• Journal of the Korea Society of Computer and Information
• /
• v.25 no.10
• /
• pp.35-42
• /
• 2020

In this study, we propose a crack detection method using limited data with a U-Net based image inpainting technique that is a modified unsupervised anomaly detection method. Concrete cracking occurs due to a variety of causes and is a factor that can cause serious damage to the structure in the long term. In general, crack investigation uses an inspector's visual inspection on the concrete surfaces, which is less objective in judgment and has a high possibility of human error. Therefore, a method with objective and accurate image analysis processing is required. In recent years, the methods using deep learning have been studied to detect cracks quickly and accurately. However, when the amount of crack data on the building or infrastructure to be inspected is small, existing crack detection models using it often show a limited performance. Therefore, in this study, an unsupervised anomaly detection method was used to augment the data on the object to be inspected, and as a result of learning using the data, we confirmed the performance of 98.78% of accuracy and 82.67% of harmonic average (F1_Score).

• The Journal of Bigdata
• /
• v.7 no.1
• /
• pp.125-137
• /
• 2022

The transportation industry is one of the important industries due to the geographical requirements surrounded by the sea on three sides of Korea and the problem of resource poverty, which relies on imports for most of its resource consumption. Among them, the proportion of the shipping industry is large enough to account for most of the transportation industry, and maintenance in the shipping industry is also important in improving the operational efficiency and reducing costs of ships. However, currently, inspections are conducted every certain period of time for maintenance of ships, resulting in time and cost, and the cause is not properly identified. Therefore, in this study, the proposed methodology, LSTM-AutoEncoder, is used to detect abnormalities that may cause ship failure by considering the time of actual ship operation data. In addition, clustering is performed through clustering, and the potential causes of ship main engine failure are identified by grouping outlier by factor. This enables faster monitoring of various information on the ship and identifies the degree of abnormality. In addition, the current ship's fault monitoring system will be equipped with a concrete alarm point setting and a fault diagnosis system, and it will be able to help find the maintenance time.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2012.11a
• /
• pp.519-522
• /
• 2012

본 논문은 진공흡착방식을 이용한 벽오르는 로봇에 탑재하기 위한 임베디드 시스템의 설계와 영상처리 알고리즘의 구현에 관한 연구이다. 벽로봇은 안정적인 부착과 이동성을 기반으로 벽면에서의 위험 요인 발견과 지능적인 처리를 위해 영상처리가 가능하고 원격의 스마트 단말기와 실시간 통신이 가능한 환경을 구축하였으며 이상 물질을 탐지하기 위해 색상성분을 정규화하고 특정객체를 탐지 후 영상을 전송하는 방법을 구현하였다. 이러한 기능은 무인로봇을 이용해 위험한 벽 환경에서의 균열이나 이상 원인을 지능적으로 탐색하는 분야에 응용 가능하다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2013.05a
• /
• pp.299-300
• /
• 2013

본 논문은 진공흡착방식을 이용한 벽오르는 로봇에 탑재하기 위한 임베디드 시스템의 설계와 영상처리 알고리즘의 구현에 관한 연구이다. 벽로봇은 안정적인 부착과 이동성을 기반으로 벽면에서의 위험 요인 발견과 지능적인 처리를 위해 영상처리가 가능하고 원격의 스마트 단말기와 실시간 통신이 가능한 환경을 구축하였으며 이상 물질을 탐지하기 위해 색상성분을 정규화하고 특정객체를 탐지 후 영상을 전송하는 방법을 구현하였다. 이러한 기능은 무인로봇을 이용해 위험한 벽 환경에서의 균열이나 이상 원인을 지능적으로 탐색하는 분야에 응용 가능하다.

• Proceedings of the Korean Society for Noise and Vibration Engineering Conference
• /
• 1994.10a
• /
• pp.187-191
• /
• 1994

기계구조물내의 균열은 고하중상태에서 갑작스러운 파괴의 주요 원인의 하나로서 이러한 균열의 조기탐지를 위해 기존의 비파괴검사 방법 이외에, 최근 진동측정 및 진동분석을 이용하는 방법이 경제성 및 그 효용성으로 인하여 깊게 연구되고 있다. 이러한 진동특성의 변화를 이용하여 균열을 탐지하는 방법이 많은 학자들에 의해 연구되어졌으며, 현재까지의 연구결과중 균열의 크기 및 위치를 동시에 탐지할 수 있는 방법중에서 비교적 단순, 정확하다고 판단되는 방법으로는 임의의 두 지점에서의 진폭측정을 이용한 Rizos(1)의 방법과 고유진동수 및 모우드형 측정을 이용한 Kam & Lee(2)의 방법이 있으나 이들 방법은 두가지 이상의 진동특성치를 요구하고 있다. 본 연구의 목적은 진동특성치중 고유진동수만을 이용하여 단순부재에서 균열의 크기 및 위치를 수치적으로 예측할 수 있는 새로운 해석기법을 제시하고, 기존 방법 사용시의 결과와 비교 검토하여 그 유용성을 판단하는데 있다.

• Journal of Internet Computing and Services
• /
• v.25 no.1
• /
• pp.109-121
• /
• 2024

In various manufacturing processes such as textiles and automobiles, when equipment breaks down or stops, the machines do not work, which leads to time and financial losses for the company. Therefore, it is important to detect equipment abnormalities in advance so that equipment failures can be predicted and repaired before they occur. Most equipment failures are caused by bearing failures, which are essential parts of equipment, and detection bearing anomaly is the essence of PHM(Prognostics and Health Management) research. In this paper, we propose a preprocessing algorithm called SWT-SVD, which analyzes vibration signals from bearings and apply it to an anomaly transformer, one of the time series anomaly detection model networks, to implement bearing anomaly detection model. Vibration signals from the bearing manufacturing process contain noise due to the real-time generation of sensor values. To reduce noise in vibration signals, we use the Stationary Wavelet Transform to extract frequency components and perform preprocessing to extract meaningful features through the Singular Value Decomposition algorithm. For experimental validation of the proposed SWT-SVD preprocessing method in the bearing anomaly detection model, we utilize the PHM-2012-Challenge dataset provided by the IEEE PHM Conference. The experimental results demonstrate significant performance with an accuracy of 0.98 and an F1-Score of 0.97. Additionally, to substantiate performance improvement, we conduct a comparative analysis with previous studies, confirming that the proposed preprocessing method outperforms previous preprocessing methods in terms of performance.

• Journal of the Korean Data and Information Science Society
• /
• v.26 no.3
• /
• pp.639-652
• /
• 2015

In today's manufacturing environment, the process data can be easily measured and transferred to a computer for analysis in a real-time mode. As a result, it is possible to monitor several correlated quality variables simultaneously. Various multivariate statistical process control (MSPC) procedures have been presented to detect an out-of-control event. Although the classical MSPC procedures give the out-of-control signal, it is difficult to determine which variable has caused the signal. In order to solve this problem, data mining and machine learning techniques can be considered. In this paper, we applied the technique of decision tree learning to the MSPC, and we did simulation for MSPC procedures to monitor the bivariate normal process means. The results of simulation show that the overall performance of the MSPC procedure using decision tree learning technique is similar for several values of correlation coefficient, and the accurate classification rates for out-of-control are different depending on the values of correlation coefficient and the shift magnitude. The introduced procedure has the advantage that it provides the information about assignable causes, which can be required by practitioners.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.18 no.6
• /
• pp.876-880
• /
• 2008

Outliers are the observations which are very larger or smaller than most observations in the given data set. These are shown by some sources. The result of the analysis with outliers may be depended on them. In general, we do data analysis after removing outliers. But, in data mining applications such as fraud detection and intrusion detection, outliers are included in training data because they have crucial information. In regression models, simple and multiple regression models need to eliminate outliers from given training data by standadized and studentized residuals to construct good model. In this paper, we use support vector regression(SVR) based on statistical teaming theory to analyze data with outliers in regression. We verify the improved performance of our work by the experiment using synthetic data sets.

• Proceedings of the KIEE Conference
• /
• 2006.07e
• /
• pp.17-18
• /
• 2006

최근 전기설비의 용량이 커짐에 따라 전기설비와 송전설비 및 배전설비 등에서 발생되는 사고는 '2003년 코로나 방전에 의한 미국 동북부 정전사고와 같은 대형사고로 직결될 수 있기 때문에 전기설비에서 발생되는 코로나방전 검출을 통한 기간시설 및 송배전 설비에 대한 사고 원인을 사전 도출하여 전기설비의 장기간에 걸친 원활한 운용과 신뢰성 확보가 매우 중요하다. 이를 위해서 최적의 무정전 첨단계측장비의 필요성이 대두되고 있다. 현재 전력공급의 중단없이 설비의 이상유무를 진단, 감시하기 위한 기술이 활발히 진행되고 있으며 전기설비의 예고 없는 고장발생시 파생되는 악영향은 매우 심각하며, 국내의 경우 전기설비의 노후화로 대형 사고의 위험성이 매우 높아 이러한 사고의 예방을 위한 예지보전(예측보전)을 위한 기술에 대한 도입이 필요하다. 최근 미국전기연구원(EPRI)의 주도로 코로나가 전기설비에 미치는 부정적 영향에 대한 연구가 활발하게 진행되었으며 그 결과 코로나 방전으로부터 전기설비의 안정성과 신뢰성을 확보하고 사고를 방지하기 위한 진단기술로서 OFIL사(社)의 DayCorII가 개발되었다. 이 논문에서는 전력설비와 송전 및 배전분야에 있어 발생하는 코로나 방전의 영향과 이를 탐지하는 진단기술에 대하여 초점을 맞추고자 한다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2021.01a
• /
• pp.65-68
• /
• 2021

본 연구에서는 Dilated U-Net 기반의 이미지 복원기법을 통해 콘크리트 균열 추출 성능 개선 방안을 제안한다. 콘크리트 균열은 구조물의 미관상의 문제뿐 아니라 추후 큰 안전사고의 원인이 될 수 있어 초기대응이 중요하다. 현재는 점검자가 직접 육안으로 검사하는 외관 검사법이 주로 사용되고 있지만, 이는 정확성 및 비용, 시간, 그리고 안전성 면에서 한계를 갖고 있다. 이에 콘크리트 구조물 표면에 대해 획득한 영상 처리 기법을 사용한 검사 방식 도입의 관심이 늘어나고 있다. 또한, 딥러닝 기술의 발달로 딥러닝을 적용한 영상처리의 연구 역시 활발하게 진행되고 있다. 본 연구는 콘크리트 균열 추개선출 성능 개선을 위해 Dilated U-Net 기반의 이미지 복원기법을 적용하는 방안을 제안하였고 성능 검증 결과, 기존 U-Net 기반의 정확도가 98.78%, 조화평균 82.67%였던 것에 비해 정확도 99.199%, 조화평균 88.722%로 성능이 되었음을 확인하였다.