드론 및 딥러닝 기술 기반 시스템을 활용한 도로 균열 탐지모델 개발 :Development of road crack detection model using drone and deep learning technology-based system

권영주

추천

검색

자료유형: 학위논문

저자정보: 권영주 (서울과학기술대학교 )

지도교수: 문성호

발행연도: 2023

저작권: 서울과학기술대학교 논문은 저작권에 의해 보호받습니다.

이용수47

이 논문의 연구 히스토리 (2)

2023

드론 촬영 이미지 데이터를 기반으로 한 도로 균열 탐지 딥러닝 모델 개발

권영주 , 문성호 토지주택연구 2023.06 학술저널

드론 및 딥러닝 기술 기반 시스템을 활용한 도로 균열 탐지모델 개발

권영주 건설시스템공학과 2023.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

드론은 국토조사, 수송, 해양, 환경, 방재, 문화재, 건설 등 다양한 분야에서 활용되고 있다. 또한 사물인터넷(Internet Of Things), 인공지능(Artificial Intelligence) 등과 관련하여 4차 산업 혁명의 핵심기술을 검증하고 적용시킬 수 있는 기술로 떠오르고 있다.
기존 도로 상태 분석은 사람에 의한 실제 관측 및 분석을 통해서 이루어지고 있다. 따라서 비용도 많이 소요될 뿐만 아니라 시간적으로도 상당한 시간이 소요되어서 자주 신속한 분석이 이루어지지 못하는 실정이어서 결함이 발생할 때 신속한 조치나 예방에 어려움이 수반된다. 따라서 본 연구에서는 드론을 활용하여 균열을 자동으로 탐지할 수 있는 딥러닝 모델을 개발하고자 한다.
딥러닝 학습을 위한 이미지 데이터는 mavic3 드론을 이용하여 수집하였고 촬영고도는 20m, ×7배율로 촬영하였다. 촬영 시 약 2m/s의 속도로 전진하여 영상을 찍고, 프레임을 추출하는 식으로 데이터를 수집하였다. 이런식으로 수집한 데이터를 통해 딥러닝 학습을 진행하였다.
본 연구에서는 딥러닝 학습모델로 Backbone으로는 Swin Transformer, Architecture로 UperNet을 사용하였다. 약 800장의 라벨링 된 데이터를 augmentation기법으로 데이터 양을 증가시키고 3차에 걸쳐 학습을 진행하였다. 1차와 2차 학습 시 Cross-Entropy loss function을 사용하였고 3차 학습 시 Tversky loss function을 사용하였다.
학습결과, 균열 탐지와 균열율을 계산할 수 있는 모델을 개발하였다. 또한, 드론의 위치 정보를 이용해 특정 도로의 한 차선 균열율을 계산할 수 있는 모델을 개발하였다. 학습데이터는 20m에서 촬영한 데이터를 수집하였으나, 균열 탐지는 20m 이상의 고도에서 촬영한 사진도 탐지가 잘 되었다.
향후 추가적인 연구를 통하여 균열탐지모델의 고도화를 사물인터넷(IoT)과의 융합으로 이루었을 때 소파보수(Patching)나 포트홀(Pothole)의 탐지가 가능할 것으로 보인다. 또한 드론의 실시간 탐지 업무수행으로 포장 유지보수구간에 대한 탐지를 신속하게 확보할 수 있으며 새로운 일자리 창출효과를 발생 시킬 수 있을 것으로 기대된다.

Drones are being used in various fields such as land survey, transportation, forestry/agriculture, marine, environment, disaster prevention, water resources, cultural assets, and construction, as their industrial importance and market size have increased. In addition, it is emerging as a technology that can apply and verify the core technologies of the 4th industrial revolution in connection with artificial intelligence and the Internet of Things.
Existing road condition analysis is performed through actual observation and analysis by humans. Therefore, it is not only expensive, but also requires a considerable amount of time, so that rapid analysis is not often performed, so that when a defect occurs, it is difficult to take prompt action or prevent it. Therefore, this study aims to develop a deep learning model that can automatically detect cracks using drones.
Image data for deep learning learning was collected using a mavic3 drone, and the shooting altitude was 20m, and it was photographed at ×7 magnification. Data was collected by moving forward at a speed of about 2 m/s at the time of shooting, taking images, and extracting frames. Deep learning was conducted through the data collected in this way.
In this study, Swin Transformer and UperNet were used as the backbone and architecture as the deep learning model. About 800 sheets of labeled data were augmented with an augmentation technique to increase the amount of data, and learning was conducted over three rounds. The Cross-Entropy loss function was used in the first and second learning, and the Tversky loss function was used in the third learning.
As a result of learning, a model capable of calculating crack detection and crack rate was developed. In addition, a model that can calculate the crack rate of one lane on a specific road was developed using the location information of the drone. For learning data, data taken at 20m was collected, but crack detection was also well detected in photos taken at an altitude of 20m or higher.
In the future, when the crack detection model is advanced through convergence with the Internet of Things (IoT) through additional research, it is expected that it will be possible to detect patching or potholes. In addition, it is expected that real-time detection tasks of drones can quickly secure detection of pavement maintenance sections and create new job creation effects.

#드론 #딥러닝 #Swin Transformer #FPN

요약 ⅰ
표목차 ⅳ
그림목차 ⅴ
I. 서 론 1
1. 연구의 배경 1
II. 딥러닝에 대한 이해 3
1. 인공지능 3
2. 인공신경망 4
III. 드론 촬영 6
1. 개요 6
2. 드론 촬영 절차 7
3. 장비 제원 8
4. GSD 10
5. 데이터 수집 11
6. 라벨링 12
7. Data Augmentation 13
IV. 딥러닝 학습 모델 14
1. Backbone Network 14
2. Swin Transformer 16
3. FPN 22
V. 학습과정 25
1. 1차 학습 25
2. 2차 학습 27
3. 3차 학습 28
Ⅵ. 균열탐지 결과 29
1. 도로 균열 탐지 29
Ⅶ. 결론 42
참고문헌 43
영문초록(Abstract) 44
감사의글

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)