3종 시설물의 항공 영상을 활용한 도시 건물 변위 감지 위험 예측 AI분석 = AI-based Urban Building Displacement Detection and Risk Prediction Using Aerial Imagery of Type-3 Infrastructure

국문 초록 (Abstract)

본 논문은 항공 영상을 활용하여 3종 시설물의 수평 변위를 감지하고, 이를 딥러닝 알고리즘과 결합하여 구조 적 이상 징후를 조기에 예측함으로써 사고를 예방할 수 있는 가능성을 탐색하였다. 행정력의 한계로 인해 다수의 미지 정 위험 시설물에 대한 관리가 어려운 현실에서, 본 연구는 안전 관리의 효율성을 높이기 위한 보조적 방법을 제안한 다. 무작위로 선정된 하나의 3종 시설물을 대상으로 시계열 항공 사진을 활용하여, 위도, 경도 및 표준편차 분석, 주성 분분석 (PCA)을 수행하였으며, 이를 통해 시간에 따른 수평 변위의 변화를 감지하였다. 또한 CNN, CNN+LSTM, CNN+Attention, LSTM 등 다양한 알고리즘을 비교 분석한 결과, LSTM 모델이 본 연구 목적에 가장 적합한 성능(정확도 77.78%)을 보였다. 영상 전처리를 통해, 위치 오차를 최소화하고자 하였으나, 표본 데이터의 수와 영상 품질의 제약으로 분석의 정밀도에 한계가 존재하였다. 향후에는 저고도 드론 영상 등 고해상도 자료를 추가 확보함으로써 감지 정확도를 향상시키고, 구조물 안정성 모니터링 분야에서의 활용 가능성을 높일 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

This study investigates the potential of using aerial imagery combined with deep learning algorithms to detect horizontal displacement in Type-III public facilities, with the goal of predicting structural anomalies and preventing accidents. Due to administrative limitations in monitoring a large number of potentially hazardous but unregistered facilities, this research proposes an auxiliary method for efficient safety management. Using time-series aerial images of a randomly selected Type-III facility, spatial changes were analyzed through latitude, longitude, and standard deviation calculations, as well as Principal Component Analysis (PCA). Several deep learning models, including CNN, CNN+LSTM, CNN+Attention, and LSTM, were tested. Among them, the LSTM model showed the most promising results for detecting displacement patterns, with an accuracy of 77.78%. Although preprocessing minimized positional discrepancies across images, data limitations—such as small sample size and inconsistent image quality—restricted the precision of the analysis. To enhance reliability, future research should incorporate high-resolution, low-altitude drone imagery to improve detection accuracy and support broader applicability in structural safety monitoring