[논문]열화상 이미지를 이용한 배전 설비 검출 및 진단

김주식; 최규남; 이형근; 강성우

doi:10.12812/ksms.2020.22.1.001

열화상 이미지를 이용한 배전 설비 검출 및 진단
Detection and Diagnosis of Power Distribution Supply Facilities Using Thermal Images 원문보기

대한안전경영과학회지 = Journal of the Korea safety management & science, v.22 no.1, 2020년, pp.1 - 8

김주식 (한국수력원자력(주)) , 최규남 (인하대학교 산업공학과) , 이형근 (인하대학교 산업공학과) , 강성우 (인하대학교 산업공학과)

Abstract ▼ AI-Helper

Maintenance of power distribution facilities is a significant subject in the power supplies. Fault caused by deterioration in power distribution facilities may damage the entire power distribution system. However, current methods of diagnosing power distribution facilities have been manually diagnosed by the human inspector, resulting in continuous pole accidents. In order to improve the existing diagnostic methods, a thermal image analysis model is proposed in this work. Using a thermal image technique in diagnosis field is emerging in the various engineering field due to its non-contact, safe, and highly reliable energy detection technology. Deep learning object detection algorithms are trained with thermal images of a power distribution facility in order to automatically analyze its irregular energy status, hereby efficiently preventing fault of the system. The detected object is diagnosed through a thermal intensity area analysis. The proposed model in this work resulted 82% of accuracy of detecting an actual distribution system by analyzing more than 16,000 images of its thermal images.

주제어

표/그림 (9)

그림 [Figure 1] Trends in Transmission Circuit & Distribution Line Length[2]
표 Distribution Facility Maintenance Budget Execution Performance[2]
그림 [Figure 2] Distribution Facility Diagnosis System Using Thermal Image
그림 [Figure 3] Object Detection Algorithm Using Thermal Image
그림 [Figure 4] Loss of RPN classification and regression
그림 [Figure 5] Loss of Classifier classification and regression
그림 [Figure 6] Object Detection Results
그림 [Figure 7] TIAA model
표 Calculated mAP on object types

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 Faster R-CNN을 활용하여 열화상 이미지에서 배전 관련 설비를 검출하는 시스템을 제안한다. 딥러닝 기반 객체 검출 YOLO 모델에 비해 상대적으로 이미지 처리 속도가 느리지만 정확도가 높다는 특징이 있다.
본 논문에서는 열화상 이미지를 이용한 배전 설비 진단 시스템을 제안하였다. 현재 배전 설비의 진단은 작업자가 수동으로 접촉하고 결함을 진단을 하는데 배전 설비 관련 사고는 매년 꾸준히 발생하고 있다.
본 논문에서는 열화상 이미지와 객체 검출 알고리즘을 이용하여 배전 설비의 예측 진단 시스템을 제안하고자 한다. 시스템은 실시간 고해상도 이미지를 제공하는 적외선 카메라를 통해 배전 설비의 열화상 이미지 데이터를 수집한다.
열화상 온도 분석 모델은 객체 검출 모델에 의해 출력된 객체를 중심으로 해당 부품의 결함을 진단한다. 본 논문에서는 열화상 카메라 제조사인 FLIR의 열화상 카메라를 이용하여 열화상 이미지의 온도를 추출하였다. TIAA모델은 검출된 설비의 명칭, 설비 종류, 열화상 이미지 파일명, 측정 온도, 기준 온도, 초과 온도를 진단 결과로 출력한다.
본 논문에서는 전력 설비 중에서도 배전 설비의 진단을 위한 시스템을 제안한다. 배전 설비의 비정상적인 열화현상을 발견하는 시스템을 만들기 위해 배전 설비의 모습이 담긴 열화상이미지를 수집한다.
딥러닝 기반의 객체 검출 모델에 의해 열화상 이미지에서 물체가 속한 영역을 찾아내면 그 결과를 바탕으로 해당 이미지 속 배전 설비 부품의 결함을 진단한다. 본 논문은 특정 영역의 광도(intensity)를 분석하여 장비의 결함 유무를 판단하고자TIAA(Thermal Intensity Area Analysis)모델을 제시한다. 먼저 광도 및 열화상 이미지의 메타 정보를 바탕으로 온도 값을 추출하게 되며 해당 부품별 결함 진단 규칙을 적용하여 최종 결과를 도출한다.

제안 방법

또한 열화와 같은 결함은 작업자가 육안으로 판단하는데 어려움이 있다. 따라서 비접촉방식으로 안전하며 열화와 같은 결함을 원거리에서도 진단 가능한 열화상 이미지를 이용한 배전 설비 진단 시스템을 제안하였다.
본 논문은 특정 영역의 광도(intensity)를 분석하여 장비의 결함 유무를 판단하고자TIAA(Thermal Intensity Area Analysis)모델을 제시한다. 먼저 광도 및 열화상 이미지의 메타 정보를 바탕으로 온도 값을 추출하게 되며 해당 부품별 결함 진단 규칙을 적용하여 최종 결과를 도출한다. TIAA의 결함 진단 과정은 분석하고자 하는 열화상 이미지, 배전 설비의 종류에 따라 달라지는데 그 이유는 다음과 같다.
본 논문에 적용된 TIAA의 진단 알고리즘은 열화상 이미지 내의 부품과 해당 부품의 관리 기준 온도 값 비교를 바탕으로 설계되었다. 현재 작동중인 장비의 온도와 장비의 정상 온도 범위를 비교하고 분석하여 장비의 결함 유무를 진단한다.
수집된 열화상 이미지로 라벨링을 실시한 결과 변압기 2,841개, 피뢰기 11,439개, 현수애자 72,242개, 컷아웃스위치 6,793개로 총 93,315개의 검출 대상 객체가 검출되었다. 본 논문에서는 8:2의 비율로 이미지 데이터를 훈련세트와 테스트세트로 분리하였다.
시스템은 실시간 고해상도 이미지를 제공하는 적외선 카메라를 통해 배전 설비의 열화상 이미지 데이터를 수집한다. 수집된 데이터는 딥러닝 기반의 객체 검출 알고리즘을 이용하여 열화상 이미지 내의 배전 설비의 종류와 상태를 감지한다. 시스템을 통해 검출되는 장비들은 산출된 데이터를 기반으로 유지보수 계획 수립이 용이해지고, 초기 단계에서 오류를 감지하여 송배전 시스템 네트워크에 심각한 장애가 발생하기 전에 예방이 가능하다.
통합 센서가 장착된 모바일 로봇을 사용하여 결함이 있을 때 특정 패턴의 소리를 생성하는 아크 방전을 마이크 장비가 파악하고, 패턴이 감지되면 열화상 카메라가 결함이 있는 절연체의 이미지를 캡처하는 방식이다. 이를 통해 사람을 대신하는 결함 절연체를 감지 기법을 제안하였다.[6]
접근이 제한된 풍력 발전기를 최근 드론 기술의 발전에 따라 실시간으로 풍력 발전기의 고해상도 이미지를 얻는 것이 가능하다. 이미지를 얻은 이후 딥러닝 기반의 객체 검출 알고리즘을 이용하여 표면 손상을 검출하는 방법을 고안하였다. 이는 인간 수준의 정밀도를 달성하였으며, 상대적으로 작은 훈련 데이터 세트의 경우 데이터 보강 기법을 통해 모델을 일반화시키면 정밀도를 크게 향상시킬 수 있음을 증명했다.
전력연구원은 이를 보완하기 위하여 배전설비의 신뢰성 및 건전성 상태를 주기적 또는 비주기적으로 평가하는 시스템을 도입하여 배전설비에 대한 객관적이고 체계적인 평가가 가능하도록 하고, 통계적인 분석방법을 통해서 최적의 교체주기를 산정하여 설비의 재고관리를 효율적으로 할 수 있는 정보를 제공하기 위해서 “ 배전설비의 신뢰도 향상을 위한 최적교체 주기 분석 시스템 개발 ”과제를 통하여CM(reliability centered maintenance, 신뢰성 중심 유지보수) 시스템을 개발하였다.
딥러닝 기반 객체 검출 YOLO 모델에 비해 상대적으로 이미지 처리 속도가 느리지만 정확도가 높다는 특징이 있다. 제안하는 시스템은 전력 공급 설비를 진단하는 모델이므로 처리 속도보다는 검출의 정확도 및 신뢰도를 고려하여 Faster R-CNN을 객체 검출 모델을 선정하였다. 또한 이미지의 특징을 추출하는 CNN 모델은 레이어의 누적이 쉬운 VGGNet을 사용하였다.
콘크리트 표면 손상 검사의 대부분은 수동으로 수행되었으며 시간과 비용이 많이 드는 작업이다. 콘크리트 표면 손상을 균열, 돌출, 폭열, 철근 돌출의 네 가지 유형의 손상으로 구분된 학습 데이터를 이용하여 딥러닝 기반의 객체 검출 알고리즘을 훈련시켰다. 이를 통해 표면 검사 과정을 자동화시키는 동시에 유지보수 시간과 비용 또한 절약하는 결과를 보였다.
본 논문에 적용된 TIAA의 진단 알고리즘은 열화상 이미지 내의 부품과 해당 부품의 관리 기준 온도 값 비교를 바탕으로 설계되었다. 현재 작동중인 장비의 온도와 장비의 정상 온도 범위를 비교하고 분석하여 장비의 결함 유무를 진단한다.

대상 데이터

Faster R-CNN 내부의 CNN모델은 VGG-16모델을 사용하였다. Faster R-CNN을 제안한 논문에서는 VGG-16 모델의 이미지 사이즈를 600으로 사용하였으나 본 논문에서는 300으로 설정하였다. 이는 처음 논문보다 훈련에 사용되는 이미지 수가 9,000장 이상 많으며, 검출해야하는 대상 객체의 수가 30,000개 이상 많아 훈련의 속도를 줄이기 위함이다.
배전 설비의 비정상적인 열화현상을 발견하는 시스템을 만들기 위해 배전 설비의 모습이 담긴 열화상이미지를 수집한다. 다음으로 수집된 열화상이미지 데이터에서 열화로 인한 고장을 야기하는 배전 설비의 부품인 변압기, 피뢰기, 현수애자 등의 검출 대상 객체를 선정한다. 검출 대상 객체 선정 시 수집된 열화상이미지 데이터에 해당 객체가 충분하지 못하면 객체 검출 모델 훈련 시 다른 객체에 비해 상대적으로 정확도가 낮아질 수 있다.
열화상 이미지 데이터는 모두 배전 설비로 이루어져 있으며, 열화상 이미지 촬영 과정에서 시간에 따른 그림자와 조도의 차이로 배경의 차이가 존재한다. 배전 설비에서 열화로 인한 고장을 야기하는 부품으로 변압기, 피뢰기, 현수애자, 컷아웃스위치 총 4가지를 선정하였다. 수집된 열화상 이미지로 라벨링을 실시한 결과 변압기 2,841개, 피뢰기 11,439개, 현수애자 72,242개, 컷아웃스위치 6,793개로 총 93,315개의 검출 대상 객체가 검출되었다.
본 논문에서는 전력 설비 중에서도 배전 설비의 진단을 위한 시스템을 제안한다. 배전 설비의 비정상적인 열화현상을 발견하는 시스템을 만들기 위해 배전 설비의 모습이 담긴 열화상이미지를 수집한다. 다음으로 수집된 열화상이미지 데이터에서 열화로 인한 고장을 야기하는 배전 설비의 부품인 변압기, 피뢰기, 현수애자 등의 검출 대상 객체를 선정한다.
본 논문에서 제안한 시스템의 성능을 평가하기 위해 사용된 PC는 Intel Core i7-7700HQ CPU, 16G Byte RAM, NVIDIA GeForce GTX 1070이다. 개발 환경은 Python, Keras, Tensorflow을 이용하여 구현하였다.
본 논문에서는 배전 설비의 비정상적인 열화현상을 발견하는 시스템을 만들기 위해 640*480 해상도의 16,843장의 열화상 이미지를 수집하였다. 열화상 이미지 데이터는 모두 배전 설비로 이루어져 있으며, 열화상 이미지 촬영 과정에서 시간에 따른 그림자와 조도의 차이로 배경의 차이가 존재한다.
시스템은 실시간 고해상도 이미지를 제공하는 적외선 카메라를 통해 배전 설비의 열화상 이미지 데이터를 수집한다.

이론/모형

본 논문에서는 열화상 이미지를 이용한 배전 설비 진단 시스템을 구현하기 위해 Faster R-CNN을 사용하였다. Faster R-CNN 내부의 CNN모델은 VGG-16모델을 사용하였다. Faster R-CNN을 제안한 논문에서는 VGG-16 모델의 이미지 사이즈를 600으로 사용하였으나 본 논문에서는 300으로 설정하였다.
Faster R-CNN은 R-CNN과 Fast R-CNN의 성능을 개선하며 제안된 대표적인 딥러닝 기반 객체 검출 알고리즘이다. 기존 R-CNN 알고리즘은 입력 이미지가 들어오면 selective search 기법을 사용해서 후보영역을 추출하였다. 후보영역을 추출하기 위하여 selective search를 사용한 기존의 R-CNN, Fast R-CNN모델들은 정확도는 높았으나, 많은 연산을 필요로 하는 단점이 있다.
제안하는 시스템은 전력 공급 설비를 진단하는 모델이므로 처리 속도보다는 검출의 정확도 및 신뢰도를 고려하여 Faster R-CNN을 객체 검출 모델을 선정하였다. 또한 이미지의 특징을 추출하는 CNN 모델은 레이어의 누적이 쉬운 VGGNet을 사용하였다. [Figure 3]은 열화상 이미지에서 배전 설비를 검출하는 객체 검출 모델을 도식화한 것이다.
본 논문에서는 열화상 이미지를 이용한 배전 설비 진단 시스템을 구현하기 위해 Faster R-CNN을 사용하였다. Faster R-CNN 내부의 CNN모델은 VGG-16모델을 사용하였다.
수집된 배전 설비 열화상 이미지에서 객체를 검출하기 위하여 딥러닝 객체 검출 알고리즘인 Faster R-CNN을 기반으로 학습시켰다. 학습한 알고리즘을 통해 총 4종의 배전 설비 부품을 검출하는 실험을 실시한 결과 배전 설비 검출 성능은 mAP 76.

성능/효과

RPN의 출력으로 나온 앵커들의 결과와 함께 레이블 작업이 실시된 박스좌표를 입력으로 받아 훈련되는 CNN 분류기 모델의 손실함수는 [Figure 5]에 도식화하였다. 분류와 회귀 레이어 모두 RPN의 손실함수와 비교해보면 불안정한 경향을 보였다. 이는 사전에 정의된 앵커의 크기와 종횡비에 비해 배전 설비의 열화상 이미지에 다양한 크기의 객체가 존재하기 때문이다.
배전 설비에서 열화로 인한 고장을 야기하는 부품으로 변압기, 피뢰기, 현수애자, 컷아웃스위치 총 4가지를 선정하였다. 수집된 열화상 이미지로 라벨링을 실시한 결과 변압기 2,841개, 피뢰기 11,439개, 현수애자 72,242개, 컷아웃스위치 6,793개로 총 93,315개의 검출 대상 객체가 검출되었다. 본 논문에서는 8:2의 비율로 이미지 데이터를 훈련세트와 테스트세트로 분리하였다.
콘크리트 표면 손상을 균열, 돌출, 폭열, 철근 돌출의 네 가지 유형의 손상으로 구분된 학습 데이터를 이용하여 딥러닝 기반의 객체 검출 알고리즘을 훈련시켰다. 이를 통해 표면 검사 과정을 자동화시키는 동시에 유지보수 시간과 비용 또한 절약하는 결과를 보였다.[10]
Shihavuddin등(2019)은 드론을 이용한 실시간 풍력 발전기 표면 손상 감지 기법을 제안하였다. 접근이 제한된 풍력 발전기를 최근 드론 기술의 발전에 따라 실시간으로 풍력 발전기의 고해상도 이미지를 얻는 것이 가능하다. 이미지를 얻은 이후 딥러닝 기반의 객체 검출 알고리즘을 이용하여 표면 손상을 검출하는 방법을 고안하였다.
수집된 배전 설비 열화상 이미지에서 객체를 검출하기 위하여 딥러닝 객체 검출 알고리즘인 Faster R-CNN을 기반으로 학습시켰다. 학습한 알고리즘을 통해 총 4종의 배전 설비 부품을 검출하는 실험을 실시한 결과 배전 설비 검출 성능은 mAP 76.2%, 배전 설비 분류 정확도는 81.9%의 결과를 보였다. 배전 설비에 관한 열화상 이미지가 다양한 환경과 조건에서 수집되고, 검출 대상 객체에 대한 열화상 이미지 진단 규칙이 고도화된다면 배전 설비 결함 진단 시스템에 활용도가 높을 것으로 기대된다.

후속연구

검출 성능을 향상시키기 위해 Faster R-CNN의 특징 추출에 사용되는 CNN 모델의 수정 및 비교를 진행할 예정이며, 실시간 모니터링을 위한 객체 검출 알고리즘의 검출 속도 향상을 위한 방법론을 추후 연구할 예정이다.
향후 연구에서는 일부 검출 대상 객체에 편향되지 않은 좋은 데이터 셋을 구축하기 위해 추가적인 배전 설비 열화상 데이터 수집이 필요하다. 또한 객체의 종류가 적은 수의 데이터를 보완하기 위해 데이터 증강을 수행하는 객체 검출 알고리즘에 관한 추가 연구가 필요하다.
9%의 결과를 보였다. 배전 설비에 관한 열화상 이미지가 다양한 환경과 조건에서 수집되고, 검출 대상 객체에 대한 열화상 이미지 진단 규칙이 고도화된다면 배전 설비 결함 진단 시스템에 활용도가 높을 것으로 기대된다.
3%을 보였다. 향후 연구에서는 일부 검출 대상 객체에 편향되지 않은 좋은 데이터 셋을 구축하기 위해 추가적인 배전 설비 열화상 데이터 수집이 필요하다. 또한 객체의 종류가 적은 수의 데이터를 보완하기 위해 데이터 증강을 수행하는 객체 검출 알고리즘에 관한 추가 연구가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	열화상 기술은 무엇을 위해 사용되는가?	열화상 기술은 적외선 에너지를 감지하여 전자 신호로 변환한 다음 열화상을 생성하고 온도 범위를 측정할 수 있는 기술이다. 기계 및 전기 분야의 시스템의 상태를 모니터링하고 고장 징후를 검출하기 위해 사용된다. 예측 기반 유지보수에서 주로 사용되는 진동, 소음이 아닌 적외선 에너지를 이용한 기술로 전력 설비의 진단에서 전자기 간섭이 적어 신뢰할 수 있는 큰 검사 범위를 제공한다는 점과 비접촉식 검사가 가능하여 안전하다는 장점을 갖고 있다.
	열화상 기술의 장점은?	기계 및 전기 분야의 시스템의 상태를 모니터링하고 고장 징후를 검출하기 위해 사용된다. 예측 기반 유지보수에서 주로 사용되는 진동, 소음이 아닌 적외선 에너지를 이용한 기술로 전력 설비의 진단에서 전자기 간섭이 적어 신뢰할 수 있는 큰 검사 범위를 제공한다는 점과 비접촉식 검사가 가능하여 안전하다는 장점을 갖고 있다.
	열화상 기술이란?	열화상 기술은 적외선 에너지를 감지하여 전자 신호로 변환한 다음 열화상을 생성하고 온도 범위를 측정할 수 있는 기술이다. 기계 및 전기 분야의 시스템의 상태를 모니터링하고 고장 징후를 검출하기 위해 사용된다.

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