포장상태 평가를 위한 노면영상 촬영은 라인스캔 방식이 주를 이루고 있다. 라인스캔 특성 상, 조사환경이나 장비특성이 달라질 경 우 밝기가 상이한 노면영상을 취득할 수 있고 이는 U-net과 같은 픽셀 단위 segmentation 딥러닝 모델의 균열 자동검출 성능에 영향을 미친다. 본 연구에서는 인공지능 검출 모델의 변경 없이 영상의 밝기 최적화와 morphology 연산기법을 노면영상 전·후처리 방법으로 제시하고 그 효과를 분석하였다. 영상 처리를 통해 과다 검출경향을 보인 이상치들이 제거되었으며 정답으로 간주할 수 있는 전문요 원 분석결과인 GT 균열률과의 상관성 또한 향상됨을 확인하였다.

본 연구는 기계식 앵커와 FRP를 새로운 시스템으로 복합하여 새로운 메커니즘의 Hybrid 앵커모델의 파괴형태중 균 열을 영상기반으로 프로세싱하여 균열탐지하는 메카니즘을 제시하였다. 기존의 cascade mask R-CNN 방식보다 탐지율과 효율성 이 우수한 Dense-UNet 기법을 활용하여 균열탐사기법에 활용하였다. 기존의 균열 뿐 아니라 앵커주위의 Round crack도 함께 탐 사되어 앵커 설치후 초기 균열 탐사에 효율성을 크게 가질 수 있다고 판단된다. 따라서 향후연구에서는 이미지 프로세싱 타임 을 줄이면서 정확도를 높일수 있는 Post-Processing이 보완된다면 균열탐사 및 오탐을 줄이는데 크게 효과적일 것으로 사료된다. 또한 피사체와 카메라와의 거리를 계산하여 알고리즘에 고려한다면 구조적 균열기준인 0.3 mm의 균열 탐사에도 활용할 수 있 는 효과적인 기법이라 판단된다.

본 연구에서는 콘크리트 이미지에서 균열의 크기와 위치를 검출하는 알고리즘을 개발하였다. 균열은 총 9단계로 자 동 검출되었으며, 기본 기능은 매트랩 프로그램의 기능이었다. 5단계와 8단계에서는 균열 검출 정확도를 높이기 위해 사용자 알고리즘을 추가하였으며, 균열 영상과 비균열 영상을 각각 1,000개씩 사용하였다. 균열 이미지에서는 균열이 100% 검출됐지만 품질 측면에서 나쁘지 않은 결과를 제외하더라도 91.8%의 결과가 매우 양호했다. 또한, 균열되지 않은 이미지의 정확도도 94.7%로 매우 양호했다. 이에 본 연구에서 제시한 균열검출 알고리즘은 콘크리트 우물 균열의 위치와 크기를 검출할 수 있을 것으로 기대된다.

Visual inspection methods have limitations, such as reflecting the subjective opinions of workers. Moreover, additional equipment is required when inspecting the high-rise buildings because the height is limited during the inspection. Various methods have been studied to detect concrete cracks due to the disadvantage of existing visual inspection. In this study, a crack detection technology was proposed, and the technology was objectively and accurately through AI. In this study, an efficient method was proposed that automatically detects concrete cracks by using a Convolutional Neural Network(CNN) with the Orthomosaic image, modeled with the help of UAV. The concrete cracks were predicted by three different CNN models: AlexNet, ResNet50, and ResNeXt. The models were verified by accuracy, recall, and F1 Score. The ResNeXt model had the high performance among the three models. Also, this study confirmed the reliability of the model designed by applying it to the experiment.

콘크리트 구조물 표면에 발생하는 균열은 사용자에게 심리적인 불안감을 제공하며, 장기간 열려있는 큰 폭의 균열은 구조 물의 사용성능 및 내구성에 영향을 준다. 국내에서는 건축물을 포함한 시설물의 노후화에 따른 안전관리를 위해 균열정도를 파악하는 조사가 인력에 의한 육안조사로 수행되고 있지만 인력의 고비용성과 객관성 미흡 등의 문제점이 대두되고 있다. 이를 해결하기 위해 영상분석을 통한 균열 추출 등 다양한 연구가 수행되고 있으나 균열인식 정확도 향상에 2차원 영상 분석만으로는 한계가 있다. 따라서, 본 연구에서는 기존 2차원 영상 분석의 한계를 극복하기 위하여 3차원 특성을 정확하게 파악할 수 있는 3차원 광삼각 스캐닝기법을 활용하여 콘크리트 구조물 표면의 균열정보를 획득하는 기법을 개발하였다. 본 하 드웨어의 개발과 더불어 균열 패턴분석을 위한 획득된 균열의 세분화와 균열의 특성분석 알고리즘을 개발하였으며, 이를 실제 콘크리트 빔의 균열 탐지 적용을 통해 검증하였다.

이 연구는 파각란 선별기 도입을 비용 편익분석 목적으로 수행되었다. 계란 파각란 선별기를 도입할 때의 총수입과 총비용 평가액의 추정결과는 다음과 같다. 총비용의 경우 구입가격, 고정비용 및 유동비용의 합계로 나타내었고, 할인율에 따라 5%, 10%일 때 각각 232,904천원과 242,904천원으로 산정되었다. 계란 파각란 선별기 평가액은 할인율에 따라 228,543천원(할인율 5%인 경우)과 218,543천원(할인율 10%인 경우)으로 추정되었다(Table 6). 파각란 선별기 기술가치에 대한 평가는 B/C비율, 순현재가치(NPV), 내부수익율(IRR)의 값으로 판단되었고, 내부수익율 IRR의 값은 가정했던 할인율보다 훨씬 높게 나타났고, 순현재가치도 0보다 큰 값으로 나타났으며, B/C비율도 1.0 이상으로 나타나 경제적 타당성을 가지는 것으로 판단되었다(Table 7).

Delamination crack detection is very important for improving the structural reliability of laminated composite structures. This requires real-time delamination detection technologies. For composite laminates that are reinforced with carbon fiber, an electrical potential method uses carbon fiber for reinforcements and sensors at the same time. The use of carbon fiber for sensors does not need to consider the strength reduction of smart structures induced by imbedding sensors into the structures. With carbon fiber reinforced (CF/) epoxy matrix composites, it had been proved that the delamination crack was detected experimentally. In the present study, therefore, similar experiments were conducted to prove the applicability of the method for delamination crack detection of CF/polyetherethereketone matrix composite laminates. Mode I and mode II delamination tests with artificial cracks were conducted, and three point bending tests without artificial cracks were conducted. This study experimentally proves the applicability of the method for detection of delamination cracks. CF/polyetherethereketone material has strong electric resistance anisotropy. For CF/polyetherethereketone matrix composites, a carbon fiber network is constructed, and the network is broken by propagation of delamination cracks. This causes a change in the electric resistance of CF/polyetherethereketone matrix composites. Using three point bending specimens, delamination cracks generated without artificial initial cracks is proved to be detectable using the electric potential method: This method successfully detected delamination cracks.

이 연구에서는 강교량과 같은 토목 구조물에서 유도파의(Guided waves)한 종류인 램파(Lamb wave)를 이용하여 실시간으로 균열손상을 감지할 수 있는 새로운 비파괴 검사방법을 제안한다. 기존의 유도파를 이용한 기술들은, 손상을 감지하기 위해 비손상 상태의 자료를 저장하고 이를 새로이 얻어진 결과와 비교하는 방법을 사용함으로써 잠재적인 손상을 진단해 왔다. 그러나, 공용중인 강구조물은 다양한 하중 뿐 아니라 상시로 변화하는 자연환경에 노출되어 있기 때문에 동일한 비손상 상태의 응답을 얻는 것이 매우 어려우며 이러한 방법을 적용할 경우 오보(false alarm)의 우려도 매우 높다고 할 수 있다. 따라서 이 연구에서는 보다 안정적인 손상감지기법을 개발하기 위해 기존에 얻어진 초기치를 이용하지 않으면서 실시간으로 손상 여부를 판단할 수 있는 방법을 제안하고자 한다. 이 연구에서 제안된 감지 기술은, 압전소자의 극성과 판파의 특성을 이용하는 것으로 얇은 판의 양면에 부착된 압전소자를 통하여 균열손상에 의한 신호를 선택적으로 감지해 내는 데에 그 목적이 있다. 균열이 발생한 판에서 진행하는 판파는 균열로 인한 판의 두께변화로 인해 모드 변화를 일으키게 되는데, 제안된 감지기법으로 이러한 모드 변화만을 선택적으로 추출할 수 있다. 다양한 수치해석과 실험을 통해 이 연구에서 제안된 손상감지기법의 효율성과 적용성을 입증한다.

본 연구에서는 고유진동수를 사용하여 균열의 위치와 크기를 발견하는 비파괴 균열발견모델을 유도하고 Euler-Bernoulli 보를 대상으로 이 모델의 적합성을 검증하였다. 먼저, 균열위치예측모델과 균열크기예측모델로 이루어진 균열발견체계를 제시하였는데, 균열위치예측모델은 모드민감도와 고유진동수 사이의 선형적인 관계로부터 간접적으로 유도되었으며 균열크기예측모델은 균열발생에 의한 변형에너지의 손실을 진동특성치의 변화와 비교하는 동적 파괴역학적 방법으로부터 유도되었다. 다음으로, 기존에 발표된 양단-자유보에 대한 진동모드 실험결과를 사용하여 균열위치와 균열크기를 예측하고 평가하므로 균열발견모델의 적합성과 적용성을 실험적으로 검토하였다. 대부분의 손상시나리오에서 균열위치와 균열크기 예측치는 실제값과 근사하게 일치하였다.

본 연구에서는 아스팔트 콘크리트 도로포장의 표면균열 검출을 위해 합성곱 신경망을 이용하였다. 합성곱 신경망의 학습에 사용되는 표면균열 이미지 데이터의 양에 따른 합성곱 신경망의 성능향상 정도를 평가하였다. 사용된 합성곱 신경망의 구조는 5개의 층으로 구성되 어있으며, 3x3 크기의 convolution filter와 2x2 크기의 pooling kernel을 사용하였다. 합성곱 신경망의 학습을 위해서 도로노면 조사 장비를 통해 구축된 국내 도로포장 표면균열 이미지를 활용하였다. 표면균열 이미지 데이터를 학습한 합성곱 신경망 모델의 표면균열 검출 정확도, 정밀도, 재현율, 미검출율, 과검출율을 평가하였다. 가장 많은 양의 데이터를 학습한 합성곱 신경망 모델의 표면균열 검출 정확도, 정밀도, 재현율은 96.6% 이상, 미검출율, 과검출율은 3.4% 이하의 성능을 나타내었다.

딥러닝 모델은 주어진 학습용 데이터에서 탐지하고자 하는 물체의 특징을 추출하기 때문에, 딥러닝 모델 학습을 위한 학습용 데이터 구축은 매우 중요하다. 본 연구에서는 균열을 탐지하는 딥러닝 모델의 성능을 향상시키기 위해, 실제 콘크리트 구조물이나 아스팔트 도로 표면에서 자주 발견될 수 있는 나뭇가지, 거미줄, 전선 등을 학습 데이터에 자동으로 포함시키고, negative 영역으로 분류하는 알고리즘을 개발하였다. 제안된 알고리즘을 사용하여 학습된 딥러닝 모델을 실제 도로 표면에 발생한 균열 탐지에 적용하여 실제 균열 탐지에 사용될 수 있음을 보였다.

최근 사회기반시설(SOC)의 증가와 노후화에 따라 기존의 인력중심의 육안검사를 기반으로 한 안전점검은 경제성과 안전성, 효율성 면에서 한계를 가지고 있다. 본 연구에서는 육안점검의 한계를 개선하기 위해 딥러닝 모델 기반 물체를 탐지하는 기술을 활용하여 터널 콘크리트 균열을 자동으로 탐지하는 기술을 개발하였으며, 이를 실제 터널 영상에 적용하여 그 성능을 검증하였다.