[논문]신경망 학습 기법을 이용한 도로면 크랙 인식 알고리즘 개발에 관한 연구

유현석; 이정호; 김영석; 성낙원

문제 정의

한편, 본 연구를 통해 개발된 APCS 머신비전 알고리즘의 경우 도로면 영상의 환경 요인에 의해 발생된 문제점들을 많이 해결하였으나 실용화 단계에서 요구되는 크랙 인식률에는 도달하지 못한 실정이다. 따라서, 본 연구의 목적은 기존 APCS 머신 비전 알고리즘의 완전 자동화 방식 크랙 탐지 및 모델링 알고리즘의 문제점을 분석하고 신경망 학습 기법을 이용한 크랙 인식 알고리즘을 개발하는 것이다.
본 연구에서는 기존 크랙 인식 알고리즘의 정확성을 개선하기 위해 신경망 학습 모델을 구성하여 크랙 특성에 대한 학습을 수행하였고, APCS 머신비전 소프트웨어를 이용하여 개발된 크랙 판별 신경망 모델의 정확성을 실험하였다. 본 연구를 통해 도출된 연구결과는 다음과 같다.
0을 이용하여 제작되었다(그림 5). 본 연구에서는 크랙 실링 현장에서 촬영된 도로면 영상 45장을 대상으로 기존 연구 모델의 크랙 인식 능력과 신경망 모델의 인식 능력을 정확히 비교·분석하기 위해 같은 영상 조건하에서 테스트하였다. 테스트에 사용된 45개의 영상은 그림 6와 같이 1개의 현장에서 연속적으로 촬영된 영상으로써 기존 신경망 학습을 위해 사용된 20장의 영상과는 다른 영상이다.

제안 방법

1) 국내에서 개발된 APCS 머신비전 알고리즘의 핵심 개넘과 문제점을 분석하였다.
2) 신경망 학습 모델을 구성하고 실제 도로면 영상에서 추출된 객체 데이터를 기반으로 학습을 수행하였다.
3) 도로면 영상을 대상으로 학습된 신경망 모델과 기존 알고리즘과의 인식률을 비교, 분석하였다.
APCS 머신비전 알고리즘의 세부 구성과 핵심 알고리즘인 노이즈 제거 알고리즘의 개념을 분석하였고 기존 알고리즘의 문제점을 도출하였다.
하나의 객체 데이터는 8가지 특성 값으로 구성되어 있는데 추출된 객체 데이터 중 모든 특성이 동일한 중복 데이터와 면적 특성이 100이하인 데이터 22,524개를 삭제하고 6,102개의 객체 데이터를 최종 학습 데이터로 선정하였다. 객체 데이터의 각 특성들은 다양한 범위의 값을 가지고 있으나 해당 신경망의 경우 출력층의 범위가 0과 1 사이의 값을 가져야 하므로 각 특성들의 값을 최대 값으로 나누어 모든 특성값이 0과 1사이의 값을 가지도록 데이터를 변환하여 입력하였고 목적 패턴은 크랙인 경우는 (1, 0)을, 노이즈인 경우는 (0, 1)을 입력하였다.
특징 추출 기법을 사용함에 있어 가장 중요한 두 가지 기준은 물체의 특징을 잘 나타내는 특성 값들을 추출하는 것과 분리된 특성 값을 원하는 목적에 따라 판별하는 적절한 기준을 정하는 것이다. 기존 연구에서는 이진화된 영상으로부터 크랙의 특징을 추출하기 위해 라벨링 알고리즘(labeling algorithm)과 경계선 추적 알고리즘(edge tracking algorithm)을 사용하여 각각의 객체(object)로부터 평균 명도, 면적, 둘레, 직경, 둘레-면적 비율, 직경-둘레 비율, 원형도 등의 7가지 특징을 추출하였고 실험을 통해 크랙 객체와 노이즈 객체가 가지는 특성 값을 측정하여 크랙 판별 모델을 그림 2와 같이 정의하였다.
6%의 정확성을 나타낸 것은 기존 크랙 판별 모형의 부정확성 때문인 것으로 판단된다. 따라서, 본 연구에서는 기존 연구의 문제점을 개선하기 위해 신경망 학습 기법을 적용하여 기존 크랙 판별 모델의 문제점을 해결하였다.
본 연구에서 개발된 크랙 판별 신경망 모델은 기존 APCS 머신비전 소프트웨어에 추가 모듈로 구현되었으며 환경 설정에서 기존 크랙 판별 모델과 함께 선택적으로 수행될 수 있도록 설계되었다. 개발된 신경망 학습 모형과 APCS 머신비전 소프트웨어는 Mirosoft Visual C++ 6.
본 연구에서는 모두 6,102개의 입력 데이터를 대상으로 모두 20,000회의 학습을 수행하여 오차가 0.0003 이하가 될 때 학습을 종료하도록 설정하였다. 그림 4는 크랙 판별 신경망 모델에 학습을 수행한 결과로써 약 5,000회의 학습을 수행하는 순간부터 오차율이 0으로 수렴하고 있음을 나타낸다.
본 연구에서는 신경망 모델의 정확성 측정을 위해 영상 단위와 객체 단위로 측정하였다. 영상 단위 측정은 한 장의 도로면 영상에 대하여 모든 객체를 완전하게 인식하는 경우에만 크랙 인식에 성공한 것으로 간주하는 방식이고, 객체 단위 측정은 추출한 모든 객체에 대해 인식에 성공한 객체의 수를 측정하는 방식이다.
본 연구에서는 실제 도로면 영상을 대상으로 8가지 특성을 추출하여 패턴 데이터로 입력하였고 신경망 학습 모델을 구성하여 신경망 학습을 수행하였다.
이 가운데 크랙 탐지 및 모델링 모듈은 디지털 영상처리 과정을 통해 도로면 영상에서 완전 자동으로 크랙을 탐지하고 모델링하는 핵심적인 역할을 담당한다. 완전 자동화 방식의 크랙 탐지 및 모델링 알고리즘은 그림 1과 같이 이진화 및 노이즈제거, 팽창 연산, 세선화, 크랙네트워크 맵핑, 에지 링킹의 6단계 영상처리 과정을 거쳐 도로면 영상에서 크랙을 탐지하고 모델링한다. 크랙 탐지 및 모델링 알고리즘에서 크랙 인식률을 좌우하는 핵심 알고리즘은 노이즈 제거 알고리즘이다.

대상 데이터

본 연구에서 신경망 모델에 학습시킬 데이터는 이진화 영상에서 추출한 객체의 특성 값으로 써 기존 연구에서 추출한 7가지 특성과 객체의 외곽 화소의 방향 분포를 지수로 나타낸 '방향분포지수' 특성 1개으로 모두 8가지 특성이 신경망 모델의 학습 대상 데이터이다. 객체의 8가지 특성을 추출하기 위해 본 연구에서는 실제 도로면 영상 20장을 선정하였고, 해당 영상으로부터 모두 28, 626개의 객체 데이터를 추출하였다. 하나의 객체 데이터는 8가지 특성 값으로 구성되어 있는데 추출된 객체 데이터 중 모든 특성이 동일한 중복 데이터와 면적 특성이 100이하인 데이터 22,524개를 삭제하고 6,102개의 객체 데이터를 최종 학습 데이터로 선정하였다.
결정하는 일이다(이상원, 1993). 본 연구에서 신경망 모델에 학습시킬 데이터는 이진화 영상에서 추출한 객체의 특성 값으로 써 기존 연구에서 추출한 7가지 특성과 객체의 외곽 화소의 방향 분포를 지수로 나타낸 '방향분포지수' 특성 1개으로 모두 8가지 특성이 신경망 모델의 학습 대상 데이터이다. 객체의 8가지 특성을 추출하기 위해 본 연구에서는 실제 도로면 영상 20장을 선정하였고, 해당 영상으로부터 모두 28, 626개의 객체 데이터를 추출하였다.
본 연구에서는 크랙 실링 현장에서 촬영된 도로면 영상 45장을 대상으로 기존 연구 모델의 크랙 인식 능력과 신경망 모델의 인식 능력을 정확히 비교·분석하기 위해 같은 영상 조건하에서 테스트하였다. 테스트에 사용된 45개의 영상은 그림 6와 같이 1개의 현장에서 연속적으로 촬영된 영상으로써 기존 신경망 학습을 위해 사용된 20장의 영상과는 다른 영상이다.
객체의 8가지 특성을 추출하기 위해 본 연구에서는 실제 도로면 영상 20장을 선정하였고, 해당 영상으로부터 모두 28, 626개의 객체 데이터를 추출하였다. 하나의 객체 데이터는 8가지 특성 값으로 구성되어 있는데 추출된 객체 데이터 중 모든 특성이 동일한 중복 데이터와 면적 특성이 100이하인 데이터 22,524개를 삭제하고 6,102개의 객체 데이터를 최종 학습 데이터로 선정하였다. 객체 데이터의 각 특성들은 다양한 범위의 값을 가지고 있으나 해당 신경망의 경우 출력층의 범위가 0과 1 사이의 값을 가져야 하므로 각 특성들의 값을 최대 값으로 나누어 모든 특성값이 0과 1사이의 값을 가지도록 데이터를 변환하여 입력하였고 목적 패턴은 크랙인 경우는 (1, 0)을, 노이즈인 경우는 (0, 1)을 입력하였다.

이론/모형

APCS 머신비전 알고리즘 중 노이즈 제거 알고리즘은 특징 추출 기법(feature extraction)을 기반으로 설계되었다. 특징 추출 기법은 지문 인식이나 화상 인식 등에서 자주 사용되는 기법으로써 영상에서 물체(object)의 특징 값을 추출하여 정해진 판별 기준에 따라 원하는 물체를 분리하는 기법이다.
본 연구에서는 크랙 판별 신경망 모델의 학습을 위해 오류 역전파 알고리즘(error backpropagation algorithm)을 사용하였고 제어변수인 학습률은 0.7, 모멘텀 계수는 0.9를 사용하였다. 크랙 판별 신경망 모델은 그림 3과 같이 모두 4 개층-입력층, 은닉층, 은닉층, 출력층-으로 구성되었고, 입력층 노드의 개수는 객체의 특성 수와 같은 8개이다.

성능/효과

국외에서는 크랙실링 공법의 이점 및 도로면 유지보수 공사의 위험 요소를 인식하여 90년대 초반부터 크랙 실링 자동화 장비 개발을 위한 연구를 진행하여 왔으며, 국내에서도 2001년부터 도로면 크랙실링 자동화 장비 (Automated Pavement Crack Sealer; APCS)가 개발되어 현장 실험을 마친 상태에 있다. 기존 문헌 고찰과 도로면 크랙 실링 자동화 장비의 실험실 및 현장 실험 결과, 도로 면에 존재하는 크랙 네트워크를 자동으로 탐지하고 모델링하는 과정의 속도와 정확성을 향상시키는 것은 개발된 크랙 실링 자동화 장비의 실용화를 위해 매우 중요한 요인으로 인식되었다. 그러나, CCD 카메라를 통해 습득된 도로면 영상에서 크랙 네트워크를 '완전 자동으로 인식하는 기술은 일반적인 영상 인식 분야에서 보다 낮은 인식률을 가지고 있다.
기존 크랙 판별 모델과 신경망 학습에 의한 크랙 판별 모델의 정확성을 테스트한 결과(표 1), 영상 단위 인식률은 각각 71.11%와 95.55%인 것으로 측정되었고, 객체 단위 인식률은 각각 99.97%와 99.99%인 것으로 측정되었다. 한편, 크랙 실링 자동화 장비 운영자는 1장의 도로면 영상에 하나의 인식오류라도 발생하면 매뉴얼 에디팅(manual editing) 과정을 수행하므로 실제 장비 운영자가 인식하는 알고리즘의 정확성은 영상 단위 인식률이다.
본 연구를 통해 개발된 크랙 판별 신경망 모델의 정확성은 영상 단위와 객체 단위로 인식률이 측정되었으며 기존 크랙 판별 모델에 비해 인식률이 24.4%(영상 단위) 향상된 것으로 분석되었다.
기존 크랙 판별 모델이 실험 데이터에 의하여 크랙의 특징들을 정의하고 있지만 기본적으로 크랙의 특성은 비선형적으로 매우 복잡하게 구성되어 있으므로 통계적인 분석을 수행하기 어렵다. 즉, 기존 판별 모델이 비교적 많은 특성을 발견하여 적용하였음에도 불구하고 알고리즘 적용 결과 86.6%의 정확성을 나타낸 것은 기존 크랙 판별 모형의 부정확성 때문인 것으로 판단된다. 따라서, 본 연구에서는 기존 연구의 문제점을 개선하기 위해 신경망 학습 기법을 적용하여 기존 크랙 판별 모델의 문제점을 해결하였다.
한편, 크랙 실링 자동화 장비 운영자는 1장의 도로면 영상에 하나의 인식오류라도 발생하면 매뉴얼 에디팅(manual editing) 과정을 수행하므로 실제 장비 운영자가 인식하는 알고리즘의 정확성은 영상 단위 인식률이다. 테스트 결과 신경망 학습에 의한 크랙 판별 모델을 사용함으로써 기존 모델에 비해 영상 단위 인식률이 24.44% 향상 되었다.

후속연구

향후 상기와 같은 연구 내용을 바탕으로 본 연구에서 개발된 신경망 크랙 판별 모델의 정확성을 향상시킬 수 있는 방안에 대한 연구가 지속적으로 요구된다.

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

[국내논문] 신경망 학습 기법을 이용한 도로면 크랙 인식 알고리즘 개발에 관한 연구
A Study on the Development of Pavement Crack Recognition Algorithm Using Artificial Neural Network 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 신경망 학습 기법을 이용한 도로면 크랙 인식 알고리즘 개발에 관한 연구 A Study on the Development of Pavement Crack Recognition Algorithm Using Artificial Neural Network 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 신경망 학습 기법을 이용한 도로면 크랙 인식 알고리즘 개발에 관한 연구
A Study on the Development of Pavement Crack Recognition Algorithm Using Artificial Neural Network 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper