3.1 철근 간격 측정 장비

Depth camera는 나란히 배치된 2개의 렌즈를 사용하여 3차원 데이터인 3D 포인트 클라우드를 계측할 수 있다. 2대의 카메라를 통해 계측되는 2D 이미지 쌍을 활용하여 3D 포인트 클라우드를 추정하기 위해 Stereo Depth Estimation을 사용한다. Stereo Depth Estimation^{(Lucas and Kanade 1981; Luong and Faugeras 1996; Hartley and Zisserman 2003; Nister 2004)}은 두 이미지 간의 시차(disparity)를 계산하고, 이를 삼각측량(triangulation) 원리에 기반하여 3차원 위치를 추정하는 방식이다. 이 과정을 통해 별도의 reference 마커 없이 거리 정보를 복원할 수 있다. 이러한 과정에서 이미지 쌍을 동일한 평면으로 맞추기 위해 회전 및 이동이 필요하며, 복잡한 연산과정이 수행된다. Depth camera의 경우 두 렌즈의 시선과 방향이 평행하게 배치되어 있어 이미지 쌍을 동일한 평면으로 맞추는 정렬 과정이 간소화된다. 이로 인해 대응점 추출 및 3차원 정보 계산을 위한 연산이 효율적으로 수행되며, 실시간 계측에 적합한 연산 속도를 확보할 수 있다.

본 연구에서는 Fig. 2에 나타낸 Intel 사의 D455 depth camera를 사용하여 건설현장의 철근 간격을 측정하였다. D455는 이미지 쌍을 통해 3D 포인트 클라우드를 추정하는 과정에서 Stereo Depth Estimation 방식과 구조광 방식을 함께 사용한다. 구조광 방식은 IR Projector를 사용하여 Fig. 3에 나타낸 적외선 패턴을 투사하고 해당 패턴의 왜곡을 통해 3D 포인트 클라우드를 보정하는 특징이 있으며, D455의 상세 사양은 Table 2에 나타내었다.

Fig. 2 Configuration of a D455 depth camera

Fig. 3 IR structured light pattern projected by D455

3.2 Depth camera 계측 데이터

본 연구에서는 건설 현장에서 철근 배근 간격을 측정하기 위해 depth camera로 수집된 데이터를 활용하였다. Depth camera는 2D 이미지와 3D 포인트 클라우드를 동시에 획득할 수 있으며, 상용 3D 스캐너에 비하여 경제적이다. 본 연구에 사용된 depth camera의 경우 촬영 시점에 Brown-Conrady 모델을 적용하여 렌즈 왜곡을 하드웨어적으로 보정한 후 보정된 데이터를 출력 및 저장하므로, 별도의 왜곡 보정 없이 계측 데이터를 활용할 수 있다^{(Clarke and Fryer 1998)}. Fig. 4는 2D 이미지와 3D 포인트 클라우드의 데이터 형식을 나타낸다. 2D 이미지는 각 픽셀(pixel)이 빨강, 초록, 파랑의 세 가지 색상 성분으로 구성된 3채널 이미지로, 인간의 시각적 인식에 기반하여 사물의 색상과 형태를 표현할 수 있으나 공간 위치정보는 제공하지 않는다. 이러한 2D 이미지는 일반적으로 W×H×3의 형식으로 저장되며, 여기서 W와 H는 이미지의 가로와 세로 픽셀 수를 의미한다. 숫자 3은 세 가지 색상 채널을 나타내며, 색상은 0~255 사이의 값을 통해 그 세기가 표현된다. 한편, 3D 포인트 클라우드는 N×3의 형식으로 구성되어 있다. 여기서 N은 포인트의 개수를 의미하며, 3은 X, Y, Z의 3차원 좌표를 의미한다. 3D 포인트 클라우드는 3차원 공간에서 물체의 위치와 형상을 정밀하게 측정할 수 있는 장점이 있지만, 객체 인식을 위해 복잡한 처리가 요구된다.

Depth camera를 통해 계측되는 3D 포인트 클라우드의 경우 2개의 렌즈를 통해 계측되는 이미지 쌍을 통해 추정되었다. 따라서, 3D 포인트 클라우드의 개수인 N은 depth camera로 계측되는 이미지의 크기인 W×H와 동일한 특징을 가지고 있다. 데이터 크기의 특징을 활용하여 Fig. 5에 나타난 것과 같이 3D 포인트 클라우드의 N을 이미지 크기와 동일한 형태인 W×H로 재구성하여 2D 이미지 각 픽셀에 해당하는 3D 포인트 클라우드의 좌표를 대응할 수 있다^{(Woo et al. 2025)}. 2D 이미지와 3D 포인트 클라우드의 대응은 다음 과정을 통해 수행될 수 있다.

여기서, $ p_{i}$는 3D 포인트 클라우드의 각 점을 의미하고, $i$는 3D 포인트 클라우드 내에서 각 점의 인덱스로 $i = 1,\: \cdots ,\: N$로 정의된다. $ c_{jk}$는 2D 이미지의 각 픽셀을 나타낸다. $j$와 $k$는 각각 depth camera로 계측된 2D 이미지의 수직과 수평 픽셀의 위치로 $j = 1,\: \cdots ,\: H$, $k = 1,\: \cdots ,\: W$로 정의된다. $ c_{jk}^{pcd}$는 3D 포인트 클라우드를 2D 이미지 픽셀에 대응된 데이터를 의미한다. $j$와 $k$는 2D 이미지와 동일한 좌표를 의미한다. 따라서, 2D 이미지 각 픽셀 위치에 대응하는 3D 포인트 클라우드를 활용하여 대응된 두 점 간의 유클리드 거리를 계산함으로써 철근의 간격을 측정할 수 있다. 이와 같은 2D 이미지와 3D 포인트 클라우드 간의 직접 대응 기반 계측 방식은 동일한 프레임 내에서 시각 정보와 거리 정보를 정합할 수 있는 구조로 별도의 후처리 없이 간격 측정이 가능하다는 장점이 있다. 또한, 3D 스캐너를 활용한 방식은 높은 정밀도와 넓은 스캐닝 범위를 갖는다는 이점이 있으나, 설치를 위한 공간 확보가 필요하고, 대용량 데이터 처리에 시간이 소요된다는 한계가 있다. 반면, depth camera는 실시간 데이터 획득 및 처리를 할 수 있어 건설현장과 같은 실외 환경에서의 적용성 측면에서 유리하다.

Fig. 6은 2D 이미지의 특정 픽셀에 해당하는 3D 포인트 클라우드를 대응하여 표현한 depth map이다. 2D 이미지에서는 시각적으로 박스의 아랫면이 윗면에 비해 픽셀 길이가 긴 것으로 나타나지만, 3차원 위치정보의 연산 결과, 윗면의 실제 길이가 더 긴 것을 확인할 수 있다. 이러한 depth map을 활용하여 철근의 간격 측정을 하고자 하는 픽셀 위치를 선정하여 해당 픽셀에 대응되는 3D 포인트 클라우드의 위치정보를 통해 간격 측정을 수행할 수 있다.

Fig. 4 2D RGB image and 3D point cloud data format

Fig. 5 Schematic of correspondence between 2D RGB image and 3D point cloud

Fig. 6 Depth map using 3D point cloud–2D RGB image correspondence

3.3 Depth camera를 활용한 철근 간격 측정법

Depth camera로 계측된 2D 이미지와 3D 포인트 클라우드 간의 대응을 통해 철근 간격을 측정한 예시는 Fig. 7에 나타내었다. 사용자의 용이한 철근 인식을 위해 2D 이미지에 depth map을 함께 나타냈으며, 이를 통해 동일한 시점에서 획득한 시각정보와 거리정보를 결합하여 철근의 위치를 더 정확하게 파악할 수 있다. 특히, depth map을 활용하면 전면에 위치한 철근과 후면에 위치한 철근의 판단이 용이하여 동일한 이미지 내에 중첩된 철근의 위치를 분리하여 분석할 수 있다.

그러나, 양쪽으로 배치된 렌즈를 통해 계측된 두 이미지로부터 추정된 3D 포인트 클라우드는 depth camera의 구조적 특성상 특정 상황에서 데이터 누락 현상이 발생할 수 있다. 특히, Fig. 8과 같이 수평 방향으로 배근된 철근 사이의 수직 간격을 측정할 때 일부 구간에서 3D 포인트 클라우드가 누락되는 현상이 관찰되었다.

이와 같은 데이터 누락은 depth camera의 계측 원리에서 기인한다. Depth camera는 두 개의 2D 이미지로부터 대응점을 추출하여 3D 포인트 클라우드를 추정하는데, 철근의 색상이 어두운 경우 빛을 흡수하여 심도 디테일이 감소하여 두 이미지 간 대응점 추출에 영향을 미친다. Fig. 9(a)에 나타난 수평 철근의 2D 이미지에서는 철근 표면에 음영이 나타나며, 대응점이 적어지는 현상이 확인된다. 이는 결과적으로 해당 부위의 3D 포인트 클라우드 누락으로 이어진다. 또한 Fig. 9(b)와 같이 수직으로 배근된 철근은 이미지 쌍 간의 반복 패턴이 적어 대응점 매칭이 원활하게 이루어지는 반면, 수평으로 배근된 철근은 반복되는 형태로 인해 정확한 대응점 매칭이 이루어지지 않아 3D 포인트 클라우드 생성이 제한되는 것으로 분석된다.

이러한 한계를 극복하기 위해, 본 연구에서는 데이터 누락으로 인해 철근의 수직 간격 측정이 어려운 상황에서 사용할 수 있는 두 가지 측정 방법을 제안한다. 첫 번째 방법은 철근의 교차점에서의 간격 측정이다. Fig. 10(a)에서 확인할 수 있듯이, 수평 배근과 수직 배근 철근이 교차하는 지점에서는 3D 포인트 클라우드 누락 현상이 상대적으로 적게 발생한다. 두 번째 방법은 depth camera의 수평 기울기를 조정하여 계측하는 방식이다. 수평 배근 철근은 반복되는 형태로 인해 이미지 쌍 간 대응점 매칭이 어려워 3D 포인트 클라우드가 누락될 수 있다. Depth camera의 수평 기울기를 조정할 시 수평 철근의 반복적인 이미지 패턴이 완화되어 대응점 매칭이 원활해진다. Fig. 10(b)는 depth camera의 수평 기울기 조정 후 계측한 결과이며, 누락되는 3D 포인트 클라우드가 최소화된 모습을 확인할 수 있다. 이후, 본 연구에서는 제안한 교차점 기반 측정 방식과 카메라 기울기 조정 방식을 기존 정면 계측 방식과 비교하여, 철근 간격 측정의 정확성과 안정성을 검증하였다.

Fig. 7 Rebar spacing measurement based on 3D point cloud- 2D RGB image correspondence

Fig. 8 Example of missing 3D point cloud in horizontally placed rebar map of slab reinforcement

Fig. 9 Causes of missing 3D point cloud

Fig. 10 Proposed methods to compensate for 3D point cloud loss

4.1 현장 계측 대상 및 방법

본 연구에서는 제안한 depth camera를 활용한 철근 간격 계측방법의 정확성과 현장 적용 가능성을 검증하기 위해 건설현장에서의 적용을 수행하였다. 적용 대상 현장은 철근콘크리트조 구조물로, 지하 1층 기초슬래브와 지상 3층 기둥에 대해 계측을 수행하였다(Fig. 11).

Depth camera를 활용하여 철근 간격을 계측하고, 줄자를 통한 실측값과의 비교를 통해 측정 오차를 분석하였다. 실측값은 동일 위치에서 3회 계측 후 평균값을 사용하였으며, 슬래브의 경우 총 16개 구간, 기둥 철근의 경우 총 14개의 구간에 대해 수평 및 수직 간격을 측정하였다.

Fig. 11 Rebar spacing measurement target

4.2 Depth camera 기반 철근 간격 측정 결과

본 연구에서는 제안한 측정법의 유효성을 검증하기 위해 건설현장의 슬래브 및 기둥 철근을 대상으로 철근 간격 측정을 수행하였다. 측정은 각 구간에 대해 제안된 두 가지 방법과 기존 정면 계측 방식으로 각각 측정한 후, 줄차를 이용한 실측값과의 비교를 통해 정확도를 평가하였다. 본 연구에서 정의한 정확도(Accuracy)는 다음과 같이 표현할 수 있다.

여기서, Measured Value는 depth camera를 활용하여 계측한 철근 간격을 의미하고, Actual Value는 줄자를 이용하여 계측한 철근 간격을 의미한다.

일반적인 정면 계측 방식으로 측정한 결과는 Fig. 12에 나타내었다. Fig. 12의 X축은 각각의 측정 항목을 의미하며, Slab-H는 슬래브 철근의 수평 간격, Column-H는 기둥 철근의 수평 간격, Slab-V는 슬래브 철근의 수직 간격, Column-V는 기둥 철근의 수직 간격을 나타낸다. Y축은 각 항목에 산포된 점들은 depth camera를 활용한 간격 측정 정확도를 의미한다. 부재에 따라 슬래브 철근의 경우 16개, 기둥 철근의 경우 14개 구간에서 계측된 간격 측정 정확도를 시각적으로 보여준다. 슬래브 철근의 수평 간격(Slab-H) 및 기둥 철근의 수평 간격(Column-H)의 경우, 모든 계측 구간에서 측정이 가능하였다. 각각 최소 93 %, 95 %의 정확도를 보이며, 최대 5 mm, 12 mm의 오차를 보인다. 슬래브 철근 수직 간격(Slab-V)과 기둥 철근 수직 간격(Column-V)의 경우 각각 최소 96 %, 92 % 이상의 정확도를 보이나, 각각 16개 측정 구간 중 15개 구간, 14개 구간 중 5개 구간에 대해서 계측이 불가능하였다. 이는 depth camera의 특성으로 나타나는 3D 포인트 클라우드의 데이터 누락으로 인한 결과로 판단된다.

이에 따라 본 연구에서는 동일한 구간을 대상으로 철근 교차점 기준 계측(intersection)과 depth camera 수평 기울기 조정 방식(adjust tilt)의 두 가지 계측 방법을 적용하고, 정확도 및 계측 가능 구간을 비교하였다. Fig. 13은 제안된 두 계측 방법을 적용한 결과를 나타낸다. Fig. 13의 X축의 항목인 Slab-V Intersection, Slab-V Adjust tilt, Column-V Intersection, Column-V Adjust tilt은 측정 대상(슬래브 수직간격, 기둥 수직간격), 계측방법(교차점 계측, 기울기 조정)을 조합하여 표기한 것이다. Y축은 각 측정 항목의 철근 간격 측정 정확도를 나타낸다. 교차점 기준 계측 방식의 경우 슬래브 철근의 수직 간격 정확도는 최소 93 % 이상, 기둥 철근의 수직 간격 정확도는 최소 95 % 이상으로 나타났다. 수평 기울기 조정 방식의 경우 슬래브 철근과 기둥 철근 간격 모두 95 % 이상의 정확도를 보인다.

두 방법을 통해 계측한 철근 간격의 최대 오차는 슬래브 철근의 경우 11 mm, 기둥 철근의 경우 8 mm를 보인다. 또한, 두 가지 계측 방식의 경우 모든 계측 구간에서의 측정이 가능하였으며, 이는 3D 포인트 클라우드의 누락 문제를 효과적으로 해결할 수 있음을 보인다. 일반적인 정면 측정 방식에서 계측할 수 없었던 구간에 대해서도 안정적인 측정이 가능하였으며, 전 구간에 대한 높은 정확도를 함께 확보함으로써, 제안한 기법이 미탐지 문제와 정확도 저하 문제를 동시에 개선하였음을 실험적으로 입증하였다. 수직 및 수평 철근 간격을 포함한 각 계측방법에 대한 정확도의 평균, 최솟값, 최댓값, 표준편차, 계측 가능 구간 등 구체적인 정량 분석 결과는 Table 3에 제시하였다.

Fig. 12 Accuracy of rebar spacing measurements using depth camera in conventional frontal view

Fig. 13 Accuracy of vertical rebar spacing using intersection and tilt-adjusted methods