KR101966732B1 - 석회석 광산 갱내의 디지털 사진 자료를 이용한 암상 분석 방법 - Google Patents

석회석 광산 갱내의 디지털 사진 자료를 이용한 암상 분석 방법 Download PDF

Info

Publication number
KR101966732B1
KR101966732B1 KR1020180129986A KR20180129986A KR101966732B1 KR 101966732 B1 KR101966732 B1 KR 101966732B1 KR 1020180129986 A KR1020180129986 A KR 1020180129986A KR 20180129986 A KR20180129986 A KR 20180129986A KR 101966732 B1 KR101966732 B1 KR 101966732B1
Authority
KR
South Korea
Prior art keywords
texture
mesh
mine
model
data
Prior art date
Application number
KR1020180129986A
Other languages
English (en)
Inventor
이창원
조성준
Original Assignee
한국지질자원연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국지질자원연구원 filed Critical 한국지질자원연구원
Priority to KR1020180129986A priority Critical patent/KR101966732B1/ko
Application granted granted Critical
Publication of KR101966732B1 publication Critical patent/KR101966732B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/04—Texture mapping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Graphics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Generation (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 일반 디지털 카메라를 이용해 석회석 광산 갱내에서 촬영된 사진만으로도 암상 분석을 간편하게 수행할 수 있게 되는 석회석 광산 갱내의 디지털 사진 자료를 이용한 암상 분석 방법에 관한 것으로, (a) 갱내 촬영 이미지들을 통해 갱 내부 분석대상 영역에 대해 하나의 3D 메쉬(mesh)와 다수 조각의 패치(patch)들로 구성된 2D 텍스쳐(texture)와 UV 맵핑(mapping)을 생성하여 분석대상 영역에 대한 3D 모델을 생성하는 단계; (b) 상기 3D 모델의 패치들에 대해 UV 맵핑(mapping)을 재생성하여 분석대상 영역을 하나의 통합 패치로 만들어 텍스쳐를 재구성하는 단계; 및 (c) 상기 통합 패치에 대해 적어도 하나 이상의 암색을 트레이닝 샘플(training sample)로 정의하여 영상에 대한 감독분류(supervised learning)를 수행하며 감독분류에 따른 예측 모델을 이용해 텍스쳐를 암색으로 분류하여 암상 분석을 수행하는 단계; 를 포함하는 것을 특징으로 한다.

Description

석회석 광산 갱내의 디지털 사진 자료를 이용한 암상 분석 방법{LITHOFACIES ANALYSING METHOD USING DIGITAL PICTURES IN LIMESTONE MINE}
본 발명은 석회석 광산 갱내의 디지털 사진 자료를 이용한 암상 분석 방법에 관한 것으로, 특히 일반 디지털 카메라를 이용해 석회석 광산 갱내에서 촬영된 사진만으로도 암상 분석을 간편하게 수행할 수 있게 되는 석회석 광산 갱내의 디지털 사진 자료를 이용한 암상 분석 방법에 관한 것이다.
광산 갱내의 암상에 대한 정보를 그 종류와 상태에 따라 분류하기 위한 종래의 방법은 대부분이 소수 지질전문가의 경험적 판단에 의존해 수행되어 왔으며, 이는 결과적으로 정량적인 수치에 근거를 두지 못하여 정성적인 방법으로서의 한계를 보여 왔다.
일반적으로, 광산의 개발을 위해서는 사전 지반조사는 물론 갱도 굴착 중에도 지질 조사가 필수적으로 이루어져야 한다. 특히, NATM(New Austrian Tunneling Method) 공법은 국내외에서 터널 시공이나 갱도 굴착 시 빈번하게 적용되는 공법으로서, 굴착 중 직면하는 지질조건에 대한 능동적 대응을 전제로 하고 있어 지질 조사에 대한 점검이 필수적이다.
이를 위해, 대부분의 갱도 굴착 현장에서는 막장 내의 굴진면에서 지층 경계, 암질, 절리, 단층, 지하수 상태 및 파괴 징후를 관찰 및 측정하여 갱도의 지질도를 작성하고, 이를 기초로 갱내의 지질 조건을 나타내는 종단면도, 평면도 및 지질 전개도를 작성하여, 갱도의 지질 조건에 대한 공간적 파악과 예측을 수행하고 있다.
한편, 종래의 갱도에 대한 전개도는 대부분 수기로 작성되고 있으며, 굴진면에서 관찰된 XZ축 상의 지층 경계 정보를 이용하여 XY축 상의 터널 전개도를 도시하여야 하므로, 상당한 경력의 지질기술자 및 터널지질전문가를 필수적으로 요구되며, 터널의 시공 비용 및 작업 소요 시간을 증가시키는 문제점이 발생하였다.
또한, 갱도에 대한 전개도의 생성을 위해 컴퓨터를 이용한 솔리드 모델링(Solid Modeling) 기법이 사용되고 있으나, 이 경우에는 솔리드 모델의 생성 시 발생하는 기하좌표의 정밀도 오차로 인해 연산 에러가 발생하는 문제점이 있었다. 특히, 갱도의 굴진면에서 나타나는 지질, 지층 경계가 복잡할수록 연산 에러의 발생이 빈번하게 발생하고, 이를 수정하기 위한 후처리 과정이 필수적으로 요구되므로, 작업자에게 과도한 업무 부하가 발생하게 된다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로, 그 목적은 일반 디지털 카메라를 이용해 석회석 광산 갱내에서 촬영된 사진만으로도 암상 분석을 간편하게 수행할 수 있게 되는 석회석 광산 갱내의 디지털 사진 자료를 이용한 암상 분석 방법을 제공하는데 그 목적이 있다.
본 발명에 따르면, (a) 갱내 촬영 이미지들을 통해 갱 내부 분석대상 영역에 대해 하나의 3D 메쉬(mesh)와 다수 조각의 패치(patch)들로 구성된 2D 텍스쳐(texture)와 UV 맵핑(mapping)을 생성하여 분석대상 영역에 대한 3D 모델을 생성하는 단계; (b) 상기 3D 모델의 패치들에 대해 UV 맵핑(mapping)을 재생성하여 분석대상 영역을 하나의 통합 패치로 만들어 텍스쳐를 재구성하는 단계; 및 (c) 상기 통합 패치에 대해 적어도 하나 이상의 암색을 트레이닝 샘플(training sample)로 정의하여 영상에 대한 감독분류(supervised learning)를 수행하며 감독분류에 따른 예측 모델을 이용해 텍스쳐를 암색으로 분류하여 암상 분석을 수행하는 단계; 를 포함하는 것을 특징으로 하는 디지털 사진 자료를 이용한 암상 분석 방법을 제공한다.
바람직하게는, 상기 (a) 단계의 촬영 이미지들은 중첩된 상태로 촬영되는 것을 특징으로 한다.
바람직하게는, 상기 (a) 단계는, (a-1) 상기 촬영 이미지들을 정렬하고 로컬 좌표값을 생성하는 단계; (a-2) 정렬된 촬영 이미지들로부터 분석대상 영역에 대해 포인트 클라우드(point cloud) 생성을 통해 각 노드에 위치좌표를 부여한 3D 메쉬를 생성하는 단계; (a-3) 분석대상 영역을 텍스쳐 좌표를 가진 다수 조각의 패치들로 분할하여 2D 텍스쳐를 생성하는 단계; 및 (a-4) 상기 3D 메쉬와 2D 텍스쳐를 조합하여 분석대상 영역에 대한 3D 모델을 생성하는 단계; 를 포함하는 것을 특징으로 한다.
바람직하게는, 상기 (b) 단계에서 3D 메쉬의 영역은 심라인(seam line)에 의해 구획되며 각 영역은 하나의 통합 패치로 연결되어 텍스쳐가 하나의 통합 패치로 재구성되는 것을 특징으로 한다.
바람직하게는, 상기 (c) 단계에서 감독분류는 서포트 벡터 머신(support vector machine), 랜덤 포레스트(random forest) 및 인공신경망 분석(artificial neural network) 중 적어도 하나에 상응하는 이미지 분류 기계학습 알고리즘이 활용되는 것을 특징으로 한다.
바람직하게는, (d) 메시와 텍스쳐로 이루어진 3D 모델을 지질모델링 소프트웨어에 입력하여, 상기 (a) 단계의 3D 메쉬를 서페이스(surface object)로 변환하고 상기 (b) 단계의 재구성된 텍스쳐를 복셋(voxet object)으로 변환하며, 상기 서페이스의 로컬 좌표값을 지도 좌표값으로 변환하여 서페이스에 지도 좌표를 부여하는 단계; 및 (e) 상기 서페이스와 복셋을 점군(pointset) 자료로 변환하고 변환된 점군 자료의 암색 코드를 암상 정보로 정의하여 암상 시뮬레이션을 수행해 암종 정보를 활용하는 단계; 를 더 포함하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따른 컴퓨터로 읽을 수 있는 매체는 상기한 방법 중 어느 하나를 컴퓨터에 실행시키기 위한 프로그램을 기록한다.
본 발명에 따르면, 일반 디지털 카메라를 이용해 석회석 광산 갱내에서 촬영된 사진만으로도 암상 분석을 간편하게 수행할 수 있게 되는 효과가 있다.
도 1은 본 발명의 실시예에 따른 석회석 광산 갱내의 디지털 사진 자료를 이용한 암상 분석 방법을 설명하기 위한 흐름도.
도 2 내지 도 10은 본 발명의 실시예에 따른 석회석 광산 갱내의 디지털 사진 자료를 이용한 암상 분석 방법을 설명하기 위한 참고도.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명한다. 우선, 도면들 중 동일한 구성요소 또는 부품들은 가능한 한 동일한 참조부호를 나타내고 있음에 유의해야 한다. 본 발명을 설명함에 있어서 관련된 공지 기능 혹은 구성에 대한 구체적인 설명은 본 발명의 요지를 모호하게 하지 않기 위해 생략한다.
본 발명이 적용되는 석회석 광산 갱내의 디지털 사진 자료를 이용한 암상 분석 방법은 석회석 광산 갱내에서 촬영된 이미지들을 처리하여 갱내 암상 분류 및 암상 분석을 수행하게 되는 바, 도 1에 도시된 바와 같이 석회석 광산의 갱내 촬영 이미지 수집 단계(S10), 분석대상 영역에 대한 3D 모델 생성 단계(S12), UV 맵핑 및 텍스쳐 재구성 단계(S14), 감독분류 실행 및 암상 분석 단계(S16), 암상 분석결과 변환 및 지도 좌표 부여 단계(S18) 및 암상 분석결과를 점군 자료로 변환하여 암종 정보 획득 단계(S20)를 포함하여 구성될 수 있다.
먼저 석회석 광산의 갱내 촬영 이미지 수집 단계(S10)에서는 석회석 광산 갱내에서 촬영된 이미지들을 수집하게 된다.
작업자는 일반 디지털 카메라를 이용해 석회석 광산 내부의 벽면에 대한 사진을 촬영하며, 촬영된 이미지들은 시스템으로 전달되어 수집된다.
상기 디지털 이미지들은 일반적인 디지털 이미지 포맷인 JPEG(Joint Photographic Experts Group), TIFF(Tagged Image File Format), RAW 등으로, 범용적인 이미지 포맷을 그대로 활용할 수 있게 되는 특징을 갖는다.
도 2에는 석회석 광산의 갱내에서 내부 벽면에 대한 사진 촬영 작업이 이루어지고 있는 장면을 보여주고 있다. 실제 촬영에서는 갱내 조도를 감안하여 일정한 조도를 벽면에 제공할 수 있는 조명시설을 갖춘 상태로 다수의 사진을 포커스를 변경하면서 촬영하게 된다. 이때 각각의 사진은 약 80 내지 90% 정도 중첩(overlap)되도록 촬영하는 것이 바람직하다.
이러한 디지털 갱내촬영 이미지에는 석회석 광산의 갱내에서 내부 벽면에 노출되는 노두(outcrop)가 포함될 것이다.
다음으로 분석대상 영역에 대한 3D 모델 생성 단계(S12)에서는 상기 촬영 이미지들을 통해 갱 내부 분석대상 영역에 대해 하나의 3D 메쉬(mesh)와 다수 조각의 패치(patch)들로 구성된 2D 텍스쳐(texture)와 UV 맵핑(mapping)을 생성하여 분석대상 영역에 대한 3D 모델을 생성하게 된다.
이 과정에서는 수집된 갱내 촬영 이미지를 포토스캔(Photoscan)이나 pix4d와 같은 사진 측량(photogrammetry) 소프트웨어에 입력하여 wavefront obj 포맷의 DOM(Digital Outcrop Model) 자료를 생성하여 3D 모델을 제작하게 된다.
여기에서 상기 DOM 자료는 수치 노두 모델로서 지질학적 노두에 대한 3D 서페이스(surface)에 사진 정보가 매핑된 자료 구조를 의미하며, 이 같은 DOM 자료는 메쉬(mesh)와 텍스쳐(texture)로 이루어지게 될 것이다. 도 3의 (a)와 (b)는 사진 측량 소프트웨어에서 구성한 DOM 자료를 보여주고 있다. 도면에서 하늘색 박스들은 카메라 촬영 위치를 나타낸다.
먼저 갱내 촬영 이미지를 포토스캔으로 임포트(import)하게 된다.
여기에서 갱내 촬영 이미지 정렬(align)을 통해 카메라 내부/외부 표정요소 복원이 이루어지게 된다. 이 과정에서 3D 서페이스 정보는 갱내에서 측량에 의해 지상 기준점(GCP, Ground Control Point)의 획득이 어려우므로 로컬 좌표계로 결과값을 생성하고 추후 갱도자료와 비교하여 변환(scaling & translation) 과정을 통해 절대 좌표로 변환한다.
그리고 포인트 클라우드(dense point cloud) 생성 과정을 거치게 된다. 이 전체적인 과정은 암상 분석이 목적이므로 절리 방향과 같은 불연속면 정보 추출에 필요한 높은 해상도는 필요하지 않으며, 분석된 암상의 3D 공간적인 위치를 확인하는 수준이면 충분할 것이다.
이렇게 생성된 포인트 클라우드 정보로부터 3D 메쉬와 텍스쳐를 제작할 수 있게 된다. 도 4는 DOM 자료의 저장 방식을 설명하기 위한 도면으로, (a)는 텍스쳐 맵핑 방식을 나타내고 있으며, (b)는 메쉬를 여러 조각으로 나누는 텍스쳐 맵핑 방식을 나타내고 있다. 포토스캔을 포함한 대다수 텍스쳐 맵핑 소프트웨어들은 도 4의 (b)와 같이 3D 메쉬를 2D로 변환할 때 면적과 각의 왜곡이 발생하므로 왜곡이 최소화되도록 여러 조각의 이미지로 나누어 저장하게 된다.
이러한 메쉬와 텍스쳐의 조합은 포인트 클라우드와 컬러의 조합에 비해 적은 수의 포인트를 사용하게 되며, 고해상도 맵핑을 사용하여 실제와 유사한 노두 상태를 표현할 수 있게 된다.
이렇게 로컬 좌표계를 가진 DOM 자료의 제작이 완료되면, 이 DOM 자료는 도 4의 (a)에서와 같이 메쉬와 텍스쳐의 조합으로 표현되게 된다. 이 DOM 자료는 모델링 파일 포맷 중 wavefront obj 포맷이 많이 사용되며, 메쉬의 각 노드는 위치 좌표(x, y, z)와 텍스쳐 좌표(u, v)를 가지고 있으며 텍스쳐는 여러 조각의 패치로 구성된 상태이다.
이 과정을 통해 메쉬와 텍스쳐로 구성된 3D 모델을 출력할 수 있게 된다.
다음으로 UV 맵핑 및 텍스쳐 재구성 단계(S14)에서는 상기 3D 모델의 패치들에 대해 UV 맵핑(mapping)을 재생성하여 분석대상 영역을 하나의 통합 패치로 만들어 텍스쳐를 재구성하게 된다.
즉 이 과정에서는 여러 패치들로 구성된 텍스쳐를 하나의 통합 패치로 구성된 텍스쳐로 만들게 된다.
메쉬와 2D 텍스쳐의 조합은 포인트 클라우드와 컬러의 조합에 비해 기존에 잘 알려진 2D 이미지 프로세싱 기법을 쉽게 활용할 수 있게 하며, 메쉬와 텍스쳐(3D texture)가 조합된 상태에서 3D 지질 해석을 가능하게 한다. 하지만 왜곡에 최적화된 UV 맵핑 방식은 인접한 셀 정보를 활용해야 하는 이미지 프로세싱 방식의 단점이 될 수 있다. 따라서 왜곡이 발생하더라도 도 5와 같이 분석대상 영역이 연속적인 하나의 이미지처럼 구성될 수 있는 새로운 UV 맵핑 방식이 필요하게 된다.
이 새로운 UV 맵핑 방식으로의 변경은 3D 모델링 어플리케이션인 오픈소스 블렌더(blender)를 활용할 수 있다. 이 블렌더에서 상술한 wavefront obj 포맷의 DOM 자료를 임포트하여 신규 UV 맵핑을 생성하게 된다. 여기에서 심라인(seam line)은 심라인에 의해 메쉬 영역이 구획되며 각 영역은 하나의 통합 패치로 연결되도록 정의되어 텍스쳐는 가능한 하나의 큰 패치로 구성되게 된다. 그리고 언랩(unwrap)을 통해 신규 UV 맵을 제작하고 신규 UV 맵핑에 맞는 텍스쳐를 생성(bake)하게 된다. 이렇게 재구성된 DOM 자료는 다시 obj 포맷으로 출력될 것이다. 이때 재구성된 DOM 자료는 각 노드는 위치 좌표(x, y, z)는 동일하나 텍스쳐 좌표(u, v)와 텍스쳐는 달라진 상태이다.
이 과정을 통해 메쉬와 재구성된 텍스쳐로 구성된 3D 모델을 출력할 수 있게 된다.
다음으로 감독분류 실행 및 암상 분석 단계(S16)에서는 상기 통합 패치에 대해 적어도 하나 이상의 암색을 트레이닝 샘플(training sample)로 정의하여 영상에 대한 감독분류(supervised learning)를 수행하며 감독분류에 따른 예측 모델을 이용해 텍스쳐를 암색으로 분류하여 암상 분석을 수행하게 된다.
상기 UV 맵핑으로 만들어진 하나의 통합 패치 이미지를 기계학습 알고리즘에 적용함으로써 도 6에 도시된 바와 같이 암색 정보를 이용하여 석회암을 분류하게 된다. 이 같은 기계학습 알고리즘은 서포트 벡터 머신(support vector machine), 랜덤 포레스트(random forest), 인공신경망 분석(artificial neural network) 등 다양한 이미지 분류 기계학습 알고리즘이 활용될 수 있다.
다음으로 암상 분석결과 변환 및 지도 좌표 부여 단계(S18)에서는 메시와 텍스쳐로 이루어진 3D 모델을 지질모델링 소프트웨어에 입력하여, 상기 (S12) 단계의 3D 메쉬를 서페이스(surface object)로 변환하고 상기 (S14) 단계의 재구성된 텍스쳐를 복셋(voxet object)으로 변환하며, 상기 서페이스의 로컬 좌표값을 스케일링(scaling) 및 트랜슬레이션(translation)을 통해 지도 좌표로 변환(georeferencing)하게 되는 것이다.
여기에서 도 7에 도시된 바와 같이 GOCAD의 UV 텍스쳐 맵핑(UV texture mapping) 기능을 이용해 갱내촬영 이미지나 분류된 이미지를 메쉬에 표현할 수 있게 된다. 도 7은 DOM 자료 및 분석결과(4가지 암색)를 GOCAD에서 변환한 결과를 보여주고 있다.
이 과정을 통해 GOCAD 서페이스(surface object)와 복셋(voxet object)을 출력할 수 있게 된다.
다음으로 암종 정보 획득 단계(S20)에서는 상기 서페이스와 오브젝트를 점군(pointset) 자료로 변환한다.
점군 자료로의 변환은 메쉬의 각 트라이앵글(triangle)별로 일정한 개수의 포인트를 생성하고 각 포인트별 텍스쳐 값을 추출하는 방법을 사용하게 된다. 도 8에는 메쉬와 텍스쳐의 조합을 점군 자료로 변환하는 과정이 나타나 있다.
변환된 점군(pointset)의 암색 코드를 석회암(limestone) + 백운석(dolomite)와 같은 암상 정보로 정의하고(도 9 참조), 도 10과 같이 암상 시뮬레이션의 입력 자료로서 사용하게 된다(예, light grey, grey -> limestone / light brown, dark grey -> dolomite).
도 9는 점군 변환(a) 및 4 가지 암색을 2가지 암상(limestone과 dolomite)으로 변환한 결과(b)를 보여주고 있으며, 도 10은 DOM 분석자료를 이용해 암상 시뮬레이션을 수행한 결과를 보여주고 있다.
이러한 포인트와 암종 정보를 기반으로 시추 자료와 갱내 암상 분류결과를 프로세싱하여 암상 시뮬레이션을 수행하게 되면 활용도 높은 암상 시뮬레이션 맵을 만들 수 있게 될 것이다.
본 발명의 실시예는 다양한 컴퓨터로 구현되는 동작을 수행하기 위한 프로그램 명령을 포함하는 컴퓨터로 읽을 수 있는 매체를 포함한다. 이 매체는 앞서 설명한 석회석 광산 갱내의 디지털 사진 자료를 이용한 암상 분석 방법을 실행시키기 위한 프로그램을 기록한다. 이 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 이러한 매체의 예에는 하드디스크, 플로피디스크 및 자기 테이프와 같은 자기 매체, CD 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 자기-광 매체, 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 구성된 하드웨어 장치 등이 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 도면과 명세서에서 최적 실시 예가 개시되었다. 여기서 특정한 용어들이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (7)

  1. (a) 갱내 촬영 이미지들을 통해 갱 내부 분석대상 영역에 대해 하나의 3D 메쉬(mesh)와 다수 조각의 패치(patch)들로 구성된 2D 텍스쳐(texture)와 UV 맵핑(mapping)을 생성하여 분석대상 영역에 대한 3D 모델을 생성하는 단계;
    (b) 상기 3D 모델의 패치들에 대해 UV 맵핑(mapping)을 재생성하여 분석대상 영역을 하나의 통합 패치로 만들어 텍스쳐를 재구성하는 단계; 및
    (c) 상기 통합 패치에 대해 적어도 하나 이상의 암색을 트레이닝 샘플(training sample)로 정의하여 영상에 대한 감독분류(supervised learning)를 수행하며 감독분류에 따른 예측 모델을 이용해 텍스쳐를 암색으로 분류하여 암상 분석을 수행하는 단계;
    를 포함하며,
    상기 (a) 단계의 촬영 이미지들은 중첩된 상태로 촬영되는 것을 특징으로 하는 디지털 사진 자료를 이용한 암상 분석 방법.
  2. 삭제
  3. 제 1항에 있어서,
    상기 (a) 단계는,
    (a-1) 상기 촬영 이미지들을 정렬하고 로컬 좌표값을 생성하는 단계;
    (a-2) 정렬된 촬영 이미지들로부터 분석대상 영역에 대해 포인트 클라우드(point cloud) 생성을 통해 각 노드에 위치좌표를 부여한 3D 메쉬를 생성하는 단계;
    (a-3) 분석대상 영역을 텍스쳐 좌표를 가진 다수 조각의 패치들로 분할하여 2D 텍스쳐를 생성하는 단계; 및
    (a-4) 상기 3D 메쉬와 2D 텍스쳐를 조합하여 분석대상 영역에 대한 3D 모델을 생성하는 단계; 를 포함하는 것을 특징으로 하는 디지털 사진 자료를 이용한 암상 분석 방법.
  4. 제 1항에 있어서,
    상기 (b) 단계에서 3D 메쉬의 영역은 심라인(seam line)에 의해 구획되며 각 영역은 하나의 통합 패치로 연결되어 텍스쳐가 하나의 통합 패치로 재구성되는 것을 특징으로 하는 디지털 사진 자료를 이용한 암상 분석 방법.
  5. 제 1항에 있어서,
    상기 (c) 단계에서 감독분류는 서포트 벡터 머신(support vector machine), 랜덤 포레스트(random forest) 및 인공신경망 분석(artificial neural network) 중 적어도 하나에 상응하는 이미지 분류 기계학습 알고리즘이 활용되는 것을 특징으로 하는 디지털 사진 자료를 이용한 암상 분석 방법.
  6. 제 1항에 있어서,
    (d) 메시와 텍스쳐로 이루어진 3D 모델을 지질모델링 소프트웨어에 입력하여, 상기 (a) 단계의 3D 메쉬를 서페이스(surface object)로 변환하고 상기 (b) 단계의 재구성된 텍스쳐를 복셋(voxet object)으로 변환하며, 상기 서페이스의 로컬 좌표값을 지도 좌표값으로 변환하여 서페이스에 지도 좌표를 부여하는 단계; 및
    (e) 상기 서페이스와 복셋을 점군(pointset) 자료로 변환하고 변환된 점군 자료의 암색 코드를 암상 정보로 정의하여 암상 시뮬레이션을 수행해 암종 정보를 활용하는 단계;
    를 더 포함하는 것을 특징으로 하는 디지털 사진 자료를 이용한 암상 분석 방법.
  7. 제 1항, 제 3항 내지 제 6항에 기재된 방법 중 어느 하나를 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
KR1020180129986A 2018-10-29 2018-10-29 석회석 광산 갱내의 디지털 사진 자료를 이용한 암상 분석 방법 KR101966732B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180129986A KR101966732B1 (ko) 2018-10-29 2018-10-29 석회석 광산 갱내의 디지털 사진 자료를 이용한 암상 분석 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180129986A KR101966732B1 (ko) 2018-10-29 2018-10-29 석회석 광산 갱내의 디지털 사진 자료를 이용한 암상 분석 방법

Publications (1)

Publication Number Publication Date
KR101966732B1 true KR101966732B1 (ko) 2019-04-08

Family

ID=66164113

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180129986A KR101966732B1 (ko) 2018-10-29 2018-10-29 석회석 광산 갱내의 디지털 사진 자료를 이용한 암상 분석 방법

Country Status (1)

Country Link
KR (1) KR101966732B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE1950706A1 (sv) * 2019-06-13 2020-12-14 Luossavaara Kiirunavaara Ab Kartering av mineralprover
KR102237451B1 (ko) * 2020-10-05 2021-04-06 성현석 절리면 안전성 평가 장치
JP2022036918A (ja) * 2020-08-24 2022-03-08 オートデスク，インコーポレイテッド 人工知能の使用による３ｄオブジェクトへのｕｖマッピング

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090062253A (ko) * 2007-12-12 2009-06-17 한국전자통신연구원 샘플 텍스처 합성에 의한 서피스 텍스처 맵핑 시스템
KR101830318B1 (ko) * 2017-08-01 2018-02-21 한국지질자원연구원 지질데이터의 처리방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090062253A (ko) * 2007-12-12 2009-06-17 한국전자통신연구원 샘플 텍스처 합성에 의한 서피스 텍스처 맵핑 시스템
KR101830318B1 (ko) * 2017-08-01 2018-02-21 한국지질자원연구원 지질데이터의 처리방법

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE1950706A1 (sv) * 2019-06-13 2020-12-14 Luossavaara Kiirunavaara Ab Kartering av mineralprover
JP2022036918A (ja) * 2020-08-24 2022-03-08 オートデスク，インコーポレイテッド 人工知能の使用による３ｄオブジェクトへのｕｖマッピング
JP7129529B2 (ja) 2020-08-24 2022-09-01 オートデスク，インコーポレイテッド 人工知能の使用による３ｄオブジェクトへのｕｖマッピング
US11915362B2 (en) 2020-08-24 2024-02-27 Autodesk, Inc. UV mapping on 3D objects with the use of artificial intelligence
KR102237451B1 (ko) * 2020-10-05 2021-04-06 성현석 절리면 안전성 평가 장치
KR20220045539A (ko) * 2020-10-05 2022-04-12 성현석 절리면 안전성 평가 장치
KR102429666B1 (ko) * 2020-10-05 2022-08-05 주식회사 에프엠케이 절리면 안전성 평가 장치

Similar Documents

Publication Publication Date Title
Toschi et al. Oblique photogrammetry supporting 3D urban reconstruction of complex scenarios
Over et al. Processing coastal imagery with Agisoft Metashape Professional Edition, version 1.6—Structure from motion workflow documentation
Callieri et al. Documentation and Interpretation of an Archeological Excavation: an Experience with Dense Stereo Reconstruction Tools.
Santagati et al. Image-based modeling techniques for architectural heritage 3D digitalization: limits and potentialities
KR101966732B1 (ko) 석회석 광산 갱내의 디지털 사진 자료를 이용한 암상 분석 방법
CN104330074B (zh) 一种智能测绘平台及其实现方法
Howland et al. Photogrammetry in the field: Documenting, recording, and presenting archaeology
Koenig et al. Beyond the Square Hole
Xue et al. 3D reconstruction and automatic leakage defect quantification of metro tunnel based on SfM-Deep learning method
CN103839286B (zh) 一种对象语义约束的真正射影像优化采样方法
CN112037318A (zh) 三维岩体结构模型的构建方法、系统及模型的应用
CN111047698B (zh) 一种真正射影像采集方法
Jiang et al. Determining ground elevations covered by vegetation on construction sites using drone-based orthoimage and convolutional neural network
CN112785709A (zh) Tbm搭载式围岩裂隙重建识别方法、装置、存储介质及设备
CN115982806A (zh) 基于倾斜摄影的矮塔斜拉转体桥bim建模方法、设备及介质
Ulvi Using UAV photogrammetric technique for monitoring, change detection, and analysis of archeological excavation sites
Ouyang et al. Automated pixel-level crack monitoring system for large-scale underground infrastructure–A case study at CERN
CN117115683A (zh) 一种植被覆盖下危岩落石遥感提取方法及系统
Belmonte et al. DEM generation from close-range photogrammetry using extended python photogrammetry toolbox
CN110163962A (zh) 一种基于Smart 3D倾斜摄影技术输出实际地形等高线的方法
CN115131511A (zh) 一种基于倾斜摄影技术+Dynamo创建地形的方法
Kiriiak Development and implementation of technical decision for digital support of construction using photogrammetry methods
Menna et al. A combined approach for long-term monitoring of benthos in Antarctica with underwater photogrammetry and image understanding
Gurgel et al. New opportunities and challenges in surveying underground cavities using photogrammetric methods
Yordanov et al. Distance-Training for image-based 3d modelling of archeological sites in remote regions

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant