김용건
(Yonggun Kim)
1
박수열
(Suyeul Park)
2
김 석
(Seok Kim)
3†
-
정회원․한국교통대학교 철도시설공학과 석사과정
(Korea National University of Transportation․xpdlvm090100@ut.ac.kr)
-
정회원․한국교통대학교 철도융합시스템공학과 박사과정
(Korea National University of Transportation․sypark@ut.ac.kr)
-
종신회원․교신저자․한국교통대학교 철도인프라시스템공학과 부교수
(Corresponding Author․Korea National University of Transportation․kimseok@ut.ac.kr)
Copyright © 2021 by the Korean Society of Civil Engineers
키워드
3차원 디지털 지형 모델, 지형 스캔데이터, 토공현장, 정합, 후처리 기술
Key words
3D digital terrain model, Terrain scan data, Earthwork site, Registration, Post-processing technology
1. 서 론
4차 산업혁명에 대한 논의가 시작된 초기에는 인공지능, 가상현실(VR)/증강현실(AR), 로봇, 3D프린팅, 드론 등의 첨단기술 자체가 가지고 있는
가능성에 주목했다면, 최근에는 첨단기술의 활용이 구체화되어 실제 다양한 산업에 첨단기술을 적용하고 이에 따른 생산성 향상에 관심을 두고 있다. 하지만
건설산업은 정보통신업 및 제조업 분야 등과 비교하여 산업 디지털화를 통한 생산성 향상이 낮은 것으로 분석되고 있다(Mckinsey Global Institute, 2017). 더욱이 현재 국내 건설산업은 숙련인력의 고령화에 따른 생산성 저하 문제에 직면하고 있어(Park and Kim, 2019) 건설산업 디지털화의 생산성 향상에 많은 노력이 요구되고 있다.
정부는 건설산업 생산성 문제를 인지하고‘제6차 건설기술진흥기본계획’을 발표하여 건설생산성과 안전성에 대한 혁신의 목표를 제시하였으며‘스마트 건설기술
로드맵’, ‘건설산업 생산 구조혁신 로드맵’의 발표로 건설 생산성 향상을 위한 토대를 구축하였다. 또한 2020년부터 진행하고 있는‘스마트 건설기술
개발사업’을 통해 분야별 디지털 기술개발 및 실증 검증을 수행하여 건설산업 디지털화를 통한 생산성 향상을 위해 노력하고 있다.
스마트건설 기술 중 하나인 3차원 스캐너, 드론, MMS (Mobile Mapping System) 등은 실제 현장을 손쉽게 디지털화 할 수 있다는
점에서 건설산업의 적용성 측면에 빠른 발전을 이루고 있다(Kim et al., 2017). 더욱이 3D 포인트 클라우드 데이터와 같은 지형 스캔데이터를 생성할 수 있는 리얼리티 캡처 기술의 성숙도가 높아져 보다 정확하고 경제적인 스캔
데이터 취득이 가능하다(Wang and Kim, 2019). 2004년부터 2018년까지 조사된 지상 3차원 스캐너 및 드론, MMS 등이 건설산업에 적용된 논문분류의 통계를 보면 3D Model Reconstruction
분야가 48 %로 가장 많은 비율을 차지했고, 다음으로 3차원 디지털 지형 모델과 관련된 Geometry Quality Inspection 분야가
29 %로 두 번째로 많은 비율을 차지하여(Wang and Kim, 2019) 3차원 디지털 지형 모델 생성 분야가 건설산업 발전에 있어 매우 중요한 분야라고 할 수 있다. 또한 3차원 디지털 지형 모델은 현장 관제, 토공
중장비의 자동제어 및 가이던스 등과 같은 건설 자동화의 기초자료로 사용될 수 있어(Kim and Park, 2015) 타 첨단기술과의 연계성이 매우 높다고 할 수 있다.
3차원 디지털 지형 모델은 지형 스캔데이터 취득 및 전처리 과정을 거쳐 생성될 수 있다. 여기서, 지형 스캔데이터는 X,Y,Z 좌표로 구성되어 있으며
주로 객체 외부의 표면을 나타내기 위해 사용된다(Kim and Park, 2015). 지형 스캔데이터는 취득 방법 및 현장여건 등에 따라 3차원 디지털 지형 모델의 생성 및 전처리 프로세스의 차이가 있을 수 있다. 일반적으로 두
대 이상의 계측장비를 이용해 대규모 건설현장의 3차원 디지털 지형 모델을 생성할 경우에는 노이즈제거, 정합, 병합 등의 지형 스캔데이터 전처리 과정이
존재한다(Lee and Sim, 2021). 여기서 노이즈제거는 스캐너의 성능 및 현장의 환경적 요인에 의해 발생할 수 있는 지형 스캔데이터의 노이즈를
제거하는데 사용되며(Park and Kim, 2019) 정합 및 병합 과정은 건설현장에서 서로 다른 구역에 대해 중첩되게 취득된 지형 스캔데이터를 하나의 3차원 디지털 지형 모델로 생성하는데 유용하게
사용된다(Park and Kim, 2021).
대규모 건설현장의 3차원 디지털 지형 모델을 생성할 때에는 주로 여러 대의 드론이 각 구역에 대한 지형 스캔데이터를 취득한 후 정합 및 병합과정을
통해 전체 건설현장에 해당하는 하나의 3차원 디지털 지형 모델로 생성하는 것이 효율적이다. 이러한 이유는 대규모 건설현장의 전체구역을 한 번에 취득하기
위한 드론의 비행시간이 제한적이며, 건설현장의 공사가 진행될 때마다 한 대의 드론이 현장 전체를 비행하는 것 대비 공사가 진행된 해당 구역만 정해진
드론이 비행하는 것이 효율적이기 때문이다. 하지만 이러한 방법으로 전체 3차원 디지털 지형 모델을 만드는 과정에서 각 구역의 지형 스캔데이터를 정합할
때에는 중첩과 비중첩 부분이 필연적으로 발생한다. 이러한 중첩과 비중첩 부분의 차이는 3차원 디지털 지형 모델에 대해 밀도 불균일 문제를 야기하게
되며 이러한 문제는 3차원 디지털 지형 모델의 전체용량을 증가시키고 3차원 디지털 지형 모델을 이용한 다양한 분석을 수행할 때 분석의 정확도 및 속도
저하가 발생할 수 있다.
지형 스캔데이터의 정합은 크게 거친정합(Coarse Registraion Methods)과 미세정합(Fine Registration Methods)으로
나누어진다. 거친정합의 경우 스캐데이터의 점, 선, 면을 기반으로 정합을 수행하며 이는 비교적 지형 스캔데이터의 노이즈 영향에 민감하여 주로 초기정합에
사용되고 있다. 미세정합의 경우 ICP (Iterative Closest Point Method), RANSAC (Random Sample Consensus
Method), NDT (Normal Distribution Transform method) 등의 기법이 존재한다. 이중 가장 널리 사용되는 기법은
ICP기법으로 회전행렬과 병진행렬을 통해 강체 변환을 수행하여 정합을 실시한다(Cheng et al., 2018). 정합과 관련한 연구로 대부분 “Stanford Bunny”와 같은 비교적 작은 객체에 대한 정합 정확성 분석과 관련한 연구가 주로 진행되고 있으며,
건설현장과 같은 큰 용량 및 범위의 지형 스캔데이터의 정합과 관련해 Park and Kim(2021)은 지형 스캔데이터의 중첩비율에 따른 정합 정확성 분석을 수행한 연구가 진행되었다(Park and Kim, 2021). 하지만 스캐데이터의 정합 후 발생하는 밀도 불균일 해결만을 위한 이론 및 선행 연구는 아직 부족한 실정이며, 대안으로 노이즈제거나 지형 스캔데이터
자르기에 주로 사용되는 기술을 적용하여 이를 해결할 수 있다.
앞서 언급한 지형 스캔데이터의 밀도 불균일을 해결하기 위한 방법은 두 가지가 있을 수 있다. 먼저 정합 및 병합된 하나의 3차원 디지털 지형 모델에
대하여 일정하게 지형 스캔데이터를 다운샘플링함으로써 동일한 밀도를 가지는 지형 스캔데이터를 생성하는 방법이 있다. 하지만 이러한 방법은 지형 스캔데이터의
밀도를 일정하게 생성하는 것에는 탁월하나 정합 및 병합 이전의 지형 스캔데이터 해상도를 유지하지 못한다는 단점이 존재한다. 또 다른 방법으로는 지형
스캔데이터의 중첩부위에 대해서 상용소프트웨어를 이용해 중첩 부위를 다각형으로 자른 후 병합하여 밀도를 균일하게 만드는 방법이 있다. 하지만 이러한
방법은 드론을 통해 비선형적인 형태로 얻어지는 지형 스캔데이터에 대한 중첩부위를 정확히 판단할 수 없고 무엇보다도 수작업으로 데이터를 처리해야 하는
제약으로 3차원 디지털 지형 모델 생성 자동화 측면에서 불리하다는 단점이 있다.
본 연구에서는 앞서 언급한 두 방법론에 대한 단점을 해결하기 위해 2D Pixel Grid 방법을 활용한 정합 후처리 기술을 개발하였다. 또한 개발된
정합 후처리 기술의 성능검증을 실시하여 알고리즘의 불균일 문제의 개선 가능성을 검증하였다. 성능검증은 정합 후처리 기술의 핵심 프로세스인 중첩 및
비중첩 지형 스캔데이터 분류의 성능을 검증하였으며, 추가적으로 성능검증 결과를 기반으로 정합 후처리 기술의 밀도별 지형 스캔데이터에 대한 최적의 파라미터를
제시하였다.
2. 정합 후처리 기술
2.1 정합 후처리 기술 프로세스
본 연구에서는 지형 스캔데이터 정합 후 발생하는 밀도 불균일 문제를 해결하기 위한 정합 후처리 기술에 대한 프로세스를 제시하고 있다. 프로세스의 구성은
(1) 데이터 취득 및 정합, (2) 중첩 및 비중첩 지형 스캔데이터 분류, (3) 비중첩 지형 스캔데이터간 병합으로 Fig. 1에서 3단계로 나누어 제시하고 있다.
첫 번째 프로세스는 지형 스캔데이터 취득 및 정합 프로세스이다. 먼저 지형 스캔데이터 취득과정에는 토공현장 전 구역을 취득하는 것을 목적으로 드론1
및 드론2가 동일한 토공현장에 대해 각각 다른 구역을 중첩되게 스캔한다. 이러한 과정을 통해 드론1에서 취득한 데이터를 Target 데이터로, 드론2에서
취득한 데이터를 Source 데이터로 지정하였다. 이때 사용된 정합 알고리즘은 토공현장과 비슷한 특징을 갖는 비정형 지형 스캔데이터의 미세정합에 널리
사용되고 있는 ICP 정합을 사용하였다(Park and Kim, 2021). 정합에는 Target 데이터를 위치조정의 기준데이터로, Source 데이터를 위치를 조정하는 데이터로 지정하여 정합을 수행하였다. 이러한 과정을
통해 Target 데이터를 기준으로 위치가 미세 조정된 Source_reg 데이터와 변환정보를 담고 있는 변환행렬(Transform Matrix)을
얻을 수 있다.
두 번째 프로세스는 Target 데이터와 Source_reg 데이터간의 중첩 및 비중첩 데이터 분류이다. 데이터 분류에는 본 연구에서 개발한 “픽셀기반
점군비교(Cloud to Pixel Comparison, C2P) 알고리즘”을 이용하였다. C2P 알고리즘은 Pixel Grid를 기반으로 Target
데이터를 구조화시키며 이후 Pixel에 대하여 Target 데이터와 Source 데이터를 투영함으로써 데이터 상호 간 점의 존재 유무를 판단해 Source를
Source_B 데이터(중첩데이터) 및 Source_A 데이터(비중첩 데이터)로 분류하는 알고리즘이다. C2P알고리즘과 관련된 내용은 3.2절에서
자세히 설명하였다.
세 번째 프로세스는 Target 데이터와 Source_A 데이터를 하나의 좌표로 일치시키는 병합 프로세스이다. 병합은 정합된 지형 스캔데이터간 혹은
두 개 이상의 지형 스캔데이터를 하나의 데이터로 합치는데 유용하게 사용되는 기능이며(Fuad et al., 2018) 이러한 병합과정을 통해 정합 후처리 기술의 최종 산출물인 밀도가 균일한 하나의 지형 스캔데이터를 얻을 수 있다.
Fig. 1. Process of Registration Post-Processing
2.2 픽셀기반 점군비교 알고리즘
본 연구에서는 정합 후처리 기술의 핵심 프로세스인 중첩 및 비중첩 지형 스캔데이터 분류를 위한 C2P 알고리즘을 개발하였다. 먼저 중첩 및 비중첩
지형 스캔데이터 분류를 위해 사용된 기본개념으로 BOOLEAN 연산자의 한 종류인 AND 연산자를 사용하였다. AND 연산자는 다양한 집합의 데이터
중 공통된 요소를 반환하는 연산자이며(Gries and Schneider, 2013) 이러한 특징은 지형 스캔데이터간의 비교를 통한 중첩데이터 분류에 사용할 수 있다.
스캔데이터는 비정형적이며 독립적으로 인접점간의 거리가 고정되어 있지 않아 스캔데이터를 처리하는데 많은 어려움이 있다(Bello et al., 2020). 이러한 이유로 스캔데이터를 비교 및 처리하기 위해 스캔데이터를 공간상으로 구조화하는 작업이 필요하다. 스캔데이터를 공간상으로 구조화하는 방법에는
대표적으로 두 가지 공간분할 기법이 존재한다. 먼저 스캔데이터에 대해 동일한 크기의 Voxel을 여러 개로 나누어 구조화 시키는 Voxel Grid
기법이 있다(Wang and Cho, 2015). 여기서 Voxel은 2차원 이미지를 구성하는 최소단위인 Pixel을 3차원으로 확장한 형태를 의미한다. 또 다른 공간분할 기법으로 2차원 및 3차원
공간에 대해 포인트 유무를 판단하고 Node를 기반으로 공간을 분할시키는 기법인 Quad-tree (2D), Oct-tree (3D), Kd-tree
(2D&3D)기법 등이 있다(Elseberg et al., 2012; Finkel and Bentley, 1974).
공간분할의 대표적인 두 기법은 분할된 공간 내부에 점의 개수가 다르다는 큰 차이가 있다. 먼저 Voxel Grid 기법의 경우 동일한 Voxel의
크기로 일정하게 스캔데이터를 구조화시키기 때문에 복셀 내부의 점이 2개 이상 존재할 수 있는 반면에 node를 기반으로 공간을 분할을 수행할 경우
분할된 구조의 내부에는 단 하나의 점만이 존재하게 된다. 이러한 차이 때문에 Voxel Grid 기법의 경우 스캔데이터의 점 개수를 일정하게 줄여주는
다운샘플링과 스캔데이터 노이즈 제거를 위한 방법으로 주로 사용되며, node 기반 공간분할 기법의 경우 점군 간 비교를 위한 점군 탐색에 주로 사용된다(Elseberg et al., 2012). Fig. 2에서는 (a) Voxel Grid 및 (b) Node기반 공간 분할기법에 대해 도식화하여 나타내고 있다.
본 연구에서는 앞서 언급한 대표적인 공간분할 기법 중 Voxel Grid 방법에서 차원이 축소된 Pixel Grid 방법을 사용하였다. 이러한 이유는
Node 기반 공간분할 기법의 경우 공간 내부의 한 개의 점을 탐색하기 때문에 일정한 간격으로 스캔데이터를 구조화하지 못하는 특징을 가지고 있다.
이러한 특징은 일정한 크기로 스캔데이터를 구조화하고 점군비교를 수행하는 C2P 알고리즘에는 적절하지 않다고 판단하여 적용하지 않았다. 또한 드론을
통해 취득된 토공현장의 지형 스캔데이터는 Z축에 비해 X, Y축 방향으로 넓게 얻어지는 조감도(Bird Eyes View)형태이다. 이러한 토공현장의
여러 구역에서 취득된 지형 스캔데이터를 하나의 지형 스캔데이터로 정합할 때 발생하는 중첩부위 역시 X, Y축으로 대부분 발생한다. 이러한 이유로 X,Y,Z축을
고려해 지형 스캔데이터를 구조화키는 Voxel Grid 방법에 비해 X, Y축으로 지형 스캔데이터를 구조화 시켜 지형 스캔데이터의 중첩유무를 판단하는데
시간 효율적으로 사용할 수 있는 Pixel Grid를 방법을 본 연구에 적용하였다.
C2P 알고리즘은 앞서 언급한 중첩데이터 분류에 사용할 수 있는 AND 연산자의 기본개념을 지형 스캔데이터를 구조화하기 위한 Pixel Grid 방법에
적용하여 알고리즘을 개발하였다. Fig. 3에서는 (a) AND 연산자의 분류개념과 이를 확장 적용한 (b) C2P 알고리즘의 Pixel을 이용한 중첩부분 분류에 대해 도식화하여 나타내고 있다.
Table 1에서는 Pixel Grid를 이용한 C2P 알고리즘의 세부적인 실행 프로세스를 나타내고 있다. (1) Target 데이터와 Source 데이터를 알고리즘에
입력한다. (2) Target 데이터의 범위를 정하기 위한 초기 과정으로 Target 데이터에 대하여 X, Y축을 기준으로 최대 및 최소 포인트를
찾는다. C2P 알고리즘은 Pixel을 이용하여 지형 스캔데이터 중첩 유무를 판단하기 때문에 Z축 방향의 최대 및 최소 포인트는 찾지 않는다. (3)
최대 및 최소 포인트를 이용하여 Target 데이터가 기준이 되는 2차원 바운딩 박스를 생성한다. (4) 생성된 바운딩 박스에 대하여 Pixel Grid를
이용해 분할에 사용될 Pixel Size를 초기화한다. (5) 초기화된 Pixel Size로 바운딩 박스 내부에 Pixel Grid를 생성한다. (6)
Target 데이터를 기반으로 Pixel Grid가 생성된 바운딩 박스와 Target 데이터간의 비교를 통해 지형 스캔데이터의 존재 유무를 Pixel
Grid에 입력한다. (7) 입력된 Pixel Grid에 대해 Source 데이터와 비교하여 지형 스캔데이터의 존재 유무를 또한 입력한다. (8)
Pixel Grid에 입력된 Target 데이터와 Source 데이터에 대해 AND 연산을 실행하여 중첩 부위에 해당하는 Source_B 데이터를
분류해내고 Source 데이터에서 Source_B 데이터를 제외한 모든 점에 대해서 Source_A 데이터로 분류한다. (9) 분류된 Source_A
및 Source_B에 대해 출력하여 추후 비중첩 데이터인 Source_A 데이터와 Target 데이터를 병합하여 후처리된 지형 스캔데이터를 얻는다.
Table 1. Cloud to Pixel Comparison Algorithm (C2P)
(1) Input Target Data, Source Data
|
(2) Search Max/Min X,Y Points of the Target Data
|
(3) Create a Bounding Box of the Target Data
|
(4) Initialize Pixel Size
|
(5) Create Pixel Grid on Bounding Box = ‘Target Grid’
|
(6) Compare and Enter Target Grid on ‘Target Data’ = ‘Target Entered Grid’
|
(7) Compare and Enter ‘Target Entered Grid’ and source Data
|
(8) Classify Source_A Data and Source_B Data Using the AND operator
|
(9) Output source_A Data and Source_B Data
|
Fig. 4에서는 C2P 알고리즘의 Target을 기준으로 생성한 Pixel Grid와 스캔데이터간의 비교를 통해 중첩 데이터(Source_B) 및 비중첩 데이터(Source_A)가
생성되는 과정을 도식화하여 나타내고 있다.
Fig. 2. Method of Structuring Scan Data
Fig. 3. Classification Concept Overlapping Data
Fig. 4. Concept of Comparative Classification between the Scan Data and Pixel Grid
3. 성능검증
본 연구에서는 정합 후처리 기술의 성능검증을 수행하였다. 성능검증에는 C2P 알고리즘을 이용한 중첩 및 비중첩 데이터 분류의 정확도 검증에 중점을
두고 있다. 검증에 이용된 데이터의 경우 각각 다른 밀도를 갖도록 구성하였다. 이러한 이유는 지형 스캔데이터 취득 시 스캔방식 및 스캐너의 성능에
따라 지형 스캔데이터의 밀도가 상이할 수 있으므로, 이를 고려해 다양한 밀도의 지형 스캔데이터를 구축함으로써 C2P 알고리즘의 강건성을 검증하였다.
나아가 밀도별 지형 스캔데이터와 알고리즘의 주요변수에 해당하는 Pixel Size간의 최적의 조합을 도출함으로써 중첩 및 비중첩 데이터 분류에 대한
성능검증을 실시하였다.
밀도별 지형 스캔데이터 구성의 경우 계측데이터에 해당하는 Raw 데이터와 Raw 데이터에 대해 밀도조정을 수행한 지형 스캔데이터 4가지로 총 5가지의
지형 스캔데이터를 구축하였다. 밀도별 데이터 구축에는 Voxel Grid Filter를 이용하여 구축하였으며 Voxel Grid Filter와 관련한
밀도별 데이터 구축에 대해서는 3.2절에서 자세히 설명하였다. Pixel Size 구성의 경우 밀도별 지형 스캔데이터와 비교하여 유의미한 상관관계를
도출할 수 있다고 판단되는 총 11가지 Pixel Size로 구성하였다. 구성된 정사각형 Pixel의 한 변의 크기는 0.01 m, 0.05 m,
0.1 m, 0.25 m, 0.5 m, 1 m, 2 m, 4 m, 10 m, 20 m, 50 m이다.
3.1 성능검증 프로세스
Fig. 5에서는 지형 스캔데이터 성능검증의 전체 프로세스를 도식화하여 보여주고 있다. 프로세스는 테스트 데이터 생성, C2P알고리즘에 의한 데이터 분류, 성능검증을
위한 검증데이터 생성, 유사도평가 순으로 구성하였다. 먼저 테스트 데이터에는 기준이 되는 Target 데이터와 비교를 수행하는 Source 데이터에
대해 각각 5가지 밀도별 데이터를 구축하였다. 이후 구축한 5가지 밀도별 Source 및 Target 데이터를 11가지 Pixel Size에 따라
C2P 알고리즘을 수행하여 각각 55가지(5가지 × 11가지)의 비중첩 지형 스캔데이터(Source_A) 및 중첩 지형 스캔데이터(Source_B)를
생성하였다. 성능검증에서 지형 스캔데이터의 중첩 및 비중첩 데이터를 정확히 분류해낸 검증데이터 구축을 실시하였다. 검증데이터는 X, Y 좌표를 이용하여
지형 스캔데이터를 다각형으로 자를 수 있는 기능에 해당하는 Crop을 이용하였다. 이와 관련한 지형 스캔데이터 구축방법에 대해서는 3.2절에서 자세히
설명하였다. 자르기를 통해 구축된 각각 밀도별 중첩 Crop 데이터(Source_A_Crop × 밀도별 5가지) 및 비중첩 Crop 데이터(Source_B_Crop
× 밀도별 5가지)와 C2P 알고리즘을 통해 얻은 밀도별 중첩데이터(Source_A × 밀도별 5가지 × Pixel Size별 11가지) 및 비중첩
데이터(Source_B × 밀도별 5가지 × Pixel Size별 11가지)에 대해서 유사도 평가를 수행하였습니다. 유사도 평가의 기준으로는 Crop
데이터와 알고리즘을 통해 분류된 데이터간 점의 개수에 대해 유사성을 판단하였으며, 이에 사용된 평가지표에 대해서는 3.3절에서 설명하였다. 최종적으로
유사도 평가의 결과를 통해 C2P알고리즘의 중첩 및 비중첩 분류의 성능을 검증하고 추가로 밀도별 지형 스캔데이터에 대한 최적의 Pixel Size
조합을 도출하였다.
Fig. 5. Process of Performance Verification
3.2 성능검증 데이터
본 연구에서는 성능검증을 위한 지형 스캔데이터 구축을 수행하였다. Fig. 6에서는 성능검증을 위해 구축한 지형 스캔데이터의 취득면적, 점의 개수, 취득시간에 대해 나타내고 있다. 먼저 지형 스캔데이터 취득에는 경기도 광주시에
위치한 면적 약 312 m × 420 m의 00도로 건설 현장에서 드론을 활용하여 1시간 단위(14시, 15시)로 2회 촬영한 지형 스캔데이터를 취득하였다.
이러한 이유는 현장 여건상 두 대의 드론이 서로 다른 현장을 중첩되게 취득하기 곤란하여, 2회 촬영을 통해 취득한 지형 스캔데이터를 각각 같은 현장에
대해 다른 구역을 중첩되도록 취득한 것처럼 가공해 두 대의 드론이 서로 다른 현장을 얻은 것과 유사한 효과를 낼 수 있도록 지형 스캔데이터(Target,
Source)를 구축하였다. 지형 스캔데이터 취득에 사용된 드론 및 GNSS장비로는 DJI사의 Phantom4-RTK 및 D-RTK 2 Mobile
Station을 활용하였다.
앞서 구축한 계측 및 가공한 데이터의 점 개수는 다음과 같다. 먼저 계측데이터의 경우 첫 번째 계측 13,708,029개, 두 번째 계측 13,406,544개로
두 번의 계측을 통해 얻은 지형 스캔데이터의 점 개수가 유사하게 취득된 것을 확인할 수 있었다. 가공 데이터의 경우 Target데이터 2,650,667개,
Source데이터 4,632,329개가 취득되어 약 1.75배가량 Source 데이터가 더 많은 점을 취득된 것을 확인할 수 있다. 이러한 이유는
Source데이터가 Target데이터에 비하여 경사 및 초목이 많이 존재하여 Z축 방향으로 얻어지는 점이 상대적으로 많이 존재할 수 있어 취득된 현장의
구역에 따라 점 개수의 차이가 생기는 것으로 판단된다. Fig. 7에서는 (a)Target 데이터와 (b)Source 데이터의 초목 및 경사의 분포를 나타내고 있다.
이후 다음과 같이 가공된 Target 및 Source 데이터에 대한 밀도별 지형 스캔데이터를 구축하였다. 구축에는 앞서 언급한바 있는 지형 스캔데이터
노이즈제거 및 다운샘플링에 널리 사용되고 있는 방법 중 하나인 Voxel Grid Filter를 이용하였다(Park and Kim, 2019). Voxel Grid Filter의 개념은 지형 스캔데이터에 대해 3차원 형태의 Voxel을 이용하여 지형 스캔데이터를 구조화시킨 후 추가적으로
Voxel 내부 점들을 하나의 점으로 치환함으로써 지형 스캔데이터를 다운샘플링 한다(Orts-Escolano et al., 2013). 여기서 점을 하나의 지형 스캔데이터로 치환할 때 두 가지 옵션을 활용하여 하나의 점으로 치환할 수 있다. 첫 번째 옵션은 Voxel 내부의 점들
가운데 Voxel의 중앙과 가장 가까운 점으로 치환하는 방법이며 두 번째 옵션으로는 내부 점들의 위치와 관계없이 Voxel 내부에 점이 존재할 경우
Voxel 내부의 중앙 혹은 도심에 하나의 점을 생성하는 방법이다. 본 연구에서는 두 가지 방법 중 Voxel 내부의 점들을 Voxel의 중앙과 가장
가까운 점으로 치환하는 옵션이 계측데이터의 형태를 최대한 유지하면서 밀도가 조절된다고 판단하여 첫 번째 옵션을 적용하여 밀도별 지형 스캔데이터를 구축하였다.
Voxel Grid Filter는 Voxel의 크기에 따라 지형 스캔데이터의 해상도가 다르게 얻어진다(Garstka and Peters, 2015). 즉, Voxel의 크기가 커질수록 Voxel 내부의 더욱 많은 점이 하나의 점으로 치환되어 이에 따른 지형 스캔데이터의 해상도 저하를 야기할 수
있다. 본 연구에서는 이러한 특징을 이용해 Voxel를 한 변의 길이가 1 m, 0.5 m, 0.25 m, 0.1 m인 정육면체로 설정하여 밀도별
지형 스캔데이터를 구축하였다. 이러한 이유는 Voxel의 한 변의 길이가 1 m일 경우 지형 스캔데이터의 전체적인 형상을 알아볼 수 있는 최소한의
해상도로 나타났으며, 또한 0.1 m 미만으로 Voxel Size를 설정했을 때 Raw 데이터와 점의 개수 및 형태가 다소 유사하게 나타나 최대한
다양한 밀도별 데이터를 구축하기 위하여 Voxel의 한 변의 길이를 1 m ~ 0.1 m로 설정하였다.
Fig. 8 및 Table 2에서는 성능검증에 사용될 지형 스캔데이터의 실제 형태와 각 데이터의 점 개수를 보여주고 있다. 먼저 Test 데이터에 해당하는 (a)Target 및
(b)Source 데이터는 Raw 및 Voxel Grid Filter를 이용해 4가지 해상도로 조절한 총 5가지 데이터가 각각 구축되어있는 모습을
볼 수 있다. 이를 통해 밀도별 데이터가 Voxel의 크기가 증가함에 따라 해상도가 낮아지는 것을 확인할 수 있다. 다음으로 성능검증을 위한 검증데이터의
형태를 보여주고 있다. 이는 (b)Source 데이터에 대하여 Crop을 실시한 (c)Source_A_Crop 및 (d)Source_B_Crop 데이터의
실제모습을 나타내고 있으며, 여기서 (c)Source_A_Crop의 경우 (b)Source 데이터의 윗부분에 해당하는 비중첩 부위이며 (d)Source_B_Crop
데이터의 경우 아랫부분에 해당하는 중첩부위이다. 이처럼 구축된 (a)Source_A_Crop 및 (b)Source_B_Crop 데이터는 성능검증 수행시
C2P알고리즘에 의해 중첩 및 비중첩 부분에 대해 분류된 결과값에 해당하는 Source_A 및 Source_B 데이터와의 유사도 검증에 사용된다.
Table 2. Number of Points for the Test Data and Verification Data
Voxel Size
|
Test Data
|
Verification Data
|
Target Data
|
Source Data
|
Source_A_Crop
|
Source_B_Crop
|
Raw
|
4,632,333
|
2,650,671
|
868,714
|
1,781,974
|
1 m
|
51,676
|
34,430
|
16,424
|
18,009
|
0.5 m
|
199,122
|
133,977
|
63,371
|
70,610
|
0.25 m
|
720,995
|
494,281
|
229,454
|
264,838
|
0.1 m
|
2,857,413
|
1,846,255
|
704,351
|
1,142,002
|
Fig. 6. Processing Measurement Data for Performance Verification
Fig. 7. Vegetation and Slope Distribution of Scan Data
Fig. 8. Test Data and Verification Data
3.3 평가지표
본 연구에서는 성능검증의 평가지표로 자카드 지수(Jaccard Index)를 사용하였다. 자카드 지수는 두 집합 사이의 유사도를 측정하는 대표적인
방법 중 하나이다. 이는 0~1 사이의 값을 가지며, 두 집합이 동일하면 1의 값을, 공통의 원소가 없으면 0을 가진다(Jaccard, 1912). 자카드 지수는 Eq. (1)으로 정의된다.
자카드 지수는 범주형 데이터에 대해서 비유사성 및 유사성을 측정하는 지표로 사용된다(Tanimoto, 1958). 이러한 특징은 점들의 집합으로 구성되어있는 지형 스캔데이터간의 유사성을 판단하는데 적합할 것으로 판단된다. 따라서 본 연구에서는 C2P에 의해
중첩 및 비중첩 데이터로 분류된 데이터와 Crop을 통해 인위적으로 생성한 검증데이터간의 점의 개수에 대해 성능검증의 평가지표로 자카드 지수를 사용하였다.
4. 성능검증 결과
본 연구에서는 밀도별 지형 스캔데이터에 대해 다양한 Pixel Size로 C2P 알고리즘을 적용하여 중첩(Source_B) 및 비중첩(Source_A)
데이터를 분류하였다. 이번 장에서는 분류된 데이터에 대한 성능검증 결과를 분석하고. 이를 바탕으로 밀도별 지형 스캔데이터에 대한 최적의 Pixel
Size를 제시하고자 한다. Table 3에서는 C2P 알고리즘을 이용해 분류된 결과인 Source_A 및 Source_B 데이터에 대한 점의 개수를 나타내고 있다. 추가로 분류된 데이터와
검증데이터간의 유사성 평가의 결과에 해당하는 0~1값을 %로 환산하여 괄호 안에 나타냈다. Fig. 9에서는 C2P 알고리즘을 적용하여 분류된 Source_A 및 Source_B 데이터의 실제 형태를 Voxel Size별로 나타내고 있다.
Table 3 및 Fig. 9에서 밀도별 지형 스캔데이터 모두 공통적으로 Pixel Size가 0.01 m, 0.05 m일 때 검증데이터와의 유사도가 상대적으로 낮은 것을 확인할
수 있다. 이러한 이유는 Source 데이터와 Target 데이터간의 중첩 부위는 점의 위치가 다소 가까운 위치임에도 불구하고, Pixel Size가
두 점 사이의 거리보다 작게 형성될 경우 서로가 다른 Pixel에 점이 입력되어 중첩데이터로 여기지 못하여 유사도가 낮게 나온 것으로 판단된다.
Table 3의 음영 부분은 유사도가 약 90 % 이상일 때를 나타내고 있으며 Fig. 10의 점선으로 표시된 부분은 유사도가 약 90 %에 도달한 지점을 나타낸 것이다. 밀도가 비교적 높은 Raw 데이터와 Voxel Size가 0.1 m인
지형 스캔데이터는 Pixel Size가 0.1 m일 때 유사도가 약 90 %에 도달한 것을 확인할 수 있다. 반면에 비교적 밀도가 낮다고 여길 수
있는 Voxel Size가 0.25 m, 0.5 m, 1 m인 지형 스캔데이터의 경우 Pixel Size 값이 각각 0.25 m, 0.5 m, 1
m일 때 유사도 약 90 % 이상을 도달한 것을 확인할 수 있다. 결과를 종합해보면 각 해당하는 Voxel Size의 크기보다 작은 Pixel Size로
지형 스캔데이터를 분류할 경우 알고리즘의 성능이 떨어지며 해당 Voxel Size와 비교하여 Pixel Size의 크기가 동일하거나 더 크게 설정될
경우 약 90 % 이상의 유사도에 도달하여 알고리즘의 성능이 높아지는 것으로 보인다.
전체 밀도별 지형 스캔데이터 모두 Pixel Size가 1 m가 되었을 때 약 99 % 유사도를 보이는 것을 확인할 수 있다. 물론 Pixel Size가
2 m 이상일 경우 더 높은 성능을 보여주고 있지만 본 연구는 지형 스캔데이터에 대해 100 m × 200 m로 가공하여 성능검증을 수행하였기 때문에
2 m, 4 m, 10 m, 20 m, 50 m 크기의 Pixel이 지형 스캔데이터를 정확히 나누어 비교할 수 있었다. 하지만 만약 비선형적인 형태의
지형 스캔데이터간 중첩부위를 분류할 경우 지형 스캔데이터를 정확히 Pixel로 나누지 못할 가능성이 존재한다. 이 때문에 C2P 알고리즘을 지형 스캔데이터의
밀도 및 형태와 무관하게 적용할 수 있도록 하는 최적의 Pixel Size의 크기는 약 90 %의 이상의 유사도를 보이는 자신의 Voxel Size와
본 연구에서 가장 낮은 밀도로써 구축한 Voxel Size 1 m의 값 사이가 적절하다고 판단된다.
Fig. 9. Actual Form of Verification Results
Fig. 10. Results of Similarity Evaluations for Source_A and Source_B
Table 3. Number of Points for the Verification Results
Voxel
Size
|
position
|
Verification Data
|
Pixel Size
|
0.01 m
|
0.05 m
|
0.1 m
|
0.25 m
|
0.5 m
|
1 m
|
2 m
|
4 m
|
10 m
|
20 m
|
50 m
|
Raw
|
Source_A
|
868,714
|
2,614,091
(33.23 %)
|
1,925,694
(45.11 %)
|
988,885
(87.85 %)
|
886,716
(97.97 %)
|
884,966
(98.16 %)
|
883,014
(98.38 %)
|
868,715
(100.00 %)
|
868,715
(100.00 %)
|
868,715
(100.00 %)
|
868,715
(100.00 %)
|
868,715
(100.00 %)
|
Source_B
|
1,781,974
|
36,580
(2.05 %)
|
724,977
(40.68 %)
|
1,661,786
(93.26 %)
|
1,763,955
(98.99 %)
|
1,765,705
(99.09 %)
|
1,767,657
(99.20 %)
|
1,781,956
(100.00 %)
|
1,781,956
(100.00 %)
|
1,781,956
(100.00 %)
|
1,781,956
(100.00 %)
|
1,781,956
(100.00 %)
|
1 m
|
Source_A
|
16,424
|
34,406
(47.74 %)
|
34,069
(48.21 %)
|
33,360
(49.23 %)
|
29,934
(54.87 %)
|
23,873
(68.80 %)
|
16,621
(98.81 %)
|
16,425
(99.99 %)
|
16,425
(99.99 %)
|
16,425
(99.99 %)
|
16,425
(99.99 %)
|
16,425
(99.99 %)
|
Source_B
|
18,009
|
24
(0.13 %)
|
361
(2.00 %)
|
1,070
(5.94 %)
|
4,496
(24.97 %)
|
10,557
(58.62 %)
|
17,809
(98.89 %)
|
18,005
(99.98 %)
|
18,005
(99.98 %)
|
18,005
(99.98 %)
|
18,005
(99.98 %)
|
18,005
(99.98 %)
|
0.5 m
|
Source_A
|
63,371
|
133,524
(47.46 %)
|
128,124
(49.46 %)
|
112,757
(56.20 %)
|
94,863
(66.80 %)
|
64,093
(98.87 %)
|
63,549
(99.72 %)
|
63,372
(100.00 %)
|
63,372
(100.00 %)
|
63,372
(100.00 %)
|
63,372
(100.00 %)
|
63,372
(100.00 %)
|
Source_B
|
70,610
|
453
(0.64 %)
|
5,853
(8.29 %)
|
21,220
(30.05 %)
|
39,114
(55.39 %)
|
69,884
(98.97 %)
|
70,428
(99.74 %)
|
70,605
(99.99 %)
|
70,605
(99.99 %)
|
70,605
(99.99 %)
|
70,605
(99.99 %)
|
70,605
(99.99 %)
|
0.25 m
|
Source_A
|
229,454
|
491,769
(46.66 %)
|
455,273
(50.40 %)
|
380,724
(60.27 %)
|
233,103
(98.43 %)
|
231,839
(98.97 %)
|
230,021
(99.75 %)
|
229,455
(100.00 %)
|
229,455
(100.00 %)
|
229,455
(100.00 %)
|
229,455
(100.00 %)
|
229,455
(100.00 %)
|
Source_B
|
264,838
|
2,512
(0.95 %)
|
39,008
(14.73 %)
|
113,557
(42.88 %)
|
261,178
(98.62 %)
|
262,442
(99.10 %)
|
264,260
(99.78 %)
|
264,826
(100.00 %)
|
264,826
(100.00 %)
|
264,826
(100.00 %)
|
264,826
(100.00 %)
|
264,826
(100.00 %)
|
0.1 m
|
Source_A
|
704,351
|
1,818,160
(38.74 %)
|
1,492,113
(47.20 %)
|
814,370
(86.49 %)
|
716,442
(98.31 %)
|
712,953
(98.79 %)
|
706,586
(99.68 %)
|
704,352
(100.00 %)
|
704,352
(100.00 %)
|
704,352
(100.00 %)
|
704,352
(100.00 %)
|
704,352
(100.00 %)
|
Source_B
|
1,142,002
|
28,095
(2.46 %)
|
354,142
(31.01 %)
|
1,031,885
(90.36 %)
|
1,129,813
(98.93 %)
|
1,133,302
(99.24 %)
|
1,139,669
(99.80 %)
|
1,141,903
(99.99 %)
|
1,141,903
(99.99 %)
|
1,141,903
(99.99 %)
|
1,141,903
(99.99 %)
|
1,141,903
(99.99 %)
|
5. 결론 및 향후연구
건설현장의 3차원 디지털 지형 모델 생성은 노이즈제거, 정합 및 병합과정 등의 전처리 과정을 필요로 하며 이러한 전처리 과정은 3차원 디지털 지형
모델의 품질과 밀접한 관계를 보이고 있다. 본 연구에서는 3차원 디지털 지형 모델 생성과정 중 지형 스캔데이터 정합 후 발생하는 지형 스캔데이터의
밀도 불균일 문제를 해결하기 위해 C2P 알고리즘을 개발하였다. 또한, 개발된 C2P 알고리즘을 토대로 균일한 지형 스캔데이터를 생성하는 정합 후처리
기술 프로세스를 제시하였으며, 나아가 실제 토공현장에서 취득한 지형 스캔데이터를 활용해 개발된 알고리즘의 밀도 불균일 문제개선 가능성을 검증하고 추가적으로
밀도별 지형 스캔데이터에 대한 알고리즘의 최적 파라미터를 제시하였다.
C2P 알고리즘의 성능검증 결과에서 확인 가능한 것처럼, 밀도별 지형 스캔데이터 모두 해당 Voxel Size와 비교하여 Pixel Size의 크기가
동일하거나 더 크게 설정될 경우 약 90 % 이상의 유사도를 보여 높은 성능을 나타냈다. 물론 밀도별 지형 스캔데이터 모두 Pixel Size가 2
m 이상일 경우가 99 %의 유사도로 가장 높은 유사도를 보였지만 본 연구는 성능검증을 목적으로 지형 스캔데이터를 100 m × 200 m의 크기로
가공하였기 때문에 Pixel이 지형 스캔데이터를 정확히 나누어 비교할 수 있어 유사도가 높게 나온 것으로 판단하였다. 결론적으로 지형 스캔데이터의
밀도 및 형태와 무관하게 적용할 수 있도록 하는 최적의 Pixel Size의 크기는 약 90 % 이상의 유사도를 갖는 자신의 Voxel Size와
본 연구에서 가장 낮은 밀도로 구축한 Voxel Size 1 m의 값 사이로 제시하였다.
C2P 알고리즘은 지형 스캔데이터를 적절한 Pixel Size로 구성하였을 경우 90 % 이상의 유사도로 분류되어 후처리 이전 대비 지형 스캔데이터
불균일 문제가 상당히 해결될 것으로 보인다. 하지만 본 알고리즘은 지형 스캔데이터의 밀도의 변화에 민감하여 Pixel Size의 적절한 값을 자동으로
찾아 100 %에 가까운 분류성능을 보이기 위한 연구가 향후 진행되어야 한다고 판단된다. 또한, 서로 다른 밀도를 갖는 지형 스캔데이터에 대하여 중첩
및 비중첩 데이터로 분류할 때의 최적의 Pixel을 찾는 방법에 대한 연구도 진행되어 C2P 알고리즘의 강건성을 더욱 높일 필요가 있을 것으로 보인다.
본 연구에서 개발한 C2P은 대규모 건설현장의 특성 및 지형 스캔데이터 취득방식을 고려한 방법론으로 Pixel Grid를 기반으로 하여 새롭게 개발하였다는
것에 큰 의의가 있다. 또한 개발된 알고리즘은 정합 후처리 기술뿐 아니라 지형 스캔데이터간 중첩 및 비중첩 부위를 나누기 위한 모든 지형 스캔데이터
처리기술에 널리 사용될 수 있는 범용성을 지니고 있어 향후 지형 스캔데이터 품질 향상을 위한 전처리 기술로써 기여하길 기대한다.
감사의 글
본 연구는 국토교통부/국토교통과학기술진흥원이 시행하는 “스마트건설기술개발 국가R&D사업(과제번호 21SMIP-A158708-02)”의 지원으로
수행하였습니다.
References
Bello S. A., Yu S., Wang C., Adam J. M., Li J. (2020). "Deep learning on 3D point
clouds.", Remote Sensing, Vol. 12, No. 11
Cheng L., Chen S., Liu X., Xu H., Wu Y., Li M., Chen Y. (2018). "Registration of laser
scanning point clouds: A review.", Sensors, Vol. 18, No. 5, pp. 1641
Elseberg J., Magnenat S., Siegwart R., Nüchter A. (2012). "Comparison of nearest-neighbor-search
strategies and implementations for efficient shape registration.", Journal of Software
Engineering for Robotics, Vol. 3, No. 1, pp. 2-12
Finkel R. A., Bentley J. L. (1974). "Quad trees a data structure for retrieval on
composite keys.", Acta Informatica, Vol. 4, No. 1, pp. 1-9
Fuad N. A., Yusoff A. R., Ismail Z., Majid Z. (2018). "Comparing the performance of
point cloud registration methods for landslide monitoring using mobile laser scanning
data.", ISPRS International Archives of the Photogrammetry, Remote Sensing and Spatial
Information Sciences, Vol. 42, No. 4, pp. 11-21
Garstka J., Peters G. (2015). "Fast and robust keypoint detection in unstructured
3-D point clouds.", International Conference on Informatics in Control, Automation
and Robotics (ICINCO), Colmar, France, Vol. 2, pp. 131-140
Gries D., Schneider F. B. (2013). "A logical approach to discrete math", Springer
Science & Business Media, New York, USA.
Jaccard P. (1912). "The distribution of the flora in the alpine zone.", New Phytologist,
Vol. 11, No. 2, pp. 37-50
Kim S., Park J. W. (2015). "Analysis of accuracy and productivity of terrestrial laser
scanner for earthwork.", The Journal of the Korea Contents Association, Vol. 15, No.
10, pp. 587-596 (in Korean)
Kim S., Park J. W., Kim K. H. (2017). "A study on terrain digitalization for earthwork
automation.", In Proceedings of the Korea Contents Association Conference, pp. 407-408
(in Korean)
Lee O. G., Sim J. Y. (2021). "Lidar based point cloud acquisition and preprocessing.",
Broadcasting and Media Magazine, Vol. 26, No. 2, pp. 9-17 (in Korean)
Mckinsey Global Institute (2017). "Reinventing construction: A route to higher productivity",
New York, USA
Orts-Escolano S., Morell V., García-Rodríguez J., Cazorla M. (2013). "Point cloud
data filtering and downsampling using growing neural gas.", International Joint Conference
on Neural Networks (IJCNN), Texas, USA, pp. 1-8
Park J. W., Kim S. (2019). "MMS accuracy analysis for earthwork site application.",
Journal of the Korean Society of Industry Convergence, Vol. 22, No. 2, pp. 183-189
(in Korean)
Park S. Y., Kim S. (2021). "Analysis of overlap ratio for registration accuracy improvement
of 3D point cloud data at construction sites.", Journal of KIBIM, Vol. 11, No. 4,
pp. 1-9 (in Korean)
Tanimoto T. T. (1958). "An elementary mathematical theory of classification and prediction",
Internal Report IBM Corp, New York, USA
Wang C., Cho Y. K. (2015). "Smart scanning and near real-time 3D surface modeling
of dynamic construction equipment from a point cloud.", Automation in Construction,
Vol. 49, pp. 239-249
Wang Q., Kim M. K. (2019). "Applications of 3D point cloud data in the construction
industry: A fifteen-year review from 2004 to 2018.", Advanced Engineering Informatics,
Vol. 39, pp. 306-319