본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

Title Page 2

Contents 5

ABSTRACT 14

CHAPTER 1. INTRODUCTION 18

1.1. Overview 18

1.2. Monitoring techniques of landslide crack propagation 20

1.3. Monitoring techniques of debris flow motion 25

1.4. Monitoring techniques of segmental retaining wall displacement 28

1.5. Motivation of the research 31

1.6. Objectives and scope 32

1.7. Organization of the thesis 34

CHAPTER 2. VISION CAMERA AND DEEP LEARNING- BASED AUTOMATIC DETECTIONS MODELS 36

2.1. Overview 36

2.2. Proposed crack propagation detection model 36

2.2.1. Convolutional neural network for ground crack segmentation 37

2.2.2. Otsu method for ground crack segmentation 41

2.3. Proposed debris flow detection model 44

2.4. Proposed detection model for natural features of segmental retaining wall 49

2.5. Performance evaluation metrics 53

2.5.1. Evaluation parameters for segmentation model performance 53

2.5.2. Evaluation parameters for motion detection model performance 54

2.6. Summary 55

CHAPTER 3. AUTOMATIC MONITORING METHODS USING CNN AND IMAGE PROCESSING TECHNIQUES 57

3.1. Crack propagation dimension 57

3.2. Debris flow velocity 60

3.3. Displacement calculation of segmental retaining wall 62

3.3.1. Binocular stereo vision 63

3.3.2. Point cloud reconstruction 65

3.3.3. Stereo camera calibration and stereo image rectification 66

3.3.4. Displacement calculation 70

3.4. Summary 72

CHAPTER 4. DATASET PREPARATION 73

4.1. Crack propagation dataset 73

4.2. Debris flow motion dataset 78

4.3. Segmental retaining wall dataset 82

4.3.1. Dataset for displacement calculation 82

4.3.2. Dataset for training deep learning-based segmentation models 89

4.4. Summary 92

CHAPTER 5. PERFORMANCE EVALUATION OF MONITORING SYSTEMS 93

5.1. Results of crack propagation measurement and detection model 93

5.1.1. Training, validation, and testing of the deep learning models 93

5.1.2. Calculation of crack dimensions 98

5.2. Results of debris flow measurement and detection model 110

5.2.1. Training, validation, and testing results 110

5.2.2. Calculation results of debris flow velocity 114

5.3. Results of segmental retaining wall measurement and detection model 121

5.3.1. Performance of the CNN-based segmentation models 121

5.3.2. SRW surface reconstruction 126

5.3.3. SRW displacement 130

5.4. Summary 141

CHAPTER 6. CONCLUSION 143

6.1. Conclusion remarks 143

6.1.1. Crack propagation 143

6.1.2. Debris flow motion 144

6.1.3. Retaining wall displacement 145

6.2. Suggestions for further research 146

REFERENCES 148

ABSTRACT IN KOREAN 157

CURRICULUM VITAE 162

List of Tables 12

Table 1.1. Principal characteristics of the most commonly used technology for landslide monitoring 24

Table 1.2. Principal characteristics of the most commonly used technology for debris-flow monitoring 27

Table 1.3. Principal characteristics of the most commonly used technology for retaining wall monitoring 30

Table 3.1. Intrinsic and extrinsic parameters of the camera 69

Table 4.1. The number of selected crack image and dataset sources 73

Table 4.2. Dataset division for crack detection and calculation of crack dimension 77

Table 4.3. Summary of dataset for proposed CNN model and image... 80

Table 4.4. Dataset division for segmentation, point cloud reconstruction, and... 88

Table 5.1. The performance of U-Net, LinkNet, FPN, Deeplabv3 model and... 95

Table 5.2. The calculated results, the measured results of the ground crack, and the relative error value between the... 101

Table 5.3. The calculated and measured crack dimensions and the errors of various grid sizes 103

Table 5.4. The calculated results, the measured results of the ground crack, and the relative error on Video 1 and... 108

Table 5.5. Performance evaluation of the debris flow detection model 112

Table 5.6. Relative error of front velocity of debris flow 117

Table 5.7. Performance evaluation of U-Net, FPN, PSPNet and LinkNet models 124

Table 5.8. Reconstructed point cloud coordinates and the relative error between the calculated and actual values 128

Table 5.9. Calculated and measured results of the SRW displacement in the... 136

Table 5.10. Calculated and measured displacement values of the field... 140

List of Figures 8

Figure 2.1. The workflow of the integrated monitoring system using digital... 36

Figure 2.2. Flowchart of ground crack detection and its measurement using... 37

Figure 2.3. An illustration of the deep learning architectures: (a) U-Net, (b)... 41

Figure 2.4. Flowchart of debris flow motion detection and velocity... 44

Figure 2.5. YOLOv4 detection and identification processing 45

Figure 2.6. Intersection over Union (IoU) concept and example of true... 47

Figure 2.7. YOLOv4 network architecture and output features 49

Figure 2.8. The flowchart of measuring displacement of retaining wall using deep learning and stereo vision 52

Figure 2.9. An illustration of the U-Net architecture for natural features of... 53

Figure 2.10. Example of true positive, false positive, false negative, and... 54

Figure 3.1. Model for calculating the size of ground crack: (a) Predicted... 59

Figure 3.2. Model for debris flow velocity calculation using camera in flume... 62

Figure 3.3. Typical stereo vision system in the SRW 64

Figure 3.4. The result of stereo matching: (a) acquired stereo image pair... 67

Figure 3.5. Model for calculating the SRW displacement: (a) segmented... 71

Figure 4.1. Slope experiment for generating ground crack in laboratory: (a)... 75

Figure 4.2. Several examples of annotated ground crack masks on the... 76

Figure 4.3. Grain-size distribution curve of sandy lean clay 78

Figure 4.4. Large flume test (length L＝96 m, height H＝1.2 m, and width W＝... 81

Figure 4.5. Experimental setup and load schedule: (a) a small experimental... 84

Figure 4.6. Field experiment model of the SRW (Width＝2.0 m, Height＝... 86

Figure 4.7. Six steps of movable blocks including settlement and facing... 87

Figure 4.8. Location of the real SRW at Science High School, Busan- Korea 90

Figure 4.9. Example of image data under various conditions: (a-b) images in... 91

Figure 5.1. Changes in evaluation metrics during training and validation... 94

Figure 5.2. Examples of ground crack detection on testing dataset with... 97

Figure 5.3. Examples of ground crack detection on crack images with a part... 98

Figure 5.4. Examples of crack detection, the calculated and the measured... 100

Figure 5.5. Variation of grid size: (a) 10×10 pixel, (b) 20×20 pixel, (c) 40... 102

Figure 5.6. The calculated and the measured length and width of ground... 105

Figure 5.7. Examples of crack detection, the calculated and the measured... 107

Figure 5.8. Examples of debris flow motion detection on testing dataset: (a)... 111

Figure 5.9. Sample of 20 sequential frames including detection result and... 118

Figure 5.10. Sample of 12 frames including detection result and pixel... 119

Figure 5.11. Comparison of front velocity obtained from image processing... 120

Figure 5.12. Examples of SRW block segmentation on the testing image... 123

Figure 5.13. The F1 score of four proposed models on the testing dataset in... 125

Figure 5.14. Examples of block segmentation on the testing image of the... 126

Figure 5.15. Reconstruction of 3D point clouds from 2D images of SRW... 129

Figure 5.16. Reconstruction of 3D point clouds of chessboard pattern: (a) A... 130

Figure 5.17. The calculated results of the face displacement over time at the... 132

Figure 5.18. The comparison between the calculated and measured... 135

Figure 5.19. The comparison of calculated and measured values of the field... 139

초록보기

 기후 변화로 인해 산사태, 토석류, 옹벽 붕괴와 같은 지반재해의 빈도, 복잡성, 주거지 및 인프라에 대한 위험성이 커지고 있으며, 공공의 안전을 위협하는 지반재해를 방지하기 위해서는 조기 탐지 및 모니터링 시스템이 필요한 실정이다. 기존의 센서 기반 모니터링 시스템은 변위, 경사, 함수비 등을 계측해오고 있으나, 다음과 같은 한계점이 있다: (1) 과도한 설치, 운영 및 유지 관리 비용; (2) 제한된 공간적 범위에 대한 불연속적인 관측 결과; (3) 현장 데이터 관리 및 처리의 어려움. 인공지능의 급속한 발전을 통해 재해를 방지하기 위한 다양한 응용 연구가 수행되어져 왔으며, 특히 디지털 이미지와 비디오를 분석하는 다양한 딥러닝 알고리즘과 컴퓨터 비전 접근법이 제시되어졌다. 특히 CNN 기반 객체 탐지 기술은 무인항공기 및 차량에 탑재된 카메라를 통해 목표하는 객체를 식별하는데 높은 속도와 정확성을 제공한다. 하지만 딥러닝 네트워크기반의 이미지 분할 알고리즘을 통해 지반 균열의 확산, 토석류, 옹벽 변위를 모니터링하는 시스템이 개발되지 않은 실정이다. 따라서 본 논문에서는 딥러닝 알고리즘과 이미지 처리 기술을 활용하여 산사태 균열 확산, 토석류, 옹벽 변위를 탐지하고 모니터링하는 새로운 통합 모니터링 시스템을 개발하였다.

지반 균열을 식별하고 그 크기를 정량화 하기 위해 U-Net, LinkNet, Feature Pyramid Network(FPN), Deeplabv3와 같은 다양한 합성곱 신경망(CNN)과 전통적인 이미지 처리 기법인 Otsu 방법이 활용되었다. 토석류를 검출하기 위해 실시간 연산이 가능한 You Only Look Once(YOLO) 알고리즘이 활용되었으며, 채널을 따라 탐지된 토석류의 전면 속도를 산출하는 이미지 처리 기법도 개발되었다. 딥러닝과 스테레오 비전을 결합하여 보강토 옹벽(SRW)의 기하학 특성 및 표면 특성을 재구성하는 디지털 3 차원 모델을 생성하였으며, 딥러닝 모델을 활용하여 SRW 블록에서 특징을 추출하고 변위를 측정하는 알고리즘이 제안되었다. 이와 같은 딥러닝 모델은 실험실 및 현장에서 촬영된 데이터셋을 활용하여 훈련 및 테스트되었다.

실험실 규모의 실험과 현장 균열 이미지로 제작된 이미지 데이터셋을 활용하여 균열 확산 이미지 검출 모델을 개발하였으며, CNN 기반 이미지 분할 모델로 식별된 지반 균열은 평균 F1 점수 0.877에서 0.896, 처리 속도 7.48에서 8.01 프레임/초(FPS)를 기록하여 전통적인 이미지 처리(F1 점수 0.65 및 속도 0.01 FPS)보다 우수한 성능을 보였다. 또한, 이미지와 비디오에서 계산된 균열 치수의 정확도는 86.7%에서 99.9%의 범위에 분포하였다. 토석류 계측의 경우, 소형 수로 시험, 대형 수로 시험 및 여러 토석류 이벤트에서 얻은 12 개의 토석류 비디오(5950 프레임)에서 파생된 이미지 데이터셋을 통해 CNN 모델이 훈련되고 테스트되었다. CNN을 사용하는 토석류 탐지 모델이 테스트 데이터셋에서 평균 정확도(AP) 96.37% 및 평균 교차 연합(IOU) 84.80%를 달성하였으며, 제안된 CNN 모델을 추가적인 비디오 5 개에 적용한 결과, 약 39 FPS에서 AP 99.72% 이상의 성능을 보여주었다. 또한, 소형 및 대형 수로 실험 비디오에서 테스트된 속도 계산 결과의 정확도는 87.1%에서 97.3% 의 범위에 분포하였다. 제안된 보강토 옹벽 변위 계측 성능은 실험실과 현장에서 수행된 SRW 실험의 변위를 모니터링하여 평가되었다. 딥러닝 기반 이미지 분할 모델은 다양한 환경 조건의 실험 및 실제 데이터셋에서 SRW 블록을 평균 F1 점수 0.896에서 0.966의 성능으로 식별했습니다. 포인트 클라우드 좌표의 재구성 결과는 실제와 높은 정확도로 일치하여 95.2%에서 98.6%의 정확도를 달성하였으며, 계산된 변위는 측정된 변위와 일치하는 경향을 나타내었다. 실험실 및 현장 실험에서 계산된 변위의 정확도는 89.5%에서 99.1%의 범위에 분포하였다. 본 연구는 인공지능과 이미지 처리의 새로운 기술의 결합을 통해 산사태 균열, 토석류, 옹벽에 대한 조기 경고 및 모니터링 시스템에 새로운 접근 방식을 기여할 수 있다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기