유다영
(Dayoung Yu)
1
이채은
(Chaeeun Lee)
2
심성한
(Sung-Han Sim)
3†
-
학생회원,성균관대학교 건설환경공학부 학사과정
-
학생회원,서울대학교 건축학과 연구원
-
정회원,성균관대학교 글로벌스마트시티융합전공 교수, 교신저자
Copyright © The Korea Institute for Structural Maintenance and Inspection
키워드
자동화, 건축물 점검, LiDAR, 포인트 클라우드, 기울기
Key words
Automation, Building inspection, LiDAR, Point cloud, Tilt
1. 서 론
건축물관리법과 건축물관리점검지침에는 건축물의 성능 유지와 개선을 위하여 건축물 정기 점검의 실시 방법 및 절차가 제시되어 있다. 현재 건축물 안전
점검은 대부분 인력 기반으로 이루어지며, 이에 따라 점검자별로 점검 결과에 차이가 발생할 수 있고, 점검 누락이 발생할 경우 손상 이력 관리가 불가능하여
부실 점검으로 이어질 수 있다. 또한 많은 조사 인력과 비용을 필요로 한다는 한계도 존재한다. 특히 최근 노후 건축물이 급속하게 증가하는 추세에 있어
유지 관리에 투입되는 인력과 시간, 비용의 증가가 예상된다. 이러한 상황에서 인력 기반 안전 점검의 문제점을 최소화하기 위해서는 계측 데이터 기반의
효율적이고 정확한 건축물 안전 점검 기술의 개발과 적용이 필요하다.
최근 카메라, LiDAR 등의 센서 기술과 인공지능이 비약적으로 발전하면서 구조물 점검 및 진단 분야에서도 영상과 포인트 클라우드를 활용한 연구를
활발하게 수행하고 있다. 영상 정보는 주로 구조물의 외관을 촬영하고 딥러닝을 적용하여 구조물 외부 표면의 손상을 자동 검출하는데 사용되고 있다. 포인트
클라우드는 LiDAR, RGB-D 카메라 등으로 수집되는 점군 데이터를 의미한다. 포인트 클라우드는 이미지와 달리 센서 위치를 기준으로 각 포인트의
3차원 좌표값을 갖고 있어, 이를 구조물의 손상진단, 대상물의 치수 측정 등에 사용하고 있다 (Bolourian et al.,(2023); Kim and Kim,(2020); Zhao et al.,(2022)). 특히, 건축물 안전점검 및 진단은 주기적으로 반복 작업을 요구하고 점검항목이 다양한데 현재 모든 점검항목에 대해 인력기반으로 진행되고 있어, 영상
및 포인트 클라우드 등의 센서 데이터를 활용한 자동화를 통해 효율적인 건축물 유지관리 체계를 구축할 수 있다.
건축물 안전점검 및 진단에는 센서 데이터를 이용하여 자동화 및 객관화가 가능한 점검항목이 다수 포함되어 있으며, 이 중 건축물의 기울기, 난간 높이,
구조부재 처짐 등의 항목은 포인트 클라우드를 통해 효율적인 점검이 가능하다. 특히 건축물의 기울기는 구조적 건전성과 밀접하게 관련되어 있어 정밀한
계측이 요구된다. 통상 토탈스테이션으로 건축물의 상하부 위치를 계측하여 기울기를 추정하는데, 점검자가 수동으로 시준하기 때문에 정확한 기울기 값을
얻기 어렵다. 정확하고 객관적인 계측값을 얻기 위해 경사계와 GPS를 이용한 계측방법론이 연구된 바 있지만 (Yigit et al.,(2010)) 이는 건물의 동적 변화 계측을 목적으로 하였다. 정적상태의 건축물 벽면의 기울기를 측정한 연구가 진행된 바 있다. Angelique et al.(2022)는 UAV에 부착한 초음파 센서를 통해 얻은 벽면과 UAV간의 거리 계산을 통해 기울기를 측정하였고, Bačová et al.(2023)의 연구에서는 레이저 스캐닝 시 스캔영역을 수동으로 지정하고 이로부터 정의되는 포인트 클라우드 형태의 벽면의 법선벡터 값을 이용하여 그 기울기 변화를
분석한 것으로, 전체 건축물을 스캔하여 점검을 자동화하는 과정에 직접적으로 사용하기는 어렵다. 또한 Yu et al.(2022)의 연구에서는 지진피해 건축물의 구조상태 추정을 위해 Structure from Motion을 통해 생성한 포인트 클라우드를 이용하여 평면형태 부재의
기울기를 계측한 것으로, 자동화된 방식으로 벽면을 탐지하고 기울기를 계측하는데 한계가 있다.
본 연구는 포인트 클라우드를 이용한 건축물 기울기 측정 자동화 기법을 제안한다. 제안 기법은 건축물 정기점검 매뉴얼에 따라 기준 수량은 측정이 가능한
건축물 외벽 모서리 전체이고 건물 하단부와 상단부의 수평 변위를 조사하는 것으로 하며, 적용 대상은 직육면체 형태의 건물로 제한한다. 제안 알고리즘은
두 단계로 이루어져 있는데, 먼저 건축물의 포인트 클라우드로부터 외벽 평면을 추출한다. 다음으로, 추출된 평면 중 만나는 서로 다른 두 평면의 교선이
실제 건축물의 외벽 모서리를 대표할 수 있으므로, 이의 기울기를 계산한다. 제안 기법은 성균관대학교에 위치한 공학실습동 건물을 대상으로 실제 적용해
보았다.
2. 포인트 클라우드 기반 건축물 기울기 측정
본 논문에서 제안하는 기울기 측정 알고리즘은 포인트 클라우드로부터 건축물의 모서리를 자동으로 추정하고 그 기울기를 계산한다. 단, 본 논문은 건축물의
기울기만을 계측하기 위해 포인트 클라우드를 취득하는 경우가 아니라, 자동화된 건축물의 안전 점검 및 진단을 위해 영상정보 및 포인트 클라우드 데이터가
취득되었을 경우를 가정하고 이때 포인트 클라우드로부터 기울기를 자동으로 계산하는 알고리즘이다. 제안 알고리즘은 외벽 평면 추출 모서리 추정 및 기울기
계산의 두 단계로 구성된다(Fig. 1).
Fig. 1 Flowchart of the automated tilt measurement
2.1 외벽 평면 추출
외벽 평면 추출은 건축물 포인트 클라우드를 분할한 후 분할된 포인트 클라우드마다 한 개의 평면을 추출하는데, 분할은 x축과 y축 방향으로 나누어 진행하며
Fig. 2와 같이 분할 진행 방향과 수직인 평면을 추출한다. 이를 위해 먼저, 건축물 포인트 클라우드의 외벽 평면이 직교좌표계 축과 평행하도록 정렬한다. 건축물
포인트 클라우드에서 가장 넓은 벽면 한 개를 추출하고, 이 벽면의 법선벡터와 x축과의 각도 계산 후 건물의 포인트 클라우드를 x축과 평행하도록 회전하여
정렬할 수 있다. 벽면 추출은 RANSAC (Fischler and Bolles,(1981)) 기반의 평면추출 알고리즘을 활용하는데, 이는 평면추출을 위해 3개의 포인트를 무작위 추출하여 평면을 정의하고, 정의된 평면과 다른 포인트들과의 거리를
계산하여 설정한 거리 임계값 내의 포인트들을 inlier로 정의하는 과정을 여러 번 반복한 후 inlier 포인트의 수가 가장 큰 평면을 추출하는
알고리즘이다. 이 알고리즘에 추가로 평면의 법선벡터가 z축과 이루는 각도가 85∘ ~ 95∘범위라는 조건을 설정하여 건물의 포인트 클라우드에서 평면
중 바닥면을 제외한 벽면만을 추출할 수 있다.
다음 단계로 포인트 클라우드를 window로 분할하는데, Fig. 2와 같이 window를 x축과 y축 방향으로 이동시키면서 분할된 포인트 클라우드에서 벽면을 추출한다. 분할 진행 방향과 수직인 외벽 평면을 추출하기
위해 window의 이동 방향에 따라 추출할 벽면의 법선벡터에 대한 각도 조건을 설정한다. x축을 따라 window를 이동시키며 분할된 포인트 클라우드에서
평면을 추출할 때는 추출될 외벽 평면의 법선벡터가 x축과 이루는 각도보다 y축과 이루는 각도가 더 커야 한다는 조건을 설정하고, y축 방향에 대해서는
반대의 조건을 적용하여 구현할 수 있다.
window의 크기는 건축물 포인트 클라우드의 x, y축 방향 길이 중 짧은 길이에 대한 비율로 결정한다. window의 크기를 x, y축 방향 길이
중 짧은 길이보다 작게 해야 하는 이유는 건물에 존재하는 모든 외벽 평면을 빠짐없이 추출하기 위함이다. 만약 window의 크기가 짧은 길이 이상이면
짧은 길이 방향으로 분할이 진행되지 않으므로 한 개의 외벽 평면만 추출되는 문제가 발생한다. 또한 절대적인 길이가 아닌 비율로 정하는 것은 건물의
규모에 따라 유동적으로 적용할 수 있도록 하기 위함이다.
추출할 외벽 평면의 법선벡터의 각도 조건을 설정하여 분할 진행방향과 수직인 평면만을 추출하는 이유는 window에 의해 분할된 평면의 일부분이 추출되지
않도록 하기 위함이다. 만약 각도 조건을 설정하지 않는다면, Fig. 3과 같이 분할 진행방향과 평행한 평면의 일부분이 추출되는 문제가 발생할 수 있다.
Fig. 2 Principle of plane extraction
Fig. 3 Potential problem arising from the absence of angle condition
2.2 모서리 추정 및 기울기 계산
인접한 두 외벽 평면이 공유하는 외벽 모서리를 추정하고 이로부터 기울기를 계산한다. 건축물 포인트 클라우드에서 외벽 모서리를 나타내는 두 외벽 평면의
교선을 찾기 위해, 두 평면의 교선은 각각의 평면에 공통으로 포함된 직선이므로 두 평면의 법선벡터에 동시에 수직이라는 점을 이용한다. 먼저, 추출된
평면들 중 x축에 평행한 평면과 y축에 평행한 평면을 하나씩 짝지으며 평면에 포함된 포인트의 좌표가 특정한 조건을 만족할 때 인접한 두 평면이라고
판단한다. x좌표에 대한 조건은 y축에 평행한 평면에 포함된 포인트들의 x좌표값의 평균과 x축에 평행한 평면에 포함된 포인트들의 x좌표 최소값 또는
최대값과의 차이가 임계값 이내라는 것이며, y좌표에 대한 조건은 그 반대이다. 이 두 조건 중 하나를 만족하면 인접한 두 평면이라고 판단한다. 다음으로,
인접한 두 평면의 법선벡터를 외적하여 교선의 방향벡터를 계산한 후(Fig. 4), 식 (1)에 따른 교선의 방향 벡터와 z축의 내적 계산을 통해 교선과 연직방향이 이루는 각도를 계산하여 건축물 외벽 모서리의 기울기를 측정한다.
Fig. 4 Direction vector of adjacent planes
3. 건축물 대상 적용
3.1 대상 건축물 포인트 클라우드 데이터 구축
대상 건축물은 성균관대학교 공학실습동(Fig. 5)으로, 직육면체 형태이고 중앙부에 통로가 있어 건물에는 총 8개의 외벽 모서리가 존재한다. 레이저 스캐닝 작업은 포인트 밀도의 균일성과 건물 주위
장애물, 포인트 클라우드 정합 작업을 위한 중첩 영역을 고려하여 Fig. 6과 같이 총 21개의 위치에서 수행하였다. 스캐닝 시 LiDAR에 내장된 이미지센서를 이용하여 각 포인트의 RGB 데이터도 저장하였다. 계측에 사용된
레이저 스캐너는 Leica P40이고, 내장 수평보상기를 이용하여 z축을 보정하였다.
레이저 스캐닝을 통해 포인트 클라우드 데이터를 취득한 후 정합, 노이즈 제거, 다운샘플링의 전처리 작업을 수행하였다. 포인트 클라우드의 정합은 Leica
Cyclone 소프트웨어를 사용하여 스캔 데이터 간 공통 포인트를 선택하는 Manual Registration 방식으로 수행하였다. 정합 작업 이후에
CloudCompare 소프트웨어를 사용하여 스캔 데이터에 포함된 건물 주위의 노이즈를 수동으로 선택하여 제거한 후(Fig. 7), 복셀 크기 0.03m로 복셀 다운 샘플링을 수행하였다. 이러한 전처리 작업 후 최종적으로 구축한 대상 건축물의 포인트 클라우드는 Fig. 8과 같다.
Fig. 6 Laser scanning locations
Fig. 7 Data preprocessing (top: registration, bottom: background noise removal)
Fig. 8 Point cloud data of the target building (the numbers denote plane intersections)
3.2 대상 건축물 외벽 기울기 추정
제안된 방법론을 건축물 포인트 클라우드에 적용하여 그 성능을 확인하였다. 먼저, 포인트 클라우드로부터 외벽 평면을 추출하였는데, 이때 window
크기는 x, y축 방향 외벽 길이 중 작은 값인 y축 방향 외벽 길이의 30%로 설정하였다. 해당 대상 건축물의 경우에 노대가 존재하는데, 30%보다
작은 값으로 설정할 경우 노대의 벽면이 추출되기 때문에, 이를 고려하여 결정하였다. 그 결과 분할 진행 방향이 x축일 때 4개, y축일 때 2개의
평면이 추출되었다(Fig. 9). 인접한 두 평면을 찾기 위한 x, y좌표값 조건의 임계값은 3m로 설정하였으며, 총 8개의 모서리의 기울기를 추정하였다(Fig. 10).
Fig. 9 Extracted exterior wall planes
Fig. 10 Intersection of planes (left: intersection 1, right: intersection 5)
3.3 토탈스테이션 계측값과의 비교
토탈스테이션을 이용하여 대상 건축물의 기울기를 계측하여, 제안 알고리즘의 결과와 비교했다. 건축물의 기울기를 계측하기 위해 일반적으로 토탈스테이션을
사용하기 때문에, 본 연구에서도 이를 선택하였다. 건축물 정기점검 매뉴얼에 따라 기울기를 측정하였는데, 토탈스테이션 측정값의 객관성을 높이기 위해
다음과 같은 방식으로 수행하였다. 각 외벽 모서리마다 모서리 상의 최상단과 최하단 점을 10회씩 측정하는데, 두 사람이 5회씩 번갈아가며 수동으로
시준한 후 측정값의 평균을 계산하여 최종 좌표값을 도출하였다. 외벽 모서리의 기울기 계산은 모서리의 최상단($x_{2},\: y_{2},\: z_{2}$)과
최하단($x_{1},\: y_{1},\: z_{1}$)의 3차원 좌표값을 이용하여 식 (2)에 따라 계산하였다.
제안 알고리즘을 대상 건축물에 적용하여 추정한 기울기 값과 토탈스테이션 계측값을 비교하였다. Table 1에 나타낸 바와 같이 제안 알고리즘의 추정값이 토탈스테이션 계측값의 최대, 최소 범위에 대부분 포함되어 있다. 토탈스테이션 계측값의 표준편차는 최소
0.062°, 최대 0.227°로, 건축물 정기점검 매뉴얼에 명시된 기울기 평가기준 간 기울기 값 차이에 비해 큰 값을 가진다. 따라서, 기울기 계측에
토탈스테이션을 이용하는 것은 적합하지 않으며 제안 방법론이 기존의 토탈스테이션 기반 계측법을 대체할 만한 수준으로 판단된다.
Table 1 Comparison of the proposed method and total station
|
Inter- section
|
Proposed method
[°]
|
Total station
[°]
|
|
Minimum
|
Mean
|
Maximum
|
Standard deviation
|
|
1
|
0.162
|
0.015
|
0.142
|
0.280
|
0.108
|
|
2
|
0.123
|
0.022
|
0.148
|
0.273
|
0.103
|
|
3
|
0.114
|
0.040
|
0.092
|
0.190
|
0.062
|
|
4
|
0.117
|
0.014
|
0.164
|
0.553
|
0.227
|
|
5
|
0.145
|
0.014
|
0.089
|
0.192
|
0.073
|
|
6
|
0.142
|
0.160
|
0.250
|
0.413
|
0.105
|
|
7
|
0.150
|
0.209
|
0.307
|
0.389
|
0.074
|
|
8
|
0.183
|
0.206
|
0.390
|
0.552
|
0.141
|
4. 결 론
본 연구에서는 포인트 클라우드를 이용하여 건축물 기울기 측정을 자동화하는 기법을 개발하였다. 이는 건축물 포인트 클라우드에서 외벽 평면을 추출하고,
인접한 두 평면의 법선벡터의 외적을 통해 교선의 방향벡터를 계산한다. 이 교선은 실제 건축물 외벽 모서리를 나타내며 교선의 방향벡터와 연직방향과의
각도 계산을 통해 건축물 기울기를 추정한다. 제안 알고리즘을 대상 건축물에 적용하여 기울기를 추정하였고 그 결과를 토탈스테이션 계측값과 비교한 결과,
외벽 모서리 8개 중 5개에 대해서 제안 알고리즘의 추정값이 토탈스테이션 계측값의 최대, 최소 범위에 포함되므로 제안 알고리즘의 성능은 토탈스테이션을
대체할 만한 수준으로 판단된다. 또한 토탈스테이션 계측값의 표준편차가 기울기 평가기준 간 기울기 값 차이에 비해 큰 것으로 보아, 기울기 측정에는
해당 방법이 적합하지 않은 것으로 사료된다. 본 연구에서 제안하는 포인트 클라우드 기반 건축물 기울기 측정 자동화 알고리즘은 기존 토탈스테이션을 이용한
측정에 비해 사람의 개입을 최소화하여 객관적이고 정확한 결과를 산출할 수 있다.
감사의 글
본 연구는 국토교통부/국토교통과학기술진흥원의 지원으로 수행되었음(RS-2022-00143584).
References
Bolourian, N., Nasrollahi, M., Bahreini, F., and Hammad, A. (2023), Point cloud–based
concrete surface defect semantic segmentation, Journal of Computing in Civil Engineering,
37(2).
Kim, H., and Kim, C. (2020), Deep-learning-based classification of point clouds for
bridge inspection, Remote Sensing, 12(22).
Zhao, W., Jiang, Y., Liu, Y., and Shu, J. (2022), Automated recognition and measurement
based on three-dimensional point clouds to connect precast concrete components, Automation
in Construction, 133.
Yigit, C. O., Li, X., Inal, C., Ge, L., and Yetkin, M. (2010), Preliminary evaluation
of precise inclination sensor and GPS for monitoring full-scale dynamic response of
a tall reinforced concrete building, Journal of Applied Geodesy, 4.
Angelique, A., Kelley, A., and Zhou, M. (2022), Tilt Measurement of Buildings Utilizing
an Unmanned Aerial Vehicle, Journal of Student Academic Research, 3(1).
Bačová, D., Ižvoltová, J., Šedivý, Š., and Chromčák, J. (2023), Different approach
for the structure inclination determination, Buildings, 13(3), 637.
Yu, R., Li, P., Shan, J., and Zhu, H. (2022), Structural state estimation of earthquake-damaged
building structures by using UAV photogrammetry and point cloud segmentation, Measurement,
202, 111858.
Fischler, M. A., Bolles, R. C. (1981), Random sample consensus: A paradigm for model
fitting with applications to image analysis and automated cartography, Communications
of ACM, 24(6), 381-395.