드론을 이용한 딥러닝 기반 활주로 균열 식별에 관한 연구 : 이미지 객체 인식 모델인 Mask R-CNN을 중심으로 = A Study on the Identification of Runway Cracks Based on Deep Learning in Drone (Focusing on The Image Object Recognition Model, Mask R-CNN)

국문 초록 (Abstract)

본 연구의 목적은 전시 및 평시 공군 항공전력의 효율적인 운영을 위하여 드론을 이용한 딥러닝 기반 활주로 균열 식별 방안을 제공한다. 공군은 다양한 최첨단 항공 자산들을 운용하지만, 이런 항공 자산들을 운용하기 위한 핵심시설인 활주로를 관리하는 시스템은 고전적인 방법을 사용하고 있다. 현재 군에서 사용되는 활주로 균열 식별은 사람의 눈에 의존하여 많은 인력과 시간, 비용이 소모되는 문제점과 점검자의 주관이 반영된 균열 식별로 체계적이고 객관적인 균열 식별에 문제가 있다.
위 문제점을 드론과 인공지능 모델을 이용하여 해결 방안을 도출하였다. 드론의 자동비행경로 설정을 통해서 군용 활주로 영상을 촬영한 후에 데이터 전처리 과정인 라벨링 작업을 실시하였다. 데이터 전처리 과정의 결과물로 학습 데이터 400장, 검증 데이터 100장, 테스트 데이터 100장으로 구성된 데이터 셋을 생성하여 인공지능 모델에 학습시켰다. 모델의 학습 결과를 반복 횟수별 손실값과 정확도로 분석함과 동시에 실제 활주로에서 육안으로 확인한 균열과 비교하여 가장 효과적인 인공지능 모델을 선별하였다. 이 모델로 활주로 영상을 통한 균열을 식별할 수 있었으며, 실제 균열 데이터와 위치 정보 및 균열의 크기를 비교 검증하였다.
본 연구를 통하여 전시 및 평시 균열 식별의 정확도와 신뢰도를 높임으로써 자원의 소모를 줄임과 동시에 항공전력 운영 효율을 높일 것으로 예상한다.

다국어 초록 (Multilingual Abstract)

The purpose of this study is to provide a deep learning-based runway crack identification method using drone for the efficient operation of air power during wartime and peacetime. The Air Force operates a variety of state-of-the-art aviation assets, but the system that manages the runway, a key facility for operating these aviation assets, uses classical methods. The identification of runway cracks currently used in the military is problematic in systematic and objective identification of cracks that reflect the inspector's subjectivity and the problem of requiring a lot of manpower, time, and cost depending on the human eye.
A solution to the above problem was derived using drone and artificial intelligence models. After photographing the military runway image through the automatic flight path setting of the drone, labeling, which is a data preprocessing process, was performed. As a result of the data preprocessing process, a dataset consisting of 400 pieces of learning data, 100 pieces of verification data, and 100 pieces of test data was generated and trained in an artificial intelligence model. The learning results of the model were analyzed with loss values and accuracy by number of iterations, and the most effective artificial intelligence model was selected by comparing it with cracks visually identified on the actual runway. With this model, cracks could be identified through runway images, and actual crack data, location information, and crack size were compared and verified.
Through this study, it is expected that the accuracy and reliability of identifying cracks during wartime and peacetime will be improved to reduce resource consumption and increase the operational efficiency of aviation power.

목차 (Table of Contents)

• 목차
• 제1장 서론 1
• 제1절 연구 배경과 문제 제기 1
• 제2절 연구 내용 및 구성 3
• 제2장 이론적 배경 및 관련 연구 4
• 제1절 이론적 배경 4
• 1. 활주로 균열 4
• 2. Mask R-CNN 모델 7
• 제2절 관련연구 9
• 1. 민간 공항에서의 균열 식별 9
• 2. 이미지 객체 인식을 이용한 균열 식별 11
• 제3장 데이터 수집 및 실험환경 구성 13
• 제1절 데이터 수집 13
• 1. 데이터 수집 전 Mask R-CNN 모델 테스트 13
• 2. 활주로 선정 15
• 3. 드론 활용 데이터 수집 16
• 4. 데이터 전처리 20
• 5. 실험 환경 22
• 제4장 모델 결과 분석 23
• 제1절 학습 결과 분석 23
• 제2절 학습 모델 검증 29
• 제3절 학습 모델의 의의 35
• 제5장 결론 36
• 제1절 연구의 요약 및 한계 36
• 제2절 연구의 시사점 및 발전 방향 37
• 참고문헌 38
• 부록 40
• 영문요약 43