Deep learning techniques have been studied and developed throughout the medical, agricultural, aviation, and automotive industries. It can be applied to construction fields such as concrete cracks and welding defects. One of the best performing techniques of deep running is CNN technique. CNN means convolutional neural network. In this study, we analyzed crack recognition of sewer with low recognition. Deep learning is generally more accurate with deeper layers, but analysis cost is high. In addition, many variations can occur depending on training options. Therefore, this study performed many parametric studies according to the variations of training options. When analyzed with appropriate training options, the accuracy was over 90% and stable results were obtained

다양한 형태의 공간 자료를 이용하는 응용 분야에서 이용가능한 자료간 해상도 차이를 반영하고, 원하는 타겟 해상도로의 변환은 매우 중요하다. 이 논문에서는 저해상도 비율 자료로부터 고해상도 범주형 주제도를 제작하기 위해 베리오그램 디컨볼루션과 블록 시뮬레이션을 이용하는 지구통계학적 다운스케일링 방법론을 제시하였다. 우선 블록 기반 베리오그램으로부터 점 기반 베리오그램 모델의 추정을 위해 반복 연산 기반 베리오그램 디컨볼루션 방법을 적용하였다. 그리고 영역-점 변환 크리깅과 추정된 점 기반 베리오그램 모델을 이용하는 직접 순차적 시뮬레이션을 적용하여 고해상도 비율 정보를 제작하였다. 최종적으로 최대 사후 확률 결정 규칙을 적용하여 대안적 고해상도 범주형 주제도를 제작하였다. 점 기반 자료 없이 저해상도 블록 비율자료만을 이용한 토지피복도 제작 사례 연구를 통해 제안 분석 과정을 예시하였다. 제안한 다운스케일링 기법의 적용을 통해 원 저해상도 블록 비율 자료값을 재생산하는 고해상도 비율 자료를 생성하였으며, 이로부터 기준 토지피복도의 전반적인 패턴을 반영하는 대안적 고해상도 토지피복도 제작이 가능함을 확인할 수 있었다. 이렇게 생성된 고해상도 자료들은 해상도 변환의 영향 분석에 유용한 입력 자료로 이용될 수 있을 것으로 생각된다.

In this study, we adapted very low resolution (240x320 = 76,800 pixels) images by which it is difficult to detect cracks. An automatic crack detection technique has been studied using digital image processing technology for low resolution images of sewage pipeline. Authors have developed two algorithms to detect cracks. The third step covers an algorithm developed to find optimal threshold value, and the sixth step deals with algorithm to determine cracks. As the result, in spite of very low-resolution images, the performance of crack detection turned out to be excellent.

최근 이슈가 되고 있는 도심지 지반함몰로 인하여 주기적인 하수관로 조사의 필요성이 강조되고 있다. 일반적으로 수행되는 조사 방법 중 하나인 하수관로 CCTV조사는 상당한 시간과 노력이 소요된다. 기존 연구들은 주로 하수관로 조사에 소요되는 노력을 줄이기 위한 H/W 및 S/W의 개발에 관한 연구가 주를 이루고 있다. 그러나 기존 CCTV 탐사장치를 이용하여 관리담당자가 보관하고 있는 수많은 조사영상 를 활용하기 위한 연구는 진행되지 않았다. 본 연구는 cross-correlation기법 기반의 이미지프로세싱 방법을 적용하여 CCTV 조사영상의 자막 으로부터 장치의 위치정보를 추출하였다. CCTV 장치의 시간-거리 관계를 분석한 결과 탐사 장치가 정지시간과 하수관로의 손상 사이의 강한 상관관계를 확인하였다. 제안된 CCTV영상의 분석법을 활용하는 경우 CCTV조사 보고서 작성 및 관리에 소요되는 노력을 줄임으로써 하수관 로 유지관리의 효율성과 신뢰도를 높일 수 있을 것으로 기대된다.

A novel disaggregation model that combines a machine learning model and kriging of residuals is presented to map precipitation at a fine scale from coarse scale precipitation data. Random forest (RF) and fine scale auxiliary variables are used to estimate trend components at a fine scale. Residual components are then estimated by area-to-point residual kriging. A case study of spatial disaggregation of TRMM monthly precipitation data acquired over the Korean peninsula is carried out to illustrate the potential of the presented disaggregation method. From the evaluation results, the presented method outperformed the RF-based disaggregation method that only considers trend components and ignores residual components, in terms of accuracy statistics and the ability of coherent predictions. This case study indicates that accounting for residual components by applying a proper spatial prediction method such as area-to-point kriging is very important in spatial disaggregation of coarse scale spatial data, even though advanced regression models such as RF could have high goodness of fit for the quantification of relationships between a target attribute and auxiliary variables.

This paper proposes a novel face detection method that finds tiny faces located at a long range even with low-resolution input images captured by a mobile robot. The proposed approach can locate extremely small-sized face regions of 12x12 pixels. We solve a tiny face detection problem by organizing a system that consists of multiple detectors including a mean-shift color tracker, short- and long-rage face detectors, and an omega shape detector. The proposed method adopts the long-range face detector that is well trained enough to detect tiny faces at a long range, and limiting its operation to only within a search region that is automatically determined by the mean-shift color tracker and the omega shape detector. By focusing on limiting the face search region as much as possible, the proposed method can accurately detect tiny faces at a long distance even with a low-resolution image, and decrease false positives sharply. According to the experimental results on realistic databases, the performance of the proposed approach is at a sufficiently practical level for various robot applications such as face recognition of non-cooperative users, human-following, and gesture recognition for long-range interaction.