주파수 신호의 2차원 변환과CNN을 활용한 상수도 누수 탐지 모델
Water Leakage Detection in Water Distribution Networks via 2D Frequency Signal Transformation and CNN
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 상수도 관망(WDN)의 누수 탐지 성능을 고도화하기 위해, 1차원 주파수 신호를 2차원 이미지로 변환하고 이를 컨볼루셔널 심층신경망으로 학습하는 딥러닝 모델을 제안한다. 공개 데이터셋인 AI Hub 상수도 누수 감지 데이터를 활용하여, 기존 트리기반 앙상블 모델이 가지는 표현력의 한계를 극복하고자 하였다. 특히, 분류 손실함수로 교차 엔트로피(Cross-Entropy)만을 사용하는 일반적인 접근법을 넘어, 임베딩 공간의 기하학적 구조를 직접적으로 규제하는 Supervised Contrastive Loss(SCL)와 AngularTriplet Loss를 도입하였다. 이를 통해 동일 클래스 데이터의 응집도를 높이고 상이 클래스 간의 분리도를 극대화하여 모델의 판별력과 일반화 성능을 향상시켰다. 실험 결과, 제안된 SCL 적용 모델은 기존 연구의 LightGBM 모델 대비 정확도, 정밀도 등 모든지표에서 우수한 성능을 보였으며, 특히 오탐(False Positive)과 직결되는 정밀도에서 유의미한 개선을 달성하였다. 나아가, t-SNE시각화 및 임베딩 공간에서의 k-NN 정확도 측정을 통해 제안 모델이 학습한 표현(Representation)의 질적 우수성을 정성적, 정량적으로 입증함으로써 모델의 신뢰성과 해석 가능성을 확보하였다
Abstract
This study proposes a deep learning model for water leakage detection in water distribution networks (WDNs), whichenhances feature representation by transforming 1D frequency signals into 2D images and employing a ConvolutionalNeural Network (CNN), specifically EfficientNet-B0. Utilizing the public AI Hub Water Pipeline Leakage Detection dataset,our approach addresses the representational limitations of conventional tree-based ensemble models. We augment thestandard cross-entropy loss by incorporating advanced metric learning techniques, namely Supervised Contrastive Loss(SCL) and Angular Triplet Loss. These methods explicitly structure the embedding space by maximizing intra-classcompactness and inter-class separability, thereby improving the model’s discriminative power and generalizationcapabilities. Experimental results demonstrate that the proposed model with SCL outperforms the state-of-the-art Light-GBM model across all standard metrics, including accuracy and precision. Notably, the significant improvement inprecision indicates a reduced false alarm rate, which is critical for practical applications. Furthermore, we validate thequality of the learned representations through both qualitative t-SNE visualization and quantitative k-NN classificationon the embedding space, confirming the model’s reliability and the geometric soundness of its feature manifold.