KR20220101293A - 광선로 진동 유발 공사 식별 장치, 방법 및 시스템 - Google Patents

광선로 진동 유발 공사 식별 장치, 방법 및 시스템 Download PDF

Info

Publication number
KR20220101293A
KR20220101293A KR1020210003157A KR20210003157A KR20220101293A KR 20220101293 A KR20220101293 A KR 20220101293A KR 1020210003157 A KR1020210003157 A KR 1020210003157A KR 20210003157 A KR20210003157 A KR 20210003157A KR 20220101293 A KR20220101293 A KR 20220101293A
Authority
KR
South Korea
Prior art keywords
vibration
construction
image
optical path
type
Prior art date
Application number
KR1020210003157A
Other languages
English (en)
Inventor
이현정
박근열
Original Assignee
주식회사 케이티
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 케이티 filed Critical 주식회사 케이티
Priority to KR1020210003157A priority Critical patent/KR20220101293A/ko
Publication of KR20220101293A publication Critical patent/KR20220101293A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J11/00—Measuring the characteristics of individual optical pulses or of optical pulse trains
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/12—Measuring characteristics of vibrations in solids by using direct conduction to the detector of longitudinal or not specified vibrations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

본 발명은 광선로 진동 유발 공사 식별 장치, 방법 및 시스템에 관한 것으로서, 보다 구체적으로는 지중에 매설된 광선로 주변에서 진동을 유발하는 공사를 감지하고 나아가 상기 공사의 종류를 식별할 수 있는 광선로 진동 유발 공사 식별 장치, 방법 및 시스템에 관한 것이다.
본 발명에서는, 광선로로 진동을 유발하는 공사의 종류를 식별하는 시스템에 있어서, 상기 광선로로 광펄스를 인가하고 역산란되는 산란광 신호를 감지하여 제1 데이터를 생성하는 광펄스 역산란 신호 감지부; 상기 제1 데이터를 이용하여 시간에 따른 제1축과 거리에 따른 제2축으로 하는 제1 이미지를 산출하는 이미지 산출부; 및 상기 제1 이미지를 미리 학습된 신경망 회로로 입력하여 상기 광선로로 진동을 유발하는 공사의 종류를 식별하는 공사 종류 식별부;를 포함하는 것을 특징으로 하는 광선로 진동 유발 공사 식별 시스템을 개시한다.

Description

광선로 진동 유발 공사 식별 장치, 방법 및 시스템 {Apparatus, method and system for identifying construction work causing vibration to optical cable}
본 발명은 광선로 진동 유발 공사 식별 장치, 방법 및 시스템에 관한 것으로서, 보다 구체적으로는 지중에 매설된 광선로 주변에서 진동을 유발하는 공사를 감지하고 나아가 상기 공사의 종류를 식별할 수 있는 광선로 진동 유발 공사 식별 장치, 방법 및 시스템에 관한 것이다.
최근 정보통신 서비스가 빠르게 확산하면서 광케이블이 폭넓게 사용되고 있다. 광케이블은 광신호를 전달하는 케이블로서 유리 섬유 등으로 구성되는 광코어를 클래드(clad), 재킷(jacket) 등이 감싸는 형태로 구성된다.
상기 광케이블은 육상에 포설되는 경우 통상적으로 지중에 매설되는데, 상기 광케이블이 건설 기계 등에 의하여 손상 또는 파손되는 경우 대규모 통신 장애를 유발할 수 있어, 이에 대비하기 위해 미리 신고된 공사 뿐만 아니라 신고되지 않은 공사를 파악하고 감시하기 위한 인력이 직접 공사 현장 등에 투입되어 직접 감시 작업을 수행하고 있는 실정이다.
이와 관련하여, 광케이블로 광펄스를 입사하고 이에 대한 산란파를 측정하여 광케이블 주변에서의 진동을 감지하는 기술이 연구되고 있으나, 이러한 경우에도 진동을 유발하는 위치를 파악하는 정도에 그칠 뿐 진동을 유발하는 공사의 종류를 식별하고 나아가 공사에 따른 위험성 까지 판단하는 것은 어려웠으며, 따라서 진동이 감지된 경우 여전히 인력을 공사 현장에 투입하여 직접 공사를 확인하고 감시하는 작업을 수행하여야 하는 문제가 따랐다.
이에 따라, 지중에 매설된 광케이블 주변에서 진동을 유발하는 공사의 종류를 정확히 식별하고 그에 따른 위험성을 원격 판단하여 감시할 수 있도록 하는 기술이 요구되고 있으나, 아직 이에 대한 적절한 해법이 제시되지 못하고 있다.
대한민국 공개특허공보 제10-2019-0064035호 (2019.06.10)
본 발명은 상기와 같은 종래 기술의 문제점을 해결하기 위해 창안된 것으로, 지중에 매설된 광선로 주변에서 진동을 유발하는 공사의 종류를 정확히 식별하고, 나아가 상기 공사 그에 따른 위험성을 원격 판단하고 감시할 수 있는 광선로 진동 유발 공사 식별 장치, 방법 및 시스템을 제공하는 것을 목적으로 한다.
그 외 본 발명의 세부적인 목적은 아래에 기재되는 구체적인 내용을 통하여 이 기술 분야의 전문가나 연구자에게 자명하게 파악되고 이해될 수 있을 것이다.
상기 과제를 해결하기 위한 본 발명의 한 측면에 따른 광선로 진동 유발 공사 식별 시스템은, 광선로로 진동을 유발하는 공사의 종류를 식별하는 시스템으로서, 상기 광선로로 광펄스를 인가하고 역산란되는 산란광 신호를 감지하여 제1 데이터를 생성하는 광펄스 역산란 신호 감지부; 상기 제1 데이터를 이용하여 시간에 따른 제1축과 거리에 따른 제2축으로 하는 제1 이미지를 산출하는 이미지 산출부; 및 상기 제1 이미지를 미리 학습된 신경망 회로로 입력하여 상기 광선로로 진동을 유발하는 공사의 종류를 식별하는 공사 종류 식별부;를 포함하는 것을 특징으로 한다.
여기서, 상기 광펄스 역산란 신호 감지부는, 상기 산란광 신호의 진폭을 탐지하는 분산형 음파 센서(DAS)를 이용하여 구성될 수 있다.
이때, 상기 이미지 산출부에서는, 상기 산란광 신호의 진폭을 탐지하여 생성된 상기 제1 데이터를 이용하여 시간과 거리에 따른 진동의 크기 변화를 나타내는 제1 이미지를 산출할 수 있다.
또한, 상기 제1 이미지는 공사에 의해 유발되는 진동의 피크 주파수를 포함하는 진동 주파수 대역에 대응하는 제1 서브 이미지와 상기 진동 주파수 대역보다 저주파의 대역에 대응하는 제2 서브 이미지를 포함하여 복수의 이미지로 구성될 수 있다.
또한, 상기 이미지 산출부에서는, 상기 제1 데이터를 이용하여 특정한 거리에서의 주파수에 따른 제1축과 시간에 따른 제2축으로 하여 진동의 크기를 나타내는 제2 이미지를 더 산출할 수 있다.
이때, 상기 공사 종류 식별부에서는, 상기 제1 이미지와 상기 제2 이미지를 함께 상기 신경망 회로로 입력하여 상기 광선로로 진동을 유발하는 공사의 종류를 식별할 수 있다.
또한, 상기 광펄스 역산란 신호 감지부는, 상기 광선로로 광펄스를 인가하고 역산란되는 레일리 산란광 신호를 감지하여 상기 제1 데이터를 생성할 수 있다.
또한, 상기 이미지 산출부에서는, 상기 제1 데이터에 대하여 DC 성분을 제거하는 필터링 작업을 수행한 후, 상기 제1 이미지를 생성할 수 있다.
또한, 상기 이미지 산출부에서는, 상기 제1 데이터에 대하여 상기 광선로에서의 손실 보상을 위한 정규화 작업을 수행한 후, 상기 제1 이미지를 생성할 수 있다.
또한, 상기 공사 종류 식별부는, 복수의 컨볼루션 레이어를 포함하는 CNN 신경망 회로를 이용하여 구성되어, 상기 제1 이미지를 입력받아 상기 광선로로 진동을 유발하는 공사의 종류를 판단할 수 있다.
또한, 본 발명의 다른 실시예에 따른 광선로 진동 유발 공사 식별 방법은, 광선로 진동 유발 공사 식별 시스템이 광선로로 진동을 유발하는 공사의 종류를 식별하는 방법으로서, 상기 광선로로 광펄스를 인가하고 역산란되는 산란광 신호를 감지하여 제1 데이터를 생성하는 광펄스 역산란 신호 감지 단계; 상기 제1 데이터를 이용하여 시간에 따른 제1축과 거리에 따른 제2축으로 하는 제1 이미지를 산출하는 이미지 산출 단계; 및 상기 제1 이미지를 미리 학습된 신경망 회로로 입력하여 상기 광선로로 진동을 유발하는 공사의 종류를 식별하는 공사 종류 식별 단계;를 포함하는 것을 특징으로 한다.
이에 따라, 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 장치, 방법 및 시스템에서는, 지중에 매설된 광선로 주변에서 진동을 유발하는 공사를 감지하고 나아가 상기 공사의 종류를 정확히 식별할 수 있으며, 나아가 상기 공사 그에 따른 위험성을 원격 판단하고 감시할 수 있게 된다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 사상을 설명한다.
도 1은 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 시스템의 동작을 설명하는 도면이다.
도 3은 본 발명의 일 실시예에 따른 제1 이미지의 예시도이다.
도 4는 본 발명의 일 실시예에 따른 제2 이미지의 예시도이다.
도 5 내지 도 6은 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 시스템의 동작 순서를 예시하는 도면이다.
도 7은 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 시스템에서 신경망 회로의 학습 프로세스를 예시하는 도면이다.
도 8은 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 방법의 순서도이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 이하에서는 특정 실시예들을 첨부된 도면을 기초로 상세히 설명하고자 한다.
이하의 실시예는 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시 예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
또한, 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되는 것은 아니며, 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
아래에서는, 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 장치, 방법 및 시스템에 대한 예시적인 실시 형태들을 첨부된 도면을 참조하여 차례로 설명한다.
먼저, 도 1에서는 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 시스템(100)의 구성도가 예시되어 있다. 도 1에서 볼 수 있는 바와 같이, 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 시스템(100)은, 광선로로 진동을 유발하는 공사의 종류를 식별하는 시스템으로서, 상기 광선로로 광펄스를 인가하고 역산란되는 산란광 신호를 감지하여 제1 데이터를 생성하는 광펄스 역산란 신호 감지부(110), 상기 제1 데이터를 이용하여 시간에 따른 제1축과 거리에 따른 제2축으로 하는 제1 이미지를 산출하는 이미지 산출부(120) 및 상기 제1 이미지를 미리 학습된 신경망 회로(131)로 입력하여 상기 광선로로 진동을 유발하는 공사의 종류를 식별하는 공사 종류 식별부(130)를 포함하여 구성될 수 있다.
이때, 상기 광펄스 역산란 신호 감지부(110)는, 상기 산란광 신호의 진폭(amplitude)을 탐지하는 분산형 음파 센서(DAS, Distributed Acoustic Sensor)를 이용하여 구성될 수 있다.
여기서, 상기 이미지 산출부(120)에서는, 상기 산란광 신호의 진폭을 탐지(진폭 탐지형 DAS)하여 생성된 상기 제1 데이터를 이용하여 시간과 거리에 따른 진동의 크기 변화를 나타내는 제1 이미지를 산출할 수 있고, 상기 공사 종류 식별부(130)에서는 이를 CNN(Convolutional Neural Network) 등의 신경망 회로(131)로 입력하여 상기 광선로로 진동을 유발하는 공사의 종류를 식별할 수 있다.
이에 따라, 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 시스템(100)에서는 지중에 매설된 광선로 주변에서 진동을 유발하는 공사를 감지하고 나아가 상기 공사의 종류를 정확히 식별할 수 있으며, 나아가 상기 공사 그에 따른 위험성을 원격 판단하고 감시할 수 있게 된다.
또한, 도 2에서는 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 시스템(100)의 동작을 설명하기 위한 도면을 도시하고 있다.
이하, 도 1 및 도 2를 참조하여, 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 시스템(100)의 구성 및 동작을 보다 구체적으로 살핀다.
먼저, 상기 광펄스 역산란 신호 감지부(110)에서는, 도 2에서 볼 수 있는 바와 같이, 광펄스(도 2의 (P))를 생성하여 광선로의 광섬유로 인가하게 된다(도 2의 (A)).
이때, 상기 광펄스 역산란 신호 감지부(110)에서는 미리 정해진 주기에 따라 정해진 시간 간격에 따라 광펄스를 생성하여 인가할 수 있으나, 본 발명이 반드시 이에 한정되는 것은 아니다.
이어서, 상기 광펄스 역산란 신호 감지부(110)에서는, 도 2에서 볼 수 있는 바와 같이, 상기 광선로에서 역산란되는 산란광 신호를 감지(도 2의 (B))하여 제1 데이터를 생성하게 된다.
보다 구체적으로, 도 2에서 볼 수 있는 바와 같이, 건설 장비(도 2의 (M)) 등에서 생성되는 진동은 지중에 매설되는 광선로로 전달되면서 상기 광펄스가 전송되는 광섬유의 굴절률 등의 물성을 변화시킬 수 있으며, 이에 따라 상기 광선로에서 역산란되는 산란광 신호에 영향을 미치게 된다.
이에 따라, 상기 광펄스 역산란 신호 감지부(110)에서는, 상기 광선로에서 역산란되는 산란광 신호로부터 상기 진동의 발생 여부 및 상기 진동이 발생하는 거리(도 2의 (L))를 감지할 수 있을 뿐만 아니라, 나아가 상기 광선로로 전달되는 진동을 분석하여 상기 진동을 유발하는 건설 장비의 종류나 수행하고 있는 공사의 종류 등도 파악할 수 있게 된다.
보다 구체적으로, 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 시스템(100)에서, 상기 광펄스 역산란 신호 감지부(110)는, 상기 산란광 신호의 진폭(amplitude)을 탐지하는 분산형 음파 센서(DAS)를 이용하여 구성될 수 있으나, 본 발명이 반드시 이에 한정되는 것은 아니다.
또한, 통상적으로 광선로에서 나타나는 역산란(back scattering)에는 Raman, Brillouin, Rayleigh 산란 등을 들 수 있는데, 본 발명에서 상기 광펄스 역산란 신호 감지부(110)는 상기 광선로로 인가되는 파장과 동일한 파장으로 가장 큰 진폭을 가지는 레일리(Rayleigh) 산란광 신호를 감지하여 상기 제1 데이터를 생성할 수 있으나, 본 발명이 반드시 이에 한정되는 것은 아니다.
보다 구체적인 예를 들어, 상기 광펄스 역산란 신호 감지부(110)에서는 주기적으로 광섬유로 인가되는 각 광펄스(도 2의 (P))에 대하여 역산란되는 산란광 신호를 소정의 샘플링 주파수로 샘플링하여 상기 로우 데이터(raw data)를 생성할 수 있다.
또한, 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 시스템(100)에서, 상기 광펄스 역산란 신호 감지부(110)는 상기 분산형 음파 센서(DAS)에서 생성되는 로우 데이터(raw data)를 상기 제1 데이터로서 상기 이미지 산출부(120)로 제공할 수 있으나, 본 발명이 반드시 이에 한정되는 것은 아니며, 상기 로우 레이터(raw data) 중 일부 데이터를 선별하거나 상기 로우 데이터(raw data)를 처리하여 상기 제1 데이터를 생성할 수도 있다.
이어서, 상기 이미지 산출부(120)에서는, 상기 제1 데이터를 이용하여 시간에 따른 제1축과 거리에 따른 제2축으로 하는 제1 이미지를 산출하게 된다.
보다 구체적인 예를 들어, 도 3에서는 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 시스템(100)에서, 상기 이미지 산출부(120)가 생성하는 제1 이미지를 예시하고 있다.
이때, 상기 이미지 산출부(120)에서는, 도 3에서 볼 수 있는 바와 같이, 상기 광펄스 역산란 신호 감지부(110)에서 상기 산란광 신호의 진폭을 탐지하여 생성된 상기 제1 데이터를 이용하여 시간에 따른 제1축(도 3(b)의 Time)과 거리에 따른 제2축(도 3(b)의 Location)에 대하여 상기 진동의 크기 변화 등을 색상이나 명암 등으로 나타내는 제1 이미지를 생성할 수 있다.
나아가, 도 3에서 볼 수 있는 바와 같이, 상기 제1 이미지는 공사에 의해 유발되는 진동의 피크 주파수를 포함하는 진동 주파수 대역(도 3(b)의 60-200Hz)에 대응하는 제1 서브 이미지(도 3(b))와 상기 진동 주파수 대역보다 저주파의 대역(도 3(a)의 20-40Hz)에 대응하는 제2 서브 이미지(도 3(a))를 포함하여 복수의 이미지로 구성될 수도 있다.
이에 따라, 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 시스템(100)에서는 에너지가 상대적으로 약한 굴착, 오거, 관정, 항타 등 여러 공사 이벤트에 대해서도 보다 정확한 식별이 가능하게 된다.
또한, 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 시스템(100)에서, 상기 이미지 산출부(120)에서는, 상기 광펄스 역산란 신호 감지부(110)로부터 전달받은 상기 제1 데이터를 이용하여 특정한 거리에서의 주파수에 따른 제1축과 시간에 따른 제2축으로 하여 진동의 크기를 나타내는 제2 이미지를 더 산출할 수 있다.
보다 구체적인 예를 들어, 도 4에서 볼 수 있는 바와 같이, 상기 이미지 산출부(120)에서는 상기 제1 데이터를 이용하여 특정한 거리(예를 들어, 도 4에서 진동원이 위치하는 것으로 판단되는 26879m 거리)에서 주파수에 따른 제1축(도 4의 frequency)과 시간에 따른 제2축(도 4에서 Time)에 대하여 상기 진동의 크기 변화 등을 색상이나 명암 등으로 나타내는 제2 이미지를 생성할 수 있다.
나아가, 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 시스템(100)에서, 상기 이미지 산출부(120)에서는, 상기 제1 데이터에 대하여 DC 성분을 제거하는 필터링 작업을 수행한 후, 상기 제1 이미지 또는 상기 제2 이미지를 생성할 수 있다.
또한, 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 시스템(100)에서, 상기 이미지 산출부(120)에서는, 상기 제1 데이터에 대하여 상기 광선로에서의 레일리 역산란 광신호의 불균일성과 광섬유에서의 손실 보상을 위한 정규화 작업을 수행한 후, 상기 제1 이미지 또는 상기 제2 이미지를 생성할 수 있다.
이에 따라, 상기 이미지 산출부(120)에서는 상기 광펄스 역산란 신호 감지부(110)로부터 전달받은 제1 데이터를 이용하여 제1 이미지 및 이에 더하여 제2 이미지를 생성하고 이를 공사 종류 식별부(130)로 제공할 수 있게 된다.
다음으로, 상기 공사 종류 식별부(130)에서는, 도 5에 도시된 바와 같이, 상기 광펄스 역산란 신호 처리부(110)에서 생성된 제1 데이터를 이용하여 상기 이미지 산출부(120)에서 산출된 제1 이미지를 미리 학습된 신경망 회로(131)로 입력하여 상기 광선로로 진동을 유발하는 공사의 종류를 식별하게 된다.
이때, 상기 신경망 회로(131)에서는 상기 제1 이미지를 딥러닝(Deep learning) 알고리즘에 의하여 처리하여 상기 광선로로 진동을 유발하는 공사의 종류를 식별할 수 있으나, 본 발명이 반드시 이에 한정되는 것은 아니다.
보다 구체적으로, 본 발명에서 상기 공사 종류 식별부(130)는 복수의 컨볼루션 레이어를 포함하는 CNN(Convolutional Neural Network) 신경망 회로(131)를 이용하여 구성될 수 있으나, 본 발명이 반드시 이에 한정되는 것은 아니다.
여기서, 상기 네트워크(network)는 이미지를 처리하여 추출하는 알고리즘을 의미하며, 상기 신경망 회로(131)는 미리 학습된 알고리즘과 가중치에 따라 입력된 이미지를 처리하여 진동 발생 여부와 상기 진동을 유발하는 공사의 종류를 판단하게 된다.
보다 구체적으로, 상기 CNN 신경망 회로(131)에서는 다수의 컨볼루션(convolution)을 거치면서 특징맵(예를 들어, feature vector)을 추출하고, 상기 특징맵에 의해 진동 발생 여부와 상기 진동을 유발하는 공사의 종류를 판단하여, 이를 미리 정해진 클래스에 대응시켜 출력하게 된다.
이러한 과정에서 상기 컨볼루션의 횟수, 컨볼루션 사이에 수행되는 서브 샘플링의 횟수는 상기 CNN 신경망 회로(131)이 수행되는 장치의 성능, 정확도 및 속도를 고려하여 결정될 수 있다.
또한, 상기 클래스의 경우 사용자가 미리 선정한 공사 종류의 개수에 따라 결정될 수 있다.
이에 따라, 상기 출력부(132)에서는 상기 CNN 신경망 회로(131)를 통해 산출되는 확률값에 기반하여 가장 높은 확률값을 가지는 클래스에 매칭시켜 최종적으로 판단되는 공사 종류를 출력하게 된다.
또한, 도 6에서는 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 시스템(100)의 동작 순서를 예시하는 순서도를 도시하고 있다.
도 6에서 볼 수 있는 바와 같이, 먼저 선행처리 단계(S11)에서는 상기 광펄스 역산란 신호 감지부(110)에서 분산형 음파 센서(DAS) 등을 이용하여 생성되는 제1 데이터를 상기 이미지 산출부(120)로 전달하게 된다.
이어서, 추출 이미지 생성 단계(S12)에서는 상기 이미지 산출부(120)가 시간에 대한 공간적 특성을 포함하는 제1 이미지, 특정한 위치에 대하여 시간에 대한 주파수 특성을 포함하는 제2 이미지를 생성하여 상기 공사 종류 식별부(130)로 전달하게 된다.
다음으로, 특징맵 산출 단계(S13)에서는 상기 공사 종류 식별부(130)가 상기 이미지 산출부(120)에서 생성된 제1 이미지, 제2 이미지를 전달받아, CNN 신경망 회로(131)에서 컨볼루션을 복수회에 걸쳐 진행하면서 공사 이벤트를 식별하기 위한 특징맵을 산출한다.
이에 따라, 상기 CNN 신경망 회로(131)에서 시간에 대한 공간적 특성을 포함하는 제1 이미지 및 특정한 위치에 대하여 시간에 대한 주파수 특성을 포함하는 제2 이미지로부터 하나 이상의 특징맵을 산출할 수 있다.
마지막으로, 클래스 생성 단계(S14)에서는 상기 제1 이미지 및 제2 이미지로부터 산출된 특징맵을 이용하여 진동을 유발하는 공사 이벤트를 식별하게 된다.
이때, 상기 CNN 신경망 회로(131)에서는 공간적 특성을 포함하는 특징맵과 주파수 특성을 포함하는 특징맵을 이용하여 완전 연결층(fully connected layer)을 생성할 수 있으며, 이를 위해 미리 정의된 알고리름에 의해 공간적 특성을 포함하는 특징맵과 주파수 특성을 포함하는 특징맵이 1차 행렬이 되도록 연산을 수행하여, 1차 행렬을 구성하는 확률값을 산출할 수 있다.
이에 따라, 상기 출력부(132)에서는 상기 CNN 신경망 회로(131)를 통해 산출되는 확률값에 기반하여 가장 높은 확률값을 가지는 클래스를 진동을 유발하는 공사 종류로 판단하여 출력하게 된다.
또한, 도 7에서는 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 시스템(100)에서 신경망 회로(131)의 학습 프로세스를 예시하고 있다.
보다 구체적으로, 도 7에서 볼 수 있는 바와 같이, 상기 신경망 회로(131)의 학습 프로세스는 학습 단계(S21)와 공사 이벤트 추가 단계(S22)를 포함하여 구성될 수 있다.
이때, 상기 학습 단계(S21)에서는 CNN 등의 신경망 회로(131)에 대하여 공사 이벤트의 종류를 판단하기 위해 미리 준비된 학습 데이터(training data)를 학습시키게 된다.
상기 학습 단계(S21)는 상기 신경망 회로(131)에서 수행되는 콘볼루션에 사용되는 필터(또는 윈도우)의 가중치를 확정하기 위하여 진행될 수 있다.
보다 구체적으로, 상기 학습 데이터를 상기 신경망 회로(131)로 입력하여 공사 이벤트 종류 판단 과정을 수행하면서 상기 입력된 학습 데이터에 대한 해를 전달하여 충분한 정확도가 확보될 수 있도록 학습을 반복 수행하게 된다.
이어서, 상기 공사 이벤트 추가 단계(S22)에서는 상기 학습 단계(S21)에서 사용된 공사 이벤트의 종류에 더하여 추가할 공사 이벤트의 종류가 존재하는 경우, 상기 학습 단계(S21)를 다시 진행하여 새로운 공사 이벤트에 대한 식별이 가능하도록 재학습을 수행하게 된다.
또한, 도 8은 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 방법의 순서도를 도시하고 있다.
아래에서는 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 방법을 검토한다. 다만, 본 발명에 대해서는 앞서 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 시스템(100)에서 보다 자세하게 설명한 바, 아래에서는 반복적인 설명은 생략하고, 본 발명의 요지를 중심으로 기술한다.
먼저, 도 8에서 볼 수 있는 바와 같이, 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 방법은, 광선로 진동 유발 공사 식별 시스템(100)이 광선로로 진동을 유발하는 공사의 종류를 식별하는 방법으로서, 상기 광선로로 광펄스를 인가하고 역산란되는 산란광 신호를 감지하여 제1 데이터를 생성하는 광펄스 역산란 신호 감지 단계(S110), 상기 제1 데이터를 이용하여 시간에 따른 제1축과 거리에 따른 제2축으로 하는 제1 이미지를 산출하는 이미지 산출 단계(S120) 및 상기 제1 이미지를 미리 학습된 신경망 회로로 입력하여 상기 광선로로 진동을 유발하는 공사의 종류를 식별하는 공사 종류 식별 단계(S130)를 포함할 수 있다.
여기서, 상기 광펄스 역산란 신호 감지 단계(S110)는 상기 산란광 신호의 진폭을 탐지하는 분산형 음향 센서(DAS)를 이용하여 수행될 수 있다.
이때, 상기 이미지 산출 단계(S120)에서는, 상기 산란광 신호의 진폭을 탐지하여 생성된 상기 제1 데이터를 이용하여 시간과 거리에 따른 진동의 크기 변화를 나타내는 제1 이미지를 산출할 수 있다.
또한, 상기 제1 이미지는 상기 공사에 의해 유발되는 진동의 피크 주파수를 포함하는 진동 주파수 대역에 대응하는 제1 서브 이미지와 상기 피크 주파수보다 저주파의 대역에 대응하는 제2 서브 이미지를 포함하여 복수의 이미지로 구성될 수 있다.
또한, 상기 이미지 산출 단계(S120)에서는, 상기 제1 데이터를 이용하여 특정한 거리에서의 주파수에 따른 제1축과 시간에 따른 제2축으로 하여 진동의 크기를 나타내는 제2 이미지를 더 산출할 수 있다.
이에 따라, 상기 공사 종류 식별 단계(S130)에서는, 상기 제1 이미지와 상기 제2 이미지를 함께 상기 신경망 회로로 입력하여 상기 광선로로 진동을 유발하는 공사의 종류를 식별할 수 있다.
또한, 상기 광펄스 역산란 신호 감지 단계(S110)에서는, 상기 광선로로 광펄스를 인가하고 역산란되는 레일리 산란광 신호를 감지하여 상기 제1 데이터를 생성할 수 있다.
또한, 상기 이미지 산출 단계(S120)에서는, 상기 제1 데이터에 대하여 DC 성분을 제거하는 필터링 작업을 수행한 후, 상기 제1 이미지를 생성할 수 있다.
또한, 상기 이미지 산출 단계(S120)에서는, 상기 제1 데이터에 대하여 상기 광선로에서의 손실 보상을 위한 정규화 작업을 수행한 후, 상기 제1 이미지를 생성할 수 있다.
나아가, 상기 공사 종류 식별 단계(S130)에서는, 복수의 컨볼루션 레이어를 포함하는 CNN 신경망 회로를 이용하여, 상기 제1 이미지를 입력받아 상기 광선로로 진동을 유발하는 공사의 종류를 판단할 수 있다.
이에 따라, 본 발명의 일 실시예에 따른 광선로 진동 유발 공사 식별 장치, 방법 및 시스템에서는, 지중에 매설된 광선로 주변에서 진동을 유발하는 공사를 감지하고 나아가 상기 공사의 종류를 정확히 식별할 수 있으며, 나아가 상기 공사 그에 따른 위험성을 원격 판단하고 감시할 수 있게 된다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서 본 발명에 기재된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의해서 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100 : 광선로 진동 유발 공사 식별 시스템
110 : 광펄스 역산란 신호 감지부
120 : 이미지 산출부
130 : 공사 종류 식별부
131 : 신경망 회로
132 : 출력부

Claims (11)

  1. 광선로로 진동을 유발하는 공사의 종류를 식별하는 시스템에 있어서,
    상기 광선로로 광펄스를 인가하고 역산란되는 산란광 신호를 감지하여 제1 데이터를 생성하는 광펄스 역산란 신호 감지부;
    상기 제1 데이터를 이용하여 시간에 따른 제1축과 거리에 따른 제2축으로 하는 제1 이미지를 산출하는 이미지 산출부; 및
    상기 제1 이미지를 미리 학습된 신경망 회로로 입력하여 상기 광선로로 진동을 유발하는 공사의 종류를 식별하는 공사 종류 식별부;
    를 포함하는 것을 특징으로 하는 광선로 진동 유발 공사 식별 시스템.
  2. 제1항에 있어서,
    상기 광펄스 역산란 신호 감지부는,
    상기 산란광 신호의 진폭을 탐지하는 분산형 음파 센서(DAS)를 이용하여 구성되는 것을 특징으로 하는 광선로 진동 유발 공사 식별 시스템.
  3. 제2항에 있어서,
    상기 이미지 산출부에서는,
    상기 산란광 신호의 진폭을 탐지하여 생성된 상기 제1 데이터를 이용하여 시간과 거리에 따른 진동의 크기 변화를 나타내는 제1 이미지를 산출하는 것을 특징으로 하는 광선로 진동 유발 공사 식별 시스템.
  4. 제1항에 있어서,
    상기 제1 이미지는 공사에 의해 유발되는 진동의 피크 주파수를 포함하는 진동 주파수 대역에 대응하는 제1 서브 이미지와 상기 진동 주파수 대역보다 저주파의 대역에 대응하는 제2 서브 이미지를 포함하여 복수의 이미지로 구성되는 것을 특징으로 하는 광선로 진동 유발 공사 식별 시스템.
  5. 제1항에 있어서,
    상기 이미지 산출부에서는,
    상기 제1 데이터를 이용하여 특정한 거리에서의 주파수에 따른 제1축과 시간에 따른 제2축으로 하여 진동의 크기를 나타내는 제2 이미지를 더 산출하는 것을 특징으로 하는 광선로 진동 유발 공사 식별 시스템.
  6. 제5항에 있어서,
    상기 공사 종류 식별부에서는,
    상기 제1 이미지와 상기 제2 이미지를 함께 상기 신경망 회로로 입력하여 상기 광선로로 진동을 유발하는 공사의 종류를 식별하는 것을 특징으로 하는 광선로 진동 유발 공사 식별 시스템.
  7. 제1항에 있어서,
    상기 광펄스 역산란 신호 감지부는,
    상기 광선로로 광펄스를 인가하고 역산란되는 레일리 산란광 신호를 감지하여 상기 제1 데이터를 생성하는 것을 특징으로 하는 광선로 진동 유발 공사 식별 시스템.
  8. 제1항에 있어서,
    상기 이미지 산출부에서는,
    상기 제1 데이터에 대하여 DC 성분을 제거하는 필터링 작업을 수행한 후, 상기 제1 이미지를 생성하는 것을 특징으로 하는 광선로 진동 유발 공사 식별 시스템.
  9. 제1항에 있어서,
    상기 이미지 산출부에서는,
    상기 제1 데이터에 대하여 상기 광선로에서의 손실 보상을 위한 정규화 작업을 수행한 후, 상기 제1 이미지를 생성하는 것을 특징으로 하는 광선로 진동 유발 공사 식별 시스템.
  10. 제1항에 있어서,
    상기 공사 종류 식별부는,
    복수의 컨볼루션 레이어를 포함하는 CNN 신경망 회로를 이용하여 구성되어,
    상기 제1 이미지를 입력받아 상기 광선로로 진동을 유발하는 공사의 종류를 판단하는 것을 특징으로 하는 광선로 진동 유발 공사 식별 시스템.
  11. 광선로 진동 유발 공사 식별 시스템이 광선로로 진동을 유발하는 공사의 종류를 식별하는 방법에 있어서,
    상기 광선로로 광펄스를 인가하고 역산란되는 산란광 신호를 감지하여 제1 데이터를 생성하는 광펄스 역산란 신호 감지 단계;
    상기 제1 데이터를 이용하여 시간에 따른 제1축과 거리에 따른 제2축으로 하는 제1 이미지를 산출하는 이미지 산출 단계; 및
    상기 제1 이미지를 미리 학습된 신경망 회로로 입력하여 상기 광선로로 진동을 유발하는 공사의 종류를 식별하는 공사 종류 식별 단계;
    를 포함하는 것을 특징으로 하는 광선로 진동 유발 공사 식별 방법.
KR1020210003157A 2021-01-11 2021-01-11 광선로 진동 유발 공사 식별 장치, 방법 및 시스템 KR20220101293A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210003157A KR20220101293A (ko) 2021-01-11 2021-01-11 광선로 진동 유발 공사 식별 장치, 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210003157A KR20220101293A (ko) 2021-01-11 2021-01-11 광선로 진동 유발 공사 식별 장치, 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR20220101293A true KR20220101293A (ko) 2022-07-19

Family

ID=82607338

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210003157A KR20220101293A (ko) 2021-01-11 2021-01-11 광선로 진동 유발 공사 식별 장치, 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR20220101293A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190064035A (ko) 2017-11-30 2019-06-10 (주)넷케이티아이 분산음향광센서 기반 철도운행 상태 감시 시스템 및 그 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190064035A (ko) 2017-11-30 2019-06-10 (주)넷케이티아이 분산음향광센서 기반 철도운행 상태 감시 시스템 및 그 방법

Similar Documents

Publication Publication Date Title
Tejedor et al. Toward prevention of pipeline integrity threats using a smart fiber-optic surveillance system
CN106225907B (zh) 一种基于φ-otdr技术的光纤振动识别系统及方法
Bai et al. Detection and identification of external intrusion signals from 33 km optical fiber sensing system based on deep learning
Catalano et al. Automatic traffic monitoring by ϕ-OTDR data and Hough transform in a real-field environment
US20200200943A1 (en) Methods and systems for providing access to interferometric system data
CN108254798B (zh) 一种快速定位地下光缆的方法及装置
CN102280001B (zh) 基于φ-otdr的分布式光纤围栏入侵检测与定位方法
CN103824406A (zh) 基于光纤传感的隧道电缆入侵探测方法和系统
Martins et al. Early detection of pipeline integrity threats using a smart fiber optic surveillance system: the PIT-STOP project
GB2525251A (en) Optical fibre sensor system
CN114623922A (zh) 分布式光纤传感预警系统及其控制方法、设备、存储介质
Tian et al. Intrusion signal recognition in OFPS under multi-level wavelet decomposition based on RVFL neural network
CN114613116B (zh) 防外破预警方法、装置、设备及存储介质
CN103337120B (zh) 准分布式光纤光栅周界入侵报警系统的定址方法及系统
CN110335430A (zh) 基于深度学习的管道安全监测系统、方法和装置
CN203799460U (zh) 基于光纤传感的隧道电缆入侵探测系统
CN116379359A (zh) 天然气泄露检测方法及多模态天然气泄露检测系统
CN116026449B (zh) 一种基于单芯光纤传感的振动定位监测系统
CN104833378B (zh) 光纤周界系统干扰信号识别方法
CN111539393B (zh) 基于emd分解与lstm的油气管道第三方施工预警方法
KR20220101293A (ko) 광선로 진동 유발 공사 식별 장치, 방법 및 시스템
Freeland et al. Relative acoustic sensitivity of standard telecom and specialty optical fiber cables for distributed sensing
CN116506013A (zh) 光缆同路由检测方法、装置、系统、电子设备及存储介质
CN105448014B (zh) 基于围墙周界安防系统的综合布线方法及入侵预警方法
CN116388858A (zh) 一种基于相位解调的断纤检测方法和装置