1. 서 론
최근 건설폐기물 재활용 수요의 증가에 따라, 이를 활용한 순환골재의 생산과 활용이 점차 확대되고 있다. 건설폐기물을 처리하여 순환골재로 전환하는 과정을 수행하는 중간처리업체는, 다양한 이물질이 포함된 원재료를 대상으로 분쇄, 선별 등 일련의 공정을 거쳐 재사용이 가능한 골재로 생산한다. 그러나 이러한 처리 공정에서 원재료에 포함된 토사가 높은 함수비를 가지거나, 건설폐기물의 보관 중 강우에 노출될 경우, 건설폐기물의 선별을 담당하는 스크린망 표면에 물질이 부착되어 공극을 막는, 망막힘 현상이 발생하게 된다. 망막힘 현상은 순환골재의 함수비가 높아질수록 발생확률이 커지며, 스크린의 망 주위에 점착되어 망의 공동을 좁히기 시작하여 스크린 망을 폐쇄하여 스크린의 기능을 상실하게 된다. 이러한 스크린 망의 기능 상실로 스크린의 분리 효율 및 처리량이 저하된다(Lee et al., 2022; Yoo, 2024). 이러한 망막힘 문제를 최소화하기 위해 현장에서는 진동 조절, 투입 골재량 조절 등 다양한 대응 기술을 적용하고 있으나, 여전히 대부분의 대응은 작업자의 경험과 현장 판단에 크게 의존하고 있다(민원･양경택, 2020; 윤훈철･윤칠중, 2022). 특히 함수비가 높아질수록 망막힘이 발생할 가능성이 높다는 현장의 직관적 인식은 존재하지만, 이를 수치적으로 검증하고 정량화할 수 있는 연구는 부족한 실정이다.
따라서 함수비와 망막힘률 간의 상관관계를 분석하기 위해, 함수비가 다른 시료를 대상으로 실제 망막힘 현상을 계측하고, 이를 기반으로 망막힘률을 정량적으로 산정할 수 있는 접근이 필요하다. 현재, 순환골재 생산 현장에서는 망막힘 현상에 따라 장비 효율이 저하되면 장비 가동을 중단하고, 스크린 망의 망막힘을 노동자들이 직접 정리하고 있다. 망막힘 정도에 따른 차이가 있지만, 일반적으로 장비 가동 중단은 최소 30분 이상 지속되며, 일 가동 시간 8시간 중 최소 6.25% 이상 장비 가동이 중단되어 생산성 저하 및 시간과 노동력이 과다하게 소모되는 문제가 있다. 이러한 문제를 개선하기 위해, 자동화 분석을 통해 망막힘 정도를 추정하고 이를 함수비와 연계하여 정량적으로 평가하는 시스템이 필요하다. 자동화 분석이 가능하다면, 순환골재 생산시스템 가동 중 불필요하게 장비 가동을 중지하거나, 망막힘으로 인한 생산성 저하문제를 해결할 수 있어, 생산 효율이 증대될 것으로 기대된다.
따라서, 본 연구는 스크린망 막힘 현상의 정량화를 위한 기초 연구로, 차영상 분석 기법을 활용하여 스크린망의 막힘 정도를 분석하고, 이로부터 망막힘률을 평가하였다.
2. 연구 개요
본 연구는 스크린망의 막힘 정도를 분석하기 위하여, Python 환경에서 OpenCV를 활용하여 기준 이미지 기반의 차영상 생성 및 후처리 과정을 거쳐 막힘 영역을 검출하고, 이를 통해 망막힘률을 추정하는 과정을 수행하였다. 전체 연구 절차는 Fig. 1과 같다.
2.1 차영상 분석
차영상 분석은, 두 영상의 픽셀 차이를 통해 변화나 이상을 검출하는 기법으로, 배경 영상과 대상 영상을 정합한 후 픽셀 단위로 뺄셈을 수행하여 두 영상 간 차이가 있는 부분만 강조된 차영상을 얻는 방식이다. 본 연구에서는, 스크린망 상의 이물질로 인한 변화가 밝게 나타나고, 변화가 없는 배경 부분은 어둡게 유지된다. 그러나 원본 차영상에서는 촬영 환경이나 센서의 특성에 따라 조명 잡음, 센서 노이즈 등에 의해 동일한 상태의 이미지라도 픽셀 단위에서 미세한 변화도 포함될 수 있다. 따라서, 후속 처리를 통해 유의미한 변화만을 추출할 수 있도록 해야 한다.
첫 번째 후처리 단계는 이미지 이진화(Thresholding)이다. 차영상을 이진 영상으로 변환하면 관심 영역의 보다 정확한 분리가 가능해진다. 일반적으로 임계값을 설정하여 해당 수치 이상 변화한 픽셀은 막힘으로 판단하여 흰색으로, 그 미만은 검은색으로 설정한다. 본 연구에서는 배경의 미세한 명암 변화나 센서 잡음에 의한 오검출을 저감하기 위하여, 임계값 설정은 비교적 보수적으로 하여 확실히 막힌 부분만 검출하도록 하였다(Bataineh et al., 2025).
이진화된 영상에는 여전히 작은 잡음이 잔존할 수 있기 때문에, 이를 제거 및 관심 영역을 더욱 선명하게 만들기 위해 모폴로지 연산을 적용하였다(Yan et al., 2007). 모폴로지는 영상 속 객체의 형태를 구조적인 방법으로 처리하는 기법으로, 본 연구에서는 opening 연산과 dilation을 조합하여 사용하였다. 먼저 열림 연산으로 침식 후 팽창 순서를 적용하여 작은 노이즈 성분 제거 및 좁은 연결부 분리 효과를 얻었다(Kim et al., 2020; Alanazi et al., 2023). 구체적으로, 3 × 3 커널을 사용한 침식으로 작은 흰색 잡음 픽셀을 제거하고 막힌 영역의 외곽을 약간 축소시킨 뒤, 팽창으로 남은 영역을 다시 원래 크기로 복원하였다. 이 과정에서 잡음은 사라지고 실제 막힌 영역만 남게 된다. 이후 남은 이진 객체들을 약간 확대하기 위해 추가적인 팽창 연산을 한 차례 더 적용하였다. 이는 스크린망의 격자선 근처에 붙어있는 막힘 영역을 확장시켜 격자선에 의해 잘려나간 부분도 포함시키기 위함이다. Morphology 연산을 거치면 최종적인 막힘 영역이 이진 마스크로 얻어진다.
2.2 망막힘률 산정
망막힘률은 스크린망에서 막힌 영역이 차지하는 비율을 의미한다. 즉, 망의 유효 투과 면적 대비 차단된 면적의 백분율로 정의할 수 있다. 따라서, 먼저 기준이 되는 전체 유효영역을 결정해야 한다. 스크린망 이미지의 경우 격자 형태의 grid line이 존재하며, 이 자체는 원래도 통과가 불가능한 영역이므로 막힘률 계산에서 분모에 포함하지 않는다. 따라서 유효영역은 망의 공동부분으로서, 본 연구에서는 기준 이미지의 픽셀 중 격자선이 아닌 부분을 합한 면적으로 정의하였다.
다음으로 막힌 영역의 면적을 산출한다. 앞서 모폴로지 과정을 거쳐 얻은 최종 이진 마스크는 막힌 부분에 해당하는 픽셀만 흰색으로 남아있다. 이 마스크에서 흰색 픽셀을 모두 합산하면 곧 막힘으로 차단된 영역의 면적이 된다. 이를 기반으로 망막힘률은 식 (1)과 같이 계산된다.
여기서,
: 망막힘률(%)
: 막힘 면적(pixel area)
: 전체유효면적(pixel area)
3. 실험 구성 및 평가 절차
3.1 실험 구성
본 연구에서는 망막힘률 평가를 위해 실험실 환경에서 체눈 크기 19.0 mm 및 13.2 mm의 격자형 체(이하 스크린망)를 사용하였다. 우선, 망막힘이 발생하지 않은 기준 이미지로서 활용하기 위하여 기준 이미지를 각각 80장, 78장을 수집 이용하여, 동일한 대상의 여러 이미지 픽셀 값의 중간값을 산출하여 새로운 이미지를 구성하는, 메디안 기법을 적용하여 레퍼런스 이미지를 생성하였다. 이 과정을 통해, 조명 변화 및 일시적인 이물질의 출현 등의 영향을 줄이고, 일관된 배경을 얻을 수 있다. 생성된 레퍼런스와 대상 이미지를 전처리하여 해상도를 통일한 뒤, RGB 세 채널의 휘도 성분을 가중 합하여 단일 채널의 그레이스케일로 변환하였다. 대상 이미지는 망막힘 정도에 따라 이물질을 투입하여 망막힘 환경을 조성한 이미지이다. 이들 이미지 역시 해상도를 통일하고, 그레이스케일로 전처리하였으며, 기준 이미지와 동일한 조건에서 촬영되었다(Fig. 2).
3.2 평가 절차
스크린망 이미지는 촬영 조건에 따라 약간의 평행이동이나 회전, 확대 차이가 존재할 수 있기 때문에, 이를 보정하지 않고 차분을 할 경우 체망이 어긋나며 큰 변화로 오인될 수 있다. 이에 대응하기 위해, ECC(Enhanced Correlation Coefficient) 기반의 유클리디언 정합을 적용하였다(Nishidate et al., 2024). 이는 회전 및 평행 이동을 고려하는 rigid 형태의 정합으로, 고정된 피사체를 촬영하되 미세한 촬영 오차가 존재할 수 있는 조건에 활용 가능하다(Evangelidis and Psarakis, 2008). ECC 정합은 대상 간 상호 상관계수를 최대화 하는 방향으로 변환 행렬을 최적화하며, 정합 결과는 기준 배경과 동일한 해상도 및 좌표계로 변환되어 픽셀 단위 비교를 가능토록 한다(Ayubi et al., 2024).
정합이 완료된 대상 이미지와 기준 이미지 간의 차이를 계산하여, 변화 영역을 추출하였다. 이때 thresholding을 적용하여 이물질이 부착된 영역을 분리하였으며, 이진화된 결과에는 노이즈가 포함되어 있어, 후처리로 모폴로지 연산을 수행하였다. 본 연구에서는 3X3 커널을 사용하여 2회의 Opening연산과 1회의 Dilation연산을 연속 적용하여 이물질의 형태를 보존하면서 배경 노이즈를 제거하였다.
4. 평가 결과
Median Background 기반 정합 및 이진화 기법을 통해 이물질에 의한 스크린망 막힘 영역을 자동 검출하였다. 정제된 이진 이미지에서 흰색 영역을 이물질로 간주하여 면적을 계산(Fig. 3)하였으며, 식 (1)을 통해 전체 대비 망막힘률을 산정한 결과를 Table 1에 나타내었다.
분석 결과, 전반적으로 검출 결과는 시각적으로 높은 일관성을 보였다. 그러나 일부 골재 이물질이 완전히 검출되지 않거나 부분적으로만 추출되는 사례가 나타났으며, 이는 기준 레퍼런스 대비 이물질의 명암 차가 작은 경우 픽셀 차이를 기반으로 한 연산 결과가 미약하게 나타나고, 이후 Threshold 단계에서 임계값을 넘지 못하여 최종적으로 검출되지 않은 문제로 판단하였다(Zhang and Guo, 2023). 다만, 본 연구의 전처리 기반 망막힘률 산정은 정합 및 차분 방식에 기반한 간단한 구조에도 불구하고 전체적으로 높은 인식률을 확보하였으며, 실제 이물질의 분포 및 형상에 대한 일정 수준 이상의 검출 성능을 보였다고 판단하였다.
망막힘률 산정 결과에 대해서는, 시각적 판단으로는 막힘률이 우수하게 산정된 것으로 보이나, 영상 처리 기반의 자동 산정 결과에 대한 신뢰성 검증을 위해 일부 이미지에 대해 수작업으로 생성한 이물질 마스크를 기준으로, 자동 추출된 마스크와의 망막힘률 산정 결과를 비교하여 그 결과를 분석하였다.
Fig. 4와 Table 2는 두 가지 사례를 대상으로 자동 생성된 예측 마스크와 수동으로 생성한 마스크간의 망막힘률 차이를 비교한 결과를 나타낸다. 두 사례 모두, 예측값은 수동 측정값과 유사한 수준을 보였으며, 절대 편차는 각각 0.61%, 0.86% 및 3.19%로 나타났다. 두 사례 모두 절대편차가 5% 이하로 유지되어 자동 생성 마스크를 통한 망막힘률 산정이 가능하다고 판단하였다.
5. 결 론
본 연구는 차영상 기법을 활용하여 순환골재 생산시설 현장에서 활용되는 스크린망의 망막힘률을 정량화하기 위한 기초연구로, 실험실 환경에서 입경 19.0 mm, 13.2 mm의 체를 활용하여 기준 이미지와 대상 이미지간의 차이를 기반으로 이물질 누적 영역을 추출하고, 해당 영역의 면적을 전체유효면적에 대한 비율로 산정함으로써 스크린망의 막힘률을 평가하였다. 이에 대한 결론은 다음과 같다.
1) 분석 절차는 ECC 정합, 차분, 이진화, 모폴로지 연산의 4단계로 구성하였으며, 3 × 3 커널을 이용하여 두 차례의 opening 및 한 차례 dilation 처리를 통해 배경 노이즈를 배제하고 이물질로 인한 막힘 영역만을 이진 마스크로 추출하였다. 다수의 기준 이미지를 활용하여 평균 배경을 구성하고, ECC기반의 정합을 통하여 대상 이미지와의 정렬을 수행함으로써 분석의 일관성을 확보하여 촬영 조건에서의 오차 발생을 최소화하여 배경을 추출하였다.
2) 산정된 망막힘률은 19 mm체 대상 이미지에서 12.88%, 13.2 mm체 대상 이미지에서 71.38%로 나타났으며, 일부 골재 이물질이 온전히 검출되지 않았거나 부분적으로만 추출되는 사례가 발생하였다. 이는 레퍼런스 이미지 대비 이물질의 명암 차가 작은 경우 픽셀 차이를 기반으로 한 연산 결과가 미약하게 나타나고, Threshold 단계에서 임계값을 넘지 못하여 검출되지 않은 문제로 판단하였다.
3) 영상처리 기반의 망막힘률 자동 산정 결과에 대한 신뢰성 검증을 목적으로 수작업으로 생성한 이물질 마스크와의 비교분석을 통해 자동 추출된 마스크와의 망막힘률 산정 결과를 비교하였으며, 사례 모두 절대편차가 5% 이하로 유지되어 자동 생성된 마스크를 통한 망막힘률 산정이 가능하다고 판단하였다.
4) 본 연구에서 활용한 ECC 정합-임계값 기반 threshold 이진화 기법은 단순하고 효율이 높으나, 조명 세기, 촬영 각도 등이 변하는 조건에서의 robustness는 아직 충분히 검증되지 않았으므로, 현장 적용을 위해서 추가적인 연구가 필요할 것으로 판단된다.
5) 실험 과정에서 일부 저대비 이물질이 누락되는 사례에 대해서, 차영상-임계값 기반 접근이 명암 차에 민감하다는 특성을 반영할 필요가 있다.
향후 더 많은 사례에서의 수동 마스크와의 비교를 수행하여 검증의 통계적 유의성 확보, 다중 조도･다중 시점 데이터셋을 활용한 추가 실험을 통한 안정성 개선 수행, 광원 조건의 표준화 및 임계값 조정조건 개선을 통한 망막힘률 산정의 개선 및 다양한 환경과 조건에서 수집된 대규모 스크린망 데이터를 기반으로 학습을 수행하여 실시간으로 이물질 검출 및 막힘률 분석이 가능한 딥러닝 기반의 객체 검출 모델의 구축을 통해 현장에 설치된 모니터링 장비와 연동하여 실시간 분석 결과를 바탕으로 분석 자동화의 정확성과 효율성을 향상시킬 수 있을 것으로 기대된다.
