Research Article

Journal of the Korean Geotechnical Society. 31 December 2018. 145 -154
https://doi.org/10.7843/kgs.2018.34.12.145

ABSTRACT


MAIN

  • 1. 서 론

  • 2. 연구방법

  •   2.1 딥러닝기법 알고리즘

  •   2.2 딥러닝기법의 구성 및 학습

  •   2.3 영상처리기법을 이용한 균열 특성 분석

  • 3. 성능검증 및 결과

  •   3.1 딥러닝기법 성능 검증

  •   3.2 균열 검출 및 특징분석 결과

  • 4. 결 론

1. 서 론

일반적으로 소규모 지반 콘크리트 구조물에서 수행되는 콘크리트 균열 조사 및 점검방법은 현장에서 점검자가 측량 도구(균열자, 균열현미경 등)를 사용하여 육안 조사 후 수기로 외관조사망도를 작성하는 과정으로 이루어진다. 이 방법은 점검자의 주관이 개입될 수 있어 기록의 객관성과 신뢰도가 떨어질 수 있으며, 점검자가 변경될 경우 손상의 진행성 여부를 파악하기 어렵다. 따라서 이러한 문제를 극복하고, 시설물 손상 점검의 객관성과 정확성, 그리고 자료 기록 및 저장의 편의성을 높이기 위해서 촬영기기를 통한 영상(image) 획득을 통해 외관조사결과를 자동으로 추출하는 영상처리기법(image processing method)에 대한 연구가 진행되었다.

영상처리기법은 시설물로부터 획득한 이미지를 처리하고 분석하는 전 과정을 말하며, 영상의 입출력, 디지털화를 위한 전처리, 분할, 결함 관리, 결함 검출 등의 기능으로 구성된다. 효과적인 균열의 검출을 위해 형태학 연산을 통해 검출하는 모폴로지 기법(Byun et al., 2005; Lee et al., 2005; Lee et al., 2008), 명함도를 고려하기 위한 RGB 채널값을 퍼지기법에 적용하여 균열을 검출하는 방법(Kim et al., 2010) 등이 연구되었으며, 촬영 기기나 장비에 대한 연구(Kim, 2016; Park, 2013)도 진행되고 있다.

기존에 통용되는 영상처리기법인 룰 기반 기법(rule-based method)은 사용자가 균열을 효과적으로 검출하기 위하여 이미지의 노이즈를 제거하는 필터를 모델링하여 결과를 도출 방법이다. 하지만 이러한 룰 기반 기법은 이미지의 초점거리, 촬영 환경의 영향(조도, 명암도 등), 촬영 품질, 해상도 등에 따라 새로운 필터 모델링이 필요하다는 단점이 있다. 또한 이를 보완하기 위하여 개발된 촬영기기 및 장비의 경우 80km/h의 고속으로 고해상도 촬영이 가능하나 매우 고가라서 경제성이 떨어진다는 단점이 있다.

이러한 룰 기반 기법의 한계점을 보완하기 위하여 최근에는 머신러닝, 딥러닝을 이용한 이미지 분석기술에 대한 필요성이 더욱 대두되고 있으며, 관련 연구도 활발하게 진행되고 있다. 특히, 최근에는 영상장비가 탑재된 드론 등의 무인기(Unmanned Aerial Vehicle, UAV)를 이용하여 노후화된 대규모 사회기반 시설물의 외관을 딥러닝 기반의 영상처리기법으로 점검하고 분석하는 방법에 대한 연구가 이루어지고 있다(Cho et al., 2018; Kim et al., 2017; Lee et al., 2018). 하지만 드론을 이용한 손상 점검 기술은 개발 초기 단계이며, 고가의 장비, 드론 전문가가 요구될 뿐만 아니라 규제 및 제도적인 측면에서도 실제 적용성이 현재까지는 미흡한 실정이다.

본 연구는 휴대폰, 테블릿 PC 등과 같이 비교적 저가의 휴대용 촬영기기를 통해 콘크리트 지반 구조물의 균열을 촬영하고, 촬영된 영상에서 효과적이고 신속하게 균열을 검출하고 균열의 특성(길이, 폭)을 분석할 수 있는 딥러닝기법과 영상처리기법을 개발하고, 개발된 방법과 알고리즘이 실무 적용될 수 있도록 그 성능을 확인하였다.

2. 연구방법

2.1 딥러닝기법 알고리즘

일반적으로 콘크리트 구조물에 있는 균열 특징(길이, 폭)을 정확하게 판단하고 수치화하여 기록함으로써 해당 건축물에 대한 위험도를 판단할 수 있으며, 구조물의 유지보수 계획에 도움을 줄 수 있다. 본 연구에서는 딥러닝기법을 이용하여 콘크리트의 균열을 검출하고, 영상처리기법을 통하여 검출된 콘크리트 균열에 대한 특징(균열, 길이)을 빠르게 판단하는 것을 목표로 한다. 이를 위한 가장 일반적인 방법은 콘크리트 균열 영상의 데이터베이스를 구축하고 이를 이용하여 균열을 구획화하는 방법이다. 구획화(segmentation)란 정보의 관점에서 낮은 레벨의 정보(원본 영상)를 높은 레벨의 정보(구획화된 영상)로 변환시키는 것을 말하며, 이는 영상에서 노이즈와 같이 원치 않는 정보를 제거하는 것을 말한다. 구획화를 위한 다양한 알고리즘들이 개발되어 있으며, 대표적으로 컨볼루션 기반 구획화(convolution-based segmentation) 딥러닝기법과 오토인코더 기반 구획화(autoencoder-based segmentation) 딥러닝기법이 있다.

컨볼루션 기반 딥러닝기법은 영상을 처리하는 방법 중 하나인 컨볼루션 필터(convolution filter)를 이용하여 해당 입력영상을 원하는 특징이 강조되는 영상으로 변환이 가능하다. 영상의 경계면이 강조된 영상 획득을 위하여 윤곽선을 검출하는 필터인 소벨 필터(sobel filter)를 사용하는 것과 같이, 해결하고 싶은 문제에 맞는 적합한 필터를 학습하고 이를 이용하여 입력 영상에서 구획화 대상 영역을 적합하게 구획화하게 된다.

오토인코더(Autoencoder)란 콘볼루션 신경망과 디콘볼루션(de-convolution) 신경망으로 이뤄진 딥러닝기법을 의미한다. 일반적으로 콘볼루션 기반 신경망은 주로 정보의 양을 축소하여 해당 입력데이터에 대해서 원하는 정보만을 뽑아내는 부호기(encoder)로 볼 수 있으며, 콘볼루션의 역연산인 디콘볼로루션은 정보의 양을 확장하며 축소된 정보에서 원본 입력데이터의 차원으로 되돌리는 일종의 복호기(decoder)로 볼 수 있다. 오토인코더 기반의 딥러닝기법은 정보의 축소 및 확장을 통하여 노이즈제거, 영상의 질감변화, 구획화를 할 수 있는 여러 가지 기능이 있으며, 해당 기능은 학습데이터에 따라서 달라진다. 정보가 최종적으로 축소된 병목(bottleneck) 부분에서는 해당 영상에서 출력영상을 이루기 위하여 정보가 압축되며, 이를 디콘볼루션을 이용하여 복원할 수 있다.

2.2 딥러닝기법의 구성 및 학습

콘크리트 균열 정보를 얻기 위하여 서술된 두 가지 딥러닝기법을 구성할 경우 학습에 필요한 다양한 콘크리트 구조물 사진과 이에 대한 콘크리트 균열 학습데이터(균열이 라벨링 되어 있는 데이터)의 수는 최소 1,000장 정도이며, 이를 실제로 얻고 균열을 사람의 손으로 구획화하는 것은 매우 어려운 문제이다. 또한 현재 사용되고 있는 고해상도 카메라의 해상도(QHD 기준 2960 * 1440)의 영상에서는 아키텍처의 크기가 과도하게 증가하게 되어 적절한 학습이 불가능하며, 균열 영상의 픽셀이 전체 영상 픽셀 중에서 차지하는 비율이 1% 이내가 될 수 있으므로 불균형한 데이터 셋으로 인하여 학습 성능이 급격하게 떨어지는 원인이 될 수 있다.

따라서 본 연구에서는 Fig. 1과 같이 영상을 패치단위로 나누고 해당 영상패치에 대하여 균열이 유무를 판단하는 균열 판단 신경망(classification)과 이후 균열이 있다고 판단되는 영상패치에 대해서만 구획화를 실시하는 균열 구획화 신경망(segmentation)으로 구성된 딥러닝기법을 제안한다. 본 연구에서 제안하는 딥러닝기법은 학습데이터의 부족을 하나의 영상에서 다수의 영상패치를 얻는 것으로 극복이 가능하며, 고해상도 영상에 대한 아키텍처 성능 저하를 방지하고, 균열이 있는 영상패치만 구획화용 학습 데이터로 사용하는 것으로써 데이터셋 불균형 문제를 극복할 수 있다. 또한, 이렇게 판단과 검출 신경망을 분리함으로서 고정된 영상사이즈만 처리 가능한 것이 아닌, 다양한 환경에서 얻은 데이터를 사용할 수 있는 장점이 있다.

http://static.apub.kr/journalsite/sites/kgs/2018-034-12/N0990341212/images/kgs_34_12_12_F1.jpg
Fig. 1.

Image segmentation for crack detection

딥러닝기법을 통해 균열의 검출하기 위해서는 균열 데이터와 균열이 아닌 데이터를 통해 데이터의 특징 차이를 학습이라는 과정으로 신경망에게 알려주는 것이기 때문에 다양한 학습데이터가 필요하게 된다. 이에 본 연구에서는 Özgenel(2018)에 의해 공유된 40,000장의 콘크리트 영상(균열이 있는 영상 20,000장, 균열이 없는 영상 20,000장)을 이용하여 검출 신경망(classification network)의 초기 학습을 수행하였다. 해당 영상은 균열 유무에 대한 정보는 포함되어 있으나, 균열이 있는 영상에 대하여 균열 구획화는 되어있지 않음으로 본 연구에서는 해당 데이터를 기본으로 하여 균열 구획화 데이터를 별도로 제작하였다. Fig. 2는 Özgenel(2018)가 공유한 콘크리트 영상에서 대표적인 균열이 없는 콘크리트 영상(상), 균열이 있는 콘크리트 영상(중), 균열을 구획화한 영상(하)을 나타낸다.

http://static.apub.kr/journalsite/sites/kgs/2018-034-12/N0990341212/images/kgs_34_12_12_F2.jpg
Fig. 2.

Database of concrete cracks (Özgenel, 2018)

2.2.1 콘크리트 균열 판단 신경망(Classification network)

콘크리트 균열 판단 신경망의 목표는 입력된 영상에서 콘크리트 균열이 존재하는지를 판단하는 검출 신경망이다. 이를 위해 Cha and Choi(2017)는 컨볼루션 신경망 기술을 이용하여 균열 검출의 특징을 추출하고, 스트라이드(stride)와 풀링(pooling)을 이용하여 영상의 차원을 점차 감소해가면서 최종적으로는 덴스 신경망(dense networks)을 이용한 균열 검출 방법을 제안하였다.

본 연구에서 사용된 콘크리트 균열 판단 신경망(Fig. 3)에서는 128개의 컨볼루션 필터가 사용되었으며, 풀링으로 인한 정보 손실을 방지하기 위하여 모든 컨볼루션 필터마다 풀링을 사용하는 것이 아닌, 컨볼루션 필터 그룹 연산 이후에 한번만 스트라이드 컨볼루션하는 것으로 구성하였다. 또한 역전파(backpropagation)시 가중치 소멸 문제(gradient vanishing problem)를 방지하기 위하여 잔차 신경망(residual network)을 적용하였다. 최종적으로 배치 정규화(batch normalization)와 성능을 최대로 발휘할 수 있도록 컨볼루션, 배치 정규화, 활성화(activation)의 순서를 조절하여 성능을 높이도록 구성하였다.

http://static.apub.kr/journalsite/sites/kgs/2018-034-12/N0990341212/images/kgs_34_12_12_F3.jpg
Fig. 3.

Classification network for determination of crack presence

2.2.2 콘크리트 균열 구획화 신경망(Segmentation network)

신경망을 이용한 균열 구획화 신경망은 구획화 목적의 다양한 신경망 중 의료영상 구획화에 주로 사용되는 HiRes3DNet(Li et al., 2017)을 기반으로 작성이 되었다. 해당 아키텍처의 특징은 최신 신경망 기술(배치 정규화 배열, 스트라이드/풀링, 잔차 신경망, 컨볼루션 기반 구획화 등)이 모두 적용된 신경망으로, 2차원 영상을 구획화하는 본 연구에 적합하게 수정하여 사용하였다(Fig. 4).

http://static.apub.kr/journalsite/sites/kgs/2018-034-12/N0990341212/images/kgs_34_12_12_F4.jpg
Fig. 4.

Segmentation network for concrete cracks

2.3 영상처리기법을 이용한 균열 특성 분석

앞서 균열을 검출하는데 적용된 딥러닝기법은 고전 영상처리기법보다 더 높은 범용성과 편의성을 제공하지만, 이러한 딥러닝기법의 주요 목표는 원하는 객체(object)를 검출하거나, 원하는 객체의 유무를 판단하거나, 원하는 객체를 구획화 하는 일에 전문화 되어 있다. 신경망으로 검출, 판단, 구획화를 한 후 해당 객체의 특징을 찾는 것은 신경망이 아닌 영상처리(image processing)의 영역이며 이를 이용하여 사용자가 원하는 의미 있는 값을 얻을 수 있다. 본 연구에서는 딥러닝기법을 통해 구획화된 영상에서 균열의 특징(길이, 폭) 을 얻기 위하여 아래와 같은 영상처리기법들을 활용하였다.

2.3.1 균열 길이 분석기법

2.3.1.1 세선화 방법(Thinning algorithm)

영상에서 콘크리트 균열을 구획화하고 이에 대하여 균열의 길이를 측정하기 위하여 본 연구에서는 영상처리 기법중 하나인 세선화법(Fig. 5)을 이용하여 균열의 길이를 얻기 위한 기본 처리를 수행하였다. 세선화 방법은 대상 물체의 표면을 조금씩 벗겨내어 최종적으로 두께가 1 픽셀인 선으로 만드는 방법이며 이에 파장 전파법 등을 사용하여 보다 효과적으로 대상 물체의 두께를 1 픽셀로 줄이는 골격화(skeletonization) 방법도 존재한다. 이와 같이 세선화 알고리즘은 다양한 방법이 있기 때문에 적용대상의 데이터 특정에 따라서 알고리즘을 선택하여 사용할 수 있으며, 세선화 이후 길이 정보를 얻기 최적화 된 데이터로 변환이 된다.

http://static.apub.kr/journalsite/sites/kgs/2018-034-12/N0990341212/images/kgs_34_12_12_F5.jpg
Fig. 5.

Application of thinning algorithm to crack image

본 연구에서는 세선화 전 구획화 영상의 노이즈를 제어하기 위하여 이진화된 오츠 임계처리(Othu’s thresholding) 방법을 사용하여 전처리를 구성하였으며, 평면을 특정 점까지의 최소 거리로 분할하여 최단 거리 경로를 찾아내는 보로노이 세선화(Voronoi thinning) 알고리즘을 사용하여 세선화를 수행하였다.

2.3.1.2 추적기법(Tracking algorithm)

세선화 알고리즘을 이용하여 얻어진 영상은 객체의 길이를 효과적으로 얻을 수 있는 데이터로 바뀌며 해당 데이터를 이용하여 실질적인 균열의 길이를 구할 수 있다. 영상에서 객체의 길이를 구하기 위해서는 2차원 공간상에 획득된, 정렬되지 않은 픽셀 데이터를 대상으로 하여 시작점, 끝점을 잇는 정렬된 픽셀 좌표 집합 데이터로 가공해 주는 작업이 필요하다. 세선화 후 영상데이터는 1과 0으로 이뤄지며 균열의 데이터 값이 1인 픽셀을 추적하여, 균열의 시작 또는 종료 위치를 탐색할 수 있으며, 이 지점을 시작점으로 하여 영상 내의 동질 픽셀을 탐색해 나가며 픽셀 데이터를 취합할 수 있다. 픽셀 데이터를 취합하는 과정에서는 동일 데이터 값을 가지는 인접 픽셀의 탐색으로 영역을 확장해 나가는 방식으로 취합이 이루어지는데 임의의 한 픽셀에서 인접 픽셀을 확인하는 방법은 상, 하, 좌, 우 등 직교하는 4 방향의 연결성을 확인하는 방식과, 좌상, 우상, 좌하, 우하 등 대각 방향까지 포함한 8 방향의 연결성을 확인하는 방식이 있으나, 본 연구의 경우는 대각선 방향으로 픽셀이 놓이는 경우가 있으므로 8 방향의 연결성을 확인하여 연결성추적이 이루어진다. 추적 알고리즘의 최종 출력은 순서가 정렬된 균열 픽셀 좌표 데이터의 집합이 된다. Fig. 6은 균열 데이터를 추적할 때 영역을 확장하는 방식을 나타낸다.

http://static.apub.kr/journalsite/sites/kgs/2018-034-12/N0990341212/images/kgs_34_12_12_F6.jpg
Fig. 6.

Extending area for tracking crack data

2.3.1.3 균열 길이 측정

추적기법을 이용하여 얻어진 균열 결과는 1픽셀 두께의 자유 형태의 스플라인 형태의 데이터로 남게 된다. 이 스플라인 데이터의 길이를 측정하기 위해서 스플라인을 구성하는 픽셀의 길이를 계산해야 한다. 이 때 픽셀의 분포 양상에 따라 길이가 달라지는데, 예를 들면 두 픽셀이 수평 방향으로 나란히 위치해 있거나, 수직 방향으로 나란히 위치해 있는 경우 각각 픽셀의 수평 크기, 수직 크기로 계산을 할 수 있고, 두 픽셀이 대각선 방향으로 분포해 있는 경우 수평크기와 수직크기 벡터의 크기로 계산할 수 있다. 이렇듯 분포 양상에 따라 다른 수식의 길이 계산 방법이 적용되므로 스플라인의 픽셀 좌표들을 순회할 때 순차적으로 두 좌표 쌍을 얻어 픽셀의 분포 방향을 고려하여 길이를 측정해야 한다.

2.3.2 균열 폭 분석기법

2.3.2.1 프로파일링 알고리즘(Profiling Algorithm)

앞선 추적기법(tracking) 단계에서 얻어진 스플라인 데이터는 정렬된 픽셀 순서를 갖는 데이터이므로 방향성을 갖게 된다. 이 방향성을 이용하여, 스플라인의 세부 구간 별로 진행 방향을 계산할 수 있다. Fig. 7과 같이 pt1∼ptN으로 구성된 스플라인 선이 존재한다고 가정하면 임의의 ptC 에서의 진행 방향은 ptC+1 - ptC-1 의 계산으로 2차원 벡터로 표현할 수 있다. 해당 2차원 벡터에 수직한 방향 벡터 P를 구하고, +P, -P 방향으로 직선을 만들고 균열 데이터가 존재하지 않을 때까지 진행시키면 임의의 지점에서의 균열 폭을 구할 수 있게 된다. 균열 폭은 스플라인 데이터의 전체 구간에서 계산되며, 각 계산 값의 평균값을 이용하여 균열 폭을 나타낼 수 있다.

http://static.apub.kr/journalsite/sites/kgs/2018-034-12/N0990341212/images/kgs_34_12_12_F7.jpg
Fig. 7.

Calculation method for profiling direction

3. 성능검증 및 결과

3.1 딥러닝기법 성능 검증

3.1.1 콘크리트 균열 판단 신경망(Classification network)

앞서 연구내용에서 언급한 바와 같이 총 40,000장의 콘크리트 사진이 인공신경망의 학습 및 평가를 위하여 사용되었으며, 이 중 36,000장은 학습 데이터로, 4,000장은 테스트 데이터로 사용되었다. 배치(batch) 사이즈가 50인 신경망을 이용하여 총 12,140,400번(337 epoch) 학습하였고, 손실함수(loss function)는 소프트맥스 교차 엔트로피(softmax cross entropy)를 사용하였다. 정확도 평가 결과 Fig. 8과 같이 99.98%의 최종 검증 정확도가 도출된 것을 확인하였다.

http://static.apub.kr/journalsite/sites/kgs/2018-034-12/N0990341212/images/kgs_34_12_12_F8.jpg
Fig. 8.

Training loss and evaluation accuracy according to epoch for training and evaluation sets

3.1.2 콘크리트 균열 구획화 신경망(Segmentation network)

콘크리트 균열 판단 신경망에서 콘크리트의 균열이 있다고 판단된 영상은 구획화 신경망으로 균열에 대한 구획화를 수행하게 된다. 본 신경망에서 학습으로 준비한 데이터는 콘크리트 균열 데이터베이스에서 콘크리트 균열을 구획화한 2,000장의 데이터를 사용하였으며, 이 중 1,751장을 학습에, 249장을 평가에 사용하였다. 손실함수로는 시그모이드 교차 엔트로피(sigmoid cross entropy), 평가함수로는 IoU(Intersection over union)를 사용하여 919,270번(525 epoch) 학습한 결과, 평가데이터의 IoU 값은 0.87로, 100%의 정밀도를 나타내는 1에 가까운 값이 도출되어 비교적 높은 정확도의 결과를 확인하였다(Fig. 9).

http://static.apub.kr/journalsite/sites/kgs/2018-034-12/N0990341212/images/kgs_34_12_12_F9.jpg
Fig. 9.

Training loss and evaluation accuracy according to epoch for training and evaluation sets

3.2 균열 검출 및 특징분석 결과

콘크리트 균열 판단 및 구획화 신경망을 거친 영상은 균열 지점에 대한 구획화 정보가 나오게 된다(Fig. 10). 이에 세선화와 추적기법을 이용하여 콘크리트 균열 영상에 대한 정보인 균열의 전체 길이와 평균 두께를 구할 수 있게 된다. Fig. 11은 촬영된 콘크리트 균열 영상에 대하여 딥러닝기법을 통한 균열 구획화(Fig. 11b), 그리고 구획화된 균열을 기반으로 균열의 길이와 평균 폭을 도출(Fig. 11c, 11d)한 결과를 나타내었다. 실제로 측정된 균열의 길이는 396.7mm이며, 폭은 최소 1.3mm, 최대 5.2mm 사이였으며, 본 연구를 통해 딥러닝기법으로 구획화 하고 세선화 및 추적기법을 통해 도출된 균열 길이는 401.3mm로 약 1% 정도의 오차를 가지는 결과값을 얻을 수 있었다. 또한 프로파일링 기법을 통한 평균 균열 폭은 2.2mm로, 실제 측정된 균열 폭 범위와 유사한 결과가 도출된 것을 확인하였다.

http://static.apub.kr/journalsite/sites/kgs/2018-034-12/N0990341212/images/kgs_34_12_12_F10.jpg
Fig. 10.

Result of concrete crack segmentation

http://static.apub.kr/journalsite/sites/kgs/2018-034-12/N0990341212/images/kgs_34_12_12_F11.jpg
Fig. 11.

Result of segmentation, thinning, tracking and profiling

4. 결 론

본 연구에서는 콘크리트 지반 구조물의 객관적이고 효율적인 균열 점검 및 기록을 목적으로 하여 휴대용 촬영기기를 통해 촬영된 영상에서 균열을 검출하고 균열의 특성(길이, 폭)을 효과적으로 분석할 수 있는 딥러닝기법과 영상처리기법을 개발하였다.

딥러닝기법은 영상을 패치단위로 나눠 각 패치의 균열이 유무를 판단하는 균열 판단 신경망과 해당 영상패치에 대해 구획화를 실시하는 균열 구획화 신경망으로 구성하여 학습데이터의 부족, 고해상도 영상에 대한 아키텍처 성능 저하, 데이터셋 불균형 문제를 극복하고자 하였다. 또한 딥러닝기법을 통해 구획화된 콘크리트 균열은 세선화 및 추적기법을 통해 길이를 도출하고, 프로파일링 기법을 통해 균열의 평균 폭을 도출할 수 있도록 설계하였다. 최종적으로 실제로 촬영된 균열 이미지를 통해 본 연구에서 개발된 방법의 결과와 현장에서 측정된 길이와 폭을 비교함으로써 개발된 방법과 알고리즘이 실무 적용될 수 있도록 그 성능을 확인하였다.

본 연구는 기존에 일반적으로 사용되는 구획화 딥러닝기법이 아닌 판단 신경망과 구획화 신경망을 분리함으로써 고정된 영상사이즈만 처리 가능한 것이 아닌, 다양한 환경에서 얻은 영상을 분석할 수 있다는 차별점이 있다. 하지만 균열 영상과 그 특징에 대한 객관적인 기록이 매우 부족하기 때문에, 본 연구에서는 한 가지 영상에 대해서만 검증이 수행되었음으로, 개발된 기법의 정확도와 범용성에 대한 검증이 아직 미흡하다는 한계점이 있다. 보다 정확도 높은 딥러닝기법을 위해서는 향후 지속적으로 학습 데이터를 업데이트하고 추가적인 현장 적용 및 검증을 수행할 예정이다.

본 연구를 통해 개발된 콘크리트 균열 검출기법은 인공신경망을 이용하여 촬영기기의 종류와 성능, 그리고 주변 환경에 비교적 적은 영향을 받도록 설계되었으며, 지속적인 학습을 통해서 정확도가 향상되도록 설계되었다. 따라서 터널, 상하수관로, 지하차도, 공동구 등 다양한 형태의 지반 콘크리트 구조물에 대하여 범용적으로 적용이 가능할 것으로 기대된다. 또한 비교적 저가의 휴대기기로 여러 형태의 구조물의 균열을 효율적으로 점검하고 기록을 관리함으로써, 장기적으로는 콘크리트 구조물의 안정성 및 건전성 평가에 이바지 할 수 있을 것으로 기대된다.

Acknowledgements

본 연구는 국토교통부 국토교통기술사업화지원사업(17TBIP-C125407-01-000000)의 지원으로 수행되었으며, 이에 깊은 감사를 드립니다.

References

1
Byun, T.B., Kim, J.H., and Kim, H.S. (2006), The Recognition of Crack Detection Using Difference Image Analysis Method based on Morphology, J. of the Korea Institute of Information and Communication Engineering, Vol.10, No.1, pp. 197-205.
2
Cha, Y.J. and Choi, W. (2017), Vision-Based Concrete Crack Detection Using a Convolutional Neural Network, Dynamics of Civil Structures, Vol.2, pp.71-73.
10.1007/978-3-319-54777-0_9
3
Cho, S., Kim, B., and Lee, Y.I. (2018), Image-Based Concrete Crack and Spalling Detection using Deep Learning, J. of the Korean Society of Civil Engineers, Vol.66, No.8, pp.92-97.
4
Kim, J.W. and Jung, Y.W. (2017), Study on rapid structure visual inspection technology using drones and image analysis techniques for Damaged Concrete Structures, Proceeding of the Korean Society of Civil Engineers, pp.1788-1789.
5
Kim, K.B. and Cho, J.H. (2010), Detection of Concrete Surface Cracks using Fuzzy Techniques, J. of the Korea Institute of Information and Communication Engineering, Vol.14, No.6, pp.1353-1358.
10.6109/jkiice.2010.14.6.1353
6
Kim, Y. (2016), Development of Crack Recognition System for Concrete Structure Using Image Processing Method, J. of Korean Institute of Information Technology, Vol.14, No.10, pp.163-168.
10.14801/jkiit.2016.14.10.163
7
Lee, B.Y., Kim, Y.Y., and Kim, J.K. (2005), Development of Image Processing for Concrete Surface Cracks by Employing Enhanced Binarization and Shape Analysis Technique, J. of the Korea Concrete Institute, Vol.17, No.3, pp.361-368.
10.4334/JKCI.2005.17.3.361
8
Lee, B.J., Shin, J.I., and Park, C.H. (2008), Development of Image Processing Program to Inspect Concrete Bridges, Proceedings of the Korea Concrete Institute, pp.189-192.
9
Lee, J.H., Kim, I.H., and Jung, H.J. (2018), A Feasibility Study for Detection of Bridge Crack Based on UAV, Transactions of the Korean Society for Noise and Vibration Engineering, Vol.28, No.1, pp.110-117.
10.5050/KSNVE.2018.28.1.110
10
Li W., Wang G., Fidon L., Ourselin S., Cardoso M.J., and Vercauteren T. (2017), On the Compactness, Efficiency, and Representation of 3D Convolutional Networks: Brain Parcellation as a Pretext Task. In: Niethammer M. et al. (eds) Information Processing in Medical Imaging. IPMI 2017. Lecture Notes in Computer Science, Vol. 10265. Springer, Cham.
10.1007/978-3-319-59050-9_28
11
Özgenel, Ç.F. (2018), "Concrete Crack Images for Classification", Mendeley Data, v1 http://dx.doi.org/10.17632/5y9wdsg2zt.1
12
Park, H.S. (2013), Performance Analysis of the Tunnel Inspection System Using High Speed Camera, J. of Korean Institute of Information Technology, Vol.11, No.4, pp.1-6.
10.14801/kiitr.2013.11.4.1
페이지 상단으로 이동하기