Coating is commonly used to protect steel structures from corrosion, abrasion, and cracking, among other things. The thickness and abnormal conditions of the coating must be monitored to ensure the structural stability of the steel structure. Unfortunately, depending on the type of coating and the external environment, using the taught machine learning model was unfeasible, and securing enough data for learning may be limited depending on the environment. As a result, this research created an algorithm that performs optimization learning for target structures with limited data, estimates a wide range of coating thicknesses, and diagnoses abnormal conditions.
First, a wide range of dynamic thermal image data and vision data were acquired using thermal image cameras and vision cameras appropriate for steel structure coatings. By substituting the information from the relevant thermal data and the coating thickness obtained from less than 10 parts, the coating thickness of the entire surface was estimated. Furthermore, newly occurring abnormal conditions were classified using thermal image and visual convergence data without the need for additional learning. The suggested method has been tested on a variety of coating materials, and when fewer than ten data points were used, it demonstrated thickness estimation accuracy of more than 95%. Also, the classification accuracy of 86.4% for newly anomalous circumstances.
코팅은 부식, 마모, 균열 등으로부터 강철 구조물을 보호하기 위해 널리 사용된다. 강 구조물의 건전성을 위해 코팅의 두께와 이상 상태에 대해서 모니터링이 필요하다. 그러나, 코팅의 종류와 외부 환경에 따라 학습된 머신 러닝 모델을 사용하는 것이 불가능하였고, 학습에 필요한 충분한 데이터 확보가 환경에 따라 제약이 있는 경우도 있다. 이에 본 연구에서는 제한된 데이터로 목표 구조물에 최적화 학습을 진행하고, 넓은 범위의 코팅 두께 추정과 이상 상태 분류하는 알고리즘을 개발했다.
먼저 강 구조물에 도포된 코팅에 적용 가능한 열화상 카메라와 비전 카메라를 이용해 넓은 범위의 동적 열화상 데이터와 비전데이터를 취득하는 하였다. 해당 열화상 데이터의 정보와 10개 이내의 부위에서 획득한 코팅 두께를 대입하여 전체 표면의 코팅 두께를 추정하였다. 또한, 열화상 및 비전 융합데이터를 활용하여 추가 학습없이 새로 발생한 이상상태를 분류하였다. 제안 기술은 다양한 코팅 재료에서 검증되었으며 10개 이내의 데이터를 사용한 경우, 95%이상의 두께 추정 정확도를 나타냈고, 새로운 이상 상태에 대해 86.4%의 분류 정확도를 나타냈다.
