메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
이수민 (포항공과대학교) 김경영 (포항공과대학교) 김동주 (포항공과대학교)
저널정보
한국통신학회 한국통신학회논문지 한국통신학회논문지 제48권 제5호
발행연도
2023.5
수록면
554 - 566 (13page)
DOI
10.7840/kics.2023.48.5.554

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
건축물의 균열 여부와 균열 두께를 측정하는 것은 시설물 안전 진단에 필수적인 절차다. 하지만 해당 과정은 현장에 전문검사관이 직접 방문하여 균열의 유무, 진행 여부 및 두께에 대한 정밀한 판단을 요구한다. 노후 건축물이 전국 건축물의 42.6%를 차지하는 현시점에서 전문검사관이 모든 건축물에 방문하여 세밀한 평가를 하기에 어려움이 따른다. 이에 딥러닝을 활용한 현장 안전 진단에 대한 수요가 증가하는 추세이다. 따라서 본 연구에서는 이미지를 기반으로 균열을 구획화하고 해당 균열의 최대 두께를 측정하는 딥러닝 모델을 제안한다. 이를 위하여 현장 안전 점검 도메인에 특화되어 있으며 균열의 두께 측정이 가능한 균열 구획화 데이터셋(POC)을 구축했다. 또한, 매직 완드 기법을 균열 구획화 라벨링에 적용하여 라벨의 신뢰도를 높였다. 해당 데이터셋을 기반으로 균열 구획화 모델 DenseNet201-UNet을 개발 및 고도화하여 검증한 결과, 84.53 Crack IoU 성능을 보였다. 최종적으로 예측된 균열 마스크 이미지에 골격화 알고리즘과 유클리드 거리 변환 알고리즘을 활용하여 균열 마스크 내 가장 두꺼운 균열 위치를 특정하고 해당 두께를 계산한다. 예측 두께와 실제 두께를 실증적으로 비교한 결과 두께의 오차가 0.09 cm로 매우 작으며, 현장 안전 점검에서 활용이 가능한 성능임을 검증했다.

목차

요약
ABSTRACT
Ⅰ. Introduction
Ⅱ. Preliminaries
Ⅲ. Proposed Scheme
Ⅳ. Conclusion
References

참고문헌 (18)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2023-567-001463558