시나리오 기반 상·하수도 관로의 실시간 결함검출 기술 개발 = Development of real-time defect detection technology for water distribution and sewerage networks

국문 초록 (Abstract)

상·하수도 시스템은 사람들에게 안전하고 깨끗한 물을 공급해주는 사회기반시설이며, 특히 상·하수도 관로는 지중에 매설되어 있기 때문에 시스템의 결함검출이 매우 어렵다. 이러한 이유로 상·하수도 관로의 진단은 관로 내부에 카메라 및 드론을 통한 촬영을 하여 사후에 촬영된 영상을 바탕으로 시스템 진단하는 등의 사후 결함검출로 제한되기 때문에, 작업자의 업무 효율 증대와 진단의 신속성을 위해서는 관로의 실시간 탐지기술이 필요하다. 최근 첨단장비 및 인공지능 기법을 활용한 시설물 진단 기술이 개발되고 있지만, 인공지능기반 결함검출 기술은 결함 데이터의 종류 및 형태, 수가 검출 성능에 영향을 주기 때문에 다양한 학습데이터가 필요하다. 따라서, 본 연구에서는 상·하수도 관로의 결함검출 시 탐지 성능 향상을 위해 다양한 결함 시나리오를 3D 프린트를 이용하여 구현하고 이를 수집된 결함 데이터와 함께 학습데이터로 사용한다. 이후 수집된 이미지는 위험도에 따른 분류 및 객체의 라벨링 등의 전처리 작업이 수행되고 실시간 결함탐지를 수행한다. 제안된 기법은 상·하수도시스템 결함검출 시 실시간 피드백을 제공함으로써, 작업자의 진단 누락 가능성을 최소화하며 기존의 상·하수도관 진단업무 처리능력을 향상할 수 있다.

참고문헌 (Reference)

1 김휘영 ; 최경아 ; 이임평, "드론 영상 기반 시설물 점검 - 기준 영상을 활용한 자동 처리 중심으로" 대한공간정보학회 26 (26): 21-32, 2018

2 Redmon, J., "You only look once: Unified, real-time object detection" 779-788, 2016

3 Gillins, M. N., "Unmanned aircraft systems for bridge inspection:Testing and developing end-to-end operational workflow" Oregon State University 2016

4 Nam, W. S., "Trends of inspection technology for concrete structures based on AI (Artificial Intelligence)" 30 (30): 771-772, 2018

5 Liu, W., "Ssd: Single shot multibox detector" Springer 21-37, 2016

6 Girshick, R., "Rich feature hierarchies for accurate object detection and semantic segmentation" 580-587, 2014

7 Sajjanar, S., "Implementation of real time moving object detection and tracking on FPGA for video surveillance applications" 289-295, 2016

8 Krizhevsky, A., "Imagenet classification with deep convolutional neural networks" 6 : 84-90, 2017

9 Ren, S., "Faster r-cnn: Towards real-time object detection with region proposal networks" 2015

10 Girshick, R., "Fast R-CNN" 1440-1448, 2015

11 Magalhães, S. A., "Evaluating the singleshot multibox detector and YOLO deep learning models for the detection of tomatoes in a greenhouse" 21 (21): 3569-, 2021

12 He, K., "Deep residual learning for image recognition" 770-778, 2016

13 Cha, Y. J., "Deep learningbased crack damage detection using convolutional neural networks" 32 (32): 361-378, 2017

14 Sinha, S. K., "Computer vision techniques for automatic structural assessment of underground pipes" 18 (18): 95-112, 2003

15 Syed Ibrahim Hassan ; Dang Lien Minh ; 임수현 ; 민경복 ; 남준영 ; 문현준, "CNN을 이용한 딥러닝 기반 하수관 손상 탐지 분류 시스템" 한국정보통신학회 22 (22): 451-457, 2018

16 Duran, O., "Automated pipe defect detection and categorization using camera/laserbased profiler and artificial neural network" 1 : 118-126, 2007

17 Moselhi, O., "Automated detection of defects in underground sewer and water pipes" 8 (8): 581-588, 1999

18 K-water, "Application of deep-learning techniques to in-line inspection data" 2018

19 Mashford, J. S., "An approach using mathematical morphology and support vector machines to detect features in pipe images" 84-89, 2008

20 Ministry of Land, Infrastructure and Transport, "A study on institutionalization of social infrastructure maintenance" 2015