김종국
(Jong-Guk Kim)
1
최우석
(Woo-Suk Choi)
2
백승훈
(Seung-Hoon Baek)
2
우욱용
(Ukyong Woo)
3
최하진
(Hajin Choi)
4†
-
정회원, 시설물안전연구원(주) 본부장
-
정회원, 시설물안전연구원(주) 선임연구원
-
정회원, 숭실대학교 박사과정
-
정회원, 숭실대학교 건축학부 부교수, 교신저자
Copyright © The Korea Institute for Structural Maintenance and Inspection
키워드
인공지능, 비부착, 비접촉, YOLO, 계측방법
Key words
AI, Non-attachment, Non-contact, YOLO, Measurement method
1. 서 론
문화재와 같은 주요 시설물은 자연적⋅인위적 요인에 의해 구조적 손상이 발생할 가능성이 있으며, 이를 보존하고 안전하게 관리하기 위해 변위 계측 기술이
필수적이다. 변위 계측 기술은 목적에 따라 계측 기기의 특성을 한정하고, 불확실한 요인과 원인을 최소화하여 신뢰도를 향상시키는 방향으로 발전해왔다.
특히, 기존의 변위 계측 기술은 시설물 표면에 물리적으로 부착하여 데이터를 수집하는 방식이 주로 사용되었으나, 문화재의 경우 이러한 방식이 물리적
손상을 초래할 수 있어 한계가 존재한다. 이에 따라 정확도(Accuracy), 정밀도(Precision), 높은 분해능(Resolution)을 요구하며,
비부착⋅비접촉 개념의 변위 계측 기술에 대한 필요성이 증가하고 있다.
변위 계측 기술은 발전 과정에서 접촉형 방식에서 비접촉 방식으로, 나아가 디지털 이미지 처리와 AI 기반 방식으로 점차 고도화되고 있다. 접촉 기반
기술은 변위와 길이를 정밀하게 측정할 수 있다는 장점이 있다. 대표적으로 버니어캘리퍼스, 마이크로미터, 전자기식 변위 변환기(LVDT: Linear
Variable Displacement Transducer), 디지털 경사계 등이 있다(Lorenzoni et al., 2016; Gentile et al., 2019). 이러한 기기들은 주로 부착하거나 물리적으로 접촉하여 데이터를 수집하지만, 측정 대상에 직접 접촉함으로써 민감한 표면에 손상을 줄 가능성이 있고,
측정 환경에 따라 정밀도가 저하되는 한계를 가진다. 예를 들어, 버니어캘리퍼스와 마이크로미터는 정밀한 길이 측정에 널리 사용되지만, 접촉 방식으로
인해 시설물의 표면에 손상을 줄 수 있다. 또한, 전자기식 변위 변환기(LVDT)는 높은 정밀도를 제공하지만, 설치 과정에서 부착이 필요하며, 환경적
요인에 의해 측정 정확도가 영향을 받을 수 있다. 디지털 경사계 역시 설치 시 부착이 요구되며, 측정 환경의 변화에 민감하게 반응하는 특성이 있다.
이와 대조적으로, 비접촉 기반 기술은 초음파 센서, 레이저 센서, LiDAR(Light Detection and Ranging)와 같은 기술을 활용하여
물리적 접촉 없이 데이터를 수집하는 방식을 제공한다(Fregonese et al., 2013; Furini et al., 2015). 이러한 기술은 시설물의 구조적 손상을 방지할 수 있다는 이점이 있지만, 조도 변화나 기상 조건 등 외부 환경적 요인에 의해 신뢰성이 저하될 가능성이
있다.
최근 디지털 이미지 처리 기술의 발달과 함께, 비접촉 계측 방식의 새로운 접근법으로 이미지 기반 변위 계측이 주목받고 있다. Lucas-Kanade
및 Horn-Schunck와 같은 알고리즘을 활용하여 디지털 이미지 상의 변위 벡터를 생성하고 이를 분석하는 방식이 널리 사용되고 있으며, 비접촉으로
높은 정밀도의 데이터를 수집할 수 있다는 장점을 가진다(Lucas and Kanade, 1981; Horn and Schunck, 1981). 그러나 조도 변화와 노이즈와 같은 환경적 요인에 민감하다는 한계를 지니고 있다.
이를 극복하기 위해 AI 알고리즘을 변위 계측 및 손상 탐지 기술에 접목하여 환경적 요인의 영향을 최소화하고 기술의 신뢰성을 높이고자 하는 연구가
활발히 진행되고 있다. CNN(Convolutional Neural Networks)은 이미지 데이터를 학습하고 분석하여 변위 측정 과정에서 발생하는
노이즈를 줄이고, 계측 결과의 정확도를 높이는 데 주로 활용되고 있다(Kang et al., 2021). 한편, Faster R-CNN(Faster Region-based Convolutional Neural Network)과 같은 AI 기술은 균열,
박락, 철근 노출과 같은 손상을 탐지하고, 손상의 위치와 크기를 정량적으로 분석하는 데 효과적으로 사용되고 있다(Pathak et al., 2021). 이러한 딥러닝 기반 기술은 시설물 상태 관리를 정밀하고 체계적으로 수행할 수 있는 가능성을 제시하며, 변위 계측과 손상 탐지의 고도화를 동시에
이끌고 있다.
본 연구에서는 개발된 비부착⋅비접촉 계측기의 영상 해석 과정에서 AI 알고리즘을 적용하여, 조도 변화와 기상 조건으로 인해 발생할 수 있는 노이즈
문제를 개선하고자 하였다. 개발된 계측기는 1 m 거리에서 0.1 mm 미만의 분해능력을 제공하며, 주요 시설물에 설치하고 4년간 운용하면서 그 성능을
검증하였다(Lee et al., 2020; Kim et al., 2021; Kim et al., 2021). 노이즈 조건에서 발생하는 영상해석의 오류를 최소화하고자 YOLOv8(You Only Look Once) 학습모델을 활용한 딥러닝 분석을 사용하였다.
본 연구는 비부착, 비접촉 변위 계측 방식을 AI 알고리즘을 통해 고도화하여, 문화재와 같은 주요 시설물의 장기적이고 신뢰성 있는 상태 모니터링에
기여하는 것을 목표로 한다.
2. 비부착 비접촉 계측
2.1 계측 알고리즘
본 계측 방식은 구조체의 표면에 ╋형 가상 그리드 레이저를 투사하고, 이를 기반으로 변위량을 측정하는 기술이다. 계측 장비는 Fig. 1과 같이 Laser(Delos Laser TU5240)와 카메라(Sony IMX477), 컴퓨터(Raspberry Pi 4)로 구성되어 있으며, 현장에서
레이저를 투사할 구조체 표면에 정렬 및 고정된 상태에서 작동한다. 또한, 계측 장비는 프로그래밍된 간격으로 구조체에 투사된 레이저를 촬영한다. 촬영된
이미지는 Fig. 2와 같이 후처리 과정에서 색공간 필터링과 엣지 탐지(Edge detection)를 통해 좌표값($x,\: y$)을 추출하며, 구조체의 변위량($\Delta
X,\: \Delta Y$)과 경사각($\Delta\theta$)을 위한 데이터로 활용된다.
구조체의 경사각은 Fig. 3에 나타난 이미지 상에서 ╋형 레이저의 픽셀 위치 변화로부터 추정할 수 있다. 이를 위해 촬영된 이미지는 Fig. 3과 같이 이진화, 노이즈 제거, 마스크 적용, 그리고 외곽선 검출의 후처리 과정을 거친다. 이렇게 얻어진 좌표값을 기반으로 경사각($\theta$)은
다음 식 (1)을 통해 계산된다.
여기서, $H$는 레이저 투사 높이이며, $\Delta X$는 레이저 교차점의 좌우 변위량을 나타낸다. 경사각($\theta$)은 구조체의 변형 정도를
정량적으로 나타낼 수 있다. 해당 계측 방식은 비접촉 방식을 활용하여 구조체의 변형을 실시간으로 평가할 수 있는 방법을 제공한다. 개발된 계측기 한국산업기술시험원의
공인인증시험을 통해 1 m 거리에서 0.1 mm 이하의 분해능을 확인하였으며, 실외 환경에서 20분 간격으로 다이얼 게이지와의 비교 실험을 통해 계측
성능을 검증하였다(Lee et al., 2020; Kim et al., 2021; Kim et al., 2021).
Fig. 1 Configuration of the non-contact displacement measurement system
Fig. 2 Image processing flow for virtual grid extraction
Fig. 3 Measurement scenario for displacement detection
2.2 환경 요소에 따른 계측 조건 변화
개발된 계측기를 3년 동안 다양한 계측 현장에 설치하여 취득된 이미지를 누적 분석한 결과, 장기적인 경향성을 파악하는 데 유용한 근거를 제공하였다.
Fig. 4는 경기도 소재 석탑에 설치된 계측기의 현장 모습과 장비 구성을 보여주며, Fig. 5는 2024년 7월 한 주간(week) 동안 촬영된 데이터의 일별 평균값을 나타낸다. 본 연구에서는 2024년 7월 8일 00:00부터 7월 14일
23:30까지 30분 간격으로 계측을 수행하였으며, 이를 통해 구조물 변위의 추세 확인이 가능하였다.
하지만 개발된 비부착, 비접촉 계측기의 정확도 검증에도 불구하고 장기간 실외 계측을 수행하는 과정에서 환경적 노이즈의 영향을 받을 가능성이 확인되었다.
환경적 노이즈란 계측 시스템의 외부 환경 변화로 인해 측정 오차가 발생하는 현상을 의미하며, 본 연구에서는 조도 변화(맑은날, 흐린날, 일출⋅일몰,
역광 등) 및 기상 악화(강우, 안개 등)로 인해 레이저 검출 성능이 저하되는 현상을 포함한다. 이러한 환경적 요인은 계측된 이미지의 품질 저하를
초래하며, 결과적으로 변위 측정값의 불확실성을 증가시키는 주요 원인이 된다. 구체적으로 Fig. 6(a)에 일반적인 데이터 계측 사례에 비하여, Fig. 6(b), (c)와 같이 측정시간에서의 조도에 의해 레이저가 번져 보이는 현상(blur)이 관찰되었다. ╋형 가상 그리드 레이저에 대한 이미지 픽셀(Pixel)은
HSV(색상 : Hue, 채도 : Saturation, 명도 : Value) 좌표값에서 주간에 2600개, 야간에 2615개로 변화한다. 조도변화에
따른 보정이 필요하지만 다양한 환경적 변화의 조도의 상황변화에 대응되는 보정값의 제공이 현실적으로 어려운 상태이다. 둘째, 강우나 안개 등 기상 악화
시 Fig. 6(d)와 같이 레이저의 산란으로 계측 대상면의 ╋(Cross)모양 선명도가 저하되는 현상이 발생되어 계측면의 엣지탐지(edge detection)시 오차가
크게 발생된다.
이러한 환경적 영향에 따른 변위 측정값을 분석한 결과, 환경요소에 따른 일변화량이 ±40픽셀(Pixel)로 확인되었으며, 변위 변동폭을 1픽셀 당
0.04 mm로 환산할 경우 최대 1.6 mm의 진동폭이 발생하는 것으로 나타났다. 따라서, 보다 정밀한 계측을 위해서는 환경적 노이즈를 개선할 수
있는 보정 기법이 필요하다.
Fig. 4 Equipment configuration of the displacement measurement system at the stone
pagoda
Fig. 5 Daily displacement variations influenced by environmental noise
Fig. 6 Measured images under varying environmental conditions
3. AI 알고리즘 활용을 통한 노이즈 개선
3.1 YOLOv8 학습 모델
본 연구에서는 YOLOv8(You Only Look Once)을 이용하여 이미지를 학습한 후, ╋형 가상 그리드 레이저의 영역 및 중앙교차점 탐지에
활용하여 환경적 노이즈를 개선하고자 하였다. AI학습 및 이미지 해석은 파이썬(Python) 3.10v을 기반으로 수행되었다.
사용된 이미지는 현장에서 수집된 2024년 데이터이며, 수집된 이미지는 주간과 야간, 일출과 일몰 환경에서의 다양한 현장의 데이터를 학습시킬수 있는
수준의 6,254건(주간 3,288건, 야간 2,966건)이다. 추가적으로 안개 등 기상 악조건에서 계측된 데이터 32건과 이미지 편집과 범용 AI를
통하여 Fig. 7 과 같이 구현된 생성 이미지 226건을 학습 데이터로 포함하였다. 생성된 이미지의 경우, 안개와 같은 환경조건을 반영하기 위하여 이미지에 노이즈를
증가시키는 방향으로 편집하여 사용하였다.
Fig. 7 Training image sets for YOLOv8 model(a) Measured images, (b) Noise-augmented
images
3.2 YOLOv8 학습 결과
딥러닝(Deep Learning)에 사용된 이미지 데이터는 총 6,512건이며, 학습, 검증, 테스트 데이터의 비율을 8:1:1로 설정하여 성능을
검증하였다. 1차 학습의 경우, 생성 이미지를 제외한 6,286건으로 진행하였으며 2차 학습은 전체 이미지 6,512건으로 진행하였다. 학습의 결과로써
Fig. 8과 같이 특정한 HSV값을 인식하도록 대상영역을 ╋(Cross)모양에 □(Box)를 한계로 적용하여 의 범위를 탐지하는 영역탐지를 진행하였다.
이후 손실함수와 성능지표를 기반으로 YOLOv8 학습 모델의 성능평가를 수행하였다. 본 연구에서는 box_loss, cls_loss, dfl_loss와
같은 손실 항목과 mAP50, mAP50-95와 같은 성능 지표를 적용하였다. box_loss는 객체 탐지를 위해 예측된 바운딩 박스와 실제 객체의
위치 간 차이를 나타내는 손실 항목으로, 바운딩 박스의 중심 위치, 너비, 높이의 오차를 계산하여 모델의 위치 추적 성능을 평가한다. 해당 손실 값이
낮을수록 레이저 교차점의 위치를 보다 정확히 탐지할 수 있다. cls_loss(Classification Loss)는 객체의 분류 성능을 나타내는
손실 값으로, 모델이 레이저 교차점과 비유효 영역을 올바르게 구분할 수 있는 능력을 평가한다. 본 연구에서는 레이저 교차점 탐지를 위한 단일 클래스로
구성되었으며, cls_loss가 낮을수록 교차점 탐지의 신뢰도가 증가한다. dfl_loss(Distribution Focal Loss)는 객체의 위치를
보다 정밀하게 탐지하기 위한 손실 항목으로, 예측된 바운딩 박스의 중심 좌표와 실제 좌표 간의 거리 차이를 최소화하는 역할을 한다. mAP50(mean
Average Precision @ IoU 50%)은 Intersection over Union(IoU) 값이 50% 이상일 때 객체를 정확히 탐지한
비율을 나타내는 지표로, 레이저 교차점 탐지 성능의 전반적 정확도를 평가한다. mAP50 값이 1에 가까울수록 모델이 대상 객체를 정확히 탐지하고
있음을 의미한다. mAP50-95(mean Average Precision @ IoU 50%∼95%)는 IoU 임계치를 50%에서 95%까지 5%
단위로 증가시키며 계산한 평균 정밀도로, 다양한 환경적 조건에서 모델의 일반화 성능을 평가한다. 이러한 손실 함수 및 성능 지표를 통해, 레이저 교차점
탐지 성능의 안정성과 신뢰성을 체계적으로 분석하였다.
Fig. 8 Detection results of YOLOv8 with bounding box on virtual grid cross lines
3.2.1 생성 이미지 비포함 1차 학습 결과
학습 결과에 대한 지표(Loss Graph 등)로 최대 에포크(Epoch)를 20으로 설정하여 Table 1과 같이 학습을 진행하였다.
Table 1 YOLOv8 training results without noise-augmented images in the laser marking
area
1) 학습손실(Training Loss) : box_loss는 0.8대에서 시작해 점진적으로 줄어들고 20 에포크가 진행되면서 0.3대까지 낮아져
예측성능이 안정적으로 개선되고 있으며, cls_loss도 초반의 2.5에서 시작되어 빠르게 0.5 이하로 감소하여 개선되었다. dfl_loss도 처음엔
1.2 정도로 시작했으나 점진적으로 0.8까지 떨어져 모델이 좌표 정밀도를 더 잘 예측하고 있다.
2) 검증손실(Validation Loss) : val_box_loss는 1.0을 초과하였다가 빠르게 감소해 0.4대 이하에서 안정화되어 학습이 진행되며
일반화 성능이 개선되었고, val_cls_loss는 6.0 가까이 급격히 상승했다가 다시 1.0 이하로 감소하고 클래스 예측의 불안정성이 감소하였다.
val_dfl_loss도 유사하게 1.5에서 시작해 0.8 이하로 내려오며 검증 데이터에서도 좌표 정밀도를 잘 예측되도록 향상되었다.
3) 평가지표(Metrics) : 정밀도(precision)는 초반에 1.0에 가깝게 시작하여 양호한 상태를 유지하며 에포크가 진행될수록 점차 1.0에
근접하며 높은 정밀도로 객체 탐지의 지표를 보여주고 있으며 mAP50과 mAP50-95 또한 전반적으로 개선되는 경향으로 mAP50의 경우 거의 1에
가까워 모델의 전반적인 성능이 매우 좋다는 것이 확인된다.
학습모델이 초기에 속도가 빠르고 안정기에는 박스와 클래스 예측성능이 개선되어, 검증 데이터에서의 일관성 있는 성능을 보여주었다. 정밀도(precision)와
재현율(Recall)이 모두 1.0에 가까워, 모델의 성능은 양호함을 알 수 있다.
3.2.2 생성 이미지 포함 2차 학습 결과
학습 결과에 대한 지표(Loss Graph 등)로 최대 에포크(Epoch)를 20으로 설정하여 Table 2와 같이 2차 학습을 진행하였다.
1) 학습손실(Training Loss) : box_loss는 2.5대에서 시작해 점진적으로 줄어들고 20 에포크가 진행되면서 1.0대까지 낮아지고
cls_loss도 초반의 6.0에서 시작되어 점차 1.0으로 감소하여 개선되었다. dfl_loss도 초기 2.5에서 시작하여 1.4 정도로 크게 감소되며
레이저 영역 탐지성능이 개선됨을 확인하였다.
2) 검증손실(Validation Loss) : val_box_loss는 초반 2.0을 초과하였다가 감소하여 1.0에 근접하여 안정화되었으며, val_cls_loss도
1.0 대에서 유지하여 예측성능의 우수성이 확인된다. val_dfl_loss도 점차 감소하는 패턴으로 초반 2.5까지 오르다가 1.4로 감소하여 검증
데이터의 레이저 영역 탐지시 좌표 정밀도를 잘 예측되도록 향상되었다.
3) 평가지표(Metrics) : 정밀도(precision)는 초반에 0.8을 초과하는 지점도 있으나 예측의 정확도는 증가되고 있음을 알 수 있으며
재현율(Recall)의 경우도 1.0 대를 잘 유지하고 있음을 확인할 수 있다. mAP50과 mAP50-95는 추가 학습으로 1.0 대 까지 향상되고
있음을 보여주고 있다.
레이저 영역탐지 2차 학습모델은 학습과정의 개선이 확인되며 정밀도(precision)와 재현율(Recall)의 변동도 감소하였음을 알 수 있다.
Table 2 YOLOv8 training results with noise-augmented images in the laser marking area
Fig. 9 Enhanced displacement measurement results using AI (a) Step 1 model Results,
(b) Step 2 model Results
4. 토 의
개발한 비부착, 비접촉 계측기의 변위 해석에 있어서 AI 적용 후 성능을 다음과 같이 검증하였다. Fig. 9(a)는 1차 학습 모델의 적용 결과이며, Fig. 9(b)는 2차 학습 모델 결과를 나타낸다.
Fig. 5와 같이 AI활용 이전에는 일별 최대 픽셀의 변화가 크고 개별 측정값의 표준편차가 큰 것으로 확인되었으나, 1차 학습 모델의 적용결과, 특이값이 크게
줄고 주간 이미지와 야간 이미지의 분포가 명확해졌다. 이후 2단계 생성 이미지 포함 학습 결과, 추가적으로 특이값이 제거되고 ±20픽셀(Pixel)
이하(0.8 mm)의 범위에서 안정된 계측결과값을 도출하였다.
Table 3은 AI 적용 단계별 결과를 표준편차로 나타내었다. AI 적용 후 환경 변화와 같은 악조건 상태에서 엣지탐지(edge detection) 능력의 개선을
통해 이미지의 탐지 능력이 크게 향상되는 추가적 개선효과를 확인하였다.
Table 3 Comparison of standard deviation in displacement measurement
|
Unit
|
Non AI
|
AI Application 1
|
AI application 2
|
|
Pixel
|
35.3
|
22.1
|
11.5
|
|
mm
|
1.4
|
0.9
|
0.5
|
5. 결 론
본 연구는 개발된 비부착, 비접촉 계측기의 현장 운용 중 발생한 환경변화 조건에 따른 노이즈 개선에 대한 내용으로, 다음과 같은 결론을 도출하였다.
(1) 2024년 현장에서 계측된 6,286건의 이미지 및 추가적으로 안개 등 기상 악조건을 반영한 226건의 생성이미지를 사용하여, YOLOv8
모델을 학습시켰다. 생성된 226건의 이미지는 안개와 같은 기상 조건을 반영하기 위하여 노이즈를 추가하는 형태로 제작되었다.
(2) 학습은 계측기에서 발생되는 가상 그리드 레이저 영역탐지와 중앙 교차점 탐지, 두 단계로 이루어지며, 각 모델에 대해 최대 에포크(Epoch)를
20으로 설정하여 학습을 검증하였다. 그 결과 IOU는 0.9로 성능을 검증하였다.
(3) 학습된 AI 프로그램을 적용하여 목적한 성과인 변위 계측에서의 특이값 감소와 주,야간 데이터의 일관성이 확보되었다. 특히, 2단계 학습의 결과로
이미지 판독과 엣지탐지(edge detection)시 개선된 성능이 확인되어 계측현장에 설치할 경우, 개선된 성능이 기대된다.
향후 계측현장에서의 이미지를 누적하여 추가 AI학습에 활용할 경우, 다양한 현장에서의 이미지 판독 성능과 계측 성능 향상이 가능할 것으로 판단한다.
감사의 글
본 연구는 국토교통부 디지털 기반 건축시공 및 안전감리 기술개발 사업의 연구비 지원(RS-2022-00143493)과 정부 과학기술정보통신부의
재원으로 한국연구재단의 지원을 받아 수행되었습니다(RS-2023-00210317) (RS-2024-00409719). 이에 감사드립니다.
References
Lorenzoni, F., Casarin, F., Caldon, M., Islami, K., and Modena, C. (2016). Uncertainty
quantification in structural health monitoring: Applications on cultural heritage
buildings, Mechanical Systems and Signal Processing, 66, 268-281.
Gentile, C., Ruccolo, A., and Canali, F. (2019). Continuous monitoring of the Milan
Cathedral: dynamic characteristics and vibration-based SHM. Journal of Civil Structural
Health Monitoring, 9, 671-688.
Fregonese, L., Barbieri, G., Biolzi, L., Bocciarelli, M., Frigeri, A., and Taffurelli,
L. (2013). Surveying and monitoring for vulnerability assessment of an ancient building.
Sensors, 13(8), 9747-9773.
Furini, A., Paternò, M., Pellegrinelli, A., and Russo, P. (2015). Integrated measurement
techniques for the monitoring of the ancient walls of Ferrara. Built Heritage: Monitoring
Conservation Management, 155-164.
Lucas, B. D., and Kanade, T. (1981, August). An iterative image registration technique
with an application to stereo vision. In IJCAI’81: 7th international joint conference
on Artificial intelligence (Vol. 2, pp. 674-679).
Horn, B. K., and Schunck, B. G. (1981). Determining optical flow. Artificial Intelligence,
17(1-3), 185-203.
Kang, J., Kim, I., Lim, H., and Gwak, J. (2021). An Ensemble Deep Learning Model for
Measuring Displacement in Cultural Asset images. In Proceedings of the Korean Society
of Computer Information Conference (pp. 141-143). Korean Society of Computer Information
(in Korean).
Pathak, R., Saini, A., Wadhwa, A., Sharma, H., and Sangwan, D. (2021). An object detection
approach for detecting damages in heritage sites using 3-D point clouds and 2-D visual
data. Journal of Cultural Heritage, 48, 74-82.
Lee, J. M., Baek, S. W., Mun, S. J., and Lee, D. H. (2020). Development of high-precision
measurement technology with a wide measurement range by using multiple laser trackers.
Proceedings of the Korea Society for Precision Engineering Conference, 166 (in Korean).
Kim, J. H., Lee, S. M., Lee, K. H., Choi, W. S., and Beak, S. H. (2021). Development
of Non-Adhesive, Non-Contact Inclinometer Slope Laser Measuring (ISLM) System and
its Control Algorithm. Journal of The Korean Association for Spatial Structures, 21(3),
25-34 (in Korean).
Kim, J. H., Lee, S. O., Chung, K. Y., and Han, M. S. (2021). Measurement of Bangudae
Rock Joint Using Non-adhesive, Non-contact Inclinometer Slope Laser Measuring System.
Journal of Conservation Science, 37(6), 617-625 (in Korean).