[논문]자기애자의 자기부 균열 식별을 위한 이미지 처리기법 개발

최인혁; 신구용; 안호성; 구자빈; 손주암; 임대연; 오태근; 윤영근

doi:10.4313/jkem.2020.33.4.303

자기애자의 자기부 균열 식별을 위한 이미지 처리기법 개발
Development of Image Process for Crack Identification on Porcelain Insulators 원문보기

전기전자재료학회논문지 = Journal of the Korean institute of electronic material engineers, v.33 no.4, 2020년, pp.303 - 309

최인혁 (한국전력공사 전력연구원) , 신구용 (한국전력공사 전력연구원) , 안호성 (한국전력공사 전력연구원) , 구자빈 (한국전력공사 전력연구원) , 손주암 (한국전력공사 전력연구원) , 임대연 (인천대학교 안전공학과) , 오태근 (인천대학교 안전공학과) , 윤영근 (인천대학교 안전공학과)

Abstract ▼ AI-Helper

This study proposes a crack identification algorithm to analyze the surface condition of porcelain insulators and to efficiently visualize cracks. The proposed image processing algorithm for crack identification consists of two primary steps. In the first step, the brightness is eliminated by converting the image to the lab color space. Then, the background is removed by the K-means clustering method. After that, the optimum image treatment is applied using morphological image processing and median filtering to remove unnecessary noise, such as blobs. In the second step, the preprocessed image is converted to grayscale, and any cracks present in the image are identified. Next, the region properties, such as the number of pixels and the ratio of the major to the minor axis, are used to separate the cracks from the noise. Using this image processing algorithm, the precision of crack identification for all the sample images was approximately 80%, and the F1 score was approximately 70. Thus, this method can be helpful for efficient crack monitoring.

주제어

표/그림 (8)

그림 Fig. 1. procedure of K-means clustering.
그림 Fig. 2. Images of porcelain insulators with various cracks.
그림 Fig. 3. Image processing step including parameter optimization architecture.
그림 Fig. 4. Result of the proposed image processing.
그림 Fig. 5. Comparison of pixel images for cracks and noises.
표 Table 1. Comparison of feature values extracted from cracks and noises.
그림 Fig. 6. Results of crack identification from proposed image processing.
표 Table 2. Results for precision, recall, and F1 score using evaluation criterion.

AI 본문요약
AI-Helper

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

제안 방법

(1) 획득된 원본 컬러 이미지를 lab 레벨 이미지로 변환, (2) K-means clustering, (3) 원본 컬러 이미지를 그레이 레벨 이미지로 변환, (4) 중앙값 필터를 사용한 자기 부분 외 불필요 부분 제거, (5) 모폴로지 필터를 사용한 2 차 제거, (6) Otsu’s 방법을 통한 이진화, (7) 균열 필섹 범주화 및 추출, (8) 원본 이미지의 균열과 대조의 단계 에 따라 자기애자 균열 식별 절차가 수행되었다.
Step 1은 원본 이미지의 RGB 값을 lab 색상으로 변환시키는 단계이다. Lab에서 L은 밝기인 명도를 의 미하며, 본 연구에서는 L 채널은 제외하고 a 및 b 채널을 사용함으로써 자기애자의 이미지 촬영 시 빛의 밝기 및 그림자에 의한 오차를 줄이고자 적용되었다.
Step 0~8단계를 통해 자기애자의 표면 균열을 식별하는 과정을 수행하였으며, 다른 표면 균열을 가지는 2개의 이미지에 대해 동일한 설정으로 분석이 진행되었다.
Step 2는 K-means clustering 단계로 이미지에서 배경, 자기 부분, 캡 부분을 구분하기 위해 적용되었으며, clustering을 위한 초기 중앙값은 155×136, 225×99, 343×252로 설정하고 euclidean distance를 사용하여 분류를 수행하였다.
Step 4는 step 3에서 추출된 자기 부분에 대한 그레 이 레벨 데이터에 대해서 symmetric 함수를 사용하여 중앙값 필터링을 적용하였으며, 필터의 크기는 20×20 pixel로 설정하였다. 다음으로 중앙값 필터가 적용된 이미지에서 step 3의 이미지를 빼주는 improved subtraction을 사용하여, 각 픽셀에서 값을 추출하였으며, 빼준 값이 음수일 경우, 0으로 반환하는 방법을 적용하였다. 그 결과 step 4와 같은 자기애자 표면의 균열, 테두리, 얼룩과 같은 노이즈, 일부 캡 부분이 포함된 이미지가 추출되었다.
따라서 이 문제를 해결하기 위해 본 연구에서는 lab 색 변환을 통해 이미지 수집 시 명암에 의한 오차를 감소시키고, 배경에 의한 오차를 줄이기 위해 K-means clustering 방법을 적용하였다. 또한, 다양한 필터를 사용하여, 자기 애자 표면에 발생한 균열 식별을 위한 적합한 프로세스 를 적용하고 평가지표를 통해 식별 성능을 평가하였다.
본 연구에서는 Otsu’s의 이진화를 이용하여 임계값 T를 0에서 255 까지 순차적으로 변화시키면서 레이블 간의 분산이 최 대가 되는 임계값 T 값을 산출하고 이를 통해 영상 이 미지를 이진화하는 방법이 적용되었다.
Lab 색에서 L은 명 도, a는 빨강과 초록의 정도, b는 파랑과 노랑의 정도 를 의미하며, lab 색 채널 변환의 장점은 명도를 의미 하는 L 채널을 제거함으로써 이미지의 밝기에 대한 영 향을 줄일 수 있다. 본 연구에서는 lab 색을 활용하여 이미지의 명도 조건을 제한하고, gray 색을 이용하여 연산의 효율성을 높이는 방법이 적용되었다.
그러나 대상체별로 조건 및 색상의 특성이 다르므로 이에 적합한 균열의 식별 절차가 필요하다. 본 연구에서는 그림 3과 같이 K-means clustering의 비지도 학습 분류를 기반으로 필터의 최적화 및 배치를 통해 자기 애자 표면에 발생한 균열의 식별 절차를 구성하였다. 원본 이미지를 불러오는 것에서 큰 범위는 9단계로 구성되고, 필터 및 알고리즘은 7개가 사용되었다.
본 연구에서는 다양한 균열의 형상과 길이, 배경 조건, 명암 조건이 다른 이미지에 대해서 lab 색변환, Kmeans clustering, morphological image processing 및 다양한 필터를 사용하여 자기애자 표면의 다양한 형태의 균열을 식별하기 위한 다양한 알고리즘을 적용하였다. 이에 따른 결과를 정리하면 다음과 같다.
본 연구에서는 자기애자의 균열을 식별하기 위해서 먼저 그림 2와 같은 균열이 포함된 자기애자를 확보하고 갤럭시 S10을 사용하여 자기애자의 영상 이미지를 수집하였다. 그림 2(a)는 실제 송전탑에서 사용 중에 낙뢰를 맞은 시험편으로서 방사형 균열을 구현하였으며, 그림 2(b), (c)는 각각 외부에서의 충격에 의해 발생된 균열, 피로 응력에 의한 균열을 구현하였다.
자기애자의 균열 식별을 위해서 고려되는 사항은 자기 부 균열 외에 배경색, 금구, 재기부의 빛 반사 등이 있으며, 본 연구에서는 이러한 노이즈를 제거하기 위해서 다 음과 같은 필터를 사용하여 분석을 진행하였다. 먼저, 형 태학적 이미지 처리(morphological image processing)는 크랙의 형태와 같은 이미지 구성 요소를 추출하는 데 사용될 수 있다^[9].
먼저, 형 태학적 이미지 처리(morphological image processing)는 크랙의 형태와 같은 이미지 구성 요소를 추출하는 데 사용될 수 있다^[9]. 형태학적 조작에는 오프닝(opening), 클로징(closing), 라벨링(labeling) 등이 있으며, 본 연구에서는 클로징 및 라벨링 방법이 사용되었다. 클로징 은 일반적으로 장축과 단축을 연결하고 사이의 작은 구멍을 제거하여 균열의 틈을 메우는 데 사용되며, 라벨링은 인접하여 연결된 구성 요소를 단일 객체로 인식하고 단일 객체의 모든 점은 1로 표시하는 방법이다.

대상 데이터

Step 3에서는 step 2에서 설정된 자기 부분의 레이블을 사용하여, 원본 이미지와의 매칭을 통해 원본이미 지에서 자기 부분을 추출하고, 이를 그레이 레벨로 변환하였다. RGB 색상에서 분석하는 것보다 연산속도의 효율성이 높기 때문에 이후 과정에서는 그레이 레벨로 변환된 데이터가 사용되었다.
모든 이미지는 940×940 pixel으로 저장되었으며, 이미지 내 재기부 균 열의 개수는 5개, 8개, 1개를 포함하며, 균열의 폭은 1~2 mm 내외이다. 또한, 이미지들은 서로 다른 배경, 명암을 지니고 있어 환경적 요인에 의한 다양한 변수가 고려된 3개의 영상 이미지를 기본 데이터로 활용하였다.
본 연구에서는 그림 3과 같이 K-means clustering의 비지도 학습 분류를 기반으로 필터의 최적화 및 배치를 통해 자기 애자 표면에 발생한 균열의 식별 절차를 구성하였다. 원본 이미지를 불러오는 것에서 큰 범위는 9단계로 구성되고, 필터 및 알고리즘은 7개가 사용되었다. 그림 3 의 좌측 절차는 필터를 만드는 과정이며, 주된 균열 탐지 과정을 단계별로 요약하면 다음과 같다.

이론/모형

Otsu’s 방법의 적용 결과 step 5에 서 희미하게 보이던 부분들이 부각된 것을 확인할 수 있으며, 자기 부분의 표면균열 외에도 노이즈 데이터가 많이 남아 있는 것이 확인되었다. 따라서 마지막으로 균열의 픽셀을 유지하면서, 노이즈를 제거하기 위한 region property 방법을 적용하였다. Step 7의 결과를 도출하기 위해 적용된 region property를 그림 5에 도식하였다.
검사 알고리즘이 외부 조건의 영향을 받는 경우, 매개 변수 튜닝을 위해 전문지식이 필요하다. 따라서 이 문제를 해결하기 위해 본 연구에서는 lab 색 변환을 통해 이미지 수집 시 명암에 의한 오차를 감소시키고, 배경에 의한 오차를 줄이기 위해 K-means clustering 방법을 적용하였다. 또한, 다양한 필터를 사용하여, 자기 애자 표면에 발생한 균열 식별을 위한 적합한 프로세스 를 적용하고 평가지표를 통해 식별 성능을 평가하였다.
따라서 이진화 방법에 주로 쓰이는 Otsu’s의 방법을 적용하였다.

성능/효과

1) Lab 색상 변환 및 명암을 제거하는 방법을 적용하여 이미지 촬영 시 명암 조건에 대한 제약을 줄일 수 있었고, K-means clustering의 초기 중앙값을 적합하게 설정하여, 자기애자와 배경을 정확하게 분리함에 따라 배경 조건에 의한 식별 오 차를 줄일 수 있었다. 또한, 다양한 노이즈 제거 필터를 적용하고 region property에서 파악된 균열의 특징을 고려하여, area 50 이상, 이심률 0.
2) 3개의 이미지에 대해 precision은 79~92%로 높은 균열 식별률을 나타내어, 제안된 알고리즘이 잘 활용될 수 있음을 보여주었다.
3) 940×940 pixel 해상도에서 균열 폭이 최소 1 mm 까지 식별 가능하였으며, 좀 더 높은 해상도를 사용할 경우 1 mm 미만의 작은 균열도 식별 가능할 것으로 판단된다.
Otsu’s 방법의 적용 결과 step 5에 서 희미하게 보이던 부분들이 부각된 것을 확인할 수 있으며, 자기 부분의 표면균열 외에도 노이즈 데이터가 많이 남아 있는 것이 확인되었다.
다음으로 중앙값 필터가 적용된 이미지에서 step 3의 이미지를 빼주는 improved subtraction을 사용하여, 각 픽셀에서 값을 추출하였으며, 빼준 값이 음수일 경우, 0으로 반환하는 방법을 적용하였다. 그 결과 step 4와 같은 자기애자 표면의 균열, 테두리, 얼룩과 같은 노이즈, 일부 캡 부분이 포함된 이미지가 추출되었다.
분석 결과, 다양한 표면 균열에 대해서 대부분이 예측 가능한 것으로 확인되었다. 그러나 균열을 pixel 관점에서 분석하면, 전체 균열에서 일부 균열이 식별되지 않는 경우 및 균열이 없는 부분에서 노이즈 데이터가 잔존하는 것이 확인되었다. 따라서 정성적으로 균열의 식별 유무를 판단하는 것이 아닌 정량적인 값으로 균열의 식별률 산출을 위한 방법의 적용이 필요하다.
1) Lab 색상 변환 및 명암을 제거하는 방법을 적용하여 이미지 촬영 시 명암 조건에 대한 제약을 줄일 수 있었고, K-means clustering의 초기 중앙값을 적합하게 설정하여, 자기애자와 배경을 정확하게 분리함에 따라 배경 조건에 의한 식별 오 차를 줄일 수 있었다. 또한, 다양한 노이즈 제거 필터를 적용하고 region property에서 파악된 균열의 특징을 고려하여, area 50 이상, 이심률 0.9의 설정값을 적용하였고, 이를 통해 균열 식별의 정확도를 높일 수 있었다.
F1 score의 경우 3개의 이미지에서 약 70% 이상으로 산출되었기 때문에 식별률 측면에서 자기애자의 표면 균열 식별에 사용 가능한 이미지 처리기법이 개발 되었다고 판단된다. 또한, 제안된 이미지 처리기법의 세부설정 값의 변화를 통해 각각의 이미지에 대한 균열의 식별 정확도를 좀 더 높일 수 있지만, 그 경우 일반적인 방법의 문제점으로 야기됐던 다양한 환경조건에 의해 식별 정확도가 현저히 감소할 수 있다. 따라서 본 연구에서 제안된 이미지 처리기법은 한 가지 조건에 높은 정확도를 가지는 식별 알고리즘이 아닌 다양한 조건에서 일반적으로 높은 정확도를 가진다는 점에 장점이 있으며, 별도의 파라미터 수정 없이 활용 가능할 것으로 사료된다.
제안된 재기부 균열 식별을 위한 이미지 처리기법에 따라 도출된 최종적인 결과는 그림 6과 같다. 분석 결과, 다양한 표면 균열에 대해서 대부분이 예측 가능한 것으로 확인되었다. 그러나 균열을 pixel 관점에서 분석하면, 전체 균열에서 일부 균열이 식별되지 않는 경우 및 균열이 없는 부분에서 노이즈 데이터가 잔존하는 것이 확인되었다.
그러나 recall 의 경우 그림 6(c)에서는 94%로 대부분의 균열을 식별할 수 있었지만, 그림 6(a)는 75%, 그림 6(b)는 55%의 비율을 나타냈다. 이에 따라, 이미지에서 균열이 단순하고 균열의 수가 적은 경우 높은 예측률을 나타내며, 다양하고 많은 균열을 포함하는 경우에는 식별률이 낮 아지는 것으로 분석되었다.
원본 이미지에서 균열의 픽셀 수 및 그림 6에서 식 별된 균열의 픽셀 수를 추출하여 식 (2)~(4)의 평가 지표를 사용하여 식별률을 산출하고 표 2에 제시하였다. 표 2에서 precision은 균열로 식별한 것이 실제 균열인 비율이 높다는 것을 의미하며, 3개의 이미지에 대한 약 80% 이상의 비율로 분석되었다. 그러나 recall 의 경우 그림 6(c)에서는 94%로 대부분의 균열을 식별할 수 있었지만, 그림 6(a)는 75%, 그림 6(b)는 55%의 비율을 나타냈다.

후속연구

4) 본 연구에서 사용된 이미지는 실험실 환경에서 촬영된 이미지이며, 예상치 못한 현장 환경을 반영하지 못하여 추후 다양한 현장사진에 적용할 필요가 있다. 이는 사용 환경이 매우 다양하고 제안된 알고리즘이 다양한 응용 분야에서 평가되어야 함을 의미한다.
기존 연구에서 제안된 내용과 같이 데이터의 수집 및 분류에 따라 이미지 처리 방법이다양하며, 이는 다양한 알고리즘이 적용될 수 있음을 의미한다. 따라서 이미지 분석을 위해서는 배경의 다양성, 명암 등이 분석 결과에 영향을 미치는 것을 고려해야 한다^[8-10].
또한, 제안된 이미지 처리기법의 세부설정 값의 변화를 통해 각각의 이미지에 대한 균열의 식별 정확도를 좀 더 높일 수 있지만, 그 경우 일반적인 방법의 문제점으로 야기됐던 다양한 환경조건에 의해 식별 정확도가 현저히 감소할 수 있다. 따라서 본 연구에서 제안된 이미지 처리기법은 한 가지 조건에 높은 정확도를 가지는 식별 알고리즘이 아닌 다양한 조건에서 일반적으로 높은 정확도를 가진다는 점에 장점이 있으며, 별도의 파라미터 수정 없이 활용 가능할 것으로 사료된다.
본 연구는 자기부 표면의 균열을 발생된 자기애자의 이미지에 대해 단일 또는 다양한 균열에 대한 만족할 만한 식별 결과를 도출하였으며, 이러한 가능성을 바탕으로 향후 송전탑에서 사용되는 자기애자에 대해 균열 식별 및 파손부위 검출을 위해 다양한 적용이 가능할 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	자기애자의 손상을 식별하는 방법에는 무엇이 있는가	자기애자는 국 내에서 수백만 개가 설치되어 있으며, 수명이 도래한 자기애자는 전체의 50%를 상회하므로 전력공급의 연 속성 및 안전성을 보장하기 위해 자기애자의 정기적인 점검이 필요하다 [3]. 자기애자의 손상을 식별하는 기술은 크게 전기적인 관점에서 절연저항 측정, 전계 측정, 부분 방전 측정 등의 방법 등을 활용한 전기 절연 성능을 평가하는 방법과 기계적인 손상을 파악하는 방법이 있다. 기존의 방법은 전기적 손상에 초점이 맞추어져 있어 기계적 손상의 파악이 어려우며 [4], 기계적인 손상을 파악하는 방법은 일반적으로 육안점검을 수행하고 있다.
	송전탑의 자기애자는 어떤 역할을 하는가?	전기시설물 중의 하나인 송전탑의 자기애자는 송전선을 송전탑에 물리적으로 고정시키고, 절연을 통해 전력공급의 안전성을 유지하는 핵심적인 요소이다 [1]. 최근 자기애자 재료에 대한 물성/특성 연구를 통해 양 질의 제품을 제작할 수 있지만, 현재 사용 중인 자기애자의 수명 및 손상 유무의 파악에 어려움이 있어 이를 교체하지 못하고 있는 실정이다 [2].
	현재 자기애자의 손상을 식별하는 기술의 한계점은?	자기애자의 손상을 식별하는 기술은 크게 전기적인 관점에서 절연저항 측정, 전계 측정, 부분 방전 측정 등의 방법 등을 활용한 전기 절연 성능을 평가하는 방법과 기계적인 손상을 파악하는 방법이 있다. 기존의 방법은 전기적 손상에 초점이 맞추어져 있어 기계적 손상의 파악이 어려우며 [4], 기계적인 손상을 파악하는 방법은 일반적으로 육안점검을 수행하고 있다. 그러나 육안에 의한 점검은 점검자의 주관에 의존하며, 이로 인해 점검의 누락이나 오류로 인 한 대형사고가 발생할 수 있으므로 객관적이고 정밀한 점검이 필요한 실정이다.

참고문헌 (11)

J.S.T. Looms, Insulators for High Voltages (IET, United Kingdom, 1988) p. 1.
S. Jeon, I. H. C hoi, T. Kim, Y. J. L ee, J. B. K oo, J. A. S on, and J. Yi, J. Korean Inst. Electr. Electron. Mater. Eng., 33, 56 (2020). [DOI: https://doi.org/10.4313/JKEM.2020.33.1.56]
A. Rawat and R. S. Gorur, IEEE Trans. Dielectr. Electr. Insul., 16, 107 (2009). [DOI: https://doi.org/10.1109/TDEI.2009.4784557]

상세보기
I. H. C hoi, J. A. S on, T. K. O h, and Y . G Yoon, J. Korean Inst. Electr. Electron. Mater. Eng., 32, 122 (2019). [DOI: https://doi.org/10.4313/JKEM.2019.32.2.122]
M. J. Chae and D. M. Abraham, J. Comput. Civ. Eng., 15, 4 (2001). [DOI: https://doi.org/10.1061/(ASCE)0887-3801(2001)15:1(4)]

상세보기
I. Abdel-Qader, O. Abudayyeh, and M. E. Kelly, J. Comput. Civ. Eng., 17, 255 (2003). [DOI: https://doi.org/10.1061/(ASCE)0887-3801(2003)17:4(255)]

상세보기
W. Guo, L. Soibelman, and J. H. Garrett Jr, Autom. Constr., 18, 587 (2009). [DOI: https://doi.org/10.1016/j.autcon.2008.12.003]

상세보기
W. Zhang, Z. Zhang, D. Qi, and Y. Liu, Sensors, 14, 19307 (2014). [DOI: https://doi.org/10.3390/s141019307]

상세보기
P. Prasanna, K. J. Dana, N. Gucunski, B. B. Basily, H. M. La, R. S . Lim, and H. P arvardeh, IEEE Trans. Autom. Sci. Eng., 13, 591 (2016). [DOI: https://doi.org/10.1109/TASE.2014.2354314]

상세보기
T. Nishikawa, J. Yoshida, T. Sugiyama, and Y. Fujino, Comput.-Aided Civ. Infrastruct. Eng., 27, 29 (2012). [DOI: https://doi.org/10.1111/j.1467-8667.2011.00716.x]

상세보기
H. H. Bock, Clustering Methods: A History of k-Means Algorithms (Aachen, Germany, 1983) p. 161.

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