층에서 softmax 함수를 이용하여 추출된 특성을 통해 철근의 두께별 이미지 분류를 진행하였다.
본 연구에서는 아크릴 시편을 제작하여 ∅10mm, ∅20mm, ∅30mm의 두께를 갖는 철근을 설치하여 각각의 직경에 대한 GPR B-scan 이미지 데이터를 취득하였으며 migration을 통해 히트맵(heatmap) 이미지 데이터로 변환시켰다. B-scan 이미지 데이터와 히트맵 이미지 데이터와의 비교 검증을 위해 각각의 이미지 데이터에서 철근에 대한 영역을 추출하였다. 추출한 영역의 이미지 데이터를 이용하여 검증데이터 및 학습 데이터를 구축하고, Deep Learning 기반 합성곱 신경망(CNN)을 이용하여 철근의 두께를 예측하는 기법을 검증하고자 하였다.
GPR 탐사 시 유전율이 다른 매질을 Tx안테나(Transmitter)를 통해 전자기파를 방사시켜 Rx안테나(Receiver)에서 신호를 수신하여 받아들인다. 전자기파의 진폭 크기 및 왕복 시간에 대한 정보가 수신된 신호에 저장되며, 진폭의 크기 변화를 통해 매설물의 깊이 및 존재여부를 확인한다(Lee, 2016).
먼저 철근 두께별 GPR 데이터를 취득하기 위해 아크릴을 이용해 시편을 제작하였으며 ∅10mm, ∅20mm, ∅30mm 두께의 철근에 대한 GPR B-scan 이미지 데이터를 취득하였다.
보편적으로 이용되는 B-scan 이미지 데이터와 히트맵 이미지 데이터의 CNN 적용 시 결과를 비교하기 위해 B-scan 및 히트맵 이미지 데이터에서 철근에 대한 영역을 각각 추출하여 학습 및 검증 데이터를 구축하였으며, 2개의 합성곱층과 2개의 결합층을 가진 CNN 모델에 이를 학습시켰다. 학습된 모델을 이용하여 철근 두께 예측에 관해 검증한 결과 히트맵 이미지 데이터의 경우 B-scan 이미지 데이터와 비교하였을 때, 더 좋은 결괏값을 얻을 수 있었으며 이에 히트맵 이미지 데이터를 활용하여 시설물 내부 철근 두께 예측의 가능성을 검증하였다.
본 연구에서는 아크릴 시편을 제작하여 ∅10mm, ∅20mm, ∅30mm의 두께를 갖는 철근을 설치하여 각각의 직경에 대한 GPR B-scan 이미지 데이터를 취득하였으며 migration을 통해 히트맵(heatmap) 이미지 데이터로 변환시켰다.
실험은 먼저 히트맵 이미지 데이터를 이용하였을 때 철근 두께 예측의 우수성 비교를 위해 GPR 데이터 분석에 주로 이용되는 B-scan 이미지 데이터를 이용하여 학습 및 검증데이터를 구축하여 구성한 CNN 모델에 50회(Epoch) 학습시켰다. 같은 방법으로 히트맵 이미지를 이용하여 CNN 모델에 학습시켰으며 학습 및 검증데이터에 대한 손실률과 정확도는 Figs.
첫 번째 합성곱층에 사용한 필터는 총 32개의 3×3크기의 필터를 사용하였고, 두 번째 합성곱층에서는 총 64개의 3×3 크기의 필터를 사용하였으며, 각 합성곱층에서 활성함수로 ReLU 함수를 사용하였다.
B-scan 이미지 데이터와 히트맵 이미지 데이터와의 비교 검증을 위해 각각의 이미지 데이터에서 철근에 대한 영역을 추출하였다. 추출한 영역의 이미지 데이터를 이용하여 검증데이터 및 학습 데이터를 구축하고, Deep Learning 기반 합성곱 신경망(CNN)을 이용하여 철근의 두께를 예측하는 기법을 검증하고자 하였다.
취득한 B-scan 이미지 데이터는 migration을 통해 히트맵 이미지 데이터로 변환하였으며 B-scan 및 히트맵 이미지 데이터에서 철근이 검출된 영역을 추출하여 학습데이터 및 검증데이터를 구축하였다. 학습 및 검증데이터는 32×32픽셀로 설정하였으며, 히트맵 이미지 데이터는 R, G, B 값을 갖는 컬러로 구성되어 있기 때문에 3 차원(3-dimension)으로 CNN에 사용되는 필터를 설정해 주었다.
학습 및 검증데이터는 32×32픽셀로 설정하였으며, 히트맵 이미지 데이터는 R, G, B 값을 갖는 컬러로 구성되어 있기 때문에 3 차원(3-dimension)으로 CNN에 사용되는 필터를 설정해 주었다.
대상 데이터
Photo 1(b)은 왼쪽부터 직경 ∅10mm, ∅20mm, ∅30mm에 대한 철근 시편이며 공기 중에서 GPR 데이터의 노이즈가 가 장 최소화되기 때문에, 학습 결과를 극대화하기 위해 공기 중 에서 각 직경 별 철근에 대해 Proceq사의 GPR live 장비를 사 용하여 100개씩 총 300개의 B-scan 이미지 데이터를 취득하였다.
시편은 80×80×50(cm)의 아크릴 상자로써 철근을 설치하기 위해 높이 25cm 위치에 ∅31mm 크기의 구멍을 내었다.
성능/효과
B-scan 이미지를 이용하여 철근 직경을 예측 결과 15회의 테스트 중 8회를 올바르게 예측하였으며, 7회를 올바르게 예측하지 못하는 결과를 볼 수 있었다.
실험 결과 B-scan 이미지 데이터를 사용한 것보다 히트맵 이미지 데이터를 사용하여 CNN으로 학습한 결과가 더 좋은 것을 확인할 수 있었다. B-scan 및 히트맵 이미지 데이터 모두 Figs.
이에 본 연구를 통해 히트맵 이미지를 이용하여 CNN을 적용한 결과가 B-scan 이미지 데이터를 이용한 것보다 정확하게 철근 두께를 예측할 수 있음을 확인하였다. 추후 이를 이용하여 다양한 매질에 대한 학습 및 검증 데이터를 구축하여 시설물 내부 철근 직경에 대한 예측이 가능함을 확인하였다.
이에 본 연구를 통해 히트맵 이미지를 이용하여 CNN을 적용한 결과가 B-scan 이미지 데이터를 이용한 것보다 정확하게 철근 두께를 예측할 수 있음을 확인하였다. 추후 이를 이용하여 다양한 매질에 대한 학습 및 검증 데이터를 구축하여 시설물 내부 철근 직경에 대한 예측이 가능함을 확인하였다.
B-scan 이미지를 이용하여 철근 직경을 예측 결과 15회의 테스트 중 8회를 올바르게 예측하였으며, 7회를 올바르게 예측하지 못하는 결과를 볼 수 있었다. 하지만 올바르게 예측한 결과 또한 38%~45%의 정확도를 보여주었으며, 이는 히트맵 이미지를 이용하여 철근 직경을 예측한 Fig. 6(b)의 결괏값인 15회의 테스트 모두 올바르게 예측한 결과와 87%~100%의 정확도와 비교하였을 때 히트맵 이미지를 이용하여 철근 직경을 예측한 결과가 더 정확하다고 할 수 있다.
보편적으로 이용되는 B-scan 이미지 데이터와 히트맵 이미지 데이터의 CNN 적용 시 결과를 비교하기 위해 B-scan 및 히트맵 이미지 데이터에서 철근에 대한 영역을 각각 추출하여 학습 및 검증 데이터를 구축하였으며, 2개의 합성곱층과 2개의 결합층을 가진 CNN 모델에 이를 학습시켰다. 학습된 모델을 이용하여 철근 두께 예측에 관해 검증한 결과 히트맵 이미지 데이터의 경우 B-scan 이미지 데이터와 비교하였을 때, 더 좋은 결괏값을 얻을 수 있었으며 이에 히트맵 이미지 데이터를 활용하여 시설물 내부 철근 두께 예측의 가능성을 검증하였다.
후속연구
향후 더 많은 데이터 취득을 통하여 다양한 철근 직경에 대한 학습 및 검증 데이터를 구축하고, 다양한 매질에 이를 적용하고자 한다. 또한 더욱 복잡한 CNN 모델을 이용하여 높은 정확도의 결괏값을 도출해 내어 현장 적용성을 높임으로써 스마트시티구현에 이바지하고자 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
GPR은 무엇인가?
따라서 본 논문에서는 시설물 내부의 철근의 두께를 예측하기 위해 지상 관통 레이더(Ground Penetrating Radar)를 이용하여 철근을 탐상하고 두께를 예측하는 기법을 제안하고자 한다. GPR은 비파괴시험(NDT, Non-Destructive Testing)을 위한 장비 중 하나로써, 다양한 주파수 대역의 전자기파를 지반 혹은 구조물 내로 전파한 후 내부에서 반사되는 신호를 분석하여 층리의 위치, 바위와 철근, 또는 파이프와 같은 매설물이나 동공을 찾는 데 많이 이용되고 있다(Rhee et al., 2017).
기존의 철근 두께 예측기법의 한계점은 무엇인가?
, 2018) 등 다양한 기법이 제안되고 있다. 그러나 기존의 철근 두께 예측기법에 관한 연구는 데이터 처리에 많은 시간을 소비하고, 밀집된 철근에 대해 신호 간섭(Noise)이 일어날 경우 효과적인 철근 직경의 추정 및 측정이 힘들다는 한계점이 존재한다. 또한 기존의 딥러닝 기법을 이용한 철근 두께 예측에 관한 연구는 정확도가 높지 않다는 한계점을 가지고 있다.
정밀 안전진단을 위해서 철근 두께에 대한 정보가 필수적인 이유는 무엇인가?
목감수질복원센터 철근 누락 시공(2013), 대우건설 시공 아파트 철근 누락(2014), 동부건설 아파트 천장 보 절단(2014) 등 국내의 시설물 부실시공 사례를 통해 볼 수 있듯이, 철근 누락 및 절단에 의한 부실시공의 사례가 빈번하게 발생하고 있는 것을 확인할 수 있다. 또한 최근 지진 발생빈도가 빈번해짐에 따라 시설물의 내진 설계가 강조되는 시점에서, 철근에 의한 부실시공 발생 시 흔들림에 취약해져 내진성능이 떨어지는 문제점이 발생하기 때문에 설계도면을 지키지 않은 규격 미달 철근의 사용 및 배근 시공은 안전에 매우 취약해질 수 있다. 특히, 규격 미달 철근 사용의 경우 정밀 안전진단을 위해서 철근 두께에 대한 정보가 필수적이다.
참고문헌 (12)
Kazuya, I., Shinichiro, I., Kyosuke, O., and Toshifumi, M. (2018), Object Detection in Ground-Penetrating Radar Images Using a Deep Convolutional Neural Network and Image Set Preparation by Migration, International Journal of Geophysics, 2018, 1-8.
Morton, K. (2015), Recognizing subsurface target responses in ground penetrating radar data using convolutional neural networks, SPIE.
Chae, J., Ko, H. Y., Lee, B. G., Kim, N. (2019), A Study on the Pipe Position Estimation in GPR Images Using Deep Learning Based Convolutional Neural Network, Journal of Internet Computing and Services, 20(4), 39-46.
Ko, H. Y., Kim, N. (2019), Performance Analysis of Detecting buried pipelines in GPR images using Faster R-CNN, Journal of Convergence for information Technology, 9(5), 21-26.
Venceslav, K., Sinisha P., Dimitar T. (2018), Detection and Classification of Land Mines from Ground Penetrating Radar Data Using Faster R-CNN, Published in 26th Telecommunications Forum, IEEE, Belgrade.
Windsor, C., Capineri, L., Falorni, P., Matucci, S., and Borgioli, G. (2005), The estimation of buried pipe diameters using ground penetrating radar, Journal of Insight, 47(7), 394-399.
Shihab, S., and AI-Nuaimy, W. (2005), Radius Estimation for Cylindrical Objects Detected by Ground Penetrating Radar, Journal of Subsurface Sensing Technologies and Applications, 6(2), 151-166.
Park, S. W., Kim, D. Y. (2018), Comparision of Image Classification Performance by Activation Functions in Convolutional Neural Networks, Journal of Korea Multimedia Society, 21(10), 1142-1149.
Bae, J., Kim, J. (2019), Deep Learning Music genre automatic classification voting system using Softmax, Journal of the Korea Institute of Information and Communication Engineering, 23(1), 27-32.
Rhee, J. Y., Kim, H. S., Choi, J. J. (2017), Deterioration Characteristics of Concrete Bridge Decks and Advances in Condition Assessment with Air-coupled GPR, Journal of the Korea Concrete Institute, 29(2), 737-738.
Lee, H. H. (2016), Image Processing of GPR Detection Data, Journal of the Korea Institute for Structural Maintenance and Inspection, 20(4), 104-110.
Ahn H. W (2009), Underground Buried GPR Exploration Study for Subway Construction, Inha University, Master degree paper.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.