| 논문명 |
MEMS 라이다 센서를 활용한 심층학습 기반 조적벽체 결함 인식 기술 / Deep Learning based Masonry Wall Defect Classification using a MEMS LiDAR Sensor |
| 저자명 |
황영서(Hwang, Yeongseo) ; 박근형(Park, Gunhyung) ; 양강혁(Yang, Kanghyeok) |
| 수록사항 |
대한건축학회논문집, Vol.39 No.1 (2023-01) |
| 주제어 |
심층학습; MEMS 라이다; 3D 레이저 스캐너; 조적벽체; 결함 인식 ; Deep Learning; MEMS LiDAR; 3D Laser Scanner; Masonry Wall; Defect Classification |
| 요약1 |
건축물의 유지관리 및 안전점검은 대부분 점검자의 육안으로 진행하여 많은 시간과 인력이 소모된다는 문제점이 있다. 이를 보완하기 위해 영상처리기술 및 인공지능을 활용한 결함 인식 기술 개발이 활발하게 진행되고 있다. 하지만 기존의 영상처리 기법은 카메라를 통해 얻은 이미지를 분석하는 방식으로 주변 환경에 따라 성능이 변하는 한계가 있다. 최근 이를 해결하기 위해 3D 레이저 스캐닝 센서를 이용한 결함인식 방법을 개발하였으나 장치의 가격이 비싸 활발한 활용이 어렵다는 단점이 있다. 이에 본 연구는 기존 스캐닝 장치보다 가격이 저렴하고 신뢰할만한 성능을 보이고 있는 MEMS 라이다 센서를 이용해 조적벽체의 결함을 인식할 수 있는 기술을 개발하였다. 해당 연구는 조적벽체를 대상으로 하였으며, 실험실 환경에서 여러 종류의 결함을 가진 시험체를 제작하여 데이터를 획득하였다. 조적벽체 결한 인식 방법으로 인공지능을 활용한 연구에서 많이 사용하고 있는 ResNet-50과 VGG16 모델을 사용하여 결함을 인식하였으며, 성능평가 결과 ResNet-50은 98.75%, VGG16은 96.88%의 정확도를 보여주었다. 해당 연구 결과는 모바일 3D 레이저 스캐닝 장치와 결합하여 조적벽체의 실시간 결함 인식 기술 개발에 활용될 수 있을 것으로 판단된다. |
| 요약2 |
Most of the maintenance and safety inspections of buildings are performed with visual assessment of the inspector, which consumes a lot of
time and cost. With the development of computer vision and digital technologies such as 3D Laser scanners, automatic defect recognition
using image processing and artificial intelligence has been widely studied. Current approach is largely relying on the image obtained from the
camera and the recognition performance could be varied depending on the surrounding environment. Recently, studies using 3D Laser scanner
are being conducted to solve these problems. However, terrestrial laser scanners are expensive, so it is difficult to apply at the construction
site. Therefore, this study proposed a method that can recognize masonry wall defects using a Microelectromechanical systems based Light
Detection and Ranging sensor that having much lower price and reliable performance. This study was performed using masonry wall
structures and data were collected from samples having various types of defects in a laboratory environment. Masonry wall defects were
recognized using ResNet-50 and VGG16 models, which are widely used in previous studies. As a result of the classification, ResNet-50 and
VGG16 achieved 98.75% and 96.88% accuracy, respectively. The results of this study can be utilized in the development of real-time defect
recognition method for a masonry wall at construction sites. |
