[논문]전이학습 기반 특징융합을 이용한 누출판별 기법 연구

한유진; 박태진; 이종혁; 배지훈

doi:10.3745/tkips.2024.13.2.41

전이학습 기반 특징융합을 이용한 누출판별 기법 연구
A Study on Leakage Detection Technique Using Transfer Learning-Based Feature Fusion

The Transactions of the Korea Information Processing Society, v.13 no.2, 2024년, pp.41 - 47

한유진 (대구가톨릭대학교 AI빅데이터공학과) , 박태진 (한국원자력연구원) , 이종혁 (대구가톨릭대학교 AI빅데이터공학과) , 배지훈 (대구가톨릭대학교 AI빅데이터공학과)

초록
AI-Helper

시간 및 주파수 영역에서 각각 학습한 모델 간에 성능 차이가 발생할 경우, 앙상블을 수행하더라도 개별 모델 간의 성능 불균형으로 인하여 앙상블의 성능이 오히려 저하되는 현상을 확인할 수 있었다. 따라서, 본 논문은 시간 영역과 주파수 영역에서 특징을 추출하고, 이들을 융합한 단계적 학습 방법을 통해 파이프라인 누출 감지의 정확성을 높이기 위한 누출판별 기법을 제안한다. 이 방법은 두 단계의 학습 과정으로 이루어지며, 먼저, 단계 1에서는 시간 영역과 주파수 영역에서 독립적으로 모델 학습을 수행하여 도메인별로 주어진 데이터로부터 중요한 특징들을 효과적으로 추출하도록 하였다. 단계 2에서는 사전학습 완료된 각 모델로부터 해당 분류기를 제거한 후, 두 도메인의 특징들을 서로 융합하고 새로운 분류기를 추가하여 재학습을 수행하였다. 본 논문에서 제안하는 전이학습 기반 특징융합 기법은 시간 및 주파수 영역에서 추출된 특징들을 융합하여 모델 학습을 수행함으로써, 두 영역의 특징이 상호 보완적으로 작용하여 모델이 다양한 정보를 활용함으로 인해 99.88%의 높은 정확도를 달성하여 파이프 누수 감지에 있어 우수한 성능을 입증하였다.

Abstract ▼ AI-Helper

When there were disparities in performance between models trained in the time and frequency domains, even after conducting an ensemble, we observed that the performance of the ensemble was compromised due to imbalances in the individual model performances. Therefore, this paper proposes a leakage detection technique to enhance the accuracy of pipeline leakage detection through a step-wise learning approach that extracts features from both the time and frequency domains and integrates them. This method involves a two-step learning process. In the Stage 1, independent model training is conducted in the time and frequency domains to effectively extract crucial features from the provided data in each domain. In Stage 2, the pre-trained models were utilized by removing their respective classifiers. Subsequently, the features from both domains were fused, and a new classifier was added for retraining. The proposed transfer learning-based feature fusion technique in this paper performs model training by integrating features extracted from the time and frequency domains. This integration exploits the complementary nature of features from both domains, allowing the model to leverage diverse information. As a result, it achieved a high accuracy of 99.88%, demonstrating outstanding performance in pipeline leakage detection.

주제어

표/그림 (8)

그림 Fig. 1. Data Collection Environment
그림 Fig. 2. Data Preprocessing Structure for RMS and Frequency Pattern Feature Extraction
그림 Fig. 3. RMS Pattern Features
그림 Fig. 4. Frequency Pattern FeaTures
그림 Fig. 5. Structure of the Leak Detection Feature Fusion Model Using Transfer Learning
그림 Fig. 6. Confusion Matrix of Transfer Learning-based Feature Fusion Models
표 Table 1. Comparison of accuracy performance
표 Table 2. Leak Detection Performance Comparison Using Classification Performance Metrics

참고문헌 (22)

R. Puust, Z. Kapelan, D. Savic, and T. Koppel, "A review of methods for leakage management in pipe networks," Urban Water Journal, Vol.7, No.1, pp.25-45, 2010.？

상세보기
H. Vanaei, A. Eslami, and A. Egbewande, "A review on pipeline corrosion, in-line inspection (ili), and corrosion growth rate models," International Journal of Pressure Vessels and Piping, Vol.149, pp.43-54, 2017.？

상세보기
M.-S. Kim and S.-K. Lee, "Detection of leak acoustic signal in buried gas pipe based on the time-frequency analysis," Journal of Loss Prevention in the Process Industries, Vol. 22, No.6, pp.990-994, 2009.？

상세보기
D. B. Yoon, S. S. Moon, and B. S. Yang, "A study on acoustic signal processing method for detecting small leak of piping system," Proc. of the Domestic conference on the Korean Society for Noise and Vibration Engineering, Hoengseong, Korea, pp.139-139, 2016.？
Y. Duan, J. S. Edwards, and Y. K. Dwivedi, "Artificial intelligence for decision making in the era of big data-evolution, challenges and research agenda," International Journal of Information Management, Vol.48, pp.63-71, 2019.？

상세보기
Z. Wang, J. Zhang, X. Li, and X. Liu, "Deep learning for smart manufacturing: Methods and applications," IEEE Transactions on Industrial Informatics, Vol.14, No.12, pp.5328-5338, 2018.？
J. F. Arinez, Q. Chang, R. X. Gao, C. Xu, and J. Zhang, "Artificial intel-ligence in advanced manufacturing: Current status and future outlook," Journal of Manufacturing Science and Engineering, Vol.142, No.11, pp.110804, 2020.？

상세보기
D. Yeo, J.-H. Bae, and J.-C. Lee, "Unsupervised learning-based pipe leak detection using deep auto-encoder," Journal of The Korea Society of Computer and Information, Vol.24, No.9, pp.21-27, 2019. https://doi.org/10.9708/jksci.2019.24.09.021.？

원문보기 상세보기
J. S. Park, D. Yeo, Y. Choi, J. Lee, and J.-H. Bae. "Implementation of a deep-learning model for intelligent detection of low-level leaks in plant piping system," Proceeding of KIIT Conference, JeJu, Korea, pp.431-435, 2021.？
J. Yosinski, J. Clune, Y. Bengio, and H. Lipson, "How transferable are features in deep neural networks?," Advances in Neural Information Processing Systems, pp.3320-3328, 2014.？
S. J. Pan and Q. Yang, "A survey on transfer learning," IEEE Transactions on Knowledge and Data Engineering, Vol.22, No.10, pp.1345-1359, 2010.？

상세보기
Y. Dai, F. Gieseke, S. Oehmcke, Y. Wu, and K. Barnard, "Attentional feature fusion," in Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision, pp.3560-3569, 2021.？
Y. Choi, J. Lee, and J. Cho, "A technology of micro-leak detection," Proceedings of the Korean Society of Computer Information Conference, Vol.29, No.2, pp.685-687, 2021.？
Yoon Kim, "Convolutional Neural Networks for Sentence Classification," Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), pp.1746-1751, 2014.？
Y. Wang, C. Yan, T. Oates, and D. Li, "Time series classification from scratch with deep neural networks: A strong baseline," Journal of Systems Science and Complexity, Vol.30, No.3, pp.686-701, 2017.？
Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner, "Gradient-Based Learning Applied to Document Recognition," Proceedings of the IEEE, Vol.86, No.11, pp.2278-2324, 1998.？
S. Ioffe and C. Szegedy, "Batch normalization: Accelerating deep network training by reducing internal covariate shift," Proceedings of the 32nd International Conference on Machine Learning, Vol.37, pp.448-456, 2015.？
B. Zhou, A. Khosla, A. Lapedriza, A. Oliva, and A. Torralba, "Learning deep features for discriminative localization," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.2921-2929, 2016.？
G. Huang, Z. Liu, L. van der Maaten, and K. Q. Weinberger, "Densely connected convolutional networks," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.4700-4708, 2017.？
L. Bottou, "Stochastic Gradient Descent Tricks," in Neural Networks: Tricks of the Trade, 2nd ed., G. Montavon, G. Orr, and K.-R. Muller, Eds. Berlin, Germany: Springer, pp.421-436, 2012.？
L. Breiman, "Bagging and boosting," in Proceedings of the Fourteenth National Conference on Artificial Intelligence and Ninth Conference on Innovative Applications of Artificial Intelligence, Vol.1, No.1, pp.799-806, 1996.？
M. A. Ganaie, M. Hu, A. Malik, M. Tanveer, and P. Suganthan, "En-semble deep learning: A review," Engineering Applications of Artificial Intelligence, Vol.115, pp.105151, 2022.

상세보기

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