주파수 영역 특성 학습을 위한 CNN 기반 상수관로 누수 분류 모델 개발
A CNN-based Water Pipe Leakage Classification Model Using Frequency-domain Feature Learning
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
상수도관의 노후화와 환경적 요인으로 발생하는 누수는 수자원 손실과 경제적 부담을 초래하는대표적 문제다. 기존의 청음식 탐지 방식은 전문가 경험에 크게 의존하고 외부 소음에 취약해 효율성이 떨어진다. 이를 보완하기 위해 센서 기반 계측 데이터와 기계학습 기법이 활용되고 있으나, 주파수 스펙트럼을 독립적인 특성으로만 처리하는 기존 모델은 클래스 불균형과 전역적 패턴학습의 한계로 일반화 성능에 제약이 있었다. 본 연구에서는 1D-CNN과 2D-CNN을 결합한 하이브리드 구조를 설계하고, AI-Hub 누수 감지 데이터로 성능을 검증하였다. 제안된 구조는 1D-CNN으로 주파수 축의 국소 패턴을, 2D-CNN으로 채널 간 상호작용을 동시에 학습해 기존 방법의 한계를 보완하였으며, Accuracy 0.9587, Macro F1 score 0.9487, MCC 0.9456를 기록해 다양한 주파수기반 센서 데이터 분석에도 확장 가능성을 확인하였다.
Abstract
Leakage from aging infrastructure causes significant water losses and economic costs. Conventional acoustic detection methods are limited by their dependence on expert experience and susceptibility to external noise. While sensor-based data and machine learning methods have been introduced to address these issues, existing models treating frequency spectra as independent features suffer from class imbalance and limited capacity to capture global patterns, resulting in poor generalization. In this study, we design a hybrid architecture that combines 1D-CNN and 2D-CNN and validate its performance using the AI-Hub leak detection dataset. The proposed model leverages 1D-CNN to extract local patterns along the frequency axis and 2D-CNN to capture inter-channel interactions, thereby overcoming the shortcomings of previous approaches. Experimental results demonstrate that the hybrid architecture achieves an accuracy of 0.9587, a Macro F1 score of 0.9487, and an MCC of 0.9456, confirming its potential applicability to a wide range of frequency-based sensor data analysis tasks.