[논문]송전선로 자동추적 카메라 짐벌 및 154 kV 송전선로 현장시험

김석태; 박준영; 이재경; 함지완

doi:10.18770/kepco.2019.05.03.149

송전선로 자동추적 카메라 짐벌 및 154 kV 송전선로 현장시험
Auto-Tracking Camera Gimbal for Power Line Inspection Drone and its Field Tests on 154 kV Transmission Lines 원문보기

KEPCO Journal on electric power and energy, v.5 no.3, 2019년, pp.149 - 156

김석태 (KEPCO Research Institute, Korea Electric Power Corporation) , 박준영 (KEPCO Research Institute, Korea Electric Power Corporation) , 이재경 (KEPCO Research Institute, Korea Electric Power Corporation) , 함지완 (KEPCO Research Institute, Korea Electric Power Corporation)

초록
AI-Helper

송전선로 현장에서는 2017년도부터 송전선로 순시 점검에 드론을 활용하기 시작했다. 전력연구원의 송전선로 드론점검 시범적용을 시작으로 현재 4개 지역본부에서 전력연구원이 개발한 송전선로 드론순시 점검기술을 현장에서 사용 중에 있다. 현재 점검드론 지상관제시스템을 활용하여 드론은 자동비행하고 광학줌 카메라와 열화상카메라의 짐벌은 현장작업자가 수동으로 조종하여 송전선을 촬영하는 체계로 운영되고 있다. 송전선로 드론점검은 작업자가 접근하기 어려운 지역, 예를 들면, 강횡단지역, 해월구간, 산간지역 등에 위치한 송전선로가 그 주요대상이다. 특히 산간지역의 경우, 점검드론과 지상관제시스템 사이에 장애물이 많고 철탑 구조물이 전파간섭을 일으켜 간헐적으로 통신장애가 일어나곤 한다. 이런 통신장애는 계획된 경로로 비행하는 점검드론의 자동비행에는 영향이 없지만, 카메라 짐벌의 제어에는 영향을 주어 제어불능 상태로 되는 경우가 있다. 또한, 카메라 짐벌의 제어가 원활하더라도 통신장애로 인해 발생하는 간헐적 영상 끊김 현상은 현장작업자가 점검대상을 잃어 카메라 짐벌 조정을 불가능하게 한다. 그러므로 본 논문에서는 간헐적 짐벌제어 끊김이나 영상 끊김 현상이 발생하더라도 지속적으로 송전선을 점검할 수 있도록 하기 위하여 딥러닝 기반 영상인식을 통해 송전선을 자동으로 추적하는 카메라 짐벌을 개발하여 현장 시험한 결과를 소개하고자 한다.

Abstract ▼ AI-Helper

In the field of maintenance of power transmission lines, drones have been used for their patrol and inspection by KEPCO since 2017. This drone technology was originally developed by KEPCO Research Institute, and now workers from four regional offices of KEPCO have directly applied this technology to the drone patrol and inspection tasks. In the drone inspection system, a drone with an optical zooming camera and a thermal camera can fly automatically along the transmission lines by the ground control system developed by KEPCO Research Institute, but its camera gimbal has been remotely controlled by a field worker. Especially the drone patrol and inspection has been mainly applied for the transmission lines in the inaccessible areas such as regions with river-crossings, sea-crossings and mountains. There are often communication disruptions between the drone and its remote controller in such extreme fields of mountain areas with many barriers. This problem may cause the camera gimbal be out of control, even though the inspection drone flies along the flight path well. In addition, interference with the reception of real-time transmitted videos makes the field worker unable to operate it. To solve these problems, we have developed the auto-tracking camera gimbal system with deep learning method. The camera gimbal can track the transmission line automatically, even when the transmitted video on a remote controller is intermittently unavailable. To show the effectiveness of our camera gimbal system, its field test results will be presented in this paper.

주제어

표/그림 (20)

그림 Fig. 1. 드론점검영상 샘플. (a) 영상번짐(스페이서). (b) 양질영상(스페이서). (c) 영상번짐(애자련). (d) 양질영상(애자련).
표 Table. 1 드론점검의 작업환경 분석
그림 Fig. 2. 송전선 영상처리를 위한 디바이스 선정. (a) DJI M600. (b) Jetson TX2. (c) DJI Ronin-MX 짐벌.
그림 Fig. 3. 학습에 사용된 이미지 샘플.
표 Table. 2 CNN 아키텍처의 정확도와 처리속도 비교
표 Table. 3 학습모델별 정확도와 처리속도 비교 [6]
표 Table. 4 학습 및 검증에 사용된 이미지
표 Table. 5 송전선로 설비의 검출 결과
그림 Fig. 4. 점검드론의 FPV영상 및 경로에 따른 설비배열.
그림 Fig. 5. 점검 중 망원줌인 화각.
그림 Fig. 6. 카메라 짐벌의 제어각.
표 Table. 6 송전선 자동추종을 위한 제어 시나리오
표 Table. 7 딥러닝 아키텍처 현장시험 애자련 결과
그림 Fig. 7. 애자련 추종 선정방안. (a) 애자련 중심점과 영상 중심점 Offset. (b) 애자련 1개. (c) 애자련 2개.
그림 Fig. 8. 점검동영상으로 송전선 검출 예. (a) 검출된 송전선이 1개인 경우, (b) 검출된 송전선이 1개 이상인 경우.
그림 Fig. 9. 송전선 추종 선정방안.
그림 Fig. 10. 애자련 및 송전선 추종 알고리즘. (a) 애자련 추종. (b) 송전선 추종.
그림 Fig. 11. 점검드론 및 영상처리 디바이스 구성.
그림 Fig. 12. 애자련 추종 현장시험.
그림 Fig. 13. 송전선 추종 현장시험.

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 송전선로 드론점검 중 작업자가 수동으로 카메라 짐벌을 조종하는 작업을 자동화하기 위하여 딥러닝을 이용하여 송전선 및 설비를 검출하여 송전선을 자동으로 추종하는 알고리즘을 제안하였다. 이를 위해 YOLOv2의 CNN 아키텍처와 Darknet-Reference 학습모델로 송전설비를 검출하고 본 논문에서 제시한 애자련 및 송전선 추종알고리 즘을 이용하여 카메라 짐벌의 Yaw, Roll, Pitch각을 제어하여 송전선을 자동으로 추종하였다.

제안 방법

또한, 학습모델을 선정하기 위하여 Table. 3과 같이 정확도와 처리속도의 비교 데이터를 검토한 결과, 상대적 검출 정확도가 우수하면서 처리속도가 높은 Darknet-reference를 선정하였다.
송전선 추종을 위해서는 먼저 시작점인 애자련을 검출하여 추종해야 한다. 먼저 송전선로 드론점검 시범적용으로 취득된 점검 동영상으로 애자련 검출시험을 수행하였다. Fig.
상기의 영상학습결과와 추종 알고리즘을 검증하기 위하여 실제 송전선로 현장에서 점검드론으로부터 실시간으로 영상을 수신 받아 애자련 및 송전선을 검출하고 추종하는 시험을 수행하였다. 현장시험을 수행을 위하여 Fig.
송전선의 경우에도 확보된 드론점검 동영상을 이용하여 송전선 검출시험을 수행하였다. Fig.
본 논문에서는 송전선로 드론점검 중 작업자가 수동으로 카메라 짐벌을 조종하는 작업을 자동화하기 위하여 딥러닝을 이용하여 송전선 및 설비를 검출하여 송전선을 자동으로 추종하는 알고리즘을 제안하였다. 이를 위해 YOLOv2의 CNN 아키텍처와 Darknet-Reference 학습모델로 송전설비를 검출하고 본 논문에서 제시한 애자련 및 송전선 추종알고리 즘을 이용하여 카메라 짐벌의 Yaw, Roll, Pitch각을 제어하여 송전선을 자동으로 추종하였다. 또한, 송전선로의 점검영상 중 일부 이미지를 샘플링하여 점검드론 운용시스템으로 전송하여 시각화할 수 있다.
이번 현장시험에서는 먼저 154 kV 송전선로의 송전선을 대상으로 현장실증시험을 수행하였고 2도체인 송전선과 가공지선을 추종하는 알고리즘을 검증하였다. 하지만, 345 kV와 765 kV 송전선인 4도체와 6도체의 송전선에 대한 자동 추적 알고리즘은 개발 중에 있고 철탑의 송전설비 점검도 자동화하기 위하여 복잡하게 배열된 송전설비의 추종알고리즘도 현재 개발 중에 있다.
상기와 같이 구성된 디바이스를 이용하여 전력연구원 인근 154 kV 대덕-덕진 T/L 5-6호기 경간을 대상으로 현장 시험을 수행하였다. 전력연구원에서 개발한 지상관제시스템과 연계하여 전력연구원 운동장에서 드론을 이륙시켜 자동 비행하였다. Fig.
상기의 영상학습결과와 추종 알고리즘을 검증하기 위하여 실제 송전선로 현장에서 점검드론으로부터 실시간으로 영상을 수신 받아 애자련 및 송전선을 검출하고 추종하는 시험을 수행하였다. 현장시험을 수행을 위하여 Fig. 11과 같이 DJI사 M600 드론에 Jetson TX2를 설치하고 Ronin MX에 광학카메라 Sony AX100을 탑재하여 실시간 영상을 전송받고 녹화할 수 있도록 디바이스를 구성하였다.

대상 데이터

게다가 현장시험에 사용될 Jetson TX2의 GPU 성능 [5]은 더욱 낮기 때문에 실시간 검출이 어려울 것으로 예상된다. 그러므로 딥러닝 아키텍처로 상대적으로 정확도와 처리속도가 상대적으로 우수한 YOLOv2를 선정하였다.
하지만, 추후 개발과정에서 발생할 수 있는 확장성을 고려하여 Jetson TX2을 선정하였다. 또한, 현장시험을 위해 전력연구원에서 개발한 지상관제시스템과 연계 가능한 드론인 DJI사 M600과 M600에 탑재 가능한 카메라 짐벌인 로닌 MX [3]을 선정하였다.
상기와 같이 구성된 디바이스를 이용하여 전력연구원 인근 154 kV 대덕-덕진 T/L 5-6호기 경간을 대상으로 현장 시험을 수행하였다. 전력연구원에서 개발한 지상관제시스템과 연계하여 전력연구원 운동장에서 드론을 이륙시켜 자동 비행하였다.
2. 송전선 영상처리를 위한 디바이스 선정. (a) DJI M600.
3. 학습에 사용된 이미지 샘플.

성능/효과

7의 결과는 임베디드 디바이스 Nvidia Jetson TX2 (GPU Core 256개)의 결과이며 CNN 아키텍처를 비교하기 위해 Table. 2에서 사용한 Geforce GTX Titan X (GPU Core 3072, YOLOv2: 67 FPS)에 보다 GPU 코어수 1/10 이상 낮은 디바이스로 측정한 결과로 속도는 Core 수에 비해 7.8 FPS로 다소 높게 측정되었다.
피뢰기의 경우, 탐지율과 정확도가 낮은 편이지만, 송전선을 인식하여 추종하기 위한 시작점인 애자련의 탐지율과 정확도가 높기 때문에 대체가능하고 송전선 추종의 중간 확인점이 될 스페이서의 탐지율과 정확도도 낮지 않은 수준이다. 또한, 가공지선을 추종하는 중간 확인점인 항공장애표시구는 매우 높은 탐지율과 정확도를 얻을 수 있었다.
본 논문에서 영상처리를 위하여 NVDIA의 Jetson TX2와 삼성전자의 스마트폰인 노트8을 선정하여 검토한 결과, 노트8은 배터리가 기본 장착되어 있고 안드로이드 체계로 오픈소스가 다양하여 개발에 용이한 반면 LCD화면 등 불필요한 장치와 일체형 배터리팩 등으로 무거운 단점이 있다. Jetson TX2는 AI에 적합한 모듈로 인공지능 분야 기능 확장이 용이한 반면 구현을 위한 H/W를 별도로 구성해야 하는 단점이 있다.
13에서는 2도체 송전선과 4도체 송전선이 촬영된 화면에서 송전선을 검출하여 카메라 짐벌이 송전선을 추종함을 확인할 수 있었다. 송전선 추종은 8 FPS 수준의 속도로 검출되었으며 검출정보에 따라 실시간으로 선로 추종되어 화면 내 선로 형상을 지속 관찰할 수 있었다.

후속연구

향후, 345 kV 및 765 kV 송전선 추종과 철탑의 복잡하게 배열된 송전설비의 추종 알고리즘이 개발되어 점검드론의 카메라 짐벌이 자동화 된다면 여러 대의 점검드론을 편대비 행하여 송전선로를 양쪽 회선을 동시에 점검할 수 있고 2대의 점검드론을 작업자 3명이 운용할 수 있어 현장에서의 작업효율이 매우 높아질 것으로 기대된다 [7].

질의응답

핵심어	질문	논문에서 추출한 답변
	드론에 탑재된 카메라 영상을 딥러닝 알고리즘을 이용하여 송전선을 원활히 검출하기 위해서는 어떠한 것이 필요한가?	드론에 탑재된 카메라 영상을 딥러닝 알고리즘을 이용하여 송전선을 원활히 검출하기 위해서는 양질의 점검영상과 실시간 영상처리 시스템을 필요로 한다. Fig.
	송전선로 드론점검의 주요대상은?	현재 점검드론 지상관제시스템을 활용하여 드론은 자동비행하고 광학줌 카메라와 열화상카메라의 짐벌은 현장작업자가 수동으로 조종하여 송전선을 촬영하는 체계로 운영되고 있다. 송전선로 드론점검은 작업자가 접근하기 어려운 지역, 예를 들면, 강횡단지역, 해월구간, 산간지역 등에 위치한 송전선로가 그 주요대상이다. 특히 산간지역의 경우, 점검드론과 지상관제시스템 사이에 장애물이 많고 철탑 구조물이 전파간섭을 일으켜 간헐적으로 통신장애가 일어나곤 한다.
	애자련 검출시험의 주의점은?	Fig. 7에서와 같이 애자련이 1개만 검출된 경우는 애자련의 중심점으로 추종하면 되지만, 경우에 따라서 반대쪽 회선에 있는 애자련까지 2개가 검출되는 경우도 발생한다. 이런 경우, 애자련의 크기를 비교하여 더 큰 애자련을 선정하여 추종한다. 또한, 송전선의 추종 또는 드론의 자동비행에서 문제가발생할 경우, 점검드론을 회수하여 처음부터 시나리오를 재시작하여 점검한다.

참고문헌 (7)

한국전력공사 전력연구원, "송전선로 감시진단용 생체모방 드론시스템 개발(세부과제)(1단계 중간보고서)", 2018.
Sony.com, "Sony AX100 Specifications and Features," Available at: https://www.sony.com/electronics/handycam-camcorders/fdrax100/specifications
Dji.com, "RONIN-MX Specifications," Available at: https://www.dji.com/kr/ronin-mx/info.
Joseph Redmon and Ali Farhadi, "YOLO9000:Better, Faster, Stronger," Available at: http://pjreddie.com/yolo9000, 2016.
Nvidia.com, "Jetson TX2 Module Specifications," Available at: https://www.nvidia.com/en-us/autonomous-machines/embedded-systems-dev-kits-modules.
https://pjreddie.com/darknet/imagenet/
한국전력공사 전력연구원, "딥러닝 기반 송전선로 자동진단 드론 운용 기술 개발(세부과제)(2단계 중간보고서)", 2019.

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