Browse

합성곱 신경망을 이용한 암석 균열 인식 자동화 알고리즘 개발
Automated Rock Fracture Detection Algorithm with Convolutional Neural Networks

Cited 0 time in Web of Science Cited 0 time in Scopus
Authors
변훈
Advisor
송재준
Issue Date
2019-08
Publisher
서울대학교 대학원
Keywords
균열이미지 인식합성곱 신경망
Description
학위논문(석사)--서울대학교 대학원 :공과대학 에너지시스템공학부,2019. 8. 송재준.
Abstract
암반에 존재하는 균열과 절리는 강도, 탄성계수, 투수계수 등에 큰 영향을 미치기 때문에 이들을 잘 검출하는 것은 중요한 문제이다. 특히 사진측량법은 간단하고 경제성이 있으므로 이를 기반으로 하는 연구들이 이루어졌다. 그 중, 절리는 선형성을 띠기 때문에 비교적 인식이 평이하나, 균열은 비정형성을 보이기 때문에 인식이 상대적으로 어려워 관련 연구가 부족한 실정이다. 또한, 기존의 연구들은 균열 인식을 방해하는 다양한 노이즈가 없는 이미지를 주로 사용하였다. 그림자, 균열 사이의 충전물, 식생 등의 노이즈는 전통적인 알고리즘의 균열 인식 정확도를 낮추는 요인이나, 사진을 촬영한 현장의 환경에 따라 사진에 포함될 수 있다.
본 연구에서는 딥러닝 알고리즘의 일종인 합성곱 신경망을 사용하여 다양한 노이즈가 존재하는 이미지로부터 암석 균열을 자동으로 인식하는 알고리즘을 개발하였다. 딥러닝 기반 합성곱 신경망 알고리즘은 사람이 직접 시행착오를 통해 적절한 피처를 결정했던 전통적인 이미지 처리 방식과 달리 신경망이 스스로 이미지에서 적합한 피처를 추출하여 이용하기 때문에 인식 성능이 향상된다. 또한, 기존 연구들은 모델 개발에 사용한 균열 이미지와 같은 이미지로 테스트를 수행하였기 때문에 그로부터 개발된 모델은 그 특정 이미지에 대해서만 좋은 성능을 낼 수 있었다. 그러나, 본 연구에서는 테스트 과정에 완전히 새로운 균열 이미지를 사용함으로써 새로운 이미지에도 좋은 결과를 내는 것을 보였다. 종합적으로, 본 연구에서 개발된 알고리즘은 사진으로부터 신속하고 일관적으로 균열 인식을 할 수 있으며 다양한 비정형 균열 이미지들에 대해서도 높은 검출 성능을 보인다.
Detection of rock joint and fracture is important because they have a huge influence on rock mass strength. Photogrammetry technique, especially, has been used for decades due to its simplicity and economic feasibility. Although joints are easy to detected since it has linearity, fractures has irregularity which leads to difficulties in detection and lack of relevant studies. Additionally, previous researches used photographs without various types of noise such as shadow, infill material and vegetation. These kinds of noise reduce the accuracy of conventional algorithms. However, it can be included in the photographs under certain circumstances.
In this study, a new algorithm based on convolutional neural networks, which can detect rock fracture from rock images with many kinds of noise, is presented. Furthermore, previous models were evaluated with the same image used in model construction stage. The model performance, therefore, is guaranteed only for that specific data. On the contrary, new rock images are used when testing the model, which shows the data-independent performance of proposed model. As a result, the developed model in this study can detect rock fracture from photographs quickly and consistently, and demonstrate high performance for irregular fractures.
Language
kor
URI
http://hdl.handle.net/10371/161036

http://dcollection.snu.ac.kr/common/orgView/000000156666
Files in This Item:
Appears in Collections:
College of Engineering/Engineering Practice School (공과대학/대학원)Dept. of Energy Systems Engineering (에너지시스템공학부)Theses (Master's Degree_에너지시스템공학부)
  • mendeley

Items in S-Space are protected by copyright, with all rights reserved, unless otherwise indicated.

Browse