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 연구에서는 영상기반 딥러닝 및 이미지 프로세싱 기법을 이용한 볼트풀림 손상검출 기법을 제안하였다. 이를 위해 먼저, 딥러닝 및 이미지 프로세싱 기반 볼트풀림 검출 기법을 설계하였다.
- 본 연구에서는 영상자료를 이용하는 볼트풀림 손상 검출 기법을 제시하였다. 이를 위해 먼저, 볼트풀림 손상 검출 기법으로서 RCNN 알고리즘을 이용한 볼트 검출기법과 및 이미지 프로세싱 기법을 이용한 볼트 풀림각도 추정 기법을 병합 구성 하였다.
가설 설정
- 영상의 노이즈 또는 계산상의 오류로 인한 모서리 검출 오류를 감소시키기 위하여 다음의 두 가지 제약조건을 설정하였다. 첫째, 검출된 모서리의 수는 육각볼트의 모서리수인 6 보다 작거나 같다. 둘째, 너트 이미지의 중심에서 검출된 가장자리까지의 거리는 이미지 크기의 1/4 보다 크다.
제안 방법
- 0~50° 범위의 수직 및 수평 촬영 각도에 대해 검토하였다.
- 이를 위해 먼저, 딥러닝 및 이미지 프로세싱 기반 볼트풀림 검출 기법을 설계하였다. RCNN(regional convolutional neural network) 기반 딥러닝 알고리즘을 통해 영상자료로부터 볼트 이미지를 검출하며, 이미지 프로세싱 기법을 통해 원근왜곡 교정 및 볼트 풀림 각도를 추정하였다. 다음으로 거더의 볼트연결부 모형을 대상으로 제안된 영상기반 볼트풀림손상 검출 기법의 성능을 검증하였다.
- RCNN(regional convolutional neural network) 기반 딥러닝 알고리즘을 통해 영상자료로부터 볼트 이미지를 검출하며, 이미지 프로세싱 기법을 통해 원근왜곡 교정 및 볼트 풀림 각도를 추정하였다. 다음으로 거더의 볼트연결부 모형을 대상으로 제안된 영상기반 볼트풀림손상 검출 기법의 성능을 검증하였다. 또한, 다양한 원근 왜곡 조건에 대하여 제안된 기법의 볼트풀림손상 검출 성능을 검토하였다.
- 먼저, 볼트 영상의 Hough 변환을 수행하여 너트의 모서리 방정식을 추출한다. 다음으로 너트의 모서리 방정식으로부터 볼트의 회전 각도를 계산하고, 볼트의 초기 각도와 비교하여 그 풀림각도를 결정한다.
- 이를 위해 먼저, 볼트풀림 손상 검출 기법으로서 RCNN 알고리즘을 이용한 볼트 검출기법과 및 이미지 프로세싱 기법을 이용한 볼트 풀림각도 추정 기법을 병합 구성 하였다. 다음으로 제안된 영상기반 볼트풀림 검출 기법은 거더의 볼트연결부 모형에 대한 볼트풀림 검출 실험을 수행하고 영상의 원근왜곡 조건에 대한 손상검출 성능을 분석하였다. 볼트 이미지 검출 성능의 경우, 40° 이하의 수평 및 수직 원근 왜곡 조건에 대해 80% 이상의 높은 검출률을 보였다.
- 다음으로, 2.2절의 이미지 프로세싱 기반 볼트풀림 각도 추정 기법을 통해 각 볼트의 각도를 산정하였다. 먼저, 볼트 연결부 영상은 호모그래피를 기반으로 원근왜곡을 교정하고 단일 볼트 이미지로 각각 분할하였다.
- 또한, Hough 변환을 통해 너트의 모서리를 검출하였다.
- 다음으로 거더의 볼트연결부 모형을 대상으로 제안된 영상기반 볼트풀림손상 검출 기법의 성능을 검증하였다. 또한, 다양한 원근 왜곡 조건에 대하여 제안된 기법의 볼트풀림손상 검출 성능을 검토하였다.
- 먼저, 2.1절의 RCNN 기반 볼트 검출기를 이용하여 볼트 연결부 영상으로부터 개개의 볼트를 검출하였다. Fig.
- 2절의 이미지 프로세싱 기반 볼트풀림 각도 추정 기법을 통해 각 볼트의 각도를 산정하였다. 먼저, 볼트 연결부 영상은 호모그래피를 기반으로 원근왜곡을 교정하고 단일 볼트 이미지로 각각 분할하였다. 또한, Hough 변환을 통해 너트의 모서리를 검출하였다.
- 이 기법은 다음의 과정을 통해 수행된다. 먼저, 볼트 영상의 Hough 변환을 수행하여 너트의 모서리 방정식을 추출한다. 다음으로 너트의 모서리 방정식으로부터 볼트의 회전 각도를 계산하고, 볼트의 초기 각도와 비교하여 그 풀림각도를 결정한다.
- , 2014). 먼저, 입력된 색상 이미지(input image)를 그레이스케일로 변환하고, 그레이스케일 이미지에서 경계 상자 개체 영역 후보(regional proposal)를 추출한다. 영역 후보 생성 시 선택적 검색 알고리즘(selective search algorithm)을 이용하였으며, 추출된 영역 후보는 일정한 크기로 맞추어진다.
- 1과 같이 볼트 이미지 검출(bolt identification)과 볼트플림각도 추정(bolt angle estimation)의 두 단계로 구성된다. 볼트 이미지 검출 단계에서는 RCNN(regional convolutional neural network)을 이용하여 영상자료로부터 볼트 이미지를 검출한다. 이를 위해 다양한 볼트 연결부 이미지 자료를 이용하여 RCNN 기반 볼트검출기(bolt detector)를 훈련시킨다.
- 호모그래피 기법을 통해 보정된 볼트 연결부 이미지는 단일 볼트 영상으로 분할한다. 분할된 단일 볼트 이미지로부터 볼트의 각도를 추정하기 위하여 Hough 변환 기반 볼트풀림 각도 추정기법을 개발하였다. 이 기법은 다음의 과정을 통해 수행된다.
- 촬영 각도에 의해 발생한 볼트연결부 이미지의 원근왜곡을 교정하고 개개의 볼트 이미지로 분할한다. 분할된 볼트 이미지에 대해 Hough 변환(hough line transform)을 수행하여 모서리를 검출하고 이로부터 볼트의 각도를 추정한다.
- 제안된 영상기반 볼트풀림 손상 검출 기법을 통해 거더 볼트 연결부 모형의 볼트풀림 손상을 추정하였다. 비손상 및 손상 조건하에 촬영된 176개의 볼트 연결부 이미지에 대하여 손상 검출 기법을 적용하였다.
- 서로 다른 풀림 정도에 대한 볼트풀림 손상 검출 성능을 검토하였다. 이를 위해 네개 볼트(Bolt 1, 3, 6, 8)에 대하여 서로 다른 정도의 풀림 상태를 모사하였다.
- 7의 기하학적 특성으로부터 식 (4)와 같이 0~60° 범위 내의 볼트풀림 각도로 산정하였다. 손상 여부를 판정하는 임계값 결정을 위하여 99.7%의 신뢰수준을 갖는 상한관리치(upper control limit, UCL)를 산정하였다. 만약, 상한관리치를 초과할 경우 볼트 풀림손상이 발생한 것으로 판정할 수 있으며, 상한관리치 값은 볼트풀림 검출의 정확도를 평가하기 위한 지표로도 사용될 수 있다.
- Hough 변환을 통해 영상공간의 모든 점은 Hough 공간의 선으로 변환되고, Hough 공간상에서 교차가 많이 발생하는 점은 너트의 모서리에 해당된다. 영상의 노이즈 또는 계산상의 오류로 인한 모서리 검출 오류를 감소시키기 위하여 다음의 두 가지 제약조건을 설정하였다. 첫째, 검출된 모서리의 수는 육각볼트의 모서리수인 6 보다 작거나 같다.
- 원근왜곡의 정도에 따른 영상별 볼트 검출 정확도를 분석하였다. 0~50° 범위의 수직 및 수평 촬영 각도에 대해 검토하였다.
- 서로 다른 풀림 정도에 대한 볼트풀림 손상 검출 성능을 검토하였다. 이를 위해 네개 볼트(Bolt 1, 3, 6, 8)에 대하여 서로 다른 정도의 풀림 상태를 모사하였다. Bolt 1은 5°, Bolt 3은 16.
- 본 연구에서는 영상기반 딥러닝 및 이미지 프로세싱 기법을 이용한 볼트풀림 손상검출 기법을 제안하였다. 이를 위해 먼저, 딥러닝 및 이미지 프로세싱 기반 볼트풀림 검출 기법을 설계하였다. RCNN(regional convolutional neural network) 기반 딥러닝 알고리즘을 통해 영상자료로부터 볼트 이미지를 검출하며, 이미지 프로세싱 기법을 통해 원근왜곡 교정 및 볼트 풀림 각도를 추정하였다.
- 본 연구에서는 영상자료를 이용하는 볼트풀림 손상 검출 기법을 제시하였다. 이를 위해 먼저, 볼트풀림 손상 검출 기법으로서 RCNN 알고리즘을 이용한 볼트 검출기법과 및 이미지 프로세싱 기법을 이용한 볼트 풀림각도 추정 기법을 병합 구성 하였다. 다음으로 제안된 영상기반 볼트풀림 검출 기법은 거더의 볼트연결부 모형에 대한 볼트풀림 검출 실험을 수행하고 영상의 원근왜곡 조건에 대한 손상검출 성능을 분석하였다.
- 제안된 영상기반 볼트풀림 손상 검출 기법을 통해 거더 볼트 연결부 모형의 볼트풀림 손상을 추정하였다. 비손상 및 손상 조건하에 촬영된 176개의 볼트 연결부 이미지에 대하여 손상 검출 기법을 적용하였다.
- 확률경사하강법은 1×10-6의 초기 학습률, 100 epoch의 학습률 하강주기 및 128개 이미지의 미니배치 사이즈를 이용하며, 500 epoch(5,000회 반복)의 반복훈련이 수행되었다.
대상 데이터
- 대상 볼트연결부는 8쌍의 볼트-너트 (D20)와 스플라이스 플레이트(310×200×10mm)로 구성된다.
- 전이학습법은 대량의 훈련 이미지로 사전 훈련(pre-train)하고 이를 새로운 검출 과제 해결을 위한 시작점으로 활용함에 따라, 훈련 데이터 수와 훈련 시간을 크게 줄일 수 있다는 장점이 있다. 볼트 검출기는 CIFAR-10 데이터 세트(Krizhevsky et al., 2009)에 내장된 50,000개의 훈련 이미지를 통해 사전 훈련되었다. 이때 사용된 훈련 알고리즘은 0.
- 대상 볼트연결부는 8쌍의 볼트-너트 (D20)와 스플라이스 플레이트(310×200×10mm)로 구성된다. 볼트 연결부의 영상 취득을 위하여 스마트폰 카메라(iPhone, AF 28mm, f/2.4)를 이용하였다. 취득된 영상의 해상도는 4032×3024 픽셀이다.
- 실제 현장에서 정면 촬영이 어려울 수 있는 점을 고려하여 0~50° 범위내의 다양한 수평 및 수직방향 촬영 각도에서 영상을 취득하였다.
- 학습이미지용 볼트 연결부는 8개의 D20 규격 볼트와 회색으로 도색한 스플라이스 플레이트(310×200×10mm)로 구성되었다. 이미지는 DSLR 카메라(Nicon D7000, Tamron AF 17~50mm, f/2.8)로 다양한 각도 및 조명 조건에서 촬영되었다. 카메라와 볼트연결부까지의 거리는 1m이며, 촬영 영상의 해상도는 3253×4928 픽셀이다.
- 학습이미지용 볼트 연결부는 8개의 D20 규격 볼트와 회색으로 도색한 스플라이스 플레이트(310×200×10mm)로 구성되었다.
데이터처리
- 본 연구에서 제시한 영상기반 볼트풀림 손상 검출 기법의 성능 검증을 수행하였다. 이를 위해 Fig.
이론/모형
- RCNN 기반 볼트 검출기는 신경망 훈련을 위해 전이학습법 (transfer learning)을 채택하였다. 전이학습법은 대량의 훈련 이미지로 사전 훈련(pre-train)하고 이를 새로운 검출 과제 해결을 위한 시작점으로 활용함에 따라, 훈련 데이터 수와 훈련 시간을 크게 줄일 수 있다는 장점이 있다.
- 먼저, 입력된 색상 이미지(input image)를 그레이스케일로 변환하고, 그레이스케일 이미지에서 경계 상자 개체 영역 후보(regional proposal)를 추출한다. 영역 후보 생성 시 선택적 검색 알고리즘(selective search algorithm)을 이용하였으며, 추출된 영역 후보는 일정한 크기로 맞추어진다. 다음으로 RCNN을 통해 영역 후보의 특징 벡터(feature vector)를 계산한다.
- 호모그래피 기반 원근왜곡 교정 임의의 촬영 각도 조건에서 취득된 영상의 원근왜곡 현상을 보정하기 위하여 호모그래피(homography) 행렬을 이용하였다. 호모그래피 행렬은 한 평면을 다른 평면에 투영시켰을 때 투영된 대응점들 사이에 생기는 일정한 변환관계를 표현한다.
성능/효과
- 75°로 정면 촬영 이미지 경우에 비해 다소 높게 산정되었다. 4개의 볼트풀림 손상은 모두 손상으로 정확하게 판정되었으며 풀림각도 또한 정확하게 추정되었다. Fig.
- 4는 RCNN 기반 볼트 검출기의 훈련 진행 상황을 나타낸다. 5,000회의 반복 후 볼트 검출기의 정확도는 99.22%로 나타났다(Fig. 4(a)).
- 50°의 촬영 각도 조건에서 수평방향의 경우 검출률이 약 65%까지 감소하였으며, 수직방향의 경우 33%의 볼트만이 검출되었다.
- 그 결과, Fig. 11에 도시한 바와 같이 30° 이하의 수평 및 수직 촬영 각도에서는 8개의 모든 볼트가 정확하게 검출되었다.
- 다음으로 사전 훈련된 신경망은 58개 볼트 연결부 이미지를 이용한 훈련을 통해 볼트 검출에 적합하도록 개선되었다. 사전 훈련 과정이 없으면 RCNN 기반 볼트 검출기 훈련에 훨씬 더 많은 훈련 영상이 필요할 수 있다.
- 첫째, 검출된 모서리의 수는 육각볼트의 모서리수인 6 보다 작거나 같다. 둘째, 너트 이미지의 중심에서 검출된 가장자리까지의 거리는 이미지 크기의 1/4 보다 크다.
- 볼트 이미지 검출 성능의 경우, 40° 이하의 수평 및 수직 원근 왜곡 조건에 대해 80% 이상의 높은 검출률을 보였다.
- 볼트 이미지 검출 성능의 경우, 40° 이하의 수평 및 수직 원근 왜곡 조건에 대해 80% 이상의 높은 검출률을 보였다. 볼트풀림 각도 검출 성능의 경우, 원근 왜곡 정도가 커짐에 따라 풀림각도 검출 정확도가 감소하는 경향을 보였으며 40°의 원근왜곡 조건에 대하여 약 5°의 작은 검출 오차가 발생하는 것으로 분석되었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.