콘텐츠로 건너뛰기

AI R&D


유해 가스 탐지

최근 미세먼지의 확산이나 이산화탄소 배출의 증가가 큰 사회적 문제로 대두되고 있습니다. 보통 미세먼지는 전구물질 역할을 하는 원인 가스에 의해 형성되기 때문에 이산화탄소와 같은 맥락에서 다루어질 수 있는 유해 가스 탐지 대상 이슈입니다. 규제를 통해 이러한 유해 가스의 배출원 관리를 하고는 있지만 무단 배출 등에 따른 관리 부재 상황 또한 심각한 수준에 이르고 있습니다. 대부분의 유해 가스가 기본적으로 육안으로는 식별이 어렵다는 점이 문제의 시발점인데, 공기 중의 유해 가스 존재 여부를 탐지할 수 있는 기술이 초분광 이미징(HSI: Hyper-Spectral Imaging) 기술입니다. 초분광 이미징은 전자기파의 스펙트럼 밴드에 2차원 영상 정보를 초분광 큐브(Cube) 형태로 구성합니다. 이 초분광 큐브를 분석하여 대상체의 구성, 상태, 특징 등을 도출할 수 있습니다.

촬영된 초분광 이미지의 한 화소에서 한 물질만의 스펙트럼이 나타나는 것이 아니라, 서로 다른 물질에서 나오는 개별 스펙트럼의 합으로 나타나는 분광 혼합(Spectral Mixture) 상태가 발생하는 것이 일반적인 현상입니다. 이런 경우 개별 물질(Endmember)의 고유한 분광 특성을 이용하여 하나의 물질만을 검출하려고 하면 다른 물질의 스펙트럼에 의해 왜곡되어 정확하게 검출할 수 없는 상황이 벌어집니다. 본 연구개발은 여러 물질의 스펙트럼이 합해져 나타나는 각 화소에서 개별 물질들의 구성 비율(Abundance)을 분석하는 분광 혼합 분석(Spectral Unmixing) 기법을 이용하여 개별 물질을 찾고자 하는 것입니다. 개별 물질, 즉 엔드멤버는 미세먼지의 주요 원인가스들과 이산화탄소, 일산화탄소 등에서 선택합니다. 본 연구개발은 분광 혼합 분석을 위하여 이미지 분석에 탁월한 성능을 보이는 딥러닝 방식을 적용하여 성능 향상을 이루고자 합니다. 우선 가스의 비율(Abundance)을 구하기 위하여 비지도 학습의 하나인 오토인코더와 CNN을 혼합한 네트워크를 사용합니다. 오토인코더 네트워크의 잠재 코드가 구하고자 하는 물질들의 비율을 나타내는 벡터가 되는 구조입니다.

도로 균열 탐지

선진국은 물론 우리나라의 경우에도 도로의 유지보수가 더욱 중요하게 되는 추세로, 최근 노후도로 시설물 증가에 따른 유지 관리의 중요성이 대두되고 있습니다. 국내 도로의 규모는 지난 30여 년간 2.1배 증가하여 유지관리 대상은 2016년 기준 107,527km에 이르고 있습니다. 지속적인 도로 신설에 따라 주요 도로 시설물이 증가하고 있고, 그에 따른 노후화도 해마다 가중되고 있는 실정입니다. 국내 도로 유지보수비는 1995년 9,343억 원에서, 2014년 2조 3,021억 원으로 대폭 상승하였으며, 향후 도로 유지보수 비용의 규모가 지속적으로 높은 상승세를 유지할 것으로 예상되고 있습니다. 따라서 유지보수의 효율을 높이기 위한 새로운 방안이 필요한 상황이며, 적절한 시점의 유지보수를 통한 최적의 도로 유지 관리 체계를 구축할 필요가 대두되고 있습니다.

도로 유지 관리 체계를 최적화하기 위해서는 도로 상태에 대한 정확한 지표를 추출하는 것이 중요합니다. 다양한 주관적, 객관적 지표들이 정의되었고, 최근에 이 지표 산출을 자동화하기 위한 시도가 많이 이루어지고 있습니다. 일반적으로 균열률 20% 이상인 경우 유지보수 작업이 이루어지는데, 포트홀을 포함한 균열 면적에 대한 정확한 균열률 계산이 중요합니다. 최근의 세그먼트 검출 딥러닝 모델을 이용하여 드론 촬영 도로 포장 이미지로부터 균열 부위 및 포트홀 영역의 정확한 탐지 및 식별이 가능해진 상황입니다. 다음의 균열률 계산을 위해 세그먼트 영역에 대한 면적 값이 사용됨으로써 정확한 도로 상태 파악이 가능해집니다.

공용성지수(PSI: Present Serviceability Index), 일반국도 포장상태 평가지수(NHPCI: National Highway Pavement Condition Index), 유지관리지수(MCI: Maintenance Control Index), 서울시 포장평가지수(SPI: Seoul Pavement Index), 고속도로 포장상태 지수(HPCI: Highway Pavement Condition Index) 계산 시 이 균열률 값을 사용하게 됩니다.

이미지 워터마킹

이미지 워터마킹(Watermarking)은 원본 디지털 이미지에 정보를 은밀히 삽입하고 추출하기 위한 기술을 의미합니다. 이를 이용해 정보가 시각적으로 드러나지 않도록 원본 이미지에 숨겨서 워터마크 이미지를 생성하고 전송할 수 있습니다. 이를 전달 받은 쪽에서는 권한이 있는 경우에만 그 워터마크 정보를 확인할 수 있게 하는 방식입니다. 이 워터마킹 기술은 여러 응용 분야에 활용될 수 있습니다. 예를 들어, 이미지의 저작권 정보가 워터마크 형태로 숨겨지는 것이 가능합니다. 객체 종류나 바운딩 박스 같은 메타 정보들이 원본 이미지의 가시적인 변화없이 숨겨질 수도 있습니다. 또한 SNS 사이트 등에 올라오는 가짜 이미지나 조작된 이미지를 판정하는 목적으로도 사용될 수 있습니다. 보이지 않는 마크를 이미지 전체에 숨겨서 약간의 미묘한 변화도 탐지하는 방식입니다.

이미지 워터마킹이 잘 작동하기 위해서는 워터마크된 이미지의 품질이 잘 유지되는 것이 우선 중요합니다. 이미지의 원래 용도를 위해서도 그렇고, 워터마크가 삽입되었다는 것이 시각적으로 드러나지 않도록 하기 위해서도 그렇습니다. 워터마크 삽입 여부가 컴퓨터 분석으로 탐지되어서도 안됩니다. 또한 워터마크 이미지가 열화되거나 손상되더라도 워터마크 정보가 살아남아야 합니다. 이러한 워터마킹의 강인성은 워터마크의 은닉성과 상충되는 특성으로 서로 트레이드 오프 관계에 있어서 실현하기가 매우 어렵습니다. 워터마크의 추출은 원본 이미지에 대한 어떠한 정보도 없이 이루어져야 하는데, 이러한 비참조 특성은 워터마킹 기술 구현을 더 어렵게 합니다. 이미지 워터마킹 기술은 약 30년 동안 계속 연구되고 있는 분야인데, 아직도 제한적인 조건하에서만 기본 기능을 수행할 수 있고, 다양한 형태의 공격에 대해 많은 취약성을 갖고 있습니다.

이러한 문제점을 극복하기 위해서 이미지 워터마킹에 딥러닝 기술을 적용하기 위한 연구가 최근에 많은 관심을 끌고 있습니다. 딥러닝 기술이 표현 학습을 통해 이미지의 복잡한 피처들을 근사화하고 일반화시키는데 탁월한 능력을 보이는 것이 핵심 이유입니다. 딥러닝 기술을 적용함으로써 얻을 수 있는 장점은 많은 학습 데이터를 이용하여 이미지 워터마킹을 위한 여러 레벨의 피처들을 자동으로 학습할 수 있다는 것입니다. 이 피처들을 이용함으로써 워터마크가 잘 숨겨지도록 하고 여러 공격에도 강인하게 살아남도록 하는 것이 가능해집니다. 이미지 워터마킹 기술을 비디오의 프레임 단위에 적용함으로써 비디오 워터마킹에도 활용할 수 있습니다. 연속된 프레임 간의 관계를 기반으로 압축 과정을 진행하는 비디오의 특성상 모든 프레임에 워터마크를 삽입하는 것은 오히려 추출 성능을 저하시킬 수 있습니다. 그러나 단일 프레임의 모든 정보가 압축 이후의 프레임에 모두 남아 있는 것도 아니기 때문에 이미지의 경우와는 다른 종류의 강인성 확보 기술이 필요합니다.