Mobile QR Code QR CODE

Journal of the Korea Concrete Institute

J Korea Inst. Struct. Maint. Insp.
  • Indexed by
  • Korea Citation Index (KCI)

  1. 비회원,㈜케이엠티엘 기술연구소 선임연구원
  2. 정회원,㈜케이엠티엘 기술연구소 책임연구원
  3. 비회원,㈜케이엠티엘 시스템사업부 이사
  4. 정회원,㈜케이엠티엘 기술연구소 연구소장



터널 라이닝, 점검, 터널 스캐닝 시스템, 영상접합, 특징점 검출, SIFT, ORB, BRISK
Tunnel lining, Inspection, Tunnel scanning system, Stitching, Feature detection, SIFT, ORB, BRISK

1. 서 론

최근, 국내의 도심지와 수도권을 잇는 급행철도 사업, 간선도로 및 고속도로의 지중화 사업 등과 같이 교통 인프라 건설이 활발하게 추진되고 있으며 국토의 효율적인 활용을 위하여 지하 터널 및 산 터널의 시공이 활발해지고 있다(Han et al., 2021). 터널 시공이 늘어남에 따라 콘크리트 구조물의 노후화로 인한 균열, 누수, 박리, 박락, 재료분리, 철근노출 등에 대한 안전진단이 필수적이며 구조물이 온전하게 기능을 할 수 있도록 유지보수 및 관리의 필요성도 증대되고 있다(Yoon and Lee, 2008; Lee et al., 2016). 터널 안전점검에는 센서를 이용한 터널 내 환경 감지 및 실시간 모니터링 조사와 외관 조사가 있다. 센서를 이용한 터널 안전점검은 환경 감지 기술, 독성가스 유출 감지 기술, 열화 감지 기술 등이 있으며 터널 내 환경변화에 대하여 실시간 모니터링을 할 수 있지만 배터리와 시스템 관리 등 비용이 많이 들고 노후화에 따른 구조물의 수많은 결함정보에 대한 정확한 데이터를 얻기 힘들다(Lee and Lee, 2018; Kim et al.,2019). 외관조사는 주로 사람의 육안으로 구조물의 결함을 관찰하여 구조물의 균열, 누수, 박락과 같은 결함의 정보(위치, 크기)를 얻을 수 있다. 인력에 의한 외관조사는 장시간 차선통제에 따른 교통체증과 조사자의 안전사고에 대한 위험성이 존재하며 조사자의 경험에 의존성이 높은 결과물은 객관적으로 도출되기 어렵다는 단점이 있다(Kim and Lee, 2018; Kim et al., 2021).

본 논문에서는 인력에 의한 외관조사의 단점을 해결하고 터널 안전점검의 자동화를 위하여 터널 스캐닝영상을 통한 안전점검을 제시한다. 터널 스캐닝영상을 통한 안전점검은 기존 인력에 의한 외관조사에 비해 조사기간과 인력을 크게 줄일 수 있으며 조사자의 안전사고와 교통체증에 따른 사회적 비용을 절감할 수 있다는 장점이 있다. 터널 스캐닝영상 기반 안전점검을 위해서는 터널 스캐닝영상의 접합을 통하여 평면전개 이미지를 생성하는 것이 핵심이다. 터널이미지는 콘크리트면이 주를 이루고 있으며 이미지의 변화가 크지 않기 때문에 특징점 검출 및 매칭을 통한 영상접합의 난이도가 높다. 터널이미지 접합에 대한 해외연구로는 Li et al.(2021)의 논문에서 원형 터널에 대한 스캐닝 영상 접합을 통해 전개 이미지를 생성하고 균열 검출을 연구한 내용이 있다. 원형 터널이기 때문에 카메라 간 영상 중첩을 없애 터널 라이닝 방향에 대한 횡방향 영상 접합의 내용은 생략하여 종방향(터널 길이방향) 접합에 대하여 진행하고 터널 배면의 결함을 AI로 검출하는 연구이다. 국내연구로는 Kim et al.(2019)의 논문에서 특징점 추출을 통해 2개의 이미지에 대한 파노라마 이미지를 생성하는 연구내용이 있다. 파노라마 이미지 생성 결과를 통해 특징점 검출 알고리즘의 성능을 비교하는 것 외에 터널이미지에 대한 알고리즘별 특징점검출 성능 비교와 터널이미지의 특성을 반영한 다양한 이미지에 대한 연구가 추가적으로 필요하다.

본 연구에서는 터널 스캐닝영상기반 안전점검의 필수기술인 터널 스캐닝 다중 촬영 영상 접합에 적합한 알고리즘에 대한 성능평가를 진행하였다. 터널이미지 접합에 유리한 알고리즘을 찾기 위하여 OpenCV에서 제공하는 특징점 검출 및 매칭 알고리즘 중 실수기술자와 높은 정확도를 갖는 SIFT, 이진기술자를 갖고 연산속도가 빠른 ORB, BRISK 총 3가지 알고리즘을 비교 분석하고자 한다(Lowe, 2004; Rublee et al., 2011; Leutenegger et al., 2011). 터널이미지는 크게 콘크리트부, 조명부와 타일부로 나누어 터널이미지의 특성을 반영하였다. 각 이미지별 3가지 알고리즘을 적용하여 특징점 검출 개수, 연산속도, 특징점 매칭의 정확성, 영상접합 결과를 통해 터널이미지 접합에 유리한 알고리즘을 판별하고자 한다.

2. 본 론

2.1 터널 스캐닝 영상접합기술

2.1.1 터널 스캐닝 장비

터널 스캐닝 데이터 확보를 위하여 Fig. 1과 같이 광학식 터널 스캐너(TMS-100)를 이용하여 10~20km/h로 주행을 하며 터널 반단면 라이닝 촬영을 진행하였다. TMS-100는 팬/틸트 카메라를 최대 16대까지 탑재가능하며 카메라의 왜곡을 검사하기 위해 라인 레이저(Line laser)를 탑재하고 있다. 또한, 초당 30프레임의 속도로 촬영하며 영상데이터를 실시간 저장 및 전송한다(et al., 2021).

Fig. 1 Configuration of tunnel scanner(TMS-100)(Park et al., 2021)
../../Resources/ksm/jksmi.2022.26.5.30/fig1.png

2.1.2 영상접합기술

본 연구에서 사용된 영상접합기술의 과정은 Fig. 2에 정리되어 있으며 5단계로 나뉜다. 1단계는 Fig. 1의 터널스캐닝 장비를 통하여 영상을 획득한다. 2단계는 SIFT, ORB, BRISK 알고리즘을 통하여 특징점을 검출하고 3단계는 특징점 매칭을 FLANN기법을 통해 진행하고 KNN기법을 통하여 매칭된 데이터를 리스트화 하여 좋은 매칭 선별에 사용한다. 4단계는 RANSAC(RANdon SAmple Consensus) 알고리즘을 통하여 특징점 매칭 중 데이터 경향에 벗어나는 잘못된 매칭(outlier)을 제거한다. 5단계는 매칭된 특징점 기반으로 변환 matrix를 생성하여 왼쪽 이미지(Img 2)의 Warp Perspective 변환을 진행하고 변환된 Img 2를 오른쪽 이미지(Img 1)와 접합함으로써 영상접합이 마무리된다.

Fig. 2 Image stitching process
../../Resources/ksm/jksmi.2022.26.5.30/fig2.png

2.2 특징점 검출 알고리즘

영상접합에 이용되는 특징점 추출 알고리즘은 실수기술자(Real descriptor) 와 이진기술자(Binary descriptor)를 사용하는 형태로 나뉠 수 있다. 실수기술자를 사용하는 대표적인 알고리즘인 SIFT와 연산량이 높은 SIFT의 단점을 해결하기 위해 이진기술자를 사용하여 개발된 ORB, BRISK를 서로 비교해 보고자 한다(Lowe, 2004; Rublee et al., 2011; Leutenegger et al., 2011).

2.2.1 SIFT

SIFT(Scale Invariant Featue Transform) 알고리즘은 2004년 Lowe에 의해 소개되었으며 기존 기술인 Harris Corner Detection의 크기, 회전 변화에 대한 취약성을 보완하기 위해 개발되었다. SIFT는 원본 이미지에 대하여 크기를 축소, 확대한 Image Pyramid를 구축 후 Image Pyramid 내 각 Octave에 Gaussian Blur를 적용하여 Fig. 3과 같이 같은 Octave 내 인접한 두 이미지의 차이를 통해 얻어진 DoG(Difference of Gaussian) 이미지를 이용하여 특징점을 검출한다. Image Pyramid를 사용함으로써 SIFT는 크기에 대한 불변성을 가질 수 있다. 검출된 특징점 주위에 16개의 윈도우를 설정하고 각 윈도우 당 8개의 백터 정보를 저장하여 128차원의 실수기술자를 사용한다. SIFT 알고리즘은 크기, 회전, 투영변환, 조명변화에 불변성을 갖지만 높은 차원의 기술자로 인하여 데이터량이 많아 연산시간이 오래걸린다는 단점이 있다(Ahn and Rhee, 2012).

Fig. 3 SIFT, DoG Image creating process(Lowe, 2004)
../../Resources/ksm/jksmi.2022.26.5.30/fig3.png

2.2.2 ORB

ORB(Orient FAST and Rotated BRIEF)는 2011년 E. Rublee에 의해 소개되었으며 SIFT와 SURF를 대체하여 비교적 낮은 성능의 CPU에서 연산이 수월하도록 고안된 알고리즘이다. ORB는 FAST(Features from Accelerated Segment Test)와 BRIEF(Binary Robust Independent Elementary Features)의 기술을 혼합하여 사용한다(Rublee et al., 2011). FAST를 사용하여 영상 속 특징점을 찾은 후 Harris Corner Detection을 적용하여 최상위 특징점을 도출하고 이진기술자인 32차원의 BRIEF 기술자를 변형하여 사용한다. ORB는 멀티 스케일 Image Pyramid를 사용하여 특징점을 탐색하지만 Image Pyramid 내 각 옥타브에서 도출된 특징점을 비교하여 탐색하지 않기 때문에 특징점이 중복으로 검출될 수 있으므로 부분적인 크기 불변성을 갖는다. ORB는 특징점 주변에서 구성한 패치의 무게중심과 1차 모멘트를 이용하여 방향벡터를 생성하는 rBRIEF(rotational BRIEF) 기술자를 적용하여 회전에 대한 불변성을 갖는다(Wei et al., 2015).

2.2.3 BRISK

BRISK(Binary Robust Invariant Scalable Keypoints) 는 2011년 S. Leutenegger에 의해 소개되었으며 ORB와 같이 비교적 낮은 사양의 CPU에서 SIFT와 SURF를 대체하기 위하여 개발된 알고리즘이다. BRISK는 크게 Scale-space 특징점 검출 부분과 특징점 기술자 부분으로 나뉠 수 있다. 첫 번째로, Scale-space 특징점 검출 부분은 Fig. 4와 같이 4개의 octave와 octave 사이에 intra-octave로 구성된 Scale space에서 이미지의 크기를 변화시켜가며 FAST9-16 알고리즘을 이용해 특징점을 탐색하여 크기 불변성을 갖는 특징점을 추출할 수 있다(Leutengger, 2011). 두 번째로, 특징점 기술자 부분은 특징점 주위에 60개의 동심원 형태의 패턴을 생성하고 각 동심원 안에 points를 이어 pair를 만들고 이를 이용하여 64차원의 기술자를 생성한다. Table 1에 SIFT, ORB, BRISK 알고리즘의 특징이 정리되어 있다.

Fig. 4 Scale space of BRISK(Leutengger, 2011)
../../Resources/ksm/jksmi.2022.26.5.30/fig4.png
Table 1 Characteristics of SIFT, ORB, BRISK algorithm

SIFT

ORB

BRISK

Descriptor Dimension

128

32

64

Data Type

Real (floating-points)

Binary(bit-string)

Binary(bit-string)

Invariant

Rotation, Scale

Rotation, (Scale)

Rotation, Scale

2.3 알고리즘 평가방법

2.3.1 알고리즘 적용 터널 이미지

본연구에서는 터널 특성을 반영한 이미지를 Fig. 5와 같이 콘크리트 부, 조명 부, 타일 부 3부분으로 분류하고 3부분의 이미지를 특성에 따라 3 종류의 이미지로 나누어 총 9종류의 이미지에 알고리즘을 적용하고자 한다. Fig. 5(a)~(r)에 제목으로 적혀있는 이니셜의 가장 뒷부분 (L), (R)의 의미는 각각 (L):왼쪽, (R): 오른쪽 이미지을 의미하고 (a)~(r)의 의미는 Table 2에 정리되어 있다.

Fig. 5 Algorithm application target images
../../Resources/ksm/jksmi.2022.26.5.30/fig5.png../../Resources/ksm/jksmi.2022.26.5.30/fig5-1.png
Table 2 Meaning of abbreviation

Abbreviation

Meaning

JC

Joint Concrete(이음부가 있는 콘크리트)

PC

Plain Concrete(표면에 얼룩이 없고 깔끔한 콘크리트 부)

SC

Stain Concrete(표면에 얼룩이 있는 콘크리트 부)

WL

White Light(하얀색 조명부)

RL

Red Light(빨간색 조명부)

PL

Plain Light(일반적인 조명부)

JT

Joint Tile(이음부가 있는 타일부)

PT

Plain Tile(일반적인 타일부)

ST

Stain Tile(얼룩이 있는 타일부)

2.3.2 알고리즘 평가방법

SIFT, ORB, BRISK 알고리즘을 같은 조건에서 평가하기 위하여 특징점 검출 및 매칭에 사용되는 조건들을 통일하였다. ORB는 검출가능한 최대 특징점 수의 기본값이 500으로 되어 있지만 검출가능한 최대 특징 수를 100,000으로 늘려 다른 알고리즘과 같이 최대 검출 특징 수의 제한이 없이 특징점을 검출할 수 있도록 하였다. 특징점 매칭기법으로는 FLANN을 이용하였으며 좋은 매칭을 선별하기 위하여 KNN기법을 이용하여 k값에 2를 적용하여 가장 이웃한 2개의 매칭결과를 리스트화 하였고 첫번째 이웃거리가 두 번째 이웃거리의 79% 이내인 것만을 추출하여 좋은 매칭으로 판별하였다. 각 알고리즘의 평가는 특징점 검출부터 이미지 접합까지의 연산시간, 알고리즘의 정확도, 접합 결과를 종합하여 평가하고자 한다. 알고리즘의 정확도는 전체 매칭된 특징점 pair 중 RANSAC 알고리즘을 통하여 매칭된 특징점 데이터의 경향에 현저히 벗어나는 outlier를 제외하고 그 외 inlier로 구별되는 매칭의 비율을 통하여 식(1)과 같이 평가할 예정이다.

(1)
$P=\dfrac{I}{O+I}*100$

여기서, P(%): 알고리즘 정확도, I: inliers, O: outliers, O+I: 매칭된 모든 특징점 pairs 평가의 신뢰도를 높이기 위하여 Table 2의 9종류의 이미지를 각 3장씩 선별하여 총 27장의 이미지에 알고리즘을 적용하였으며 Table 3에는 모든 이미지의 알고리즘 적용 결과 내용이 있으며 Fig. 5Fig. 6에는 Case1의 이미지만 나타나 있다.

Table 3 Algorithm application result

Image Type

Algorithm

Cases

Left Image Features

(No.)

Right Image Features (No.)

Inlier Pairs (No.)

Inlier + Outlier (No.)

Precision(%)

Time(sec)

JC (Joint Concrete)

SIFT

Case1

2825

2962

271

603

44.94

0.903317

Case2

3544

3132

353

768

45.96

0.988718

Case3

5672

3078

199

457

43.54

1.241696

ORB

Case1

6748

7309

879

1924

45.69

0.397982

Case2

9583

8475

1216

2498

48.68

0.484658

Case3

15427

6819

518

1297

39.94

0.451958

BRISK

Case1

1252

1421

182

392

46.42

0.205355

Case2

1723

1619

236

492

47.97

0.203626

Case3

2663

1272

147

260

56.54

0.208443

PC

(Plain Concrete)

SIFT

Case1

248

334

4

9

44.44

0.621573

Case2

716

768

23

37

62.16

0.593158

Case3

305

325

12

16

75

0.613189

ORB

Case1

382

398

23

43

53.48

0.308286

Case2

930

938

73

129

56.59

0.309765

Case3

1292

1327

57

102

55.88

0.311325

BRISK

Case1

60

80

5

7

71.42

0.159229

Case2

132

150

16

27

59.26

0.156035

Case3

179

189

14

24

58.33

0.164637

SC (Stain Concrete)

SIFT

Case1

3920

3516

253

347

72.91

1.126439

Case2

4992

4815

644

847

76.03

1.433939

Case3

6500

8386

297

498

59.64

2.365605

ORB

Case1

11527

10086

1292

1790

72.18

0.551859

Case2

14817

13513

3365

4342

77.50

0.612128

Case3

19627

23200

1932

3244

59.56

0.978477

BRISK

Case1

2197

2058

308

376

81.92

0.224674

Case2

2700

2530

557

770

72.34

0.230183

Case3

3906

4335

399

616

64.77

0.298128

WL

(White Light)

SIFT

Case1

1250

1981

11

81

13.58

0.720350

Case2

706

1244

10

56

17.86

0.681574

Case3

1579

1895

13

99

13.13

0.749985

ORB

Case1

1445

1589

24

137

17.52

0.322423

Case2

1240

1831

14

109

12.84

0.313042

Case3

1939

1974

30

200

15

0.353354

BRISK

Case1

256

212

10

41

24.39

0.181873

Case2

226

312

5

21

23.81

0.181013

Case3

331

327

10

46

21.74

0.184476

RL (Red Light)

SIFT

Case1

2257

1472

28

187

14.97

0.767790

Case2

1606

2755

22

102

21.57

0.800212

Case3

1565

1801

39

155

25.16

0.729178

ORB

Case1

4150

2622

70

326

21.47

0.359353

Case2

2050

4537

49

186

26.34

0.360105

Case3

1726

2376

92

205

44.88

0.316519

BRISK

Case1

792

365

23

102

22.55

0.205155

Case2

317

684

17

46

36.96

0.160175

Case3

330

449

28

76

36.84

0.168196

PL (Plain Light)

SIFT

Case1

2222

4521

29

151

19.21

1.040388

Case2

1998

2548

63

187

33.69

0.825793

Case3

3019

3583

79

273

28.94

1.08841

ORB

Case1

3313

8431

85

233

36.48

0.342016

Case2

3009

5731

170

363

46.83

0.320015

Case3

4811

8264

115

431

26.68

0.396375

BRISK

Case1

657

1890

21

67

31.34

0.192617

Case2

679

1212

57

122

46.72

0.178504

Case3

946

1889

19

108

17.59

0.230939

JT

(Joint Tile)

SIFT

Case1

3639

3413

79

345

22.90

1.110128

Case2

3037

2556

61

329

18.54

0.9551

Case3

2967

2948

77

290

26.55

0.934424

ORB

Case1

3079

2835

188

451

41.69

0.393356

Case2

2718

2480

189

428

44.16

0.343067

Case3

3454

3585

203

508

39.96

0.34757

BRISK

Case1

614

576

50

156

32.05

0.189859

Case2

557

491

61

173

35.26

0.177444

Case3

570

602

58

153

37.91

0.180835

PT

(Plain Tile)

SIFT

Case1

2074

2121

56

242

23.14

0.817029

Case2

2558

2513

21

265

7.92

0.870203

Case3

2954

2547

48

256

18.75

0.956154

ORB

Case1

1814

1962

76

266

28.57

0.324148

Case2

1757

1601

71

277

25.63

0.339789

Case3

3075

2755

84

306

27.45

0.355313

BRISK

Case1

417

447

19

117

16.24

0.205395

Case2

447

414

17

102

16.67

0.202728

Case3

504

463

19

122

15.57

0.205021

ST

(Stain Tile)

SIFT

Case1

3213

3988

89

307

28.99

1.156893

Case2

2523

2883

80

248

32.26

0.884204

Case3

3609

3651

103

333

30.93

1.099016

ORB

Case1

4079

3320

166

504

32.94

0.566061

Case2

2688

2455

80

283

28.27

0.375054

Case3

5018

3985

334

660

50.61

0.383365

BRISK

Case1

697

614

42

131

32.06

0.186138

Case2

528

476

33

108

30.56

0.177755

Case3

806

635

55

151

36.42

0.184463

2.4 결과 및 분석

Table 3은 알고리즘 적용 결과로 나오는 이미지별 특징점 검출 개수, inliers 개수, 매칭된 전체 pairs 개수(Inlier+Outlier), 정확도, 연산시간이 나타나 있다. Fig. 6에는 Inlier pairs의 매칭 결과가 빨간선으로 표시되어있고 그 매칭선분을 기준으로 이미지 접합결과가 함께 나타나 있으며 Table 3Fig. 6을 종합하여 실험결과를 분석하고자 한다.

콘크리트부의 실험결과를 관찰하면 JC에서는 모든 알고리즘의 정확도는 Case 3 BRISK(56.54%)를 제외하고 40~48% 의 수치가 나왔으며 이미지 접합 결과는 이미지 중앙 아랫부분 철선이 이격이 가장 적고 매끄럽게 접합된 Fig. 6(a)-2의 SIFT가 가장 좋았으며, 그다음으로 BRISK, ORB 순으로 좋게 나타났다. PC는 이미지 픽셀값의 변화가 크지 않은 매끈한 콘크리트 면이기 때문에 전체이미지 중 가장 적은 특징점 검출과 매칭이 이루어졌으며 Fig. 6(a)-3와 (c)-3와 같이 특징점 매칭선분의 기울기가 다른 선분보다 가파른 선분이 있거나 길이가 긴 선분이 있는 SIFT와 BRISK에선 이미지 접합이 되지 않았으며 ORB는 접합이 이루어졌다. SC는 얼룩이 있어 이미지 내에서 픽셀값의 변화가 크기 때문에 전체이미지 중 모든 알고리즘이 가장 많은 특징점을 도출했으며 특징점 매칭이 적었던 PC를 제외하고 가장 높은 정확도를 나타냈다. SC의 이미지 접합은 높은 정확도를 바탕으로 모든 알고리즘에서 동등하게 이격이 없이 매끄럽게 접합되었다. 터널 내 콘크리트 부는 PC처럼 깔끔한 콘크리트면은 전체의 0.5% 정도로 아주 작은 부분을 차지하고 콘크리트 면의 대부분이 이음부(JC)와 얼룩이 있는 콘크리트(SC)로 이루어져 있으므로 JC와 SC에서 접합의 성능이 좋은 SIFT와 BRISK가 콘크리트 부 이미지 접합에 적합한 알고리즘으로 판단된다. SIFT가 BRISK보다 더 정밀한 접합결과가 나왔지만 연산속도 측면에서 BRISK가 SIFT보다 약 5.3배 빠른 연산속도를 보여줬다.

조명부의 실험결과를 관찰하면 WL에서는 조명부 중 가장 낮은 수의 특징점이 검출되었으며 가장 낮은 정확도를 보였다. Fig. 6(c)-7의 BRISK는 특징점 매칭이 잘못되어 이미지가 접합되지 않았으며 SIFT가 ORB보다 조명하부 조명받침철 부분의 이격이 더 적고 부드럽게 접합되어 더 좋은 접합성능을 보여주었다. RL에서는 전체적으로 BRISK, ORB, SIFT 순으로 높은 정확도를 보였다. 영상접합은 Fig. 6 (a)-10의 SIFT는 조명 하부 오른쪽 모서리에서 이격이 크게 나타났으며 Fig. 6(b)-10의 ORB는 상부 조명받침철 부분에서 이격이 크게 났다. Fig. 6(c)-10의 BRISK는 세 알고리즘 중 이격이 적고 가장 좋은 접합성능이 나타났다. PL에서는 정확도의 경향성은 찾기 힘들었다. SIFT에서 이미지 손실과 이미지 조명 상하부 받침 철 부분의 이격이 적고 가장 부드럽게 접합이 되었으며 그다음으로 ORB, BRISK 순으로 좋은 접합결과가 나타났다. 조명부에서는 이미지 내 조명이 켜져 있어 명도가 높은 부분에서는 특징점 매칭이 적게 이루어지는 경향을 보였다. 조명부 접합에 유리한 알고리즘에 대한 뚜렷한 경향을 관찰하기 힘들었으며 전체적으로 연산속도는 느리지만 Fig. 6(c)-7과 같은 잘못된 매칭이 적고 가장 좋은 접합성능을 보여준 것은 SIFT였고 ORB와 BRISK도 조명부의 9개의 이미지 중 각각 2개, 1개의 이미지에서는 SIFT보다 좋은 접합성능을 나타냈다.

타일부의 실험결과를 관찰하면 JT에서 ORB, BRISK, SIFT 순으로 높은 정확도를 보여줬다. 접합성능은 SIFT, ORB, BRISK 순으로 이격이 적고 좋은 접합결과가 도출되었다. PT에서는 타일부 중 가장 낮은 특징점 검출수와 매칭이 되었지만 타일자체가 흰 타일부와 회색의 시멘트부로 픽셀값의 변화가 큰 무늬를 갖고 있어 PC나 WL 보단 높은 수의 특징점 검출과 매칭이 되었다. 접합결과는 세 알고리즘 모두 크게 차이가 나지 않으며 이격이 적고 준수한 접합결과를 보여줬다. ST에서는 얼룩이 있는 특징 때문에 타일부 중 특징점 검출이 가장 많이 되었다. 접합결과는 ORB, BRISK에선 이미지 상단에 이격이 발생하였고 SIFT는 이격이 없이 접합이 되어 SIFT, BRISK, ORB 순으로 이격이 적고 좋은 접합결과가 나타났다. 타일부는 타일무늬 이미지자체가가 픽셀값이 급격하게 변하는 흰색 타일부분과 회색 시멘트부분으로 나눠져 있어 JT, PT, ST 모든 부분에서 특징점 검출량과 매칭량이 크게 차이가 나지 않았으며 접합 성능 또한 Fig. 6(a)-4, (c)-4, (c)-8 와 같이 크게 뒤틀리는 경우가 없이 안정적으로 접합되었다. 타일부에서 SIFT가 가장 좋은 접합결과를 보여줬다. ORB, BRISK 또한 준수한 접합결과를 보여주며 SIFT보다 각각 2.6, 5.1배 빠른 연산효율을 발휘했다.

전체적으로 SIFT는 128차원의 실수기술자를 사용하므로 연산시간이 가장 높게 나타났으며 32차원의 이진기술자를 사용하는 ORB는 SIFT 보다 2.4배 빠른 연산효율을 보여줬고, 64차원의 이진기술자를 사용하는 BRISK는 SIFT보다 5배 빠른 연산효율을 발휘했다. ORB와 BRISK 중 더 낮은 차원의 기술자를 사용하는 ORB가 더 빠른 연산효율을 보여야 하지만 ORB가 BRISK 보다 약 5.3배 많은 특징점을 검출하였으므로 ORB의 특징점 검출로 연산시간이 늘어나 BRISK보다 느린 연산속도를 보여줬다. 정확도는 평균적으로 ORB, BRISK, SIFT 순으로 높게 나왔다. BRISK의 높은 정확도는 matched pairs의 개수가 작아 표본이 작은 것에서 기인했다고 볼 수 있다. ORB는 표본이 많지만 크기에 대해 부분적으로 불변성을 갖는 알고리즘이기에 이미지상 같은 위치에서 특징점이 중복되어 도출될 수 있고 Fig. 6에서 볼 수 있듯이 중복된 inlier pairs가 존재하며 정확도가 높게 나타날 수 있다. 정확도가 높은 것이 좋은 접합결과로 이어지는 것은 아니며 RANSAC은 매칭선분의 물리적인 특성은 고려하지 않기 때문에 단순히 RANSAC으로만 특징점 매칭의 Inlier를 판별하는 이전 연구(Tareen and Saleem, 2018; Hong and Shin, 2020)에서 더 나아가 Fig. 6(a)-3, (c)-3, (c)-7과 같이 매칭선분의 기울기가 가파르거나 길이가 긴 선분이 Inlier로 판별되지 않도록 RANSAC적용 이후에 특징점 매칭선분의 물리적인 기울기와 길이를 제한하여 Inlier를 판별하면 보다 효과적으로 Inlier를 검출할 수 있고 접합성능도 높아질 것으로 예상된다. 특징점 검출성능은 ORB가 중복된 특징점을 검출할 수 있다는 것을 고려하였을 시 SIFT, ORB BRISK 순으로 많은 특징점을 검출하였다. 전체적으로 SIFT가 연산속도는 느리지만 가장 정확한 접합결과를 보여줬다. 연산시간보다 정확도가 중요시되는 정밀한 평면전개 이미지 생성에 SIFT가 활용될 수 있고 ORB와 BRISK도 준수한 접합결과를 보여줘 대용량 영상에서 빠른 영상처리 속도가 요구되는 작업에 사용될 수 있다.

Fig. 6 Features matching and image stitching result
../../Resources/ksm/jksmi.2022.26.5.30/fig6.png../../Resources/ksm/jksmi.2022.26.5.30/fig6-1.png../../Resources/ksm/jksmi.2022.26.5.30/fig6-2.png../../Resources/ksm/jksmi.2022.26.5.30/fig6-3.png

3. 결 론

본 연구에서는 터널안전점검 자동화를 위한 터널스캐닝 영상의 접합에 유리한 특징점 검출 알고리즘을 성능평가하였으며 결과는 아래와 같다.

콘크리트부에서는 알고리즘 간 정확도 차이가 크게 나타나지 않았고 콘크리트부의 0.5%정도를 차지하는 매끄러운 콘크리트에서는 특징점 검출이 어려웠으며 ORB 알고리즘만 접합되었다. 콘크리트부의 대부분을 차지하는 얼룩이 있는 콘크리트에서 SIFT가 가장 좋은 접합성능을 보여줬다.

조명부에서는 터널이미지 중 가장 낮은 정확도를 나타냈으며 이미지 내 조명이 켜져 있어 명도가 높은 부분에서는 특징점 매칭이 적게 이루어지는 경향을 보였다. 조명부 접합에 유리한 알고리즘에 대한 뚜렷한 경향을 관찰하기 힘들었으며 전체적으로 가장 좋은 접합성능을 보여준 것은 SIFT였고 ORB, BRISK 또한 준수한 접합성능을 나타냈다.

타일부에서는 전체적으로 SIFT가 가장 좋은 접합결과를 보여줬다. ORB, BRISK 또한 준수한 접합결과를 보여주며 SIFT보다 각각 2.6, 5.1배 빠른 연산효율을 발휘했다.

전체적으로 특징점 검출성능은 SIFT, ORB BRISK 순으로 많은 특징점을 검출하였다. 정확도는 BRISK, ORB, SIFT 순으로 높게 나왔지만 BRISK의 높은 정확도는 표본이 작은 것에서 기인했다고 볼 수 있고 ORB는 표본이 많지만 중복된 inlier pairs가 존재하며 정확도가 높게 나타날 수 있다. 정확도가 높은 것이 좋은 접합결과로 이어지는 것은 아니며 전체적으로 SIFT가 가장 정확한 접합결과를 보여줬다. 연산시간보다 정확도가 중요시되는 정밀한 평면전개 이미지 생성에 활용될 수 있다. ORB와 BRISK도 준수한 접합결과를 보여줘 실시간 접합이 필요할 경우 사용될 수 있는 가능성을 확인했다. 추후 터널스캐닝이미지의 접합 오류를 줄이기 위하여 터널 이미지 접합에 유리한 터널촬영기법 연구가 필요할 것으로 사료되며 터널스캐닝 촬영성능이 향상될수록 터널 이미지 접합성능도 크게 향상될 것으로 예상된다.

감사의 글

본 연구는 국토교통부/국토교통과학기술진흥원의 지원으로 수행되었으며 이에 감사드립니다(21CTAP-C163730-01).

References

1 
Han, S. M., Lee, D. H., Lee, S. H. (2021), Safety Effect Evaluation of Existing Metro Tunnel by Deep Urban Tunnelling, Journal of The Korean Geotechnical Society, 37(9), 37-50.DOI
2 
Yoon, T. G., Lee, S. (2008), A Study for Tunnel Management System Development Using a Tunnel Scanner, Journal of Korea Sturctural Maintenance and Inspection, 12(3), 183-190.URL
3 
Lee, D. H., Kim, J. W., Jun, T. H., Jeong, W. S., Park, K. T. (2016), Development of Performance Prediction Method for Bridge and Tunnel Management Decision-making, Journal of Korea Sturctural Maintenance and Inspection, 20(1), 33-40.DOI
4 
Lee, J. W., Lee, S. W. (2018), A Monitoring System of Tunnel Risk Factors based on Collapse and Fire Detection Sensors, Korea Software Congress 2018, 498-500.Google Search
5 
Kim, S. J., Lee, S. W., Seo, D. M. (2019), A Comparative Analysis of Image Feature Extraction Algorithm for Generation of Panorama Images in Tunnel, Korea Computer Congress 2019, 1409-1411.Google Search
6 
Kim, I. S., Lee, C. H. (2018), Development of Video Shooting System and Technique Enabling Detection of Micro Cracks in the Tunnel Lining while Driving, Journal of Korean Society of Hazard, 18(5), 217-229.DOI
7 
Kim, B. H., Cho, S. J., Chae, H. J., Kim, H. K., Kang, J. H. (2021), Development of Crack Detection System for Highway Tunnels using Imaging Device and Deep Learning, Journal of Korea Sturctural Maintenance and Inspection, 25(4), 65-77.DOI
8 
Li, D., Xie, Q., Gong, X., Yu, Z., Xu, J., Sun, Y., Wang, J. (2021), Automatic defect detection of metro tunnel surfaces using a vision-based inspection system, Advanced Engineering Informatics, 47, 101206DOI
9 
Lowe, D. G. (2004), Distinctive image features from scale-invariant keypoints, International journal of computer vision, 60(2), 91-110.DOI
10 
Rublee, E., Rabaud, V., Konolige, K., Bradski, G. (2011, November), ORB: An efficient alternative to SIFT or SURF, In 2011 International conference on computer vision, Ieee, 2564-2571.DOI
11 
Leutenegger, S., Chli, M., Siegwart, R. Y. (2011, November), BRISK: Binary robust invariant scalable keypoints, In 2011 International conference on computer vision, Ieee, 2548-2555.DOI
12 
Park, S., Park, J. T., Jee, K. H., Hong, S. J. (2021), Detecting Accuracy on Crack Damages of Large-Scale Facilities using an Image-based Scanning System, Journal of Korean Society for Advanced Composite Structures, 12(6), 46-52.Google Search
13 
Ahn, H., Rhee, S. B. (2012), Fast Image Stitching Based on Improved SURF AlgorithmUsing Meaningful Features, The KIPS Transactions: Part B, 19-B(5), 93-98.DOI
14 
Wei, L. I. U., Wenjie, Z. H. A. O., Cheng, L. I., Zhonglin, X. U., Kaiqiao, T. I. A. N. (2015), Detecting small moving target based on the improved ORB feature matching, Opto-Electronic Engineering, 42(10), 13Google Search
15 
Tareen, S. A. K., Saleem, Z. (2018, March), A comparative analysis of sift, surf, kaze, akaze, orb, and brisk, In 2018 International conference on computing mathematics and engineering technologies (iCoMET), Ieee, 1-10.DOI
16 
Hong, S., Shin, H. S. (2020), Comparative Performance Analysis of Feature Detection and Matching Methods for Lunar Terrain Images, KSCE Journal of Civil and Environmental Engineering Research, 40(4), 437-444.DOI