KR102048948B1 - 영상 분석 장치 및 방법 - Google Patents

Abstract

영상의 민감도 수준에 기반한 영상 분석 장치 및 방법이 제공된다. 본 개시의 영상 분석 장치는 분석 대상 영상을 수신하는 영상 수신부; 상기 분석 대상 영상에 포함되어 있는 객체를 추출하고, 상기 객체를 포함하는 객체 영상을 구성하는 객체 영상 추출부; 상기 객체 영상의 색상 정보를 획득하고, 상기 색상 정보에 기초하여, 상기 객체 영상의 특성을 확인하는 객체 특성 확인부; 상기 객체 영상의 민감도 수준을 분류하는 민감도 분류 학습모델을 사용하여, 상기 객체 영상의 민감도 정보를 확인하는 민감도 결정부; 및 상기 객체 영상의 민감도 정보에 기초하여 상기 객체 영상이 존재하는 영역의 정확도 수준을 제어하고, 상기 정확도 수준에 따라 상기 분석 대상 영상을 분석한 결과를 출력하는 영상 분석부를 포함한다.

Description

영상 분석 장치 및 방법{IMAGE ANALYSIS APPARATUS AND METHOD}

본 개시는 영상 분석 장치 및 방법에 관한 것이다. 보다 구체적으로, 본 개시는 미리 학습된 딥러닝 기반의 모델을 이용하여 입력 영상에 포함된 객체를 분석하는 장치 및 방법에 관한 것이다.

딥러닝(deep learning)은 매우 방대한 양의 데이터를 학습하여, 새로운 데이터가 입력될 경우 학습 결과를 바탕으로 확률적으로 가장 높은 답을 선택하는 것이다. 이러한, 딥러닝은 영상에 따라 적응적으로 동작할 수 있으며, 데이터에 기초하여 모델을 학습하는 과정에서 특성인자를 자동으로 찾아내기 때문에 최근 인공 지능 분야에서 이를 활용하려는 시도가 늘어나고 있는 추세이다.

한편, 영상 인식과 관련하여 딥러닝을 이용한 종래의 영상 분석 기술은 합성곱 신경망(Convolutional Neural Network, CNN)과 최대 풀링(max pooling)기법을 이용하여 영상의 각 영역마다 국소적인 특징을 추출하고 이를 바탕으로 영상을 인식한다. 그러나, 이러한 방법은 실제 영상의 내용은 상이하지만 국소적인 정보 형태가 유사한 영상에 대해서는 정확한 인식 결과를 제공하지 못하는 문제가 있다.

전술한, 딥러닝을 이용한 영상 분석 기술은 전자 통관 시스템에 적용될 수 있다. 전자 통관 시스템에서 이용되는 영상은, 보다 효과적인 영상 판독을 위해 일반적으로 영상에 포함되어 있는 객체들의 물성(예를 들어, 해당 객체가 유기물, 무기물, 금속 등인지 여부)에 따라 다른 색상이 사용된다. 그러나, 해당 객체의 외형적인 형상, 명암의 차이, 객체 고유의 X-Ray 감쇄율, 관측 각도 등의 다양한 요인으로 인해 영상에서 해당 객체들을 명확하게 파악하기 어렵다는 문제가 있다.

또한, 객체들의 물성(예를 들어, 해당 객체가 유기물, 무기물, 금속 등인지 여부)에 따라, 대상물을 좀 더 정확한 수준으로 검출할 필요가 있다. 그러나, 종래기술에 따른 객체 검출 방식은 영상 전체 영역에 대해 동일한 수준의 정확도를 적용하여 분석하도록 구성되므로, 특정 대상물이 존재하는 영역에 대해 적응적으로 분석하지 못하는 문제가 있다.

본 개시의 기술적 과제는, 영상의 색상 정보에 기초한 수준을 사용하여 특정 영역에 대한 정확도 수준을 제어할 수 있는 영상 분석 장치 및 방법을 제공하는 것이다.

본 개시의 다른 기술적 과제는, 영상의 색상 정보에 기초하여 민감도 수준을 결정하고, 결정된 민감도 수준을 고려하여 영상 분석을 수행하는 장치 및 방법을 제공하는 것이다.

본 개시의 또 다른 기술적 과제는, 영상의 색상 정보 기반의 민감도 수준을 결정하는 학습 모델을 사용하여 영상 분석을 수행하는 장치 및 방법을 제공하는 것이다.

본 개시에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 개시의 일 양상에 따르면, 영상에 포함되는 객체를 분석하는 장치에 있어서, 분석 대상 영상을 수신하는 영상 수신부; 상기 분석 대상 영상에 포함되어 있는 객체를 추출하고, 상기 객체를 포함하는 객체 영상을 구성하는 객체 영상 추출부; 상기 객체 영상의 색상 정보를 획득하고, 상기 색상 정보에 기초하여, 상기 객체 영상의 특성을 확인하는 객체 특성 확인부; 상기 객체 영상의 민감도 수준을 분류하는 민감도 분류 학습모델을 사용하여, 상기 객체 영상의 민감도 정보를 확인하는 민감도 결정부; 및 상기 객체 영상의 민감도 정보에 기초하여 상기 객체 영상이 존재하는 영역의 정확도 수준을 제어하고, 상기 정확도 수준에 따라 상기 분석 대상 영상을 분석한 결과를 출력하는 영상 분석부를 포함하는 영상 분석 장치가 제공될 수 있다.

본 개시의 다른 양상에 따르면, 분석 대상 영상을 수신하는 과정과, 상기 분석 대상 영상에 포함되어 있는 객체를 추출하고, 상기 객체를 포함하는 객체 영상을 구성하는 과정과, 상기 객체 영상의 색상 정보를 획득하고, 상기 색상 정보에 기초하여, 상기 객체 영상의 특성을 확인하는 과정과, 상기 객체 영상의 민감도 수준을 분류하는 민감도 분류 학습모델을 사용하여, 상기 객체 영상의 민감도 정보를 확인하는 과정과, 상기 객체 영상의 민감도 정보에 기초하여 상기 객체 영상이 존재하는 영역의 정확도 수준을 제어하고, 상기 정확도 수준에 따라 상기 분석 대상 영상을 분석한 결과를 출력하는 과정을 포함하는 영상 분석 방법이 제공될 수 있다.

본 개시의 또 다른 양상에 따르면, 본 개시의 영상 분석 방법을 실행하기 위한 프로그램을 기록한 컴퓨터로 판독 가능한 기록 매체가 제공될 수 있다.

본 개시에 대하여 위에서 간략하게 요약된 특징들은 후술하는 본 개시의 상세한 설명의 예시적인 양상일 뿐이며, 본 개시의 범위를 제한하는 것은 아니다.

본 개시에 따르면, 영상 분석 장치 및 방법이 제공될 수 있다.

또한, 본 개시에 따르면, 영상의 색상 정보에 기초한 수준을 사용하여 특정 영역에 대한 정확도 수준을 제어할 수 있는 영상 분석 장치 및 방법이 제공될 수 있다.

또한, 본 개시에 따르면, 영상의 색상 정보에 기초하여 민감도 수준을 결정하고, 결정된 민감도 수준을 고려하여 영상 분석을 수행하는 장치 및 방법이 제공될 수 있다.

또한, 본 개시에 따르면, 영상의 색상 정보 기반의 민감도 수준을 결정하는 학습 모델을 사용하여 영상 분석을 수행하는 장치 및 방법이 제공될 수 있다.

본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 개시의 일 실시 예에 따른 영상 분석 장치가 적용되는 인공지능 시스템을 설명하기 위한 도면이다.
도 2는 본 개시의 일 실시 예에 따른 영상 분석 장치의 구성을 나타내는 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 객체 영상을 구성하는 동작을 설명하기 위한 도면이다.
도 4a 내지 도 4d는 본 개시의 일 실시 예에 따른 영상 분석 장치에서 생성되는 영상을 예시하는 도면이다.
도 5a 및 도 5b는 본 개시의 일 실시 예에 따른 영상 분석 장치에서 생성되는 차분영상 및 특성영상을 예시하는 도면이다.
도 6은 본 개시의 일 실시 예에 따른 영상 분석 장치에 의해 이상치 점수에 대한 최상의 기준값을 산출하는 동작을 설명하는 도면이다.
도 7은 본 개시의 일 실시 예에 따른 영상 분석 방법의 순서를 나타내는 흐름도이다.

이하에서는 첨부한 도면을 참고로 하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.

본 개시의 실시 예를 설명함에 있어서 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그에 대한 상세한 설명은 생략한다. 그리고, 도면에서 본 개시에 대한 설명과 관계없는 부분은 생략하였으며, 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

본 개시에 있어서, 어떤 구성요소가 다른 구성요소와 "연결", "결합" 또는 "접속"되어 있다고 할 때, 이는 직접적인 연결관계뿐만 아니라, 그 중간에 또 다른 구성요소가 존재하는 간접적인 연결관계도 포함할 수 있다. 또한 어떤 구성요소가 다른 구성요소를 "포함한다" 또는 "가진다"고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 배제하는 것이 아니라 또 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

본 개시에 있어서, 제1, 제2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용되며, 특별히 언급되지 않는 한 구성요소들 간의 순서 또는 중요도 등을 한정하지 않는다. 따라서, 본 개시의 범위 내에서 일 실시 예에서의 제1 구성요소는 다른 실시 예에서 제2 구성요소라고 칭할 수도 있고, 마찬가지로 일 실시 예에서의 제2 구성요소를 다른 실시 예에서 제1 구성요소라고 칭할 수도 있다.

본 개시에 있어서, 서로 구별되는 구성요소들은 각각의 특징을 명확하게 설명하기 위함이며, 구성요소들이 반드시 분리되는 것을 의미하지는 않는다. 즉, 복수의 구성요소가 통합되어 하나의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있고, 하나의 구성요소가 분산되어 복수의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있다. 따라서, 별도로 언급하지 않더라도 이와 같이 통합된 또는 분산된 실시 예도 본 개시의 범위에 포함된다.

본 개시에 있어서, 다양한 실시 예에서 설명하는 구성요소들이 반드시 필수적인 구성요소들은 의미하는 것은 아니며, 일부는 선택적인 구성요소일 수 있다. 따라서, 일 실시 예에서 설명하는 구성요소들의 부분집합으로 구성되는 실시 예도 본 개시의 범위에 포함된다. 또한, 다양한 실시 예에서 설명하는 구성요소들에 추가적으로 다른 구성요소를 포함하는 실시 예도 본 개시의 범위에 포함된다.

이하, 첨부한 도면을 참조하여 본 개시의 실시 예들에 대해서 설명한다.

도 1은 본 개시의 일 실시 예에 따른 영상 분석 장치가 적용되는 인공지능 시스템을 설명하기 위한 도면이다.

인공지능 시스템(100)은 판독부(110) 및/또는 학습부(120)를 포함할 수 있다. 판독부(110)는 영상 분석 장치(112) 및/또는 출력 장치(114)를 포함할 수 있다. 학습부(120)는 데이터 베이스(122), 딥러닝 학습부(124), 알고리즘 검증부(126) 및/또는 학습된 모델 저장부(128)를 포함할 수 있다. 판독부(110)는 판독 인터페이스로서 기능할 수 있으며, 학습부(120)는 중앙 관리되는 인공지능 데이터 센터로서 기능할 수 있다.

예를 들어, 인공지능 시스템(100)은 화물을 촬영한 영상을 기반으로 목적물을 검출하는 전자 통관 시스템, 의료 영상(예, MRI, CT, Ultrasonic등)을 기반으로 병변영역을 검출 또는 병변영역을 분석하는 의료영상 분석 시스템 등을 포함할 수 있다. 이하, 본 개시의 일실시예에서 인공지능 시스템(100)은 전자 통관 시스템을 기반으로 인공지능 시스템(100)의 구성을 예시하지만, 본 개시가 이를 한정하는 것은 아니며, 전술한 바와 같이 다양한 분야의 인공지능 시스템에 변경되어 사용될 수 있다.

인공지능 시스템(100)의 입력(130)은 영상 및/또는 화물 정보를 포함할 수 있다.

상기 영상은 적어도 하나의 객체를 포함하는 화물에 관한 영상일 수 있다. 예컨대, X-Ray 판독 기기가 촬영한 화물에 관한 X-Ray 영상일 수 있다. 상기 영상은 X-Ray 영상 기기가 촬영한 로(raw) 이미지이거나 상기 로 이미지를 저장 또는 전송하기 위한 임의의 형태(포맷)의 이미지일 수 있다. 상기 영상은 X-Ray 판독 기기가 촬영하여 모니터와 같은 출력 장치로 전송하는 영상 정보를 캡쳐하여 데이터화함으로써 획득될 수도 있다. 영상은 출력 장치(114)에 출력되기 전, 또는 영상 분석 장치(112)에 입력되기 전에 강화될 수 있다. 출력 장치(114)는 영상 또는 강화된 영상을 출력할 수 있다. 영상 분석 장치(112)는 영상 또는 강화된 영상을 입력받아 후술하는 영상 분석 장치(112)의 동작을 수행할 수 있다.

상기 화물 정보는 대응하는 영상에 포함된 화물에 관한 정보일 수 있다. 화물 정보는 예컨대, 수입 신고된 정보 및/또는 통관 목록 리스트 정보를 포함할 수 있다. 화물 정보는 영상 분석 장치(112)에 입력되기 전에 소정의 전처리 과정을 거칠 수 있다. 예컨대, 화물 정보에 포함된 화물 목록, 반입 정보 등에 대해 품명의 정제 작업이 수행될 수 있다. 품명의 정제 작업이란 동일 또는 유사한 화물에 대해 입력되는 다양한 화물의 명칭을 통일하는 작업을 의미할 수 있다.

화물 정보의 입력은 선택적일 수 있다. 예컨대, 본 개시의 인공지능 시스템(100)은 화물 정보의 입력이 없어도 영상만을 입력으로 받아 동작할 수 있다. 상기 화물은 검사 또는 판독 대상의 화물로서 모든 종류의 화물을 포함할 수 있다. 예컨대, 상기 화물은 특송 화물, 우편 화물, 컨테이너 화물, 여행자 수송 화물 및 여행자 자신 중 적어도 하나일 수 있다. 예컨대, 여행자를 판독하고, 판독된 여행자가 이상이 있거나 위험한 객체를 과거에 운송한 이력이 있는 요주의 여행자인 경우, 해당 여행자의 화물에 대해서는 다른 여행자의 화물보다 높은 수준의 분석 및/또는 판독을 수행하도록 할 수 있다. 예컨대, 특정 화물이 요주의 여행자의 화물이라는 정보를 판독원에게 제공할 수 있다.

인공지능 시스템(100)은 영상 및/또는 화물 정보(130)를 입력받아 출력 장치(114)에 전송하거나, 영상 분석 장치(112)에 전송할 수 있다. 영상 분석 장치(112)는 미리 학습된 딥러닝 기반의 모델을 이용하여 입력된 영상을 분석할 수 있다. 영상 분석 장치(112)는 분석된 결과를 출력 장치(114)로 전송할 수 있다. 출력 장치(114)는 입력된 영상 및/또는 화물 정보(130), 영상 분석 장치(112)로부터 전송받은 영상 분석 결과를 출력하고, 판독원(140)은 출력 장치(114)의 출력 결과를 판독할 수 있다. 전술한 바와 같이, 화물 정보(130)에 대해 정제 작업이 수행될 수 있으며, 또한, 영상 분석 장치(112)에 입력되기 전 및/또는 출력 장치(114)에 출력되기 전에 분석 대상 영상에 대해 영상 강화가 수행될 수 있다.

출력 장치(114)는 모니터, 경고등 등의 시각 정보를 출력하는 장치, 스피커 등의 음향 정보를 출력하는 장치, 바이브레이터 등의 촉각 정보를 출력하는 장치 등 인간이 감지할 수 있는 모든 형태의 신호를 출력할 수 있는 장치를 포함한다.

상기 영상 분석 장치(112)의 영상 분석 결과, 해당 영상에 검출 대상인 객체, 이상이 있는 객체 또는 위험도가 임계치 이상인 객체가 포함된 경우, 이와 관련된 정보가 영상 분석 결과로서 출력 장치(114)를 통해 출력되고, 판독원(140)은 이를 확인할 수 있다. 상기 영상 분석 장치(112)는 분석 대상 영상을 분석하는 다양한 과정을 수행할 수 있다. 예컨대, 영상 분석 장치(112)는 분석 대상 영상을 보다 정확히 분석하기 위해, 맥락 분석을 수행할 수 있다. 상기 영상 분석 장치(112)가 수행하는 다양한 과정 및 맥락 분석에 대해서는 후술한다.

판독원(140)은 출력 장치(114)를 통해 출력된 영상 분석 결과에 기초하여 추가적인 검사의 수행 여부를 결정할 수 있다. 상기 추가적인 검사는 해당 영상에 관한 화물을 직접 열어 해당 화물에 포함된 객체를 확인하는 개장 검사를 포함할 수 있다. 본 명세서에서 검색 대상 객체는 전술한 바와 같이 이상이 있는 객체 또는 위험도가 임계치 이상인 객체를 의미할 수 있다. 그러나 이에 한정되지 않으며, 본 개시의 시스템에 의해 검출 또는 검색하고자 하는 다양한 객체를 포함할 수 있다.

영상 분석 장치의 영상 분석 결과, 판독원이 직접 개장 검사를 수행한 후 입력하는 개장 검사 결과 및/또는 영상 분석 장치가 영상과 화물 정보를 매칭한 매칭 결과 정보 등은 학습부(120)에 전송될 수 있다. 학습부(120)는 새롭게 수신한 정보를 데이터 베이스(122)에 저장하고, 딥러닝 학습부(124)는 데이터 베이스(122)에 저장된 정보를 이용하여 딥러닝 학습을 수행할 수 있다. 또는 데이터 베이스(122)에 저장됨이 없이, 딥러닝 학습부(124)가 상기 학습 데이터의 전부 또는 일부를 직접 수신할 수도 있다. 딥러닝 학습부(124)에서 학습된 결과는 알고리즘 검증부(126)에서 검증되고, 검증된 모델은 학습된 모델 저장부(128)에 업데이트된 모델로서 저장될 수 있다. 학습된 모델 저장부(128)에 저장된 모델은 다시 영상 분석 장치(112)로 전송되고, 영상 분석 장치(112)는 수신한 모델을 전술한 미리 학습된 딥러닝 기반의 모델로서 업데이트하여 이용할 수 있다.

학습부(120)는 복수의 영상을 수신하여 합성함으로써 하나의 합성 영상을 생성할 수 있다. 또한 상기 복수의 영상의 각각에 대한 영상 분석 결과, 개장 검사 결과 및/또는 매칭 결과 정보 등을 이용하여 상기 합성 영상에 대응하는 가상의 영상 분석 결과, 개장 검사 결과 및/또는 매칭 결과 정보를 생성할 수 있다. 학습부(120)는 상기 합성 영상 및 상기 생성된 가상의 정보 등을 학습 데이터로서 이용할 수 있다. 이에 따르면 학습 데이터의 수가 절대적으로 적다고 하더라도, 이들 학습 데이터를 합성하거나 병합함으로써, 인공 지능 모델의 학습에 필요한 충분한 양의 학습 데이터를 생성해 낼 수 있다. 영상의 합성 및 합성 영상에 대한 가상의 정보의 생성에 대해서는 후술한다.

판독부(110)와 학습부(120)는 별개의 장치로 구현될 수도 있고, 동일한 장치 내에서 구현될 수도 있다. 또한 판독부(110)와 학습부(120)가 포함하는 구성의 일부 또는 전부는 하드웨어로 구성되거나 소프트웨어로 구성될 수 있다.

인공지능 기술은 컴퓨터에게 데이터를 학습시켜 마치 사람처럼 스스로 의사결정을 할 수 있게 하는데, 인공 신경망(artificial neural network)은 생물학의 신경망에서 영감을 얻은 수학적 모델로서, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런이 학습을 통해 시냅스의 결합 세기를 변화시킴으로써 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 일반적으로 입력층(input layer), 은닉층(hidden layer) 및 출력층(output layer)로 구성되어 있으며 각 층에 포함된 뉴런들이 가중치를 통해 연결되어 있으며, 가중치와 뉴런값의 선형 결합과 비선형 활성화 함수를 통해 인공 신경망은 복잡한 함수를 근사화할 수 있는 형태를 가질 수 있다. 인공 신경망 학습의 목적은 출력층에서 계산된 출력과 실제 출력의 값 차이를 최소화시키는 가중치를 찾는데 있다.

심층 신경망(deep neural network)은 입력층과 출력층 사이에 여러 개의 은닉층들로 이루어진 인공 신경망으로서, 많은 은닉층을 통해 복잡한 비선형 관계들을 모델링할 수 있으며, 이처럼 층의 개수를 늘림으로써 고도화된 추상화가 가능한 신경망 구조를 딥러닝(deep learning)이라고 부른다. 딥러닝은 매우 방대한 양의 데이터를 학습하여, 새로운 데이터가 입력될 경우 학습 결과를 바탕으로 확률적으로 가장 높은 답을 선택하기 때문에 영상에 따라 적응적으로 동작할 수 있으며, 데이터에 기초하여 모델을 학습하는 과정에서 특성인자를 자동으로 찾아낼 수 있다.

본 개시의 일 실시 예에 따르면, 딥러닝 기반의 모델은 완전 합성곱 신경망(완전 컨볼루션 뉴럴 네트워크, fully convolutional neural network), 합성곱 신경망(컨볼루션 뉴럴 네트워크, convolutional neural network), 순환 신경망(회귀 뉴럴 네트워크, recurrent neural network), 제한 볼츠만 머신(restricted Boltzmann machine, RBM) 및 심층 신뢰 신경망(deep belief neural network, DBN) 중 적어도 하나를 포함할 수 있으나, 이에 제한되지 않는다. 또는, 딥러닝 이외의 머신 러닝 방법도 포함할 수 있다. 또는 딥러닝과 머신 러닝을 결합한 하이브리드 형태의 모델도 포함할 수 있다. 예컨대, 딥러닝 기반의 모델을 적용하여 영상의 특징을 추출하고, 상기 추출된 특징에 기초하여 영상을 분류하거나 인식할 때는 머신 러닝 기반의 모델을 적용할 수도 있다. 머신 러닝 기반의 모델은 서포트 벡터 머신(Support Vector Machine, SVM), 에이다부스트(AdaBoost) 등을 포함할 수 있으나, 이에 한정되지 않는다.

또한, 본 개시의 일 실시 예에 따르면, 딥러닝 기반의 모델을 학습하는 방법은 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 또는 강화 학습(reinforcement learning) 중 적어도 하나를 포함할 수 있으나, 이에 제한되지 않는다. 지도 학습은 일련의 학습 데이터와 그에 상응하는 레이블(label, 목표 출력값)을 이용하여 학습이 이루어지며, 지도 학습에 기초한 신경망 모델은 훈련용 데이터(training data)로부터 함수를 추론해내는 형태의 모델일 수 있다. 지도 학습은 일련의 학습 데이터와 그에 상응하는 목표 출력 값을 수신하고, 입력되는 데이터에 대한 실제 출력 값과 목표 출력 값을 비교하는 학습을 통해 오류를 찾아내고, 해당 결과를 근거로 모델을 수정하게 된다. 지도 학습은 결과물의 형태에 따라 다시 회귀(regression), 분류(classification), 검출(detection), 시멘틱 세그멘테이션(semantic segmentation) 등으로 구분될 수 있다. 지도 학습을 통해 도출된 함수는 다시 새로운 결과값을 예측하는데 사용될 수 있다. 이처럼, 지도 학습에 기초한 신경망 모델은 수많은 학습 데이터의 학습을 통해, 신경망 모델의 파라미터를 최적화하게 된다.

본 개시의 일 실시 예에 따르면, 딥러닝 기반의 모델은 입력 영상과 화물에 대한 정보를 학습에 이용할 수 있으며, 학습된 모델을 생성한 후에도 본 개시의 장치에서 획득된 영상과 화물에 대한 정보를 이용하여 신경망 모델을 업데이트할 수 있다. 또한, 본 개시의 일 실시 예에 따른 딥러닝 기반의 모델은 본 개시의 방법에 의해 출력되는 분석 결과, 예를 들어 식별된 객체에 대한 이상 유무 또는 위험도, 객체에 관한 정보, 식별된 객체가 검색 대상 객체인지의 여부 등의 예측 결과, 상기 예측 결과와 최종 개장 검사 결과에 대한 비교 정보, 상기 예측 결과에 대한 평가도 또는 신뢰도 정보 등을 이용하여 신경망 모델을 업데이트할 수 있다.

도 2는 본 개시의 일 실시 예에 따른 영상 분석 장치의 구성을 나타내는 블록도이다. 도 2의 영상 분석 장치(200)는 도 1의 영상 분석 장치(112)의 일 실시 예이다.

일 실시 예에 따른 영상 분석 장치(200)는 분석 대상 영상을 수신하고, 분석 대상 영상에 포함되어 있는 객체가 존재하는 객체 영상을 구성하고, 객체 영상들 각각에 대해 색상 정보를 획득하고, 색상 정보에 기초하여, 객체의 특성을 확인하고, 확인된 객체의 특성을 기반으로 객체 영상의 민감도 수준을 설정하고, 설정된 민감도 수준을 사용하여 영상을 분석한 결과, 즉, 영상 분석 결과를 출력할 수 있다.

영상 분석 장치(200)는 영상 수신부(210), 객체 영상 추출부(220), 객체 특성 확인부(230), 민감도 결정부(240), 및/또는 영상 분석부(250)를 포함할 수 있다. 다만, 이는 본 실시예를 설명하기 위해 필요한 일부 구성요소만을 도시한 것일 뿐, 영상 분석 장치(200)에 포함된 구성요소가 전술한 예에 한정되는 것은 아니다. 예컨대, 둘 이상의 구성부가 하나의 구성부 내에서 구현될 수도 있고, 하나의 구성부에서 실행되는 동작이 분할되어 둘 이상의 구성부에서 실행되도록 구현될 수도 있다. 또한, 일부 구성부가 생략되거나 부가적인 구성부가 추가될 수도 있다.

영상 수신부(210)는 하나 이상의 객체를 포함하는 분석 대상 영상(20)을 수신할 수 있다. 도 1의 설명에서 전술한 바와 같이 분석 대상 영상(20)은 하나의 객체를 포함하는 화물에 관한 영상일 수 있다. 다른 예로서, 분석 대상 영상(20)은 X-Ray 판독 기기가 촬영한 화물에 관한 X-Ray 영상일 수 있다. 상기 분석 대상 영상(20)은 X-Ray 영상 기기가 촬영한 로(raw) 이미지이거나 상기 로 이미지를 저장 또는 전송하기 위한 임의의 형태(포맷)의 이미지일 수 있다. 또 다른 예로서, 상기 분석 대상 영상(20)은 X-Ray 판독 기기가 촬영하여 모니터와 같은 출력 장치로 전송하는 영상 정보를 캡쳐하여 데이터화 함으로써 획득될 수도 있다.

객체 영상 추출부(220)는 영상 수신부(210)에서 수신된 분석 대상 영상에 포함되어 있는 적어도 하나의 객체를 추출하고, 추출된 적어도 하나의 객체 각각을 분할하여 적어도 하나의 객체 영상을 구성할 수 있다.

본 개시의 일실시예에서, 분석 대상 영상은 다양한 사물이 포함되어 있는 영역을 X-ray 등과 같은 소정의 광을 사용하여 촬영한 영상일 수 있는데, 각각의 사물은 그 특성에 따라 영상 내에서 서로 다른 색상으로 나타날 수 있으며, 사물의 경계 또는 윤곽이 구분될 수 있다. 이에 기초하여, 본 개시의 일실시예에서, 객체를 추출한다는 것은 분석 대상 영상에서 동일한 색상이 연속적으로 나타나는 영역, 색상의 변화가 나타나는 영역 등을 고려하여, 영상의 일부 영역을 크로핑(cropping)하는 것을 의미할 수 있다.

예컨대, 객체 영상 추출부(220)는 분석 대상 영상의 픽셀값과 소정의 임계값을 비교하여 픽셀값을 이진화하고, 이진화된 픽셀값을 그룹핑함으로써 분석 대상 영상에 포함된 객체를 추출할 수 있다.

나아가, 객체 영상 추출부(220)는 이진화된 픽셀값에 대한 노이즈를 제거한 후, 미리 정해진 크기 이상의 덩어리(Blob)를 검출하고, 검출된 덩어리(Blob)를 크로핑(cropping)하여 적어도 하나의 객체 영상을 구성할 수 있다. 이때, 객체 영상 추출부(220)는 형태학 연산 변환(morphology)을 수행함으로써, 분석 대상 영상의 노이즈를 제거할 수 있다.

다른 예로서, 객체 영상 추출부(220)는 객체 영역을 둘러싸는 사각형 박스(bounding box)를 특정함으로써 객체 영상을 획득할 수 있으며, 특정된 사각형 박스에 기초하여, 구분된 객체의 위치 정보를 생성할 수도 있다.

추가적으로, 분석 대상 영상에는 객체와 배경이 포함될 수 있는데, 객체는 영상 내의 특정한 물체를 의미하며 또한 배경은 영상에서 객체를 제외한 부분을 의미할 수 있다. 영상의 배경은 영상의 촬영 방법 또는 촬영 장치에 따라 소정의 색상으로 표현될 수 있다. 예컨대, 상기 소정의 색상은 흰색일 수 있다. 영상의 배경을 표현하는 색상이 특정된 경우, 객체 영상 추출부(220)는 우선적으로 특정된 배경 색상에 기초하여 배경과 객체를 분리한 후, 객체가 분리된 영역을 대상으로 전술한 객체 영상을 구성하는 동작을 수행할 수도 있다.

예를 들어, 분석 대상 영상이 X-Ray 판독 기기가 촬영한 화물에 관한 X-Ray 영상이라고 하면, 화물이 아닌 배경 부분은 불필요하기 때문에 해당 배경 부분은 잘라내고 화물이 존재하는 영역만으로 분석할 수 있다. 특히, 화물들이 컨베이어 벨트를 통해 계속적으로 X-Ray 판독 기기를 통과하는 실제 환경에서는 화물에 대한 영역을 획득하는 것이 중요하다고 할 수 있다. 따라서, 객체 영상 추출부(220)는 객체 영상을 구성하는 동작을 수행하기 전, 전처리 동작으로서 분석 대상 영상으로부터 객체 영역과 배경 영역을 구분하는 동작을 수행할 수 있다.

도 3은 본 개시의 일 실시 예에 따른 객체 영상을 구성하는 동작을 설명하기 위한 도면이다. 도 3의 객체 영상 추출부(300)는 도 2의 객체 영상 추출부(220)의 일 실시 예일 수 있다. 분석 대상 영상(310)은 도 2를 참조하여 설명한 분석 대상 영상(20)일 수 있으며, 예컨대, 액체류가 채워진 용기(311), 휴대전화(312) 등을 포함하는 화물에 관한 영상일 수 있다.

객체 영상 추출부(300)는 먼저 액체류가 채워진 용기(311), 휴대전화(312) 등을 포함하는 분석 대상 영상(310)의 픽셀값과 소정의 임계값을 비교(thresholding)하여 픽셀값을 이진화 연산하여 이진화된 영상(320)을 획득할 수 있다. 그리고, 객체 영상 추출부(300)는 이진화된 영상(320)에서 각각의 객체에 대한 부분을 선택하기 위해 근접한 픽셀끼리 그룹핑(군집화, morphology, cropping) 처리하여 잡음 제거된 영상(330)을 획득할 수 있다. 그런 다음 크로핑(cropping) 연산을 수행함으로써 액체류가 채워진 용기(311), 휴대전화(312) 등을 기준으로 주변 영역을 대략적으로(roughly) 잘라버린, 크로핑된 객체 영상(340a, 340b, 340c)들을 획득할 수 있다.

한편, 본 개시의 일 실시예에서 객체 영상은 X-Ray 영상을 기반으로 이루어지는 것을 예시하므로, 객체의 물성(예를 들어, 해당 객체가 유기물, 무기물, 금속 등인지 여부)에 따라 다른 색상으로 나타날 수 있다. 예컨대, 객체가 액체류가 채워진 플라스틱 용기일 경우, 객체 영상에서 해당 객체는 주황색으로 나타날 수 있으며, 객체가 금속으로 이루어질 전자장치일 경우, 객체 영상에서 해당 객체는 청색으로 나타날 수 있다.

이에 기초하여, 객체 특성 확인부(230)는 객체 영상에 나타나는 색상 정보를 기반으로, 객체 영상 추출부(220)에서 분할된 객체 영상 각각에 대한 특성을 확인할 수 있다.

색상 정보는 n(n은 1보다 큰 정수)개의 색상 표현 범위의 각각에 대한 정보를 포함할 수 있다. 색상 표현 범위는 영상 획득 장치의 종류, 성능 등에 따라 달라질 수 있다. 또한, 예컨대, R(red)에 대한 "색상"은 8비트의 영상에서 픽셀값이 (R, G, B)= (255,0,0)을 가지는 픽셀의 색상만을 의미할 수 있으나, R에 대한 "색상 표현 범위"는 상기 픽셀값이 (R, G, B)= (255,0,0)인 경우뿐만 아니라 상기 픽셀값을 기준으로 소정의 범위 내에 있는 유사 색상을 포함하는 의미이다. 예컨대, 영상 획득 장치의 색상 표현 범위가 R, G(green), B(blue) 3가지라면 색상 분포 정보는 3개의 색상 표현 범위의 각각에 대한 정보를 포함할 수 있다. 색상 표현 범위가 R, G, B, Y(yellow), P(purple) 5가지라면 색상 정보는 5개의 색상 표현 범위의 각각에 대한 정보를 포함할 수 있다. 예컨대, 입력 영상이 X-Ray 판독 기기가 촬영한 화물에 관한 X-Ray 영상이라고 하면, X-Ray 영상은 해당 영상에 포함되어 있는 객체들의 물성(예를 들어, 해당 객체가 유기물, 무기물, 금속 등인지 여부)에 따라 다른 색상 표현 범위가 사용될 수 있다. 즉, 객체들의 물성에 따라 색상 표현 범위가 다를 수 있다.

바람직하게, 객체 특성 확인부(230)는 객체 영상에 대한 특성을 나타내는 이상치 점수(anomaly score)를 산출하여 제공할 수 있다. 구체적으로, 객체 특성 확인부(230)는 객체 영상(410, 도 4a 참조)을 R, G, B 채널로 분리하여 R채널 객체 영상(420, 도 4b 참조), G채널 객체 영상(430, 도 4c 참조), B채널 객체 영상(440, 도 4d 참조)을 구성할 수 있다. 그리고, 객체 특성 확인부(230)는 R, G, B 채널로 분리된 객체 영상(420, 430, 440)을 사용하여 검출하고자 하는 대상물의 특성을 표현할 수 있는 이상치 점수를 산출할 수 있다.

예를 들어, 검출하고자 하는 대상물이 액체류가 채워진 용기일 경우, 액체류가 채워진 용기는 주황색으로 나타날 수 있다. 이를 고려하여, 객체 특성 확인부(230)는 R채널 객체 영상(420)을 추출하고, R채널 객체 영상(420)에서 주황색에 대응되는 픽셀을 검출하고, R채널 객체 영상의 전체 영역 대 검출된 픽셀의 비율을 이상치 점수로서 산출할 수 있다.

나아가, 본 개시의 일 실시예에서 객체 영상은 X-ray 영상을 기반으로 하므로, 사물이 겹쳐서 존재할 경우 겹쳐진 사물들의 특성이 객체 영상에 나타날 수 있다. 예를 들어, 도 4a와 같이 액체류가 채워진 용기(411)의 전방에 금속 재질의 사물(412)이 겹쳐져 있는 상태를 기반으로 객체 영상(410)이 구성된 경우, 금속 재질의 사물이 존재하는 영역(413)은 청색 영역뿐 아니라 주황색 성분이 함께 나타날 수 있다. 이를 고려하여, 객체 특성 확인부(230)는 R채널 객체 영상(420)과 B채널 객체 영상(440)을 추출하고, R채널 객체 영상(420)에서 B채널 객체 영상(440)을 차감하여 차분영상(510, 도 5a 참조)을 구성할 수 있다. 그리고, 객체 특성 확인부(230)는 차분영상(510)에 검출하고자 하는 대상물이 존재하는 영역의 픽셀 비율을 이상치 점수로서 산출할 수 있다.

더 나아가, 객체 특성 확인부(230)는 차분영상(510)에서 대상물이 존재하는 영역을 검출하는 기준이 되는 임계값을 설정하고, 설정된 임계값을 기준으로 이진화하여 특성영상(520, 도 5b 참조)을 구성하고, 특성영상(520)에 잔존하는 픽셀의 비율을 이상치 점수로서 산출할 수 있다.

비록, 본 개시의 일 실시예에서, 객체 영상이 X-ray 영상을 기반으로 구성되는 것을 예시하였으나, 본 발명이 이를 한정하는 것은 아니다. 예컨대, 객체 영상은 검출하고자 하는 대상물에 따라 MRI, CT, Ultrasonic 등 다양한 영상을 기반으로 구성될 수 있다.

또한, 검출하고자 하는 대상물이 액체류가 채워진 용기임을 예시하고, 이에 대응하여 R채널 객체 영상 또는 B채널 객체 영상을 사용하여 이상치 점수를 산출하는 것을 예시하였으나, 본 발명이 이를 한정하는 것은 아니다. 본 발명에서, 검출하고자 하는 대상물은 다양하게 변경될 수 있으며, 객체 특성 확인부(230)는 검출하고자 하는 대상물의 특성이 나타낼 수 있는 이상치 점수를 산출할 수 있으면 충분하다. 예컨대, 검출하고자 하는 대상물은 신체 영역, 병변 영역 등으로 이루어질 수 있으며, 객체 특성 확인부(230)는 신체 영역, 병변 영역 등의 특성이 나타낼 수 있는 이상치 점수를 산출하도록 구성될 수 있다.

한편, 민감도 결정부(240)는 객체 특성 확인부(230)가 제공하는 이상치 점수를 입력받고, 이에 대응되는 민감도 정보를 출력할 수 있다. 여기서, 민감도 정보는 객체 영상의 이상치 점수에 대응되는 민감도 수준, 객체 영상이 위치한 영역의 위치정보 등을 포함할 수 있다.

특히, 민감도 결정부(240)는 민감도 분류 학습모델(245)을 사용하여 민감도 수준을 결정할 수 있다. 민감도 분류 학습모델(245)은 전술한 도 1의 학습된 모델 저장부(128)에 저장 및 관리될 수 있다.

민감도 분류 학습모델(245)은 객체 영상을 비정상 영역과 정상 영상으로 이진 분류(binary classification)하도록 학습된 모델일 수 있다. 여기서, 비정상 영역은 검출하고자 하는 대상물이 존재할 가능성이 높은 영역으로서 사용자가 주의 깊게 관찰해야 하는 영역을 의미하며, 정상 영역은 검출하고자 하는 대상물이 존재할 가능성이 낮은 영역으로서 사용자가 주의 깊게 관찰하지 않아도 되는 영역을 의미할 수 있다.

민감도 분류 학습모델(245)은 비정상 영역과 정상 영상을 분리할 수 있는 이상치 점수에 대한 최상의 기준값을 산출하고, 산출된 기준값을 기준으로 비정상 영역에 대응되는 민감도(이하, '비정상 민감도'라 함)와, 정상 영역에 대응되는 민감도(이하, '정상 민감도'라 함)를 구성하도록 학습될 수 있다. 예컨대, 도 6에 예시되는 바와 같이, 민감도 분류 학습모델(245)은 객체 영역의 이상치 점수를 입력받을 수 있으며, 입력된 이상치 점수가 비정상 영역으로 분류되는 이상치 점수(610)인지 또는 정상 영역으로 분류되는 이상치 점수(620) 인지를 분류하는 기준값(630)을 최상으로 설정할 수 있도록 학습될 수 있다.

나아가, 검출하고자 하는 대상물에 따라 이상치 점수를 산출하는 방식이 다양하게 변경될 수 있으므로, 민감도 분류 학습모델(245)은 검출하고자 하는 대상물을 더 고려하여 이상치 점수에 대한 최상의 기준값을 산출하도록 학습될 수 있다. 전술한 바에 기초하여, 민감도 분류 학습모델(245)은 이상치 점수 및 검출하고자 하는 대상물에 대한 정보를 입력받을 수 있으며, 이상치 점수 및 검출하고자 하는 대상물에 대한 정보를 사용하여 대응되는 민감도 수준을 출력할 수 있다.

본 개시의 일 실시예에서, 민감도 결정부(240)는 민감도 분류 학습모델(245)을 사용하여 객체 영상을 비정상 민감도 수준과, 정상 민감도로 분류하는 것을 예시하였으나, 본 개시가 이를 한정하는 것은 아니며, 다양하게 변경될 수 있다. 예컨대, 민감도 분류 학습모델(245)은 미리 정해진 개수(예, 3, 4, 5 개 등)로 구분되는 민감도 수준을 분류하도록 구성될 수도 있다.

한편, 영상 분석부(250)는 분석 대상 영상과 민감도 정보를 수신하고, 미리 학습된 영상 분석 학습 모델(255)을 이용하여 상기 영상(분석 대상 영상)을 분석한 후, 분석된 결과를 출력 장치로 출력할 수 있다.

특히, 영상 분석부(250)는 영상에 포함된 객체를 식별하고, 식별된 객체에 대한 이상 유무 또는 위험도를 판단할 수 있는데, 민감도 정보를 반영하여 객체 식별의 정확도 수준을 제어할 수 있다. 즉, 영상 분석부(250)는 민감도 정보에 포함된 민감도 수준과, 상기 민감도 수준에 대응되는 영역(예, 해당 객체 영상이 위치한 영역)을 확인할 수 있다. 영상 분석부(250)는 민감도 수준에 맞게, 영상 분석 학습 모델(255)의 정확도 수준을 설정할 수 있으며, 영상 분석 학습 모델(255)은 설정된 수준의 정확도로 객체를 식별할 수 있다. 구체적으로, 영상 분석 학습 모델(255)은 객체의 위치 정보와, 해당 객체가 검색 대상 객체에 해당되는지에 대한 확률을 출력할 수 있다. 이때, 영상 분석 학습 모델(255)은 해당 객체에 대한 확률이 전술한 민감도와 같거나 상대적으로 크게 나타날 경우, 검출된 확률을 그대로 출력하고, 해당 객체에 대한 확률이 전술한 민감도보다 상대적으로 작게 나타날 경우 해당 검출 결과를 무시하도록 구성될 수 있다.

나아가, 영상 분석부(250)가 출력하는 영상 분석 결과는 객체의 위험도, 종류, 양, 수, 크기 및 위치 중 적어도 하나를 포함할 수 있다. 영상 분석 결과가 객체의 위치인 경우, 분석 대상 영상에 해당 객체의 위치를 표시하여 출력 장치로 출력할 수 있다. 해당 객체의 위치는 좌표로 표시될 수도 있으나, 판독원이 용이하게 판독할 수 있도록 출력 영상 내의 해당 위치에 객체를 강조하여 표시할 수 있다. 예컨대, 객체의 에지를 강조하거나 객체를 둘러싸는 사각 박스를 표시하여 객체를 강조할 수도 있다. 또한, 영상 강화 과정을 통해 판독원이 보다 용이하게 객체를 식별할 수 있도록 소정의 객체 영역을 강화할 수 있다. 예컨대, 소정의 색상에 해당하는 영역을 강화하여, 영역이 보다 명확히 식별될 수 있도록 영상을 변환할 수 있다.

또는, 영상 분석부(250)는 분석 대상 영상에 검색 대상 객체(예컨대, 통관이 금지되거나 부적합한 객체)가 포함되는지 여부를 판단할 수 있다. 이를 위해, 영상 분석부(250)는 검색 대상 객체에 관한 정보를 수신하거나 미리 저장할 수 있다. 또한, 영상 분석부(250)는 영상에 포함된 객체를 식별하고, 식별된 객체가 검색 대상 객체인지 여부를 판단할 수 있다.

도 7은 본 개시의 일 실시 예에 따른 영상 분석 방법의 순서를 나타내는 흐름도이다. 본 개시의 일 실시예에 따른 영상 분석 방법은 전술한 영상 분석 장치(200, 도 2 참조)에 의해 수행될 수 있다.

본 개시의 일 실시예에 따른 영상 분석 방법은 입력 영상 또는 분석 대상 영상에 포함된 소정의 객체가 위치한 영역을 분석하여, 객체의 위험도, 종류, 양, 수, 크기, 위치, 등과 같은 영상 분석 결과를 출력하도록 구성될 수 있다. 예를 들어, 영상 분석 방법은 화물을 촬영한 영상을 기반으로 목적물을 검출하는 전자 통관 시스템, 의료 영상(예, MRI, CT, Ultrasonic등)을 기반으로 병변영역을 검출 또는 병변영역을 분석하는 의료영상 분석 시스템 등에 적용될 수 있다. 이하, 본 개시의 일실시예에서 영상 분석 방법은 전자 통관 시스템을 기반으로 수행되는 동작을 예시하지만, 본 개시가 이를 한정하는 것은 아니며, 전술한 바와 같이 다양한 분야의 인공지능 시스템에 변경되어 적용될 수 있다.

S710 단계에서, 영상 분석 장치는 하나 이상의 객체를 포함하는 분석 대상 영상을 수신할 수 있다. 여기서, 분석 대상 영상은 하나의 객체를 포함하는 화물에 관한 영상, 신체의 적어도 일부를 촬영하여 구성된 영상(예, MRI, CT, Ultrasonic등)일 수 있다. 다른 예로서, 분석 대상 영상은 X-Ray 판독 기기가 촬영한 화물에 관한 X-Ray 영상일 수 있다. 상기 분석 대상 영상은 X-Ray 영상 기기가 촬영한 로(raw) 이미지이거나 상기 로 이미지를 저장 또는 전송하기 위한 임의의 형태(포맷)의 이미지일 수 있다. 또 다른 예로서, 상기 분석 대상 영상은 X-Ray 판독 기기가 촬영하여 모니터와 같은 출력 장치로 전송하는 영상 정보를 캡쳐하여 데이터화함으로써 획득될 수도 있다.

S720 단계에서, 영상 분석 장치는 수신된 분석 대상 영상에 포함되어 있는 적어도 하나의 객체를 추출하고, 추출된 적어도 하나의 객체 각각을 분할하여 적어도 하나의 객체 영상을 구성할 수 있다.

본 개시의 일실시예에서, 분석 대상 영상은 다양한 사물이 포함되어 있는 영역을 X-ray 등과 같은 소정의 광을 사용하여 촬영한 영상일 수 있는데, 각각의 사물은 그 특성에 따라 영상 내에서 서로 다른 색상으로 나타날 수 있으며, 사물의 경계 또는 윤곽이 구분될 수 있다. 이에 기초하여, 본 개시의 일실시예에서, 객체를 추출한다는 것은 분석 대상 영상에서 동일한 색상이 연속적으로 나타나는 영역, 생상의 변화가 나타나는 영역 등을 고려하여, 영상의 일부 영역을 크로핑(cropping)하는 것을 의미할 수 있다.

예컨대, 영상 분석 장치는 분석 대상 영상의 픽셀값과 소정의 임계값을 비교하여 픽셀값을 이진화하고, 이진화된 픽셀값을 그룹핑함으로써 분석 대상 영상에 포함된 객체를 추출할 수 있다.

나아가, 영상 분석 장치는 이진화된 픽셀값에 대한 노이즈를 제거한 후, 미리 정해진 크기 이상의 덩어리(Blob)를 검출하고, 검출된 덩어리(Blob)를 크로핑(cropping)하여 적어도 하나의 객체 영상을 구성할 수 있다. 이때, 객체 영상 추출부(220)는 형태학 연산 변환(morphology)을 수행함으로써, 분석 대상 영상의 노이즈를 제거할 수 있다.

다른 예로서, 영상 분석 장치는 객체 영역을 둘러싸는 사각형 박스(bounding box)를 특정함으로써 객체 영상을 획득될 수 있으며, 특정된 사각형 박스에 기초하여, 구분된 객체의 위치 정보를 생성할 수도 있다.

추가적으로, 분석 대상 영상에는 객체와 배경이 포함될 수 있는데, 객체는 영상 내의 특정한 물체를 의미하며 또한 배경은 영상에서 객체를 제외한 부분을 의미할 수 있다. 영상의 배경은 영상의 촬영 방법 또는 촬영 장치에 따라 소정의 색상으로 표현될 수 있다. 예컨대, 상기 소정의 색상은 흰색일 수 있다. 영상의 배경을 표현하는 색상이 특정된 경우, 영상 분석 장치는 우선적으로 특정된 배경 색상에 기초하여 배경과 객체를 분리한 후, 객체가 분리된 영역을 대상으로 전술한 객체 영상을 구성하는 동작을 수행할 수도 있다.

예를 들어, 분석 대상 영상이 X-Ray 판독 기기가 촬영한 화물에 관한 X-Ray 영상이라고 하면, 화물이 아닌 배경 부분은 불필요하기 때문에 해당 배경 부분은 잘라내고 화물이 존재하는 영역만으로 분석할 수 있다. 특히, 화물들이 컨베이어 벨트를 통해 계속적으로 X-Ray 판독 기기를 통과하는 실제 환경에서는 화물에 대한 영역을 획득하는 것이 중요하다고 할 수 있다. 따라서, 영상 분석 장치는 객체 영상을 구성하는 동작을 수행하기 전, 전처리 동작으로 분석 대상 영상으로부터 객체 영역과 배경 영역을 구분하는 동작을 수행할 수 있다.

한편, 본 개시의 일 실시예에서 객체 영상은 X-Ray 영상을 기반으로 이루어지는 것을 예시하므로, 객체의 물성(예를 들어, 해당 객체가 유기물, 무기물, 금속 등인지 여부)에 따라 다른 색상으로 나타날 수 있다. 예컨대, 객체가 액체류가 채워진 플라스틱 용기일 경우, 객체 영상에서 해당 객체는 주황색으로 나타날 수 있으며, 객체가 금속으로 이루어질 전자장치일 경우, 객체 영상에서 해당 객체는 청색으로 나타날 수 있다.

이에 기초하여, S730 단계에서, 영상 분석 장치는 객체 영상에 나타나는 색상 정보를 기반으로, 객체 영상 각각에 대한 특성을 확인할 수 있다.

색상 정보는 n(n은 1보다 큰 정수)개의 색상 표현 범위의 각각에 대한 정보를 포함할 수 있다. 색상 표현 범위는 영상 획득 장치의 종류, 성능 등에 따라 달라질 수 있다. 또한, 예컨대, R(red)에 대한 "색상"은 8비트의 영상에서 픽셀값이 (R, G, B)= (255,0,0)을 가지는 픽셀의 색상만을 의미할 수 있으나, R에 대한 "색상 표현 범위"는 상기 픽셀값이 (R, G, B)= (255,0,0)인 경우뿐만 아니라 상기 픽셀값을 기준으로 소정의 범위 내에 있는 유사 색상을 포함하는 의미이다. 예컨대, 영상 획득 장치의 색상 표현 범위가 R, G(green), B(blue) 3가지라면 색상 분포 정보는 3개의 색상 표현 범위의 각각에 대한 정보를 포함할 수 있다. 색상 표현 범위가 R, G, B, Y(yellow), P(purple) 5가지라면 색상 정보는 5개의 색상 표현 범위의 각각에 대한 정보를 포함할 수 있다. 예컨대, 입력 영상이 X-Ray 판독 기기가 촬영한 화물에 관한 X-Ray 영상이라고 하면, X-Ray 영상은 해당 영상에 포함되어 있는 객체들의 물성(예를 들어, 해당 객체가 유기물, 무기물, 금속 등인지 여부)에 따라 다른 색상 표현 범위가 사용될 수 있다. 즉, 객체들의 물성에 따라 색상 표현 범위가 다를 수 있다.

바람직하게, 영상 분석 장치는 객체 영상에 대한 특성을 나타내는 이상치 점수(anomaly score)를 산출하여 제공할 수 있다. 구체적으로, 영상 분석 장치는 객체 영상(410, 도 4a 참조)을 R, G, B 채널로 분리하여 R채널 객체 영상(420, 도 4b 참조), G채널 객체 영상(430, 도 4c 참조), B채널 객체 영상(440, 도 4d 참조)을 구성할 수 있다. 그리고, 영상 분석 장치는 R, G, B 채널로 분리된 객체 영상(420, 430, 440)을 사용하여 검출하고자 하는 대상물의 특성을 표현할 수 있는 이상치 점수를 산출할 수 있다.

예를 들어, 검출하고자 하는 대상물이 액체류가 채워진 용기일 경우, 액체류가 채워진 용기는 주황색으로 나타날 수 있다. 이를 고려하여, 영상 분석 장치는 R채널 객체 영상(420)을 추출하고, R채널 객체 영상(420)에서 주황색에 대응되는 픽셀을 검출하고, R채널 객체 영상의 전체 영역 대 검출된 픽셀의 비율을 이상치 점수로서 산출할 수 있다.

나아가, 본 개시의 일 실시예에서 객체 영상이 X-ray 영상을 기반으로 하므로, 사물이 겹쳐서 존재할 경우 겹쳐진 사물들의 특성이 객체 영상에 나타날 수 있다. 예를 들어, 도 4a와 같이 액체류가 채워진 용기(411)의 전방에 금속 재질의 사물(412)이 겹쳐져 있는 상태를 기반으로 객체 영상(410)이 구성된 경우, 금속 재질의 사물이 존재하는 영역(413)은 청색 영역뿐만 아니라 주황색 성분이 함께 나타날 수 있다. 이를 고려하여, 객체 특성 확인부(230)는 R채널 객체 영상(420)과 B채널 객체 영상(440)을 추출하고, R채널 객체 영상(420)에서 B채널 객체 영상(440)을 차감하여 차분영상(510, 도 5a 참조)을 구성할 수 있다. 그리고, 객체 특성 확인부(230)는 차분영상(510)에 검출하고자 하는 대상물이 존재하는 영역의 픽셀 비율을 이상치 점수로서 산출할 수 있다.

더 나아가, 영상 분석 장치는 차분영상(510)에서 대상물이 존재하는 영역을 검출하는 기준이 되는 임계값을 설정하고, 설정된 임계값을 기준으로 이진화하여 특성영상(5520, 도 5b 참조)을 구성하고, 특성영상(520)에 잔존하는 픽셀의 비율을 이상치 점수로서 산출할 수 있다.

비록, 본 개시의 일 실시예에서, 객체 영상이 X-ray 영상을 기반으로 구성되는 것을 예시하였으나, 본 발명이 이를 한정하는 것은 아니다. 예컨대, 객체 영상은 검출하고자 하는 대상물에 따라 MRI, CT, Ultrasonic 등 다양한 영상을 기반으로 구성될 수 있다.

또한, 검출하고자 하는 대상물이 액체류가 채워진 용기임을 예시하고, 이에 대응하여 R채널 객체 영상 또는 B채널 객체 영상을 사용하여 이상치 점수를 산출하는 것을 예시하였으나, 본 발명이 이를 한정하는 것은 아니다. 본 발명에서, 검출하고자 하는 대상물은 다양하게 변경될 수 있으며, 영상 분석 장치는 검출하고자 하는 대상물의 특성이 나타낼 수 있는 이상치 점수를 산출할 수 있으면 충분하다. 예컨대, 검출하고자 하는 대상물은 신체 영역, 병변 영역 등으로 이루어질 수 있으며, 영상 분석 장치는 신체 영역, 병변 영역 등의 특성이 나타낼 수 있는 이상치 점수를 산출하도록 구성될 수 있다.

한편, S740 단계에서, 영상 분석 장치는 이상치 점수를 확인하고, 이에 대응되는 민감도 정보를 출력할 수 있다. 여기서, 민감도 정보는 객체 영상의 이상치 점수에 대응되는 민감도, 객체 영상이 위치한 영역의 위치정보 등을 포함할 수 있다.

특히, 영상 분석 장치는 민감도 분류 학습모델을 사용하여 민감도 수준을 결정할 수 있다. 민감도 분류 학습모델은 전술한 도 1의 학습된 모델 저장부(128)에 저장 및 관리될 수 있다.

민감도 분류 학습모델은 객체 영상을 비정상 영역과 정상 영상으로 이진 분류(binary classification)하도록 학습된 모델일 수 있다. 여기서, 비정상 영역은 검출하고자 하는 대상물이 존재할 가능성이 높은 영역으로서 사용자가 주의 깊게 관찰해야 하는 영역을 의미하며, 정상 영역은 검출하고자 하는 대상물이 존재할 가능성이 낮은 영역으로서 사용자가 주의 깊게 관찰하지 않아도 되는 영역을 의미할 수 있다.

민감도 분류 학습모델은 비정상 영역과 정상 영상을 분리할 수 있는 이상치 점수에 대한 최상의 기준값을 산출하고, 산출된 기준값을 기준으로 비정상 영역에 대응되는 민감도(이하, '비정상 민감도'라 함)와, 정상 영역에 대응되는 민감도(이하, '정상 민감도'라 함)를 구성하도록 학습될 수 있다. 예컨대, 도 6에 예시되는 바와 같이, 민감도 분류 학습모델은 객체 영역의 이상치 점수를 입력받을 수 있으며, 입력된 이상치 점수가 비정상 영역으로 분류되는 이상치 점수(610)인지 또는 정상 영역으로 분류되는 이상치 점수(620) 인지를 분류하는 기준값(630)을 최상으로 설정할 수 있도록 학습될 수 있다.

나아가, 검출하고자 하는 대상물에 따라 이상치 점수를 산출하는 방식이 다양하게 변경될 수 있으므로, 민감도 분류 학습모델은 검출하고자 하는 대상물을 더 고려하여 이상치 점수에 대한 최상의 기준값을 산출하도록 학습될 수 있다. 전술한 바에 기초하여, 민감도 분류 학습모델은 이상치 점수 및 검출하고자 하는 대상물에 대한 정보를 입력받을 수 있으며, 이상치 점수 및 검출하고자 하는 대상물에 대한 정보를 사용하여 대응되는 민감도 수준을 출력할 수 있다.

본 개시의 일 실시예에서, 영상 분석 장치는 민감도 분류 학습모델을 사용하여 객체 영상을 비정상 민감도 수준과, 정상 민감도로 분류하는 것을 예시하였으나, 본 개시가 이를 한정하는 것은 아니며, 다양하게 변경될 수 있다. 예컨대, 민감도 분류 학습모델은 미리 정해진 개수(예, 3, 4, 5 개 등)로 구분되는 민감도 수준을 분류하도록 구성될 수도 있다.

S750 단계에서, 영상 분석 장치는 분석 대상 영상과 민감도 정보를 수신하고, 미리 학습된 영상 분석 학습 모델을 이용하여 상기 영상(분석 대상 영상)을 분석한 후, 분석된 결과를 출력 장치로 출력할 수 있다.

특히, 영상 분석 장치는 영상에 포함된 객체를 식별할 수 있는데, 민감도 정보를 반영하여 객체 식별의 정확도 수준을 제어할 수 있다. 즉, 영상 분석 장치는 민감도 정보에 포함된 민감도 수준과, 상기 민감도 수준에 대응되는 영역(예, 해당 객체 영상이 위치한 영역)을 확인할 수 있다. 영상 분석 장치는 민감도 수준에 맞게, 영상 분석 학습 모델의 정확도 수준을 설정할 수 있으며, 이 학습 모델은 설정된 수준의 정확도로 객체를 식별할 수 있다. 구체적으로는, 영상 분석 학습 모델은 객체의 위치 정보와, 해당 객체가 검색 대상 객체에 해당되는지에 대한 확률을 출력할 수 있다. 이때, 영상 분석 학습 모델은 해당 객체에 대한 확률이 전술한 민감도와 같거나 상대적으로 크게 나타날 경우, 검출된 확률을 그대로 출력하고, 해당 객체에 대한 확률이 전술한 민감도보다 상대적으로 작게 나타날 경우 해당 검출 결과를 무시하도록 구성될 수 있다.

나아가, 영상 분석 장치가 출력하는 영상 분석 결과는 객체의 위험도, 종류, 양, 수, 크기 및 위치 중 적어도 하나를 포함할 수 있다. 영상 분석 결과가 객체의 위치인 경우, 분석 대상 영상에 해당 객체의 위치를 표시하여 출력 장치로 출력할 수 있다. 해당 객체의 위치는 좌표로 표시될 수도 있으나, 판독원이 용이하게 판독할 수 있도록 출력 영상 내의 해당 위치에 객체를 강조하여 표시할 수 있다. 예컨대, 객체의 에지를 강조하거나 객체를 둘러싸는 사각 박스를 표시하여 객체를 강조할 수도 있다.

또는, 영상 분석 장치는 분석 대상 영상에 검색 대상 객체(예컨대, 통관이 금지되거나 부적합한 객체)가 포함되는지 여부를 판단할 수 있다. 이를 위해, 영상 분석 장치는 검색 대상 객체에 관한 정보를 수신하거나 미리 저장할 수 있다. 또한, 영상 분석 장치는 영상에 포함된 객체를 식별하고, 식별된 객체가 검색 대상 객체인지 여부를 판단할 수 있다.

본 개시의 영상 처리 장치의 구성부들 및 영상 처리 방법의 단계들 중 적어도 일부는 인공지능 기반 또는 딥러닝 기반의 모델을 이용하여 수행될 수 있다. 예컨대, 객체 영상을 분할하여 생성되는 영역의 크기, 개수, 색상 분포 정보에 기초하여 결정되는 가중치, 본 개시에서 언급된 각종 임계치, 제2 출력 영상의 생성 여부 등은 인공지능 기반 또는 딥러닝 기반의 모델을 이용하여 학습될 수 있고, 학습된 모델에 따른 정보가 이용될 수 있다.

본 개시의 딥러닝 기반의 모델은 완전 합성곱 신경망(완전 컨볼루션 뉴럴 네트워크, fully convolutional neural network), 합성곱 신경망(컨볼루션 뉴럴 네트워크, convolutional neural network), 순환 신경망(회귀 뉴럴 네트워크, recurrent neural network), 제한 볼츠만 머신(restricted Boltzmann machine, RBM) 및 심층 신뢰 신경망(deep belief neural network, DBN) 중 적어도 하나를 포함할 수 있으나, 이에 한정되지 않는다. 또는, 딥러닝 이외의 머신 러닝 방법도 포함할 수 있다. 또는 딥러닝과 머신 러닝을 결합한 하이브리드 형태의 모델도 포함할 수 있다. 예컨대, 딥러닝 기반의 모델을 적용하여 영상의 특징을 추출하고, 상기 추출된 특징에 기초하여 영상을 분류하거나 인식할 때는 머신 러닝 기반의 모델을 적용할 수도 있다. 머신 러닝 기반의 모델은 서포트 벡터 머신(Support Vector Machine, SVM), 에이다부스트(AdaBoost) 등을 포함할 수 있으나, 이에 한정되지 않는다.

본 개시의 예시적인 방법들은 설명의 명확성을 위해서 동작의 시리즈로 표현되어 있지만, 이는 단계가 수행되는 순서를 제한하기 위한 것은 아니며, 필요한 경우에는 각각의 단계가 동시에 또는 상이한 순서로 수행될 수도 있다. 본 개시에 따른 방법을 구현하기 위해서, 예시하는 단계에 추가적으로 다른 단계를 포함하거나, 일부의 단계를 제외하고 나머지 단계를 포함하거나, 또는 일부의 단계를 제외하고 추가적인 다른 단계를 포함할 수도 있다.

본 개시의 다양한 실시 예는 모든 가능한 조합을 나열한 것이 아니고 본 개시의 대표적인 양상을 설명하기 위한 것이며, 다양한 실시 예에서 설명하는 사항들은 독립적으로 적용되거나 또는 둘 이상의 조합으로 적용될 수도 있다.

또한, 본 개시의 다양한 실시 예는 하드웨어, 펌웨어(firmware), 소프트웨어, 또는 그들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 범용 프로세서(general processor), 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.

본 개시의 범위는 다양한 실시 예의 방법에 따른 동작이 장치 또는 컴퓨터 상에서 실행되도록 하는 소프트웨어 또는 머신-실행가능한 명령들(예를 들어, 운영체제, 애플리케이션, 펌웨어(firmware), 프로그램 등), 및 이러한 소프트웨어 또는 명령 등이 저장되어 장치 또는 컴퓨터 상에서 실행 가능한 비-일시적 컴퓨터-판독가능 매체(non-transitory computer-readable medium)를 포함한다.

Claims (20)

1. 영상에 포함되는 객체를 분석하는 장치에 있어서,
   분석 대상 영상을 수신하는 영상 수신부;
   상기 분석 대상 영상에 포함되어 있는 객체를 추출하고, 상기 객체를 포함하는 객체 영상을 구성하는 객체 영상 추출부;
   상기 객체 영상의 색상 정보를 획득하고, 상기 색상 정보에 기초하여, 상기 객체 영상의 특성을 확인하는 객체 특성 확인부;
   상기 객체 영상의 민감도 수준을 분류하는 민감도 분류 학습모델을 사용하여, 상기 객체 영상의 민감도 정보를 확인하는 민감도 결정부; 및
   상기 객체 영상의 민감도 정보에 기초하여 상기 객체 영상이 존재하는 영역의 정확도 수준을 제어하고, 상기 정확도 수준에 따라 상기 분석 대상 영상을 분석한 결과를 출력하는 영상 분석부를 포함하고,
   상기 객체 특성 확인부는,
   상기 객체 영상에 대한 제1색상 채널의 영상으로부터, 상기 객체 영상에 대한 제2색상 채널의 영상을 차감하여 차분영상을 구성하고,
   상기 차분영상에 포함되며, 미리 정해진 색상의 픽셀 비율을 수치화하여 이상치 점수(anomaly score)를 산출하고,
   상기 이상치 점수를 상기 객체 영상의 특성으로 결정하는 것을 특징으로 하는 영상 분석 장치.
2. 제1항에 있어서,
   상기 민감도 분류 학습모델은,
   상기 객체 영상의 민감도 수준을 구분하는 기준값을 학습하여 구축된 학습 모델인 것을 특징으로 하는 영상 분석 장치.
3. 제2항에 있어서,
   상기 민감도 분류 학습모델은,
   상기 객체 영상의 특성을 수치화한 정보를 입력받고,
   상기 기준값을 기준으로 상기 객체 영상의 민감도 수준을 분류한 결과를 출력하는 것을 특징으로 하는 영상 분석 장치.
4. 삭제
5. 제1항에 있어서,
   상기 객체 특성 확인부는,
   상기 제1색상 채널은 적색(red)이고,
   상기 제2색상 채널은 청색(blue)인 것을 특징으로 하는 영상 분석 장치.
6. 제1항에 있어서,
   상기 객체 특성 확인부는,
   상기 차분영상을 미리 정해진 임계값을 기준으로 이진화한 특성영상을 구성하고,
   상기 특성영상에서, 상기 미리 정해진 임계값을 초과하는 픽셀의 비율을 수치화하여 상기 이상치 점수를 산출하는 것을 특징으로 하는 영상 분석 장치.
7. 제1항에 있어서,
   상기 영상 분석부는,
   맥락 분석 기반으로 미리 학습된 영상 분석 학습 모델을 사용하여, 상기 분석 대상 영상을 분석한 결과를 출력하는 것을 특징으로 하는 영상 분석 장치.
8. 제7항에 있어서,
   상기 영상 분석부는,
   상기 객체 영상의 민감도 정보에 대응되는 정확도 수준을 상기 영상 분석 학습 모델에 제공하고,
   상기 영상 분석 학습 모델은,
   상기 객체 영상에 대한 정확도 수준을 제어하여 상기 분석 대상 영상을 분석한 결과를 출력하는 것을 특징으로 하는 영상 분석 장치.
9. 제7항에 있어서,
   상기 영상 분석 학습 모델은,
   상기 정확도 수준에 맞게 상기 맥락 분석에 사용되는 설정값을 제어하는 것을 특징으로 하는 영상 분석 장치.
10. 제1항에 있어서,
    상기 분석 대상 영상은, 상기 객체의 물성에 따라 해당 객체의 영역이 상이한 색상으로 표현된 영상이고,
    상기 분석한 결과는 상기 분석 대상 영상에 대응하는 분석 결과 영상인 것을 특징으로 하는 영상 분석 장치.
11. 영상에 포함되는 객체를 분석하는 방법에 있어서,
    분석 대상 영상을 수신하는 과정과,
    상기 분석 대상 영상에 포함되어 있는 객체를 추출하고, 상기 객체를 포함하는 객체 영상을 구성하는 과정과,
    상기 객체 영상의 색상 정보를 획득하고, 상기 색상 정보에 기초하여, 상기 객체 영상의 특성을 확인하는 과정과,
    상기 객체 영상의 민감도 수준을 분류하는 민감도 분류 학습모델을 사용하여, 상기 객체 영상의 민감도 정보를 확인하는 과정과,
    상기 객체 영상의 민감도 정보에 기초하여 상기 객체 영상이 존재하는 영역의 정확도 수준을 제어하고, 상기 정확도 수준에 따라 상기 분석 대상 영상을 분석한 결과를 출력하는 과정을 포함하고,
    상기 객체 영상의 특성을 확인하는 과정은,
    상기 객체 영상에 대한 제1색상 채널의 영상으로부터, 상기 객체 영상에 대한 제2색상 채널의 영상을 차감하여 차분영상을 구성하는 과정과,
    상기 차분영상에 포함되며, 미리 정해진 색상의 픽셀 비율을 수치화하여 이상치 점수(anomaly score)를 산출하는 과정과,
    상기 이상치 점수를 상기 객체 영상의 특성으로 결정하는 과정을 포함하는 것을 특징으로 하는 영상 분석 방법.
12. 제11항에 있어서,
    상기 민감도 분류 학습모델은,
    상기 객체 영상의 민감도 수준을 구분하는 기준값을 학습하여 구축된 학습 모델인 것을 특징으로 하는 영상 분석 방법.
13. 제12항에 있어서,
    상기 민감도 분류 학습모델은,
    상기 객체 영상의 특성을 수치화한 정보를 입력받고,
    상기 기준값을 기준으로 상기 객체 영상의 민감도 수준을 분류한 결과를 출력하는 것을 특징으로 하는 영상 분석 방법.
14. 삭제
15. 제11항에 있어서,
    상기 제1색상 채널은 적색(red)이고, 상기 제2색상 채널은 청색(blue)인 것을 것을 특징으로 하는 영상 분석 방법.
16. 제11항에 있어서,
    상기 객체 영상의 특성을 확인하는 과정은,
    상기 차분영상을 미리 정해진 임계값을 기준으로 이진화하여 특성영상을 구성하는 과정과,
    상기 특성영상에서, 상기 미리 정해진 임계값을 초과하는 픽셀의 비율을 수치화하여 상기 이상치 점수를 산출하는 과정을 포함하는 것을 특징으로 하는 영상 분석 방법.
17. 제11항에 있어서,
    상기 분석 대상 영상을 분석한 결과를 출력하는 과정은,
    맥락 분석 기반으로 미리 학습된 영상 분석 학습 모델을 사용하여, 상기 분석 대상 영상을 분석한 결과를 출력하는 과정을 포함하는 것을 특징으로 하는 영상 분석 방법.
18. 제17항에 있어서,
    상기 분석 대상 영상을 분석한 결과를 출력하는 과정은,
    상기 객체 영상의 민감도 정보에 대응되는 정확도 수준을 상기 영상 분석 학습 모델에 제공함에 따라, 상기 영상 분석 학습 모델이 상기 객체 영상에 대한 정확도 수준을 제어하여 상기 분석 대상 영상을 분석한 결과를 출력하는 과정을 포함하는 것을 특징으로 하는 영상 분석 방법.
19. 제17항에 있어서,
    상기 영상 분석 학습 모델은,
    상기 정확도 수준에 맞게 상기 맥락 분석에 사용되는 설정값을 제어하는 것을 특징으로 하는 영상 분석 방법.
20. 제11항에 있어서,
    상기 분석 대상 영상은, 상기 객체의 물성에 따라 해당 객체의 영역이 상이한 색상으로 표현된 영상이고,
    상기 분석한 결과는 상기 분석 대상 영상에 대응하는 분석 결과 영상인 것을 특징으로 하는 영상 분석 방법.

Images