• Smart Structures and Systems
• /
• 제31권4호
• /
• pp.325-334
• /
• 2023

Computer vision-based damage detection enables non-contact, efficient and low-cost bridge health monitoring, which reduces the need for labor-intensive manual inspection or that for a large number of on-site sensing instruments. By leveraging recent semantic segmentation approaches, we can detect regions of critical structural components and identify damages at pixel level on images. However, existing methods perform poorly when detecting small and thin damages (e.g., cracks); the problem is exacerbated by imbalanced samples. To this end, we incorporate domain knowledge to introduce a hierarchical semantic segmentation framework that imposes a hierarchical semantic relationship between component categories and damage types. For instance, certain types of concrete cracks are only present on bridge columns, and therefore the noncolumn region may be masked out when detecting such damages. In this way, the damage detection model focuses on extracting features from relevant structural components and avoid those from irrelevant regions. We also utilize multi-scale augmentation to preserve contextual information of each image, without losing the ability to handle small and/or thin damages. In addition, our framework employs an importance sampling, where images with rare components are sampled more often, to address sample imbalance. We evaluated our framework on a public synthetic dataset that consists of 2,000 railway bridges. Our framework achieves a 0.836 mean intersection over union (IoU) for structural component segmentation and a 0.483 mean IoU for damage segmentation. Our results have in total 5% and 18% improvements for the structural component segmentation and damage segmentation tasks, respectively, compared to the best-performing baseline model.

• 한국구조물진단유지관리공학회 논문집
• /
• 제28권3호
• /
• pp.10-18
• /
• 2024

차량 하중은 교량의 열화를 일으키는 주된 원인 중 하나이다. 현재 WiM(Weigh-in-Motion)을 사용하여 통행 차량의 하중을 측정하고 있으나, WiM은 접촉식 센서로 설치 및 유지관리 비용이 큰 단점이 있다. 본 연구에서는 딥러닝과 CCTV 영상을 이용하여 비접촉식으로 교량 통행 차량 하중 이력을 추정하는 방법을 제안하였다. 제안된 방법은 물체 탐지 딥러닝 모델을 이용하여 통행 차종을 인식하고, 해당 차량의 하중을 국내 주요 차량 모델들의 공차중량에 근거하여 작성된 하중기반 7차종 분류표에 근거하여 추정한다. 물체 탐지 딥러닝 모델로는 Faster R-CNN 모델이 사용되었으며, Faster R-CNN 모델을 7차종 분류표에 따라 구축된 영상 학습데이터를 이용하여 학습시켰다. 학습된 딥러닝 모델의 성능은 교량 CCTV로 취득한 영상을 이용하여 검증하였다. 최종적으로 실제 교량 상부에 설치된 CCTV에서 취득한 영상을 이용하여 교량을 통행중인 차량 하중을 연속으로 추정함으로써 특정 시간동안 통행 차량의 하중 이력 그래프를 획득할 수 있음을 보였다.

• 비파괴검사학회지
• /
• 제25권2호
• /
• pp.95-102
• /
• 2005

원자력 발전소의 많은 배관부는 고온, 고압환경에서 적용되고 있어 환경적 및 기계적 요인에 의하여 부식결함이 빈번히 발생하고 있다. 이와 같은 부식 결함은 초음파 기법 등에 의하여 평가되어야 하고, 본 연구에서는 주사형 레이저 유도 초음파(SLS) 기법을 도입하여 배관부 부식결함의 영상화 기법을 적용하였다. 본 기법은 표면이 거칠거나 배관재와 같은 곡면의 표면에서 적용할 수 있는 장점이 있다. 한편 기존의 주사형 초음파 기법은 초음파 센서와 검사대상체 사이의 초음파 전달 매개체를 확보하기 위하여 시험편이 수침되거나 워터젯을 이용하였으나 주사형 레이저 초음파 기법은 광학적 기법을 이용하여 초음파를 발생시키므로 비접촉 방법에 의한 주사 이미지 획득이 가능하다. 따라서 본 주사형 레이저 초음파 기법은 복잡한 구조물의 검사, 비접촉 원격 및 고화질의 결함 이미지 탐상이 가능하다. 본 연구에서는 배관 결함의 검출능 향상을 위하여 결함 영상 획득에 있어서 다양한 조건의 레이저 유도 초음파 발생 기법을 적용하였고, 배관에 존재하는 응력부식 균열의 결함 영상을 얻게 되었다.

• 한국광학회지
• /
• 제31권5호
• /
• pp.205-212
• /
• 2020

풍력 터빈 시스템의 성능에서 블레이드는 매우 중요한 역할을 하지만 복잡하고 불규칙적인 하중에 의한 손상에 취약하며 유지 보수 비용도 많이 든다. 따라서 블레이드 제조를 완료한 후에 결함을 찾아내고 일정 기간 사용한 후에 블레이드 손상을 찾아내는 것이 매우 중요하다. 본 연구에서는 풍력 터빈 블레이드의 주재료인 유리섬유와 탄소섬유 패널에서 내부 결함을 검출할 수 있는 새로운 방법을 제안하고자 한다. 블레이드 제조 또는 작동 중에 발생할 수 있는 복합재료의 섬유 파단을 모사하기 위해 적층된 재료의 중간층에 직경 5 mm의 홀을 가공한 후에, 비접촉 측정 기술인 이미지 상관법(digital image correlation, DIC)을 사용하여 내부 결함을 검출하였다. 인장시험기를 사용하여 가공된 시편에 인장 하중을 가하면서 이미지 상관법 시스템으로 변화되는 시편의 이미지를 저장하고 분석하였다. 유리섬유 복합재료 시편에서는 인장 하중 방향으로 5%의 변형률부터 내부 결함이 검출되었으며 탄소섬유의 경우에는 1%의 변형률부터 내부 결함이 검출되었다. 재료 특성에 따라 내부 결함 주변에 일정 수준의 변형률 차이가 발생함에 따라 결함이 검출됨을 이미지 상관법 시스템으로 증명하였다.