2015 년도 한국철도학회 춘계학술대회 논문집 KSR2015S234

ART2를 이용한 침목결함 탐지 알고리즘에 관한 연구

A Study of Inspection of Cracked Sleeper and Database Construction using ART2

이현숙*†, 권용현*, 권광우*, 김재홍*, 배유석*, 양일동**

Lee Hyun-Suk, Kwon Yong-Hyun, Kwon Kwang-woo, Kim Jae-Hong, Bae You-Suk, Yang Il-Dong

Abstract A twist in the rail is made by various reasons like repetitive commercial train running. It can cause many problems such as vibration, unstable driving and especially sleeper crack. The sleeper crack during train running at least at 300km/h may lead to a serious accident like as derailment. So, this paper is to develop the algorithms to detect sleeper crack using adaptive ART2 artificial neural network and measure performances with our self-made database of sleeper defects.

Keywords : ART2, Cracked Sleeper, Cracked Sleeper Detection, Disorder of Track, Sleeper Database

초 록 반복적인 철도 운행으로 발생하는 철도 궤도 틀림은 차량의 주행 안정성 및 소음,

진동 등에 큰 영향을 끼치는 요소이다. 철도 궤도 틀림은 다양한 결함에 의해 발생하는데 그

중 열차와 레일 무게를 떠받치는 침목이 파손되면 레일이 뒤틀리고 시속 300 ㎞/h 로 달리던

열차가 탈선하는 사고가 발생할 수 있어 많은 연구에서 침목 결함이 궤도 틀림에 끼치는

영향에 대해 연구되고 있다. 본 논문에서는 이런 침목결함을 탐지하기 위해 여러 가지 상황에

적응적으로 대응할 수 있는 ART2 신경망을 이용하여 침목결함 탐지 알고리즘 개발 방안과

자체 제작한 침목결함 데이터베이스를 이용하여 개발한 알고리즘의 성능을 측정 하고자 한다.

주요어 : ART2, 침목결함, 결함탐지, 궤도틀림, 침목결함 데이터베이스

1. 서 론

고속 철도의 경우 시속 300km/h이상의 고속으로 운행되기 때문에 궤도의 작은 변형도

큰 사고를 야기할 수 있어 유지관리에 많은 관심과 주의가 필요하다. 일부 구간의 콘크리트

궤도는 침목과 콘크리트 도상간에 발생하는 균열과 침목의 유동, 그리고 콘크리트 궤도의

균열에 의한 틀림 심화 등이 발생하기도 하는데, 이는 유지보수의 원인이 된다[1]. 궤도 틀

림은 열차가 주행하는 평행한 두 개의 레일이 열차의 반복운행 또는 다른 요인에 의해 상하

또는 좌우로 원래 위치에서 소정의 변위가 발생하는 것이다.

† 교신저자: 한국산업기술대학교 컴퓨터공학과 (leehsuk@kpu.ac.kr)

* 한국산업기술대학교 컴퓨터공학과

** (주)투아이시스

이러한 궤도 틀림은 열차의 주행안전 및 승차감에 미치는 영향이 크고, 소음⋅진동의 주요원

인으로 작용하기도 한다[2]. 그러므로 안전을 위해 궤도 틀림을 검출할 수 있는 연구가 필

요하다.

국내 고속철도 궤도 검측의 경우 오스트리아에서 개발된 EM-120을 이용하여 월 1회 25cm 간

격으로 좌⋅우측 면 틀림, 좌⋅우측 줄 틀림, 비 틀림, 궤간 틀림 등 총 6가지 궤도 틀림과

캔트를 측정하고 있다[3]. 현재 한국 철도 시설공단에서 사용하고 있는 종합 검측차의 경우

궤도에 대한 검측에 사용하고 있는데, 궤도의 경우 선로선형, 레일프로파일 및 표면 결함에

대한 검측에 사용 중이며, 코레일의 경우 선로 점검차가 궤도의 결함상태를 검측 하고 있으

나 궤도 틀림을 야기하는 요소에 대한 직접적 검측은 하지 않는다. 궤도 틀림의 원인이 되

는 요소로는 레일표면 결함, 침목 결함 그리고 체결구 결함을 들 수 있는데, 본 논문에서는

궤도 틀림을 야기하는 요소 중 열차와 레일 무게를 떠받치는 침목의 결함을 직접적으로 탐

지하는 방법을 제안한다.

본 논문에서는 입력된 침목영역의 어두운 부분을 결함으로 탐지하여 면적을 계산 한 후 결

함을 판단하고, 결함 면적에 따라 등급을 분류하는 방식으로 ART2 신경망을 이용하여 여러

가지 상황에 적응적으로 대응할 수 있는 침목결함 탐지 방법을 제안한다.

2. 본 론

2.1 ART2 신경망을 이용한 침목 결함 탐지 알고리즘

일반적으로 침목 결함 탐지는 획득한 영상을 전처리 한 뒤 침목 결함을 인식한다. 그러

나 실외에서 획득한 침목 영상은 촬영 각도, 밝기, 주위의 조명 등 외부 영향으로 인해 결

함을 탐지하기 어려운 경우가 발생한다. 이런 외부 영향을 받은 영상을 학습할 수 있도록

ART2 신경망을 이용하여 침목 결함을 탐지한다. 제안한 침목 결함 탐지 알고리즘은 전처리

단계, 훈련단계, 테스트단계로 나누어진다.

Fig. 1 Image preconditioning process

전처리 단계 중 첫 번째는 입력된 침목 영상을 가우시안 필터을 이용하여 노이즈를 제

거하는 것이다. 다음은 적용한 가우시안 수식이다[4].

2),(

2

)(22

eyx

yxG

(1)

x yyxG

yxGyxh),(

),(),( (2)

여기서, 식(1)과 식(2)의 x 는 행렬의 열 값, y 는 행렬의 행 값이다. ),( yx 의 최대값은 5이며, 5.0 이다. 다음 단계는 노이즈가 제거된 영상에서 프리윗 마스크를 이용하여 엣지를 검출한다. 엣지가 검출 된 영상의 빈 공간을 형태학 재구성 알고리즘을 이용하여 채운다.

마지막 전처리 단계는 클래스 내의 분산의 가장 작은 값과 클래스간 분산의 가장 큰 값의

평균을 이진화의 임계 값으로 사용하는 오츠(otsu) 이진화를 수행한다.

ART2 신경망의 훈련 단계는 학습 알고리즘으로 패턴이 입력되면 유클리디안 거리 값을

이용하여 클러스터에 분류하고, 학습을 수행 한다. 입력된 패턴이 새로운 패턴이면 새 클러

스터를 생성한다. 일반적으로 ART2 신경망은 훈련과 분류를 동시에 진행하나, 본 논문에서

제안한 방법은 훈련으로 인한 시간을 줄이기 위해 훈련과 분류 과정을 분리하여 실행한다.

훈련 단계에서 클러스터는 정상 침목 영상만을 훈련한 하나의 패턴만을 생성한다.

Fig. 2 Art2 artificial neural network train process

Fig. 2 와 같이 처음 입력된 영상을 클러스터의 패턴으로 설정한다. 그리고 다음 입력되는 영상을 클러스터 패턴에 훈련 시킨다[5].

),(1

1),(1

),( yxIn

yxwn

nyxW

(3)

식(3)의 W 는 새로운 훈련 패턴, w는 현재 훈련 패턴, n 은 입력된 영상 개수 그리고 I는 입력 영상이다. 입력 영상이 더 이상 없으면 훈련을 마친다.

훈련된 패턴을 이용하여 테스트 단계를 수행한다. Fig3과 같이 훈련된 패턴을 먼저 입력하여 클러스터의 패턴으로 설정한다.

Fig. 3 Cracked sleeper image classification process

그 다음 결함을 탐지하고자 하는 침목 영상을 입력한다. 입력 영상과의 유클리디안 거리를

계산한다[6].

),(),( yxIyxwed (4)

식(4)의 ed 는 유클리디안 거리, w는 훈련 패턴, I 는 입력 영상을 의미한다. 이 유클리디안 거리 값에 따라 영상을 정상등급, 결함등급 4단계(Class A ~ D)로 분류한다.

2.2 침목결합 데이터베이스

결함을 포함한 실제 침목 영상을 수집하여 데이터베이스로 구축하는 것은 매우 어렵다.

그렇기 때문에 본 논문에서는 침목 테스트 배드를 이용하여 정상 침목을 획득 후 임의로 만든

콘크리트 결함 영상을 합성하여 침목결함 데이터베이스를 자체 제작하여 제안한 알고리즘

실험에 사용하였다. 침목결함은 결함면적을 기준으로 등급 4개(Class A ~ D)로 분류한다.

Table 2 Sleepers defect size classification

테스트 배드를 이용하여 정상 침목 7개를 7회씩 촬영 후 정상 침목 영상을 생성한다. 그리고

정상 침목 영상에 결함 등급별 결함을 왼쪽, 오른쪽, 가운데 영역에 각각 합성하여 결함 침목

영상을 생성한다. Fig.4는 촬영한 정상 침목 영상이고, Fig.5는 결함을 합성해서 생성한 결함

침목 영상이다.

Defect Class Class A Class B Class C Class D

Defect Area(㎟) 2

그 결과 침목결함 데이터베이스는 정상 침목 영상 총 49장(침목개수 7개 * 촬영횟수 7회),

결함 침목 영상 총1,176개(정상 침목영상 49장 * 결함등급 4개 * 결함종류 2개 * 위치

3영역)로 총1,225장을 포함한다.

2.3 실험결과

자체 제작한 침목 결함 데이터베이스를 이용하여 제안한 침목결함 탐지 알고리즘의 성능을

평가하였다. 훈련단계에서 총 28장의 정상 침목 영상을 사용하였고, 나머지 21장의 정상 침목

영상과 결함 침목 영상 1,176장을 이용하여 실험하였다. Table 3은 입력된 침목 영상을

제안한 알고리즘을 이용하여 각 등급별로 분류하는 것에 대한 실험 결과를 나타낸 표이다.

Table 3 Recognition rates by category

Category

Input image Normal Class A Class B Class C Class D Total Rate of recognition (%)

Normal 19 0 0 1 1 21 90.48

Class A 110 3 20 149 12 294 1.02

Class B 183 3 71 29 8 294 24.15

Class C 5 0 3 260 26 294 88.44

Class D 0 0 0 0 294 294 100.00

Total 317 6 94 439 341 1197 54.05

정상 침목에 대한 인식률은 90.48%로 높게 나타났으며, 결함 A~C등급 침목영상의 인식률은

1.02%, 24.15%, 88.44%로 나타났으며, 결함 D등급 침목 영상의 경우 100% 인식되었음을 알 수

있다. 이것은 결함 A~B등급 침목 영상의 경우 결함 정도가 심하지 않아 정상 침목과 유사하기

때문에 정상 침목으로 분류되는 오인식이 발행하였다. 일반적으로 결함 C~D등급 침목이 결함

정도가 심하기 때문에 반드시 인식 해야 하는 결함으로 분류된다. 결함 C-D등급 침목영상의

인식률은 94.21%로 결함을 인식하기 위해 제안한 알고리즘으로 분류하기에 적합함을 알 수

있다.

Fig. 4 Original sleeper image

Fig. 5 Class D – Left – Defective sleeper image

3. 결 론

본 논문에서는 카메라 외에 추가적인 하드웨어 장비 없이 한 장의 침목 영상을 이용하여

소프트웨어적인 방법으로 결함 침목을 탐지할 수 있는 알고리즘을 제안하였다. 제안한 침목

결함 탐지 알고리즘을 이용하여 자체 제작한 침목결함 데이터베이스를 실험해본 결과 결함

정도가 심한 결함 C~D등급 침목 영상의 인식률이 94.21%로 나타났다. 이 논문의 결과 제안한

알고리즘의 침목 결함을 식별하기에 효과적임을 검증 할 수 있다. 그러나 전체 인식률은

54.05%로 이기 때문에 신뢰성 있는 결함 탐지를 위해 인식률을 향상시킬 수 있는 연구가

계속적으로 진행되어야 할 것이다. 또한, 좀 더 신뢰성 있는 실험 결과를 위해 실제 결함

침목 영상을 확보하여 실험하고, 실제 침목에서 발생하는 상황에 맞게 적절히 업데이트하는

것도 필요할 것이다.

참고문헌

[1] S.G Kwon, M.Y Park, B.C Sho, H.S Choi et al. (2013) Crack Progression Characteristic Analysis to Filed Measurement of Concrete Slab Track,한국철도학회 학술발표논문대회논문집, Vol.2013

No.11,pp. 1441-1446. [2] 시사범 (2006) 궤도기술의 발달과 경험기술로부터의 탈피, 철도저널, Vol.9 No.1, pp. 50-61. [3] 정민철, 김정훈, 이지하, 강윤석 et al. (2012) 궤도 유지보수 주기 예측을 위한 구간 특성에

따른 궤도틀림 표준편차 진전정도 분석, journal of The Korea Institute for Structural Maintenance and Inspection, Vol. 16 No.3, pp. 31-40.

[4] G. Deng and L. W. Cahill, (1993) An Adaptive Gaussian Filter For Noise Reduction and Edge Detection, Nuclear Science Symposium and Medical Imaging Conference, Vol.3, pp.1615-1619.

[5] 유견아 (2010) 가중치 학습과 결합된 전술적 경로 찾기의 구현, 한국시뮬레이션학회 논문지, Vol.19 No. 2, pp.91-98.

[6] Liwei Wang, Yan Zhang, Jufu Feng (2005) On the Euclidean Distance of Images, Pattern Analysis and Machine Intelligence, Vol.27, pp.1334-1339.

/ColorImageDict > /JPEG2000ColorACSImageDict > /JPEG2000ColorImageDict > /AntiAliasGrayImages false /CropGrayImages true /GrayImageMinResolution 300 /GrayImageMinResolutionPolicy /OK /DownsampleGrayImages true /GrayImageDownsampleType /Bicubic /GrayImageResolution 300 /GrayImageDepth -1 /GrayImageMinDownsampleDepth 2 /GrayImageDownsampleThreshold 1.50000 /EncodeGrayImages true /GrayImageFilter /DCTEncode /AutoFilterGrayImages true /GrayImageAutoFilterStrategy /JPEG /GrayACSImageDict > /GrayImageDict > /JPEG2000GrayACSImageDict > /JPEG2000GrayImageDict > /AntiAliasMonoImages false /CropMonoImages true /MonoImageMinResolution 1200 /MonoImageMinResolutionPolicy /OK /DownsampleMonoImages true /MonoImageDownsampleType /Bicubic /MonoImageResolution 1200 /MonoImageDepth -1 /MonoImageDownsampleThreshold 1.50000 /EncodeMonoImages true /MonoImageFilter /CCITTFaxEncode /MonoImageDict > /AllowPSXObjects false /CheckCompliance [ /None ] /PDFX1aCheck false /PDFX3Check false /PDFXCompliantPDFOnly false /PDFXNoTrimBoxError true /PDFXTrimBoxToMediaBoxOffset [ 0.00000 0.00000 0.00000 0.00000 ] /PDFXSetBleedBoxToMediaBox true /PDFXBleedBoxToTrimBoxOffset [ 0.00000 0.00000 0.00000 0.00000 ] /PDFXOutputIntentProfile () /PDFXOutputConditionIdentifier () /PDFXOutputCondition () /PDFXRegistryName () /PDFXTrapped /False

/CreateJDFFile false /Description > /Namespace [ (Adobe) (Common) (1.0) ] /OtherNamespaces [ > /FormElements false /GenerateStructure false /IncludeBookmarks false /IncludeHyperlinks false /IncludeInteractive false /IncludeLayers false /IncludeProfiles false /MultimediaHandling /UseObjectSettings /Namespace [ (Adobe) (CreativeSuite) (2.0) ] /PDFXOutputIntentProfileSelector /DocumentCMYK /PreserveEditing true /UntaggedCMYKHandling /LeaveUntagged /UntaggedRGBHandling /UseDocumentProfile /UseDocumentBleed false >> ]>> setdistillerparams> setpagedevice