지표레이더(GPR) 탐사자료를 이용한 지하공동 분석 시 신뢰도 향상을 위한 영상처리기법의 활용

김보나 ( Bona Kim ),설순지 ( Soon Jee Seol ),변중무 ( Joongmoo Byun ) 한국지구물리·물리탐사학회 2017 지구물리와 물리탐사 Vol.20 No.2

최근 도심 내 지반침하 사고가 증가하면서 지하공동 분포의 정밀한 조사를 위하여 지표레이다 탐사가 활발히 진행되고 있다. 하지만, 지표레이다 탐사 자료의 일반적인 해석은 기초적인 자료처리만 적용된 후, 주관적인 분석이 수행되기 때문에 해석 결과의 신뢰도 문제가 발생하게 된다. 이러한 문제를 개선하기 위하여 이 연구에서는 영상처리 분야 기술 중에 하나인 모서리 탐지 기법을 지표레이다 탐사 자료의 공동 및 파이프와 같은 강력한 회절원에 의한 이벤트에 적용시켜 그 특성을 분석하였다. 분석을 위하여 공동 또는 매설관로 등에 대해 얻어진 지표레이다 탐사 현장자료에 영상처리 기술을 적용하였다. 그 결과, 모서리 탐지 기법을 이용하여 공동 또는 매설관로 등의 회절원에 의한 주요 이벤트들이 효과적으로 분리되는 것을 확인할 수 있었다. 또한, 급격한 경사를 가지며 기록되는 강력한 회절원에 의한 이벤트와 달리 지반침하를 일으키는 공동은 비교적 넓은 규모를 가지고 있어 완만한 경사 이벤트로 기록되기 때문에 진폭변화에 따른 방향성 분석을 통해 회절원에 의한 이벤트들과 효과적으로 분리할 수 있었다. 효과적으로 분리된 결과들을 바탕으로 해석을 수행하게 되면 지하공동 분석 시 신뢰도를 향상시킬 수 있을 것이라고 생각한다. 향후, 이러한 기법들이 많은 현장자료에 대해 검증을 거친다면 방대한 양의 지표레이다 탐사 자료 해석의 반자동화에도 기여할 수 있을 것이라고 기대된다. Recently, ground-penetrating radar (GPR) surveys have been actively carried out for precise subsurface void investigation because of the rapid increase of subsidence in urban areas. However, since the interpretation of GPR data was conducted based on the interpreter`s subjective decision after applying only the basic data processing, it can result in reliability problems. In this research, to solve these problems, we analyzed the difference between the events generated from subsurface voids and those of strong diffraction sources such as the buried pipeline by applying the edge detection technique, which is one of image processing technologies. For the analysis, we applied the image processing technology to the GRP field data containing events generated from the cavity or buried pipeline. As a result, the main events by the subsurface void or diffraction source were effectively separated using the edge detection technique. In addition, since subsurface voids associated with the subsidence has a relatively wide scale, it is recorded as a gentle slope event unlike the event caused by the strong diffraction source recorded with a sharp slope. Therefore, the directional analysis of amplitude variation in the image enabled us to effectively separate the events by the subsurface void from those by the diffraction source. Interpretation based on these kinds of objective analysis can improve the reliability. Moreover, if suggested techniques are verified to various GPR field data sets, these approaches can contribute to semiautomatic interpretation of large amount of GPR data.

Yolo V4 딥러닝 지능기술을 이용한 과일 불량 부위 검출

최한석 (사)한국스마트미디어학회 2022 스마트미디어저널 Vol.11 No.4

It is very important to first detect and remove defective fruits with scratches or bruised areas in the automatic fruit quality screening system. This paper proposes a method of detecting defective areas in fruits using the latest artificial intelligence technology, the Yolo V4 deep learning model in order to overcome the limitations of the method of detecting fruit’s defective areas using the existing image processing techniques. In this study, a total of 2,400 defective fruits, including 1,000 defective apples and 1,400 defective fruits with scratch or decayed areas, were learned using the Yolo V4 deep learning model and experiments were conducted to detect defective areas. As a result of the performance test, the precision of apples is 0.80, recall is 0.76, IoU is 69.92% and mAP is 65.27%. The precision of pears is 0.86, recall is 0.81, IoU is 70.54% and mAP is 68.75%. The method proposed in this study can dramatically improve the performance of the existing automatic fruit quality screening system by accurately selecting fruits with defective areas in real time rather than using the existing image processing techniques. 과일 품질 자동 선별 시스템에서 흠집이나 부패한 부위가 존재하는 불량 과일을 우선적으로 검출하여 제거하는 작업은 매우 중요하다. 본 연구에서는 기존의 영상처리 기법을 이용하여 불량 부위가 있는 과일 검출하는 방법의 한계점을 극복하기 위하여, 최신 인공지능 기술인 Yolo V4 딥러닝 지능기술을 이용하여 과일 불량 부위를 검출하는 방법을 제안한다. 본 연구에서는 흠집 또는 부패 부위가 존재하는 1,100개의 불량 사과 및 1,300개의 불량 배를 포함한 총 2,400개의 불량 과일에 대하여 Yolo V4 딥러닝 모델을 사용하여 학습하고 불량 부위 검출 실험을 하였다. 성능 실험 결과에 따르면 사과의 정확률은 0.80, 재현율은 0.76, IoU는 69.92%, mAP는 65.27%이고, 배의 정확률은 0.86, 재현율은 0.81, IoU는 70.54%, mAP는 68.75%의 성능을 나타내었다. 본 연구에서 제안한 방법은 기존 영상처리 기법을 이용한 방법보다 불량 부위가 있는 과일을 실시간으로 정확하게 선별하여 기존 과일 자동 품질 선별시스템의 성능을 획기적으로 개선할 수 있다.

영상처리 방법을 이용한 송전선의 진동계측

송오섭(Ohseop Song),구재량(Jae-Raeyang Koo) 한국소음진동공학회 2018 한국소음진동공학회 논문집 Vol.28 No.2

형태 인식 기술을 이용한 판재의 홀 확장성 평가 시스템 개발

장승현(Seung Hyun Jang),김찬일(Chan Il Kim),양승한(Seung Han Yang),김영석(Young Suk Kim) 대한기계학회 2013 大韓機械學會論文集A Vol.37 No.2

오늘날 자동차 산업에서 가장 대두되고 있는 충돌 안전성과 배기가스의 감축을 위해서 dual phase강, ferrite bainite 강 등의 고강도 강판이 개발 되었다. 이러한 강재는 주로 차체 구조부에 적용되며, 적용시에 차체 구조부가 가져야 하는 강도와 디자인 적인 측면에서 사용자의 요구에 맞추기 위하여 홀 플랜징 가공이 자주 사용된다. 이때 재료의 성형성을 알아보기 위한 홀 확장성 평가가 수행된다. 홀 확장실험에서는 크랙 생성 전후의 하중의 차이가 매우 작기 때문에, 단축 인장 시험에서와 같이 하중의 변화로 크랙 발생 유무를 판단하기가 쉽지 않다. 따라서 본 연구에서는 기존의 홀 확장성 평가에서 사람의 눈으로 크랙의 발생 유무를 판단하는 방법의 부정확성을 보완하기 위해 CCD 카메라를 이용하여 크랙의 발생 유무를 판단하는 시스템을 개발하였다. Nowadays, one of the most interested area of automobile industry is the production of vehicle which has collision safety and ability to produce less amount of CO2. The achievement of such a dual performance is done by choosing the materials like dual phase steel, ferrite bainite steel, etc. These steels have been used in automotive chassis and body parts, and also used to be formed by hole flanging to meet the goal of strength and design requirement. The formability of sheet material was experimented by hole expansion test and the judgement relies on human eye and his experience. This manual judgement involves many errors and large deviation. This paper develops the automatic crack recognition system which finds a crack based on CCD image to complement the problem of the current method depending on human’s sense.

AI 머신비전을 이용한 어류의 목표중량 절단지점 예측기법

장용훈(Yong-hun Jang),이명섭(Myung-sub Lee) 한국컴퓨터정보학회 2022 韓國컴퓨터情報學會論文誌 Vol.27 No.4

본 논문에서는 이러한 어류 가공 현장의 문제점을 개선하기 위해서 AI 머신 비전을 이용한 어류의 목표 중량 절단 예측기법을 제안한다. 제안하는 방법은 먼저 입력된 물고기의 평면도와 정면도를 촬영하여 이미지기반의 전처리를 수행한다. 그런 다음 RANSAC(RANdom SAMmple Consensus)를 사용하여 어류의 윤곽선을 추출한 다음 3D 모델링을 사용하여 물고기의 3D 외부 정보를 추출한다. 이어서 추출된 3차원 특징 정보와 측정된 중량 정보를 머신러닝하여 목표 중량에 대한 절단 지점을 예측하기 위한 신경망 모델을 생성한다. 마지막으로 제안기법을 통해 예측된 절단 지점으로 직접 절단한 뒤 그 중량을 측정하였다. 그리고 측정된 무게를 목표 무게와 비교하여 MAE(Mean Absolute Error) 와 MRE(Mean Relative Error)와 같은 평가 방법을 사용해 성능을 평가하였다. 그 결과, 목표 중량과 비교해 3% 이내의 평균 오차율을 달성하였다. 제안된 기법은 향후 자동화 시스템과 연계되어 수산업 발전에 크게 기여할 것으로 전망한다. In this paper, to improve the conditions of the fish processing site, we propose a method to predict the cutting point of fish according to the target weight using AI machine vision. The proposed method performs image-based preprocessing by first photographing the top and front views of the input fish. Then, RANSAC(RANdom SAmple Consensus) is used to extract the fish contour line, and then 3D external information of the fish is obtained using 3D modeling. Next, machine learning is performed on the extracted three-dimensional feature information and measured weight information to generate a neural network model. Subsequently, the fish is cut at the cutting point predicted by the proposed technique, and then the weight of the cut piece is measured. We compared the measured weight with the target weight and evaluated the performance using evaluation methods such as MAE(Mean Absolute Error) and MRE(Mean Relative Error). The obtained results indicate that an average error rate of less than 3% was achieved in comparison to the target weight. The proposed technique is expected to contribute greatly to the development of the fishery industry in the future by being linked to the automation system.