• 터널과지하공간
• /
• 제30권4호
• /
• pp.417-431
• /
• 2020

이 연구에서는 라이다(LiDAR) 반사강도를 이용하여 암반 풍화도 및 변질도를 산정하는 작업의 기초연구를 진행하였다. 실내 시험을 통하여 라이다 반사강도에 직접적으로 영향을 미치는 인자와 그 영향 정도를 정량적으로 고찰하고자 하였다. 영향 인자로는 주사거리, 입사각, 표면거칠기, 표면색상, 암석물성, 광물조성, 포화도를 선정하였다. 실험에서는 FARO 라이다 장비와 12가지 종류의 시험편을 사용하였다. 실험 결과 반사강도는 표면색상, 입사각, 주사거리, 암석물성, 포화도 혹은 표면습윤상태, 표면거칠기 순으로 영향을 크게 미치는 것으로 나타났다.

• 대한공간정보학회지
• /
• 제16권4호
• /
• pp.25-31
• /
• 2008

사진기준점측량을 위한 지상기준점 선점시에 산악지역과 해안지역, 갯벌 등 지상기준점을 선점할 수 있는 뚜렷한 지형과 지물이 없는 지역에서는 효율적으로 지상기준점을 추출할 수 없기 때문에 현지측량의 시간과 비용, 정확도 등에서 문제점이 있다. 본 연구에서는 항공 라이다 반사강도를 지상기준점으로 사용하여 사진기준점측량을 수행한 후에 기 구축된 수치지도에서 추출한 지상기준과 비교하였으며, 또한 현지측량된 검사점을 기준으로 비교 평가하였다. 연구 결과, 라이다 반사강도를 이용하였을 시에는 평균오차가 ${\pm}1.02m$로 나타났으며, 기 구축된 수치지도를 이용하였을 경우에 ${\pm}1.13m$로 나타났다. 이 결과는 라이다 반사강도를 지상기준점으로 사용하는 것이 수치지도에서 추출한 것보다 0.11m 향상되었음을 보여준다.

• 한국컴퓨터정보학회논문지
• /
• 제28권12호
• /
• pp.191-199
• /
• 2023

본 논문에서는 자율협력주행을 위한 인프라로써 제작된 5가지 센서 전용 시설물들에 대해 라이다로 취득한 포인트 클라우드 데이터로부터 시설물들의 특징을 추출하는 방법을 제안한다. 자율주행차량에 장착된 영상 취득 센서의 경우에는 기후 환경 및 카메라의 특성 등으로 인해 취득 데이터의 일관성이 낮기 때문에 이를 보완하기 위해서 라이다 센서를 적용했다. 또한, 라이다로 기존의 다른 시설물들과의 구별을 용이하게 하기 위해서 고휘도 반사지를 시설물의 용도별로 디자인하여 부착했다. 이렇게 개발된 5가지 센서 전용 시설물들과 데이터 취득 시스템으로 취득한 포인트 클라우드 데이터로부터 측정 거리별 시설물의 특징을 추출하는 방법으로 해당 시설물에 부착된 고휘도 반사지의 평균 반사강도을 기준으로 특징 포인트들을 추출하여 DBSCAN 방법으로 군집화한 후 해당 포인트들을 투영법으로 2차원 좌표로 변경했다. 거리별 해당 시설물의 특징은 3차원 포인트 좌표, 2차원 투영 좌표, 그리고 반사강도로 구성되며, 추후 개발될 시설물 인식을 위한 모형의 학습데이터로 활용될 예정이다.

• 한국측량학회지
• /
• 제38권4호
• /
• pp.363-373
• /
• 2020

정사영상 생성을 위한 많은 연구들이 진행되어 왔다. 기존의 방법은 정사영상을 제작할 경우, 폐색지역을 탐지하고 복원하기 위해 항공영상의 외부표정요소와 정밀 3D 객체 모델링 데이터가 필요하며, 일련의 복잡한 과정을 자동화하는 것은 어렵다. 본 논문에서는 기존의 방법에서 탈피하여 딥러닝(DL)을 이용하여 엄밀정사영상을 제작하는 새로운 방법을 제안하였다. 딥러닝은 여러 분야에서 더욱 급속하게 활용되고 있으며, 최근 생성적 적대 신경망(GAN)은 영상처리 및 컴퓨터비전 분야에서 많은 관심의 대상이다. GAN을 구성하는 생성망은 실제 영상과 유사한 결과가 생성되도록 학습을 수행하고, 판별망은 생성망의 결과가 실제 영상으로 판단될 때까지 반복적으로 수행한다. 본 논문에서 독일 사진측량, 원격탐사 및 공간정보학회(DGPF)가 구축하고 국제 사진측량 및 원격탐사학회(ISPRS)가 제공하는 데이터 셋 중에서 라이다 반사강도 데이터와 적외선 정사영상을 GAN기반의 Pix2Pix 모델 학습에 사용하여 엄밀정사영상을 생성하는 두 가지 방법을 제안하였다. 첫 번째 방법은 라이다 반사강도영상을 입력하고 고해상도의 정사영상을 목적영상으로 사용하여 학습하는 방식이고, 두 번째 방법에서도 입력영상은 첫 번째 방법과 같이 라이다 반사강도영상이지만 목적영상은 라이다 점군집 데이터에 칼라를 지정한 저해상도의 영상을 이용하여 재귀적으로 학습하여 점진적으로 화질을 개선하는 방법이다. 두 가지 방법으로 생성된 정사영상을 FID(Fréchet Inception Distance)를 이용하여 정량적 수치로 비교하면 큰 차이는 없었지만, 입력영상과 목적영상의 품질이 유사할수록, 학습 수행 시 epoch를 증가시키면 우수한 결과를 얻을 수 있었다. 본 논문은 딥러닝으로 엄밀정사영상 생성 가능성을 확인하기 위한 초기단계의 실험적 연구로서 향후 보완 및 개선할 사항을 파악할 수 있었다.

• 대한공간정보학회지
• /
• 제19권4호
• /
• pp.139-144
• /
• 2011

본 연구는 지상라이다 자료에서 얻어진 색상정보(R, G, B)와 반사강도정보(I)를 동시에 이용하여 이를 통계학적 분류기법으로 서로의 연관성을 분석하여 라이다 자료에 대한 분류방법을 제시하였다. 이를 위하여 우선 변수 R,G,B 및 I를 사용하여 분산 을 극대화하는 요인을 추출하여 주요인과 각 변수들 간의 요인행렬을 산출하였다. 그러나 요인행렬은 기초자료를 축소시켜 보여주기는 하지만, 이로부터 어떤 변수들이 어떤 요인에 의해 높게 관계되는지 명확하게 알기 어렵기 때문에 직각회전방식 중에서 Varimax방법을 이용하여 회전된 요인행렬을 구하여 요인점수를 산출하였다. 그리고 비 계층적 군집화 방법인 K-평균법을 이용하여 요인분석으로 산출된 요인점수에 대하여 군집분석을 실시한 후, 지상라이다 자료의 분류 정확도를 평가하였다.

• 한국신재생에너지학회:학술대회논문집
• /
• 한국신재생에너지학회 2010년도 춘계학술대회 초록집
• /
• pp.185.1-185.1
• /
• 2010

원격탐사(remote sensing)란 관측 대상과의 접촉 없이 멀리서 정보를 얻어내는 기술을 말한다. 기상관측분야에는 이미 소다(SODAR) 장비가 폭넓게 사용되거 왔으나 최근 풍력자원평가(wind resource assessment)를 위한 풍황측정에 SODAR와 더불어 라이다(LIDAR)가 적극적으로 활용되기 시작하고 있다. 참고로 SODAR(SOnic Detection And Ranging)는 수직 및 동서 남북 방향으로 음파를 발생시키고 대기유동에 의해 산란 반사된 에코를 수신하여 진동수 변화와 반사에코 강도를 측정하여 각 방향의 에코자료를 벡터 합성함으로써 풍향 및 풍속을 산출하는 원리이다. 반면 LIDAR(Light Detection And Ranging)는 비교적 최근에 풍황측정 용도로 개발된 레이저 탐지에 바탕을 둔 원거리 센서로, 공기입자(먼지, 수증기, 구름, 안개, 오염물질 등)에 의해 산란된 레이저 발산의 도플러 쉬프트(Doppler shift)를 이용하여 풍향 및 풍속을 측정하는 원격탐사 장비이다. 풍력자원평가 측면에서 라이다는 그 정확도가 IEC61400-12에 의거한 풍황탑(met-mast) 측정자료 다수와의 비교검증 실측평가(Albers et al., 2009)를 통하여 입증된 바 있다. 한편 한국에너지기술연구원에서 운용 중인 라이다 시스템은 그림 1의 우측 그림과 같이 1초에 $360^{\circ}$를 스캔하여 50지점에서 반사되는 레이저를 스펙트럼으로 측정하되 설정된 관측높이에서 풍속은 샘플링 부피(sampling volume)의 평균값으로 정의된다. 그런데 샘플링 부피는 설정된 관측높이로부터 상하 12.5m, 총 25m의 높이구간에서 관측한 스펙트럼의 평균값을 그 중앙지점에서의 풍속으로 환산하는 알고리듬(algorithm)을 채택하고 있다. 따라서 비선형적으로 변화하는 풍속연직분포 관측 시 풍속환산 알고리듬에 의한 측정오차가 개입될 가능성이 존재하는 것이다. 이에 본 연구에서는 라이다에 의한 풍속연직분포 측정 시 샘플링 부피의 구간 평균화 과정에서 발생하는 불확도(uncertainty)를 정량적으로 분석함으로써 라이다에 의한 풍속연직분포 관측의 불확도를 정량평가하고자 한다.

• 한국컴퓨터정보학회논문지
• /
• 제29권1호
• /
• pp.21-30
• /
• 2024

본 논문에서는 자율협력주행 인프라를 위해 제작된 8가지 센서 전용 시설물들에 대해 라이다로 취득한 포인트 클라우드 데이터로부터 시설물들의 특징을 추출하여 샘플 데이터셋으로 구축하는 방법을 제안한다. 고휘도 반사지가 부착된 8가지 센서 전용 시설물들과 데이터 취득 시스템을 개발했고, 취득된 포인트 클라우드 데이터로부터 일정한 측정 거리 내에 위치한 시설물들의 특징을 추출하기 위해 포인트 대상의 DBSCAN 방법과 반사강도 대상의 OTSU 방법을 응용하여 추려낸 포인트들에 원통형 투영법을 적용했다. 3차원 포인트 좌표, 2차원 투영 좌표, 그리고 반사강도 등을 해당 시설물의 특징으로 설정했고, 정답 레이블과 함께 데이터셋으로 제작했다. 라이다로 취득한 데이터를 기반으로 구축된 시설물 데이터셋의 효용 가능성을 확인하기 위해서 기본적인 CNN 모델을 선정하여 학습 후 테스트를 진행하여 대략 90% 이상의 정확도를 보여 시설물 인식 가능성을 확인했다. 지속적인 실험을 통해 제시한 데이터셋 구축을 위한 특징 추출 알고리즘의 개선 및 성능 향상과 더불어 이에 적합한 자율협력주행을 위한 센서 전용 시설물을 인식할 수 있는 전용 모델을 개발할 예정이다.

• 한국측량학회지
• /
• 제32권4_1호
• /
• pp.319-326
• /
• 2014

고해상도 위성영상을 성공적으로 활용하기 위해서는 지상기준점 등을 활용한 좌표등록 및 보정 과정이 필수적이다. 작업자의 수작업을 통한 기준점 획득의 경우 작업 시간이 오래 걸리므로, 자동화된 좌표 등록 방법에 대한 요구가 증대하고 있다. 보정하고자 하는 위성 영상을 정확한 좌표를 가진 참조 데이터에 영상 매칭을 수행하는 기법이 많이 소개 되었는데, 참조 데이터 중 라이다 데이터의 경우 공간 해상도 및 정확도가 높고 무엇보다 3차원 데이터이기 때문에 기복 변위 등을 내포하고 있지 않는 등의 장점을 보인다. 최근 라이다 데이터와 고해상도 위성영상간의 매칭을 위한 기법이 연구, 발표되었으나, 라이다 데이터의 특성상 대용량이기 때문에 처리에 많은 시간이 소요되는 등의 단점이 있었다. 따라서 본 논문에서는 일부의 공간만을 라이다 칩으로 추출 및 저장하여 위성영상의 좌표 등록에 활용하는 연구를 수행하였다. 이를 위해, 전체 라이다 포인트 데이터를 반사강도 정사영상 및 수치표고모델의 두 가지 형태로 변환하고 에지 추출을 통해 의미 있는 양의 에지 정보만을 포함하는 지역을 영상형태의 라이다 칩으로 추출, 저장하였으며, 용량이 현저히 줄어든 것을 확인할 수 있었다. 마지막으로 라이다 칩을 아리랑2호 및 아리랑3호 영상의 자동 좌표등록에 활용 해본 결과 평균 한 픽셀가량의 정확도 또한 확보할 수 있었다.

• Spatial Information Research
• /
• 제16권3호
• /
• pp.373-383
• /
• 2008

지표면에 대한 정보를 취득하는 기법 중 지금까지 주로 사용되어온 기법은 항공사진 및 위성영상과 같이 평면적인 정보 수집에 중점을 두고 있는 반면, 본 논문에서 다루는 LiDAR(Light Detection And Ranging)는 레이저 측량기술을 이용하여 지표면에 대한 고해상도의 비정규분포 Point 형태의 3차원 정보의 획득이 가능하다. GPS(Global Positioning System) 수신기와 INS(Inertial Navigation System)의 결합을 통해 좌표 값을 제공하게 된다. 이러한 LiDAR의 3차원 Point 정보와 좌표 값을 활용하여 보다 정밀한 3차원 모델링 수행이 가능하다. 본 연구에서는 LiDAR의 반사강도와 기하/지형 자료를 이용하여 도시지역을 대상으로 정밀한 3차원 공간정보자료를 취득하고, 그 자료를 분석하여 도시지역을 높이와 밀도를 기반으로 하여 3차원으로 분류하였다. LiDAR를 통해 획득된 원시자료로부터 지표면에서 반사되는 Point Data의 개수를 지면과 비지면 요소의 비율로 추정하여 지형과 공간적 특성을 파악하고 이에 따라 3차원 토지피복분류도를 작성하였다. 신호의 강약을 구분하는 기준은 통계적 방법(Jenk's Natural Break)을 통해 추정된 값을 사용하였으며, 지표면 반사비율에 따라 세부지역으로 구분하여 크게 고밀도 저밀도 식생지역과 비식생지역으로 구분하였다.

• 로봇학회논문지
• /
• 제16권3호
• /
• pp.179-188
• /
• 2021

Construction monitoring is one of the key modules in smart construction. Unlike structured urban environment, construction site mapping is challenging due to the characteristics of an unstructured environment. For example, irregular feature points and matching prohibit creating a map for management. To tackle this issue, we propose a system for data acquisition in unstructured environment and a framework for Intensity and Ambient Enhanced Lidar Inertial Odometry via Smoothing and Mapping, IA-LIO-SAM, that achieves highly accurate robot trajectories and mapping. IA-LIO-SAM utilizes a factor graph same as Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping (LIO-SAM). Enhancing the existing LIO-SAM, IA-LIO-SAM leverages point's intensity and ambient value to remove unnecessary feature points. These additional values also perform as a new factor of the K-Nearest Neighbor algorithm (KNN), allowing accurate comparisons between stored points and scanned points. The performance was verified in three different environments and compared with LIO-SAM.