[논문]선박의 기관실에서의 연기 검출을 위한 LBP-GLCM 알고리즘에 관한 연구

박경민

doi:10.7837/kosomes.2019.25.1.111

선박의 기관실에서의 연기 검출을 위한 LBP-GLCM 알고리즘에 관한 연구
A Study on Smoke Detection using LBP and GLCM in Engine Room 원문보기

海洋環境安全學會誌 = Journal of the Korean society of marine environment & safety, v.25 no.1, 2019년, pp.111 - 116

초록
AI-Helper

선박의 기관실에서 사용하고 있는 화재 검출기는 연기나 열이 검출기에 도달해야 하지만 기관실의 공기 흐름은 기기의 사용유무에 따라 매우 유동적이기 때문에 상부에 설치된 검출기에 도달하기에는 많은 시간이 필요하다. 이러한 단점을 보완하기 위해 근래에는 영상을 기반으로 화재를 검지하는 연구가 이루어지고 있다. 영상기반의 연기 검지는 공기의 흐름에 영향을 받지 않으며 전송속도가 빠르기 때문에 화재의 초기 검지에 효율적이다. 본 연구는 기관실에서 연기 발생기로 발생시킨 연기의 확산모습을 녹화한 영상으로 실험을 수행하였다. 연기의 질감특징을 추출하는 LBP와 GLCM연산자를 사용하여 생성된 학습 데이터를 기계학습 분류기인 SVM으로 학습한 후 분류하여 검출 성능을 평가함으로서 연기가 상부에 설치되어 있는 검출기까지 상승하지 않더라도 영상기반으로 먼저 검지 가능함을 확인하였다.

Abstract ▼ AI-Helper

The fire detectors used in the engine rooms of ships offer only a slow response to emergencies because smoke or heat must reach detectors installed on ceilings, but the air flow in engine rooms can be very fluid depending on the use of equipment. In order to overcome these disadvantages, much research on video-based fire detection has been conducted in recent years. Video-based fire detection is effective for initial detection of fire because it is not affected by air flow and transmission speed is fast. In this paper, experiments were performed using images of smoke from a smoke generator in an engine room. Data generated using LBP and GLCM operators that extract the textural features of smoke was classified using SVM, which is a machine learning classifier. Even if smoke did not rise to the ceiling, where detectors were installed, smoke detection was confirmed using the image-based technique.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 선박의 기관실에서 발생하는 연기를 영상의 질감특징을 기반으로 검출하고자 하였다. 특징 추출은 LBP-GLCM로 적용하고 SVM 분류기로 연기의 유무를 판단하여, Video 1과 2의 검출률, 오검출, 정확도의 평균은 각각 0.
연기의 검출은 실외와 실내, 낮과 밤, 공기의 흐름, 조명 등의 환경에 많은 영향을 받는다. 본 논문에서는 정박 중인 선박 기관실에서 발생하는 연기를 영상 기반으로 검출하였다. 선박 기관실은 엔진, 보조기계, 가연성 물질, 전기배전 등으로 인해 연기가 발생할 수 있으며, 기관실의 조명은 일정하며 팬과 기계의 동작에 따라 공기흐름이 달라진다.

제안 방법

LBP는 중심화소와 이웃한 화소간의 차이를 대소 관계로 나타낸 것으로 대비의 정도를 알 수 없으나 GLCM과 혼합함으로서 이를 보안할 수 있다. LabVIEW의 Vision Development 기반으로 선박 기관실에서 발생하는 연기를 영상 기반으로 검출하기 위해 질감특징을 추출하는 연산자와 분류기를 사용하여 연기검출 성능을 평가하였다.
각각의 16×16화소의 영상을 가우스 피라미드를 이용하여 8×8과 4×4화소의 영상을 만들어 LBP와 GLCM으로 특징을 추출하여 분류기로 학습시킨다.
2는 배경을 갱신하기 위한 과정의 흐름도를 나타내고 있다. 배경 이미지의 갱신은 움직임 영역의 크기가 설정치 이하거나 이전의 영상에서 연기검출이 되지 않으면 갱신하도록 하였다. 이는 움직임이 있거나 이전 영상에 연기가 있으면 배경이 갱신되지 않아 계속적으로 같은 배경 영상으로부터 움직임 영역을 검출할 수 있다.
연기의 분류는 SVM 분류기를 이용하였다. SVM은 다른 부류의 데이터들을 최대한의 거리로 분리시키는 초평면을 찾는 것으로 Fig.
분류기로 데이터를 학습하기 위해 연기와 비연기로 나누어 선정해야 한다. 입력된 영상을 전처리 과정을 거쳐 320x240의 명암도 영상으로 변환한 후 16x16화소의 20x15블록으로 구분한다. 각각의 16×16화소의 영상을 가우스 피라미드를 이용하여 8×8과 4×4화소의 영상을 만들어 LBP와 GLCM으로 특징을 추출하여 분류기로 학습시킨다.
선박 기관실은 엔진, 보조기계, 가연성 물질, 전기배전 등으로 인해 연기가 발생할 수 있으며, 기관실의 조명은 일정하며 팬과 기계의 동작에 따라 공기흐름이 달라진다. 질감특징 연산자인 LBP와 GLCM을 혼합하여 특징을 추출하였다. LBP는 중심화소와 이웃한 화소간의 차이를 대소 관계로 나타낸 것으로 대비의 정도를 알 수 없으나 GLCM과 혼합함으로서 이를 보안할 수 있다.
8은 전체적인 분류과정의 흐름도를 나타내고 있다. 크게 학습과 분류의 과정으로 나누어지며, 우선 연기와 비연기의 영상으로 특징 벡터를 추출하여 SVM으로 학습한다. 분류과정은 입력한 영상을 전처리한 후 차영상으로 후보영역을 선정하고 특징 벡터를 추출하여 학습한 데이터를 기반으로 SVM 분류기를 이용하여 연기의 유무를 판단한다.
학습한 데이터를 기반으로 녹화한 영상에서 연기의 검출 성능을 평가하였다. Table 1은 분류기의 성능을 표현하기 위한 4가지 결과를 나타내는 것으로, 이를 바탕으로 분류결과를 Table 2의 오차행렬로 나타내었다.

대상 데이터

본 연구에서는 선박의 기관실에서 연기발생기를 이용하여 녹화한 영상으로 실험을 수행하였다. PC사양은 Intel(R) Xeon(R) CPU E-51620 v4, 3.
5GHz, 8GB RAM이며, 카메라, 렌즈, 그리고 연기발생기는 각각 Basler acA1600-20gc, Computar M0814MP2, 그리고 Sandy SFM-400W 모델이다. 실험 장소는 정박된 목포해양대학교 실습선 새누리호의 기관실로 우현의 보일러 앞과 발전기실 입구에서 연기를 발생시켜 각각 178 프레임과 244 프레임의 영상을 녹화하였다.
근래에는 연기의 부드러움, 거친, 규칙성 등의 성질을 가지고 있는 질감특징을 이용한 검출방법들이 많이 사용되고 있다. 질감특징을 추출하기 위해 LBP(Local Binary Pattern), GLCM(Gray Level Co-occurrence Matrix), DT-CWT(Dual-Tree Complex Wavelet Transform)등의 연산자가 사용되며, SVM(Support Vector Machine)과 같은 기계학습 분류기를 통해 연기를 검출한다(Maruta et al., 2009, Wang et al., 2016, Park, 2018).

이론/모형

특징 추출 설정은 16×16, 8×8, 그리고 4×4화소에서 LBP의 히스토그램 빈은 59, 36, 그리고 16이며, GLCM은 이웃한 화소의 명암도 차이를 나타내는 Contrast와 2×2 거리에서 레벨을 64, 32, 그리고 16으로 하였다. Fig. 9는 LBP-GLCM으로 특징을 추출하여 학습한 데이터로, SVM 분류기의 RBF(Radial Basis Function) 커널 nu-SVC 모델을 사용하였다.
IMAQ Resample 노드를 이용하여 해상도의 크기를 변경하고, 보간법에는 최근접 이웃(Zero order), 쌍일차(Bi-linear), 이차원(Quadratic), 그리고 3차 스플라인(Cubic Spline)이 있다. 본 연구에는 이차원 보간법을 사용하였으며, 이는 16개의 최근접 이웃을 이용한 2차 방정식을 사용하는 것으로 세세한 부분까지 잘 보존하지만 연산시간은 조금 증가된다(Gonzalez and Richard, 2009a). 해상도가 변경된 영상은 영상 처리를 위해 명암도 영상으로 변경하여야 하며 IMAQ ExtractSingleColorPlane 노드를 이용한다.
연기의 후보영역을 선정하기 위해 차영상 방법을 사용하였다. 차영상은 두 개의 이미지 간에 픽셀차를 비교한 것으로 배경에서 움직임 검출에 유용하다.

성능/효과

본 논문에서는 선박의 기관실에서 발생하는 연기를 영상의 질감특징을 기반으로 검출하고자 하였다. 특징 추출은 LBP-GLCM로 적용하고 SVM 분류기로 연기의 유무를 판단하여, Video 1과 2의 검출률, 오검출, 정확도의 평균은 각각 0.978, 0.161, 0.949를 나타내었다.

후속연구

화재의 조기 검지를 위하여 현재 사용되고 있는 화재 검출기 대신 영상 기반을 적용한다면 화재의 경보를 신속하게 함으로서 초기 진압할 수 있는 여건이 증가하므로 인명과 재화의 피해를 줄일 수 있을 것이다. 성능을 향상시킬 수 있는 특징과 분류방법을 계속적으로 연구하여야하며, 시스템으로 적용하기 위해서는 연기만아니라 불꽃이나 사람 등의 다른 객체와 조합하여 이루어져야 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	선내의 화재발생이 위험한 이유는 무엇인가?	선내는 유류, 화물, 전기, 설비 등의 불에 타기 쉬운 가연성 물질로 인해 화재의 위험이 존재하며, 육상의 화재와는 달리 접근성, 장비, 인력, 해상환경 등이 열악하므로 대형화재로 이어져 인명과 재화에 큰 손실을 입히게 된다(Korea Maritime Safety Tribunal, 2018). 화재의 검지와 소화를 위한 소화설비의 규약은 IMO(International Maritime Organization)의 SOLAS(Safety of Life at Sea)를 근간으로 화재 검지기, 화재경보기, 전원 설비 및 제어반 등에 대한 협약이 체결되어 있다(SOLAS, 1974).
	이차원 보간법이란?	IMAQ Resample 노드를 이용하여 해상도의 크기를 변경하고, 보간법에는 최근접 이웃(Zero order), 쌍일차(Bi-linear), 이차원(Quadratic), 그리고 3차 스플라인(Cubic Spline)이 있다. 본 연구에는 이차원 보간법을 사용하였으며, 이는 16개의 최근접 이웃을 이용한 2차 방정식을 사용하는 것으로 세세한 부분까지 잘 보존하지만 연산시간은 조금 증가된다(Gonzalez and Richard, 2009a). 해상도가 변경된 영상은 영상 처리를 위해 명암도 영상으로 변경하여야 하며 IMAQ ExtractSingleColorPlane 노드를 이용한다.
	열과 연기를 이용하는 감지기의 단점은 무엇인가?	선박에서 사용되는 자동화재 경보장치는 열과 연기를 이용하는 감지기를 사용하고 있으며, 일정 면적이나 장비의 상부에 설치되어 있다. 연기 검출기는 연기의 농도가 쌓여 일정 이상이 되었을 때 검출하며, 열 감지기 또한 발화점부터 열 검출기까지 열이 전달되어야 감지한다. 이는 화재의 초기 감지에 어려움이 있어 그 대안으로 비디오 기반의 화재 감지기가 연구되고 있다(Gottuk et al.

참고문헌 (15)

Albregtsen, F.(2008), Statistical Texture Measures Computed from Gray Level Coocurrence Matrices, Fritz Albregtsen Image Processing Laboratory Department of Informatics university of Oslo, https://www.uio.no/studier/emner/matnat/if i/INF4300/h08/undervisningsmateriale/glcm.pdf (Accessed: 2018. 10. 29.).
Gonzalez, R. C. and E. W. Richard(2009a), Digital Image Processing, p. 983.
Gonzalez, R. C. and E. W. Richard(2009b), Digital Image Processing, pp. 553-555.
10.1016/j.firesaf.2005.12.007 Gottuk, D. T., J. A. Lynch, S. L. Rose-Pehrsson, J. C. Owrutsky and F. W. Williams(2006), Video Image Fire Detection for Shipboard use, Fire Safety Journal, Vol. 41, No. 4, pp. 321-326.

상세보기
Hong, S. H., C. H. Park, S. T. Park and S. H. Yu(2009), A Study on the Fire Detection Technology for Fire Protection of Ships, Proceedings of the 2009 Korea Marine Engineering Conference, Vol. 6, pp. 241-242.
Korea Maritime Safety Tribunal(2018), Static of accident at sea in Korea, https://www.kmst.go.kr (Accessed: 2018. 10. 16.).
Long, C., J. Zhao, S. Han, L. Xioung, Z. Yuan, j. Huang and W. Gao(2010), Transmission: A New Feature for Computer Vision Based Smoke Detection, International Conference on Artificial Intelligence and Computational Intelligence, LNAI 6319, pp. 389-396.
Maruta, H., Y. Kato, A. Nakamura and F. Kurokawa(2009), Smoke Detection in Open Areas its texture features and Time Series Properties, Proceedings of the IEEE International Symposium on Industrial Electronics, Seoul, South Korea, pp. 1904-1908.
10.1016/j.eswa.2017.07.007 Pan, Z., Z. Li, H. Fan and X. Wu(2017), Feature based Local Binary Pattern for Rotation Invariant Texture Classification, Expert Systems with Applications, Vol. 88, pp. 238-248.

상세보기
Park, K. M.(2018), A Study on smoke Detection using LBP-SVM in Ship’s Engine Room, Ph.D. Dissertation, Department of Geopraphy, Mokpo Maritime University.
SOLAS(1974), Safety of Life at Sea, regulation Ⅱ-2A, Fire Protection, Fire Detection and Fire Extinction.
Ye, W., J. Zhao, S. Wang, Y. Wang, D. Zhang and Z. Yuan(2015), Dynamic Texture based Surfacelet transform and HMT model, Vol. 73, pp. 91-101.
10.1007/s10694-009-0110-z Yu, C., J. Fang, J. Wang and Y. Zhang(2010), Video Fire Smoke Detection Using Motion and Color Feature, Fire Technology, Vol. 46, No. 3, pp. 651-663.

상세보기
10.1016/j.patrec.2008.01.013 Yuan, F.(2008), A Fast Accumulative Motion Orientation Model based on Integral Image for Video Smoke Detection, Pattern Recognition, Vol. 29, No. 7, pp. 925-932.

상세보기
10.1109/WCICA.2016.7578611 Wang, Y., A. Wu, J. Zhang, M. Zhao, W. Li and N. Dong(2016), Fire Smoke Detection Based on Texture Features and Optical Flow Vector of Contour, World Congress on Intelligent Control and Automation, pp. 2879-2883.

저자의 다른 논문 :

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