KR20230046769A - 양방향 lstm을 이용한 콘크리트 부재 내부 결함 탐지 시스템 - Google Patents

Abstract

본 발명은 콘크리트 구조물의 비파괴 검사에서 딥러닝에 의한 결함 여부 판단 시 양방향 LSTM 모델을 이용하여 결함 발생 결정 모델을 구축하므로, 시퀀스의 길이가 긴 데이터 처리에 적합할 뿐 아니라 딥러닝을 통한 분류의 정확도를 향상시킬 수 있으며, 연산 시간을 최소화할 수 있는 양방향 LSTM을 이용한 콘크리트 부재 내부 결함 탐지 시스템에 대한 것이다.
본 발명 양방향 LSTM을 이용한 콘크리트 부재 내부 결함 탐지 시스템은 검사 대상인 콘크리트 부재에 가해진 신호에 의한 반사 신호를 탐지하는 신호감지부; 상기 신호감지부의 탐지 신호로부터 주파수 신호를 생성하는 신호처리부; 및 상기 신호처리부에 의해 생성된 주파수 신호에 의해 콘크리트 부재의 결함 발생 여부를 결정하는 것으로 양방향 LSTM 모델을 이용한 결함 발생 결정 모델을 구축하고, 탐지된 신호에 따라 상기 결함 발생 결정 모델로부터 콘크리트 부재의 결함 여부를 판단하는 결함판별모듈; 을 포함하여 구성되는 것을 특징으로 한다.

Description

양방향 LSTM을 이용한 콘크리트 부재 내부 결함 탐지 시스템{Defect detection system inside concrete members using bi-directional LSTM}

본 발명은 콘크리트 구조물의 비파괴 검사에서 딥러닝에 의한 결함 여부 판단 시 양방향 LSTM 모델을 이용하여 결함 발생 결정 모델을 구축하므로, 시퀀스의 길이가 긴 데이터 처리에 적합할 뿐 아니라 딥러닝을 통한 분류의 정확도를 향상시킬 수 있으며, 연산 시간을 최소화할 수 있는 양방향 LSTM을 이용한 콘크리트 부재 내부 결함 탐지 시스템에 대한 것이다.

콘크리트 구조물은 지진, 강풍 등의 재해뿐 아니라 동해, 시공 불량, 배수 및 방수 설계의 부적절 등 다양한 원인에 의해 결함이 발생할 수 있어 정기적인 안전진단이 필요하다. 또한, 노후 구조물의 보수, 보강 등을 위해서도 정확한 결함 위치의 파악은 매우 중요하다.

현행 구조물의 안전진단은 주로 시각적 검사(visual inspection)에 의존하기 때문에, 콘크리트 부재 내부의 결함 유무나 위치를 정확하게 파악하기 어렵다.

또한, 콘크리트 구조물의 상태를 보다 정확하게 파악하기 위해 코어 드릴 등을 이용하여 콘크리트 구조물로부터 원주형 코어 시편을 채취하고, 이에 대해 직접 강도시험 등을 수행하는 코어 채취법이 많이 사용된다.

그러나 코어 채취법은 구조물 손상이 불가피하고, 코어링 위치에 철근 존재 시 코어링 시간이 많이 소요되며, 코어 채취 후 코어링 위치의 보수 보강 작업이 필요하다. 뿐만 아니라 코어의 채취 위치에 제약이 있고, 코어링의 위치에 따라 채취 작업성이 크게 떨어질 수 있다.

이러한 코어 채취 방법의 문제점을 해결하고자 검사 대상 부재의 손상 없이 대상 부재의 성질, 상태 또는 내부 구조를 알아보기 위한 다양한 종류의 콘크리트 비파괴 검사가 개발되었다.

비파괴 검사에는 표면 타격법, 초음파법, 자기법, 전위법, AE법, 전자파법, 적외선법, 방사선법, 공진법 등이 있으며, 이들 방법들에 대하여 설명한다.

표면 타격법은 스프링의 힘을 받는 측정봉이 콘크리트 표면을 타격한 후 튕긴 거리를 측정함으로써 부재의 강도 또는 균질성을 평가하는 방법으로, 대표적으로 슈미트 해머 시험법이 있다. 표면 타격법은 장비가 가볍고 취급이 용이하나 콘크리트 표면 조건에 많은 영향을 받으므로 강도 예측치의 신뢰도가 낮다.

초음파법은 모든 파는 매질의 밀도에 따라 그 전달 속도가 다르다는 원리를 이용한 방법으로써, 콘크리트 표면에 위치한 발진자에서 발신된 초음파가 콘크리트 매질을 통해 인접한 수신자로 되돌아오는 시간을 측정하여 콘크리트의 균질성, 품질, 압축강도, 탄성계수 등을 예측한다. 이 방법은 비교적 장비가 저렴하고 작동이 어렵지 않으나, 측정 결과 해석이 어려워 전문 기술과 훈련이 필요하다. 또한, 콘크리트의 밀도, 골재량, 수분량의 변화와 철근 존재 등이 측정값에 영향을 미치는 단점이 있다.

자기법은 콘크리트 내부의 철근에 의한 자기장 변화를 통해 철근의 위치, 피복두께, 크기 등을 탐지하는데 사용된다. 휴대가 간편하여 철근의 시공정밀도를 검사하거나 콘크리트 코어 채취 위치를 결정하는데 널리 사용된다. 그러나 철근이 과다 배근되거나 철근망 등이 매립된 경우 해석이 어렵고, 결과값을 신뢰하기 어렵다.

전위법은 철근과 콘크리트 간 전위차를 측정하여 전위도를 작성함으로써, 철근의 부식 정도를 평가하는 시험이다. 장비의 휴대가 가능하여 야외 측정이 용이하고, 신뢰성 있는 정보를 제공한다. 그러나 반드시 철근에 근접하여야 하며, 시험체의 염분량과 온도에 따라 결과값이 변할 수 있는 단점이 있다.

AE법(Acoustic Emission)은 콘크리트 구조물에 균열이 성장하거나 소성 변형이 일어나면 급격한 에너지 발산으로 음파가 발생하는데, 이 음파를 대상 구조물의 표면에 설치된 센서를 통해 포착함으로써 구조물의 거동을 감시하는 방법이다. 주로 재하 시험 시 병용한다. 이 방법은 장비 운용에 비용이 많이 들고, 구조물에 가해지는 하중으로 인해 균열이 성장할 때에만 적용 가능하며, 시험을 계획하고 결과값을 해석하기 위해 광범위한 지식이 필요하여 전문가가 필요하다는 단점이 있다.

전자파법은 콘크리트 내력, 공극 박리 또는 구조체의 두께 등을 검사하는 방법이다. 부재 깊이에 관계없이 조사대상의 한쪽 면만 노출되어도 시험 가능하고, 조사단면에서 얻어진 화상을 기록으로 남길 수 있다. 그러나 장비가 고가이고, 철근 존재 시 공극 발견 가능성이 급격히 저하된다.

적외선법은 구조물에서 발산하는 적외선을 탐지하여 콘크리트 내부의 균열, 박리, 내부 공극 등을 알아내는 방법이다. 콘크리트 결함을 찾아내는데 비교적 정확한 방법으로 넓은 지역에도 빠르게 적용할 수 있으나, 특별한 전문 기술과 고가의 장비가 필요하다.

방사선법은 X선과 같은 방사선의 흡수율이 시험체의 두께와 밀도의 영향을 받는다는 원리를 이용하여 철근의 상태, 위치, 크기와 콘크리트의 밀도, 건전성, 두께 등을 조사하는 방법이다. 내적 결함을 찾을 수 있고, 광범위한 재료에 적용 가능하며, 장비 휴대가 간단하다. 그러나 장비가 고가이고, 방사선 발사 장치의 안전성에 대한 신뢰성 확보 문제가 있으며, 조사대상물의 양쪽에서 접근이 필요하여 결과 판독을 위한 전문가가 필요하다는 단점이 있다.

공진법은 두 반사면 사이에서 공진 조건을 발생시켜 현장에서 공극과 박리를 발견하는데 사용된다. 그러나 조사대상물의 형상이나 치수에 제한이 있다는 단점이 있다.

또한, 고가의 장비가 필요한 기존 비파괴 검사 방법의 문제점을 개선하고자 충격반향법(Impact Echo Method)이 개발되었다. 충격반향법은 구조물 표면을 타격하기 위한 쇠공과 진동 측정을 위한 마이크로폰만 있으면 쉽게 측정이 가능하므로, 경제적이고 방법이 단순하다.

그러나 측정된 시계열 데이터 상으로는 내부에 결함이 있을 때(defected)와 없을 때(sound)의 차이가 거의 없기 때문에, 육안으로 시계열 데이터를 확인하여 내부 결함 유무를 판단하는 것이 매우 어렵다.

한편, 인공지능, 특히 딥러닝 기술은 사람의 신경망을 모사하여 분류나 예측에 탁월한 성능을 보이는 것으로, CNN(합성곱 신경망)이나 RNN(순환 신경망)이 널리 알려져 있다. 시계열 데이터나 시퀀스 데이터를 입력 데이터로 사용하는 경우, 순환 신경망이 보편적으로 사용된다. 하지만, 단순 순환 신경망은 사슬 규칙(Chain Rule)에 의해 기울기(gradient)를 구하는 BPTT(Backpropagationg through time) 과정에서 기울기가 0으로 소멸하는 기울기 소실(gradient vanishing)이 발생한다. 이에 따라 장기 데이터를 처리할 때, 오래전 값을 기억하지 못하는 장기 의존성(Long-term dependency) 문제가 발생한다. 그러므로 제대로 된 딥러닝 훈련이 이루어지기 어렵다.

이러한 문제점을 해결하기 위해 등장한 것이 LSTM(Long short term memory) 네트워크 구조이다.

일례로 등록특허 제10-2241879호에서는 프리스트레스트 콘크리트 구조물의 덕트 내 공동 존재 여부를 탐지하기 위해 LSTM 네트워크를 이용하여 주파수 신호를 딥러닝함으로써 결함 여부를 판단한다.

그러나 LSTM은 RNN과 마찬가지로 입력 순서를 시간순대로 하기 때문에, 결과물이 직전 패턴을 기반으로 수렴하는 경향을 보이는 한계가 있다.

뿐만 아니라 상기 등록특허는 계측된 시계열 진동 데이터로부터 고속 푸리에 변환(FFT, Fast Fourier Transform)을 통해 주파수 성분을 추출하여 주파수 신호를 생성한다. 그런데 고속 푸리에 변환은 연산량이 많아 1개소의 진동 데이터를 분석하는데 수 내지 수십분 이상 소요되어 비용 및 검사 시간이 많이 소요된다. 아울러 고속 푸리에 변환에 의해 얻어진 주파수 영역 신호는 결함이 있는 경우와 없는 경우의 식별이 용이하지 않아 사람의 경험에 의존해야 하고, 딥러닝을 위한 학습 횟수가 충분하지 않을 경우 분석 정확도가 급격히 떨어지는 문제점이 있다.

상기와 같은 문제점을 해결하기 위하여 본 발명은 콘크리트 구조물의 비파괴 검사에서 딥러닝에 의한 결함 여부 판단 시, 시퀀스의 길이가 긴 데이터 처리에 적합하고, 딥러닝을 통한 분류의 정확도를 향상시킬 수 있으며, 연산 시간을 최소화할 수 있는 양방향 LSTM을 이용한 콘크리트 부재 내부 결함 탐지 시스템을 제공하고자 한다.

바람직한 실시예에 따른 본 발명은 검사 대상인 콘크리트 부재에 가해진 신호에 의한 반사 신호를 탐지하는 신호감지부; 상기 신호감지부의 탐지 신호로부터 주파수 신호를 생성하는 신호처리부; 및 상기 신호처리부에 의해 생성된 주파수 신호에 의해 콘크리트 부재의 결함 발생 여부를 결정하는 것으로 양방향 LSTM 모델을 이용한 결함 발생 결정 모델을 구축하고, 탐지된 신호에 따라 상기 결함 발생 결정 모델로부터 콘크리트 부재의 결함 여부를 판단하는 결함판별모듈; 을 포함하여 구성되는 것을 특징으로 하는 양방향 LSTM을 이용한 콘크리트 부재 내부 결함 탐지 시스템을 제공한다.

다른 바람직한 실시예에 따른 본 발명은 상기 신호처리부는 주파수 신호로부터 스펙트럼 엔트로피 데이터를 추출하고, 상기 스펙트럼 엔트로피 데이터가 결함 발생 결정 모델에 입력되는 특징정보인 것을 특징으로 하는 양방향 LSTM을 이용한 콘크리트 부재 내부 결함 탐지 시스템을 제공한다.

다른 바람직한 실시예에 따른 본 발명은 상기 신호처리부는 주파수 신호로부터 고속 푸리에 변환에 의해 스펙트럼 엔트로피 데이터를 생성하는 것을 특징으로 하는 양방향 LSTM을 이용한 콘크리트 부재 내부 결함 탐지 시스템을 제공한다.

다른 바람직한 실시예에 따른 본 발명은 상기 신호처리부는 주파수 신호로부터 순시 주파수 데이터를 추출하고, 상기 순시 주파수 데이터가 결함 발생 결정 모델에 입력되는 특징정보인 것을 특징으로 하는 양방향 LSTM을 이용한 콘크리트 부재 내부 결함 탐지 시스템을 제공한다.

본 발명에 따르면 콘크리트 부재에 의한 탐지 신호로부터 신호처리부가 생성한 주파수 신호를 결함판별모듈에서 딥러닝에 의해 학습하여 콘크리트 부재의 결함 여부를 판단할 수 있는 양방향 LSTM을 이용한 콘크리트 부재 내부 결함 탐지 시스템을 제공할 수 있다.

특히, 양방향 LSTM 모델을 이용하여 결함 발생 결정 모델을 구축하므로, 시퀀스의 길이가 긴 데이터 처리에 적합할 뿐 아니라 딥러닝을 통한 분류의 정확도를 향상시킬 수 있으며, 연산 시간을 최소화할 수 있다.

또한, 순시 주파수 데이터를 결함 발생 결정 모델에 특징정보로 입력할 경우, 딥러닝을 위한 훈련 시간을 대폭 줄일 수 있고, 콘크리트 부재의 타격과 거의 동시에 결함 여부를 판별할 수 있어 빠른 시간 내에 광범위한 위치에 대해 비파괴 시험을 수행할 수 있다.

도 1은 본 발명 콘크리트 부재 내부 결함 탐지 시스템을 도시하는 도면.
도 2는 biLSTM 네트워크 구조를 도시하는 도면.
도 3은 주파수-진폭 데이터를 입력층으로 한 훈련 진행 상황을 나타내는 그래프.
도 4는 주파수-진폭 데이터를 입력층으로 한 훈련 결과에 대한 오차 행렬을 나타내는 도면.
도 5는 테스트 결과에 대한 오차 행렬을 나타내는 도면.
도 6은 주파수 신호로부터 산출된 스펙트로그램.
도 7은 스펙트럼 엔트로피 데이터를 나타내는 그래프.
도 8은 순시 주파수를 나타내는 그래프.
도 9는 스펙트럼 엔트로피 데이터와 순시 데이터를 입력층으로 한 훈련 진행 상황을 나타내는 그래프.
도 10은 스펙트럼 엔트로피 데이터와 순시 주파수 데이터를 입력층으로 한 훈련 결과에 대한 오차 행렬을 나타내는 도면.
도 11은 테스트 결과에 대한 오차 행렬을 나타내는 도면.

이하, 첨부한 도면 및 바람직한 실시예에 따라 본 발명을 상세히 설명한다.

도 1은 본 발명 콘크리트 부재 내부 결함 탐지 시스템을 도시하는 도면이고, 도 2는 biLSTM 네트워크 구조를 도시하는 도면이다.

도 1에 도시된 바와 같이, 본 발명 양방향 LSTM을 이용한 콘크리트 부재 내부 결함 탐지 시스템은 검사 대상인 콘크리트 부재(1)에 가해진 신호에 의한 반사 신호를 탐지하는 신호감지부(3); 상기 신호감지부(3)의 탐지 신호로부터 주파수 신호를 생성하는 신호처리부(4); 및 상기 신호처리부(4)에 의해 생성된 주파수 신호에 의해 콘크리트 부재(1)의 결함 발생 여부를 결정하는 것으로 양방향 LSTM 모델을 이용한 결함 발생 결정 모델을 구축하고, 탐지된 신호에 따라 상기 결함 발생 결정 모델로부터 콘크리트 부재(1)의 결함 여부를 판단하는 결함판별모듈(5); 을 포함하여 구성되는 것을 특징으로 한다.

본 발명은 콘크리트 구조물의 비파괴 검사에서 딥러닝에 의한 결함 여부 판단 시, 시퀀스의 길이가 긴 데이터 처리에 적합할 뿐 아니라 딥러닝을 통한 분류의 정확도를 향상시킬 수 있으며, 연산 시간을 최소화할 수 있는 양방향 LSTM을 이용한 콘크리트 부재 내부 결함 탐지 시스템을 제공하기 위한 것이다.

본 발명 양방향 LSTM을 이용한 콘크리트 부재 내부 결함 탐지 시스템은 신호감지부(3), 신호처리부(4) 및 결함판별모듈(5)를 포함하여 구성된다.

상기 신호감지부(3)는 검사 대상인 콘크리트 부재(1)에 가해진 신호에 의한 반사 신호를 탐지한다.

상기 반사 신호는 충격반향(Impact Echo), 초음파, 방사선, 자기장 등일 수 있다.

충격반향의 예를 들면, 쇠공과 같은 임펙터(2)에 의해 대상 콘크리트 부재(1)에 충격을 가하고, 마이크로폰 등의 신호감지부(3)를 통해 충격반향 신호를 탐지한다(도 1).

상기 신호처리부(4)는 신호감지부(3)의 탐지 신호로부터 주파수 신호를 생성한다.

상기 신호처리부(4)는 신호감지부(3)에서 탐지된 원시데이터를 가공하여 주파수 신호를 생성한다.

예를 들어, 상기 신호처리부(4)는 신호감지부(3)에서 탐지된 시간에 따른 전압 데이터를 FFT를 통해 주파수 신호로서 주파수-진폭 데이터를 생성할 수 있다.

상기 결함판별모듈(5)은 신호처리부(4)에 의해 생성된 주파수 신호에 의해 콘크리트 부재(1)의 결함 발생 여부를 결정하는 것으로, 양방향 LSTM 모델을 이용한 결함 발생 결정 모델을 구축하고, 탐지된 신호에 따라 상기 결함 발생 결정 모델로부터 콘크리트 부재(1)의 결함 여부를 판단한다.

즉, 상기 결함판별모듈(5)은 주파수 신호를 딥러닝에 의해 학습하여 콘크리트 부재(1)의 결함 발생 여부를 결정한다.

이때, 양방향 LSTM 모델이 이용된다.

양방향 LSTM(biLSTM) 모델은 게이트 기법을 통해 순환 신경 회로망(RNN)의 한계를 극복한 모델인 LSTM을 순방향 결과뿐 아니라 역방향 결과까지 함께 이용한다.

도 2와 같이, biLSTM 모델, 즉 양방향 LSTM 네트워크는 기존의 LSTM 계층에 역방향으로 처리하는 LSTM 계층을 추가한다. 최종 은닉 상태는 두 LSTM 계측의 은닉 상태를 연결한 벡터로 출력한다.

이에 따라 biLSTM 네트워크를 통해 장기 의존성 문제를 해결함으로써, 데이터 길이가 길어도 성능이 저하되지 않는다. 따라서 콘크리트 부재(1)로부터 탐지되는 시계열적 신호를 학습하여 결함 여부를 판단하는데 적합하다.

도 3은 주파수-진폭 데이터를 입력층으로 한 훈련 진행 상황을 나타내는 그래프이고, 도 4는 주파수-진폭 데이터를 입력층으로 한 훈련 결과에 대한 오차 행렬을 나타내는 도면이며, 도 5는 테스트 결과에 대한 오차 행렬을 나타내는 도면이다. 그리고 도 6은 주파수 신호로부터 산출된 스펙트로그램이고, 도 7은 스펙트럼 엔트로피 데이터를 나타내는 그래프이다.

상기 신호처리부(4)는 주파수 신호로부터 스펙트럼 엔트로피 데이터를 추출하고, 상기 스펙트럼 엔트로피 데이터가 결함 발생 결정 모델에 입력되는 특징정보로 구성할 수 있다.

상기 biLSTM은 시계열에 따른 데이터값의 차이가 크지 않은 경우 학습 효과가 저하되는 문제가 있다.

그런데 신호처리부(4)에서 생성된 주파수-진폭 데이터는 결함이 있는 경우와 없는 경우의 데이터값 차이가 크지 않은 경우가 많다. 따라서 biLSTM 모델을 사용하더라도 딥러닝 학습 효과가 저하될 수 있다.

도 3에는 주파수-진폭 데이터를 입력층으로 하여 훈련한 훈련 진행 상황에 대한 그래프가 도시된다.

도 3의 위 그래프에서는 훈련 진행에 따라 정확도가 증가하지 않고 정체된 모습을 확인할 수 있다. 그리고 도 3의 아래 그래프에서는 훈련 반복 횟수가 증가하더라도 손실률이 떨어지지 않고 그대로 유지되어 학습 효과가 거의 없는 것을 확인할 수 있다.

도 4와 도 5에는 주파수-진폭 데이터를 입력층으로 한 훈련 결과와 테스트 결과에 대한 오차 행렬(confusion matrix)이 나타난다.

훈련이나 테스트 결과 모두 결함 여부와 상관없이 결함이 있는 것으로 판단하여 정확도가 50% 정도에 불과하다.

따라서 biLSTM 모델을 사용할 때, 결함 탐지의 정확도를 보다 높이기 위해서는 결함이 있는 경우와 없는 경우의 데이터값의 차이가 큰 데이터값이 필요하다.

이를 위해 본 발명에서는 결함 발생 결정 모델에 입력되는 특징정보(feature)로 스펙트럼 엔트로피(spectral entropy) 데이터를 사용할 수 있다.

도 6은 주파수 신호로부터 산출된 스펙트로그램(spectrogram)으로, 스펙트로그램은 시간 축과 주파수 축의 변화에 따른 진폭의 차이를 색상 차이로 나타낸 것이다.

도 6의 위 그림은 결함이 있는 경우를 나타내고, 도 6의 아래 그림은 결함이 없는 경우를 나타낸다.

스펙트럼 엔트로피는 스펙트로그램(spectrogram)의 균일도(또는 복잡도)를 의미하는 특징정보로 신호에 포함된 정보량을 표현할 수 있다.

도 7은 스펙트럼 엔트로피 데이터를 나타내는 그래프이다. 도 7의 위 그래프는 결함이 없는 정상 콘크리트 부재의 스펙트럼 엔트로피이고, 아래 그래프는 결함이 있는 콘크리트 부재의 스펙트럼 엔트로피이다.

도 7에서 콘크리트 부재(1)의 결함 여부에 따라 스펙트럼 엔트로피 데이터값에 큰 차이가 있음을 알 수 있다.

상기 신호처리부(4)는 주파수 신호로부터 고속 푸리에 변환에 의해 스펙트럼 엔트로피 데이터를 생성할 수 있다.

스펙트럼 엔트로피 데이터는 주파수 신호로부터 고속 푸리에 변환에 의해 생성될 수 있다.

구체적으로 스펙트럼 엔트로피의 방정식은 주파수 신호의 파워 스펙트럼과 확률 분포의 방정식에 의해 도출 가능하다.

신호 x(n)에 대해 파워 스펙트럼은

이고, 여기서 X(m)은 x(n)의 이산푸리에변환이다.

그러면 확률 분포 P(m)은 아래 수학식 1과 같이 표현할 수 있다.

수학식 1

이에 따라 스펙트럼 엔트로피 H는 아래 수학식 2에 의해 산출할 수 있다.

수학식 2

도 8은 순시 주파수를 나타내는 그래프이고, 도 9는 스펙트럼 엔트로피 데이터와 순시 데이터를 입력층으로 한 훈련 진행 상황을 나타내는 그래프이다. 그리고 도 10은 스펙트럼 엔트로피 데이터와 순시 주파수 데이터를 입력층으로 한 훈련 결과에 대한 오차 행렬을 나타내는 도면이고, 도 11은 테스트 결과에 대한 오차 행렬을 나타내는 도면이다.

상기 신호처리부(4)는 주파수 신호로부터 순시 주파수 데이터를 추출하고, 상기 순시 주파수 데이터가 결함 발생 결정 모델에 입력되는 특징정보로 구성할 수 있다.

기존 주파수-진폭 데이터 연산이나 스펙트럼 엔트로피 연산을 위해서는 고속 푸리에 변환이 필요하다. 그런데 고속 푸리에 변환은 연산량이 많아 연산 시간이 많이 소요된다.

따라서 연산이 매우 신속하여 결함 탐지 시간을 대폭 절감할 수 있도록 순시 주파수(instantaneous frequency) 데이터를 이용할 수 있다.

순시 주파수는 주파수가 시간적으로 변화하는 경우 어느 시각에 있어서의 주파수이다. 파의 위상각이 시간의 함수일 때 위상각의 시간에 대한 변화율로, 아래 수학식 3과 같이 나타낼 수 있다.

수학식 3

순시 주파수는 비 단색주파수(non-monochromatic(polychromatic) signal)를 묘사하는데 유용한 개념이다.

이러한 순시 주파수를 이용할 경우, 도 8에서와 같이 결함 유무에 따라 데이터값의 차가 명확하게 드러나는 것을 알 수 있다.

도 8은 순시 주파수를 나타내는 그래프이다. 도 8의 위 그래프는 결함이 없는 정상 콘크리트 부재에 대한 것이고, 도 8의 아래 그래프는 결함이 있는 콘크리트 부재에 대한 것이다.

상기 순시 주파수는 힐베르트 변환 필터에 의해 얻을 수 있다.

도 9는 스펙트럼 엔트로피 데이터와 순시 데이터를 입력층으로 훈련한 경우의 훈련 진행 상황을 나타낸다.

도 9의 위 그래프에서 훈련 진행에 따라 정확도가 증가함을 알 수 있다.

그리고 도 9의 아래 그래프에서 손실률 또한 훈련 반복 횟수의 증가에 따라 감소하는 것을 확인할 수 있어 학습 효과가 우수한 것으로 판단된다.

도 10과 도 11에는 스펙트럼 엔트로피 데이터와 순시 주파수 데이터를 입력층으로 한 훈련 결과와 테스트 결과에 대한 오차 행렬(confusion matrix)이 나타난다.

도 10과 도 11에서 훈련 데이터의 정확도가 95.44%에 이르는 것을 확인할 수 있다.

스펙트럼 엔트로피 데이터와 순시 주파수 데이터는 두 가지가 모두 특징정보로 입력될 수도 있고, 둘 중 어느 하나만을 특징정보로 이용할 수도 있다.

순시 주파수를 입력층으로 사용할 경우, 연산 시간이 1~2초도 소요되지 않아 딥러닝을 위한 훈련 시간을 대폭 줄일 수 있다. 또한, 실제 콘크리트 부재 시험 시 콘크리트 부재의 타격과 거의 동시에 결함 여부를 판별할 수 있어 편리하다.

이에 따라 임펙터(2)를 이동형으로 구성하고, 콘크리트 부재의 다수 지점을 이동하면서 빠른 시간 내에 광범위한 위치에 대해 비파괴 시험을 수행할 수 있다.

이 경우 임펙터(2)와 신호감지부(3)를 일체화하고 IoT 통신모듈을 탑재하면, 비파괴 시험 효율을 극대화할 수 있다.

1: 콘크리트 부재
2: 임펙터
3: 신호감지부
4: 신호처리부
5: 결함판별모듈

Claims (4)

1. 검사 대상인 콘크리트 부재(1)에 가해진 신호에 의한 반사 신호를 탐지하는 신호감지부(3);
   상기 신호감지부(3)의 탐지 신호로부터 주파수 신호를 생성하는 신호처리부(4); 및
   상기 신호처리부(4)에 의해 생성된 주파수 신호에 의해 콘크리트 부재(1)의 결함 발생 여부를 결정하는 것으로 양방향 LSTM 모델을 이용한 결함 발생 결정 모델을 구축하고, 탐지된 신호에 따라 상기 결함 발생 결정 모델로부터 콘크리트 부재(1)의 결함 여부를 판단하는 결함판별모듈(5); 을 포함하여 구성되는 것을 특징으로 하는 양방향 LSTM을 이용한 콘크리트 부재 내부 결함 탐지 시스템.
   
2. 제1항에서,
   상기 신호처리부(4)는 주파수 신호로부터 스펙트럼 엔트로피 데이터를 추출하고,
   상기 스펙트럼 엔트로피 데이터가 결함 발생 결정 모델에 입력되는 특징정보인 것을 특징으로 하는 양방향 LSTM을 이용한 콘크리트 부재 내부 결함 탐지 시스템.
   
3. 제2항에서,
   상기 신호처리부(4)는 주파수 신호로부터 고속 푸리에 변환에 의해 스펙트럼 엔트로피 데이터를 생성하는 것을 특징으로 하는 양방향 LSTM을 이용한 콘크리트 부재 내부 결함 탐지 시스템.
   
4. 제1항에서,
   상기 신호처리부(4)는 주파수 신호로부터 순시 주파수 데이터를 추출하고,
   상기 순시 주파수 데이터가 결함 발생 결정 모델에 입력되는 특징정보인 것을 특징으로 하는 양방향 LSTM을 이용한 콘크리트 부재 내부 결함 탐지 시스템.

Images