KR102135109B1 - 신경회로망을 이용한 도로 노면의 크랙 검출 시스템 및 그 검출 방법 - Google Patents

신경회로망을 이용한 도로 노면의 크랙 검출 시스템 및 그 검출 방법 Download PDF

Info

Publication number
KR102135109B1
KR102135109B1 KR1020180067928A KR20180067928A KR102135109B1 KR 102135109 B1 KR102135109 B1 KR 102135109B1 KR 1020180067928 A KR1020180067928 A KR 1020180067928A KR 20180067928 A KR20180067928 A KR 20180067928A KR 102135109 B1 KR102135109 B1 KR 102135109B1
Authority
KR
South Korea
Prior art keywords
window
crack
road surface
neural network
value
Prior art date
Application number
KR1020180067928A
Other languages
English (en)
Other versions
KR20190141322A (ko
Inventor
조창석
유상희
Original Assignee
위프코 주식회사
주식회사 아이비시스
한신대학교 산학협력단
한밭대학교 산학협력단
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 위프코 주식회사, 주식회사 아이비시스, 한신대학교 산학협력단, 한밭대학교 산학협력단 filed Critical 위프코 주식회사
Priority to KR1020180067928A priority Critical patent/KR102135109B1/ko
Publication of KR20190141322A publication Critical patent/KR20190141322A/ko
Application granted granted Critical
Publication of KR102135109B1 publication Critical patent/KR102135109B1/ko

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
    • E01C23/00—Auxiliary devices or arrangements for constructing, repairing, reconditioning, or taking-up road or like surfaces
    • E01C23/01—Devices or auxiliary means for setting-out or checking the configuration of new surfacing, e.g. templates, screed or reference line supports; Applications of apparatus for measuring, indicating, or recording the surface configuration of existing surfacing, e.g. profilographs
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/42—Road-making materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

신경회로망을 이용한 도로 노면의 크랙 검출 방법에서, 상기 신경회로망은, 입력층으로 해당 프레임 영상의 R 채널, G 채널 및 B 채널의 화소별 농담값을 입력받고, 출력층으로 크랙이 검출된 것으로 결정된 윈도우의 좌표 정보를 출력하는 것을 특징으로 한다.

Description

신경회로망을 이용한 도로 노면의 크랙 검출 시스템 및 그 검출 방법{CRACK DETECTION SYSTEM OF ROAD SURFACE USING NEURAL NETWORK AND DETECTION METHOD THEREFOR}
본 발명은 신경회로망을 이용한 도로 노면의 크랙 검출 시스템 및 그 검출 방법에 관한 것으로, 더욱 상세하게는 복수의 중간층을 지니는 신경회로망에 도로 노면의 크랙 영상을 학습시켜 크랙을 검출하는 시스템 및 그 방법에 관한 것이다.
도로 노면의 크랙 검출은, 도로의 포장관리시스템(PMS; Pavement Management System)을 구축함에 있어 포장도로의 포장 상태를 측정하기 위하여 사용된다. 포장관리시스템의 기본적 구성 요소는 포장 상태의 평가, 데이터베이스 구축, 합리적이고 전문적인 의사 결정체계로 나누어지며, 여기서 포장 상태의 평가는 '객관적이고 정량화된 평가 기관'을 갖추고 있어야 올바른 포장 상태 관리를 수행할 수 있다. 정확한 포장 상태의 평가는 도로관리기관이 도로포장의 생애 주기 동안 효율적인 유지보수를 할 수 있도록 도와주는 기초 데이터로 활용됨과 동시에 다른 구간 또는 지역과의 객관적인 비교를 통해 유지보수의 우선순위를 결정하는 데 중요한 역할을 한다. 또한, 정확한 포장 상태의 평가를 통해 의사결정자에게 파손 정도나 보수보강 비용을 직간접적으로 예측 가능하게 하여, 보수보강 비용을 산출하는 근거를 마련하며 장기적인 관점에서 장래의 유지보수비용 예산 계획을 수립하는 근거로 활용할 수 있다.
따라서, 정확한 포장 상태의 평가를 위한 도로 노면의 크랙 검출 방법에 대한 요구가 커지고 있다.
1. 국내등록특허공보 제10-1651999호 : 포트홀 및 크랙 검출 시스템 및 방법. 2. 국내공개특허공보 제10-2016-0039316호 : 도로의 균열 측정시스템 및 그 방법. 3. 국내공개특허공보 제10-2009-0022033호 : 라인스캔 카메라를 이용한 피사체의 규격 측정시스템.
본 발명은 전술한 바와 같은 기술적 과제를 해결하는 데 목적이 있는 발명으로서, 정확한 도로의 포장 상태의 평가를 가능하도록 하는 신경회로망을 이용한 도로 노면의 크랙 검출 시스템 및 그 검출 방법을 제공하는 것에 그 목적이 있다.
본 발명의 신경회로망을 이용한 도로 노면의 크랙 검출 방법에 있어서, 상기 신경회로망은, 입력층으로 해당 프레임 영상의 R 채널, G 채널 및 B 채널의 화소별 농담값을 입력받고, 출력층으로 크랙이 검출된 것으로 결정된 윈도우의 좌표 정보를 출력하는 것을 특징으로 한다.
아울러, 본 발명의 도로 노면의 크랙 검출 방법은, (a) 상기 신경회로망이 도로 노면의 크랙이 있는 윈도우의 검출을 학습하는 단계; (b) 상기 (a) 단계의 학습된 신경회로망을 이용하여, 도로 노면의 크랙이 있는 윈도우를 검출하는 단계; (c) 해당 프레임 영상에 크랙이 검출된 것으로 결정된 윈도우를 표시하는 단계; 및 (d) 미리 정해진 일정 도로 구간에서의 다수의 프레임 영상에서 크랙이 검출된 것으로 결정된 윈도우의 개수를 카운팅하여, 카운팅된 윈도우의 개수에 따라 도로의 등급을 분류하는 단계;를 포함하는 것이 바람직하다.
구체적으로, 상기 (a) 단계에서, 상기 신경회로망은, 윈도우의 중앙점이 크랙 영역에 포함되고 해당 크랙 영역의 가로 방향의 너비가 윈도우 너비의 1/(제 1 값) 이상이고 해당 크랙 영역의 세로 방향의 높이가 윈도우 높이의 1/(제 2 값) 이상인 경우의 윈도우를, 도로 노면의 크랙이 있는 윈도우로 판정하여 검출하도록 학습하는 것을 특징으로 한다. 아울러, 상기 (a) 단계에서, 상기 신경회로망은, 윈도우의 좌표 정보를 교사 신호로 이용하는 것이 바람직하다.
본 발명의 도로 노면의 크랙 검출 시스템에 있어서, 신경회로망;을 포함하되, 상기 신경회로망은, 입력층으로 해당 프레임 영상의 R 채널, G 채널 및 B 채널의 화소별 농담값을 입력받고, 출력층으로 크랙이 검출된 것으로 결정된 윈도우의 좌표 정보를 출력하는 것을 특징으로 한다.
아울러, 본 발명의 도로 노면의 크랙 검출 시스템은, 도로 노면의 크랙이 있는 윈도우를 이용하여 상기 신경회로망을 학습시키는 학습기; 상기 학습기에서 학습된 신경회로망을 이용하여, 도로 노면의 크랙이 있는 윈도우를 검출하는 검출기; 상기 검출기에 의해 해당 프레임 영상의 적어도 일부의 영상에 크랙이 검출된 것으로 결정된 윈도우를 표시하는 표시기; 및 미리 정해진 일정 도로 구간에서의 상기 검출기에 의해 다수의 프레임 영상에서 크랙이 검출된 것으로 결정된 윈도우의 개수를 카운팅하여, 카운팅된 윈도우의 개수에 따라 도로의 등급을 분류하는 분류기;를 더 포함하는 것이 바람직하다.
구체적으로, 상기 학습기는, 윈도우의 중앙점이 크랙 영역에 포함되고 해당 크랙 영역의 가로 방향의 너비가 윈도우 너비의 1/(제 1 값) 이상이고 해당 크랙 영역의 세로 방향의 높이가 윈도우 높이의 1/(제 2 값) 이상인 경우의 윈도우를, 도로 노면의 크랙이 있는 윈도우로 판정하여 검출하도록 상기 신경회로망을 학습시키는 것을 특징으로 한다. 아울러, 상기 학습기는, 학습에 사용하는 윈도우의 좌표 정보를 상기 신경 회로망의 교사 신호로 이용하는 것이 바람직하다.
본 발명의 신경회로망을 이용한 도로 노면의 크랙 검출 시스템 및 그 검출 방법에 따르면, 정확한 도로의 포장 상태의 평가를 가능하다.
도 1은 본 발명의 바람직한 일실시예에 따른 신경회로망을 이용한 도로 노면의 크랙 검출 시스템의 구성도.
도 2는 신경회로망의 구성 예시도.
도 3은 표시기에 의한 해당 프레임 영상에 크랙이 검출된 것으로 결정된 윈도우의 표시 예시도.
도 4는 분류기에 의한 분류 예시도.
도 5는 학습기에 의해 교사 신호로 사용될 윈도우의 좌표값에 대한 설명도.
도 6은 본 발명의 바람직한 일실시예에 따른 신경회로망을 이용한 도로 노면의 크랙 검출 방법의 흐름도.
이하, 첨부된 도면을 참조하면서 본 발명의 실시예들에 따른 신경회로망을 이용한 도로 노면의 크랙 검출 시스템 및 그 검출 방법에 대해 상세히 설명하기로 한다.
본 발명의 하기의 실시예들은 본 발명을 구체화하기 위한 것일 뿐 본 발명의 권리 범위를 제한하거나 한정하는 것이 아님은 물론이다. 본 발명의 상세한 설명 및 실시예들로부터 본 발명이 속하는 기술 분야의 전문가가 용이하게 유추할 수 있는 것은 본 발명의 권리 범위에 속하는 것으로 해석된다.
먼저, 도 1은 본 발명의 바람직한 일실시예에 따른 신경회로망을 이용한 도로 노면의 크랙 검출 시스템(100)의 구성도를 나타낸다.
도 1로부터 알 수 있는 바와 같이, 도 1은 본 발명의 바람직한 일실시예에 따른 신경회로망을 이용한 도로 노면의 크랙 검출 시스템(100)은, 카메라(10), 신경회로망(20), 학습기(30), 검출기(40), 표시기(50), 분류기(60) 및 메모리(70)를 포함한다.
신경회로망(20), 학습기(30), 검출기(40), 표시기(50) 및 분류기(60)는 MCU, DSP, CPU와 같은 프로세서의 적어도 일부를 포함하여 구현될 수 있다. 아울러, 메모리(70)는, 카메라(10), 신경회로망(20), 학습기(30), 검출기(40), 표시기(50) 및 분류기(60)의 입출력 데이터를 저장하는 역할을 한다.
먼저, 카메라(10)는 차량에 장착되어 운행 중인 도로의 노면을 연속적으로 촬상하여, 영상을 획득하는 역할을 한다.
도 2는 신경회로망(20)의 구성 예시도를 나타낸다.
신경회로망(20)은, 입력층으로 해당 프레임 영상의 R 채널, G 채널 및 B 채널의 화소별 농담값을 입력받고, 출력층으로 크랙(Crack)이 검출된 것으로 결정된 윈도우의 좌표 정보를 출력한다. 구체적으로, 크랙이 검출된 것으로 결정된 윈도우의 좌표 정보는, 꼭짓점인 제 1 좌표 및 크랙이 검출된 것으로 결정된 윈도우의 제 1 좌표와 대향하는 꼭짓점인 제 2 좌표인 것을 특징으로 한다. 아울러, 신경회로망(20)의 은닉층(중간층)은 다수인 것이 바람직하다.
출력층에 의해 출력되는 윈도우의 좌표 정보에 의한 윈도우의 크기는, 교사 신호에 따라 항상 일정하게 설정될 수도 있고, 상황에 따라 상이하게 설정될 수도 있다.
학습기(30)는, 메모리(70)에 미리 저장된 영상으로부터 도로 노면의 크랙이 있는 윈도우를 선택하고, 선택된 도로 노면의 크랙이 있는 윈도우를 이용하여 신경회로망(20)을 학습시키는 역할을 한다. 아울러, 검출기(40)는, 학습기(30)에서 학습된 신경회로망(20)을 이용하여, 카메라(10) 또는 메모리(70)로부터 획득된 도로 노면의 영상으로부터 도로 노면의 크랙이 있는 윈도우를 검출하는 역할을 한다.
표시기(50)는, 검출기(40)에 의해 해당 프레임 영상의 적어도 일부의 영상에 크랙이 검출된 것으로 결정된 윈도우를 표시하는 역할을 한다.
도 3은 표시기(50)에 의한 해당 프레임 영상에 크랙이 검출된 것으로 결정된 윈도우의 표시 예시도를 나타낸다.
분류기(60)는, 미리 정해진 일정 도로 구간에서의 검출기(40)에 의해 다수의 프레임 영상에서 크랙이 검출된 것으로 결정된 윈도우의 개수를 카운팅하여, 카운팅된 윈도우의 개수에 따라 도로의 등급을 분류하는 역할을 한다.
도 4는 분류기(60)에 의한 분류 예시도이다.
하기에 학습기(30)에 의한 신경회로망(20)의 학습 방법에 대해 구체적으로 설명하기로 한다.
학습기(30)는, 윈도우의 중앙점이 크랙 영역에 포함되고 해당 크랙 영역의 가로 방향의 너비가 윈도우 너비의 1/(제 1 값) 이상이고 해당 크랙 영역의 세로 방향의 높이가 윈도우 높이의 1/(제 2 값) 이상인 경우의 윈도우를 도로 노면의 크랙이 있는 윈도우를 선택한다. 아울러, 학습기(30)는 선택된 윈도우를, 도로 노면의 크랙이 있는 윈도우로 판정하여 검출하도록 신경회로망(20)을 학습시키는 것을 특징으로 한다. 중앙점은 중앙 픽셀을 의미한다. 크랙 영역의 가로 방향의 너비는 서로 화소가 연결된 크랙들의 가로 방향의 시작점과 끝점 사이의 거리를 이르며, 크랙의 세로 방향의 높이는 서로 화소가 연결된 크랙들의 세로 방향의 시작점과 끝점 사이의 거리를 이른다.
이때, 해당 윈도우 크기는, 너비가 제 1 값의 배수이고 높이가 제 2 값의 배수이되, 제 1 값 및 제 2 값은 상이하거나 동일한 값일 수 있다. 예를 들면, 제 1 값 및 제 2 값은, 3으로 설정될 수 있다.
도 5는 학습기(30)에 의해 교사 신호로 사용될 윈도우의 좌표값에 대한 설명도이다.
도 5로부터 알 수 있는 바와 같이, 학습기(30)는, 학습에 사용하는 윈도우의 좌표 정보를 신경 회로망의 출력층에 대한 교사 신호로 이용하는 것이 바람직하다. 구체적으로, 학습에 사용하는 윈도우의 좌표 정보는, 꼭짓점인 제 1 좌표 및 크랙이 검출된 것으로 결정된 윈도우의 제 1 좌표와 대향하는 꼭짓점인 제 2 좌표인 것을 특징으로 한다.
상술한 바와 같은 학습기(30)에 의한 신경회로망(20)의 학습 방법을 수학식에 의해 설명하기로 한다.
입력층은 R,G,B의 3종의 영상으로 하며 입력시 영상 전체를 화소별 농담값으로 입력 노드에 입력한다. 아울러, 신경회로망(20)의 교사 신호는 크기
Figure 112018057961089-pat00001
×
Figure 112018057961089-pat00002
의 윈도우를 설정하여 해당 크랙이 존재하는 부분을 지정하는 것에 의하여 교사 신호를 제공한다.
교사 신호를 위한 크랙이 포함된 윈도우의 설정 기준은 다음과 같다.
윈도우 중앙점이 크랙에 포함된 점일 경우의 윈도우 집합(
Figure 112018057961089-pat00003
) 및 윈도우 x 방향 투사값이
Figure 112018057961089-pat00004
×1/N을 넘거나 y 방향 투사값이
Figure 112018057961089-pat00005
×1/N을 넘는 윈도우 집합(
Figure 112018057961089-pat00006
)은 각각, 다음의 [수학식 1] 및 [수학식 2]와 같이 나타낼 수 있다. 여기서, 제 1 값 및 제 2 값을 동일한 N으로 설정하였다.
Figure 112018057961089-pat00007
Figure 112018057961089-pat00008
상기 [수학식 1] 및 [수학식 2]에서 각 변수가 의미하는 바는 다음과 같다.
Figure 112018057961089-pat00009
: 화면 내
Figure 112018057961089-pat00010
×
Figure 112018057961089-pat00011
크기의 윈도우, k=1, 2, 3, …, n
Figure 112018057961089-pat00012
,
Figure 112018057961089-pat00013
: 윈도우의 x 방향 크기와 y 방향 크기
Figure 112018057961089-pat00014
: k 윈도우 내의 한 점
Figure 112018057961089-pat00015
: 윈도우의 중앙점
Figure 112018057961089-pat00016
: 해당 점이 크랙 영역의 점임
Figure 112018057961089-pat00017
: 해당 점이 비크랙 영역의 점임
Figure 112018057961089-pat00018
Figure 112018057961089-pat00019
최종적으로, 학습기(30)는
Figure 112018057961089-pat00020
∈(
Figure 112018057961089-pat00021
∩
Figure 112018057961089-pat00022
) 인 경우, 크랙을 포함한 윈도우로 판정하게 된다.
하기에 본 발명의 바람직한 일실시예에 따른 신경회로망을 이용한 도로 노면의 크랙 검출 방법에 대해 설명하기로 한다. 본 발명의 바람직한 일실시예에 따른 신경회로망을 이용한 도로 노면의 크랙 검출 방법은 상술한 본 발명의 신경회로망을 이용한 도로 노면의 크랙 검출 시스템(100)을 사용하므로, 별도의 설명이 없더라도 상술한 본 발명의 신경회로망을 이용한 도로 노면의 크랙 검출 시스템(100)의 모든 특징을 포함하고 있음은 물론이다.
본 발명의 바람직한 일실시예에 따른 신경회로망을 이용한 도로 노면의 크랙 검출 방법은, MCU, DSP, CPU와 같은 프로세서의 적어도 일부에 의해 실시되는 컴퓨터 프로그램의 형태로 구현될 수 있다.
도 6은 본 발명의 바람직한 일실시예에 따른 신경회로망을 이용한 도로 노면의 크랙 검출 방법의 흐름도를 나타낸다.
도 6으로부터 알 수 있는 바와 같이, 본 발명의 바람직한 일실시예에 따른 신경회로망을 이용한 도로 노면의 크랙 검출 방법에서, 신경회로망(20)은, 입력층으로 해당 프레임 영상의 R 채널, G 채널 및 B 채널의 화소별 농담값을 입력받고, 출력층으로 크랙이 검출된 것으로 결정된 윈도우의 좌표 정보를 출력하는 것을 특징으로 한다. 구체적으로, 출력되는 윈도의 좌표 정보는, 윈도우의 꼭짓점인 제 1 좌표 및 크랙이 검출된 것으로 결정된 윈도우의 제 1 좌표와 대향하는 꼭짓점인 제 2 좌표인 것이 바람직하다.
구체적으로, 본 발명의 바람직한 일실시예에 따른 신경회로망을 이용한 도로 노면의 크랙 검출 방법은, 신경회로망(20)이 도로 노면의 크랙이 있는 윈도우의 검출을 학습하는 단계(S10); S10 단계의 학습된 신경회로망(20)을 이용하여, 도로 노면의 크랙이 있는 윈도우를 검출하는 단계(S20); S20 단계에서 해당 프레임 영상에 크랙이 검출된 것으로 결정된 윈도우를 표시하는 단계(S30); 및 (d) 미리 정해진 일정 도로 구간에서의 S20 단계에서 다수의 프레임 영상에서 크랙이 검출된 것으로 결정된 윈도우의 개수를 카운팅하여, 카운팅된 윈도우의 개수에 따라 도로의 등급을 분류하는 단계(S40);를 포함하는 것을 특징으로 한다.
S10 단계에서, 신경회로망(20)은, 도우의 중앙점이 크랙 영역에 포함되고 해당 크랙 영역의 가로 방향의 너비가 윈도우 너비의 1/(제 1 값) 이상이고 해당 크랙 영역의 세로 방향의 높이가 윈도우 높이의 1/(제 2 값) 이상인 경우의 윈도우를, 도로 노면의 크랙이 있는 윈도우로 판정하여 검출하도록 학습하는 것이 바람직하다.
아울러, S10 단계에서, 신경회로망(20)은, 윈도우의 좌표 정보를 신경 회로망의 출력층에 대한 교사 신호로 이용하는 것이 바람직하다. 구체적으로, 학습에 사용하는 윈도우의 좌표 정보는, 꼭짓점인 제 1 좌표 및 크랙이 검출된 것으로 결정된 윈도우의 제 1 좌표와 대향하는 꼭짓점인 제 2 좌표인 것을 특징으로 한다.
상술한 바와 같이, 본 발명의 신경회로망을 이용한 도로 노면의 크랙 검출 시스템(100) 및 그 검출 방법에 따르면, 정확한 도로의 포장 상태의 평가를 가능함을 알 수 있다.
100 : 크랙 검출 시스템
10 : 카메라
20 : 신경회로망
30 : 학습기
40 : 검출기
50 : 표시기
60 : 분류기
70 : 메모리

Claims (12)

  1. 신경회로망을 이용한 도로 노면의 크랙 검출 방법에 있어서,
    (a) 신경회로망이 도로 노면의 크랙이 있는 윈도우의 검출을 학습하는 단계; 및
    (b) 상기 (a) 단계의 학습된 신경회로망을 이용하여, 도로 노면의 크랙이 있는 윈도우를 검출하는 단계;를 포함하되,
    상기 신경회로망은,
    입력층으로 해당 프레임 영상의 R 채널, G 채널 및 B 채널의 화소별 농담값을 입력받고, 출력층으로 크랙이 검출된 것으로 결정된 윈도우의 좌표 정보를 출력하되,
    상기 (a) 단계에서, 상기 신경회로망은,
    윈도우의 중앙점이 크랙 영역에 포함되고 해당 크랙 영역의 가로 방향의 너비가 윈도우 너비의 1/(제 1 값) 이상이고 해당 크랙 영역의 세로 방향의 높이가 윈도우 높이의 1/(제 2 값) 이상인 경우의 윈도우를, 도로 노면의 크랙이 있는 윈도우로 판정하여 검출하도록 학습하되,
    상기 신경회로망의 학습에 사용되는 해당 윈도우의 너비는 상기 제 1 값의 배수이고, 해당 윈도우의 높이는 상기 제 2 값의 배수이되, 상기 제 1 값 및 상기 제 2 값은 상이하거나 동일한 값인 것을 특징으로 하고,
    상기 (a) 단계에서, 상기 신경회로망은,
    윈도우의 하나의 꼭짓점인 제 1 좌표와 상기 제 1 좌표와 대향하는 윈도우의 다른 하나의 꼭짓점인 제 2 좌표의 정보를 교사 신호로 이용하는 것을 특징으로 하는 도로 노면의 크랙 검출 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 제1항에 있어서,
    상기 도로 노면의 크랙 검출 방법은,
    (c) 해당 프레임 영상에 크랙이 검출된 것으로 결정된 윈도우를 표시하는 단계;를 더 포함하는 것을 특징으로 하는 도로 노면의 크랙 검출 방법.
  6. 제1항에 있어서,
    상기 도로 노면의 크랙 검출 방법은,
    (d) 미리 정해진 일정 도로 구간에서의 다수의 프레임 영상에서 크랙이 검출된 것으로 결정된 윈도우의 개수를 카운팅하여, 카운팅된 윈도우의 개수에 따라 도로의 등급을 분류하는 단계;를 더 포함하는 것을 특징으로 하는 도로 노면의 크랙 검출 방법.
  7. 도로 노면의 크랙 검출 시스템에 있어서,
    신경회로망;
    도로 노면의 크랙이 있는 윈도우를 이용하여 상기 신경회로망을 학습시키는 학습기; 및
    상기 학습기에서 학습된 신경회로망을 이용하여, 도로 노면의 크랙이 있는 윈도우를 검출하는 검출기;를 포함하되,
    상기 신경회로망은,
    입력층으로 해당 프레임 영상의 R 채널, G 채널 및 B 채널의 화소별 농담값을 입력받고, 출력층으로 크랙이 검출된 것으로 결정된 윈도우의 좌표 정보를 출력하고,
    상기 학습기는, 윈도우의 중앙점이 크랙 영역에 포함되고 해당 크랙 영역의 가로 방향의 너비가 윈도우 너비의 1/(제 1 값) 이상이고 해당 크랙 영역의 세로 방향의 높이가 윈도우 높이의 1/(제 2 값) 이상인 경우의 윈도우를, 도로 노면의 크랙이 있는 윈도우로 판정하여 검출하도록, 상기 신경회로망을 학습시키되,
    상기 학습기가 상기 신경회로망의 학습에 사용하는 해당 윈도우의 너비는 상기 제 1 값의 배수이고, 해당 윈도우의 높이는 상기 제 2 값의 배수이되, 상기 제 1 값 및 상기 제 2 값은 상이하거나 동일한 값인 것을 특징으로 하고,
    상기 학습기는, 윈도우의 하나의 꼭짓점이 제 1 좌표와 상기 제 1 좌표와 대향하는 윈도우의 다른 하나의 꼭짓점인 제 2 좌표의 정보를 상기 신경회로망의 교사 신호로 이용하는 것을 특징으로 하는 도로 노면의 크랙 검출 시스템.
  8. 삭제
  9. 삭제
  10. 삭제
  11. 제7항에 있어서,
    상기 도로 노면의 크랙 검출 시스템은,
    상기 검출기에 의해 해당 프레임 영상의 적어도 일부의 영상에 크랙이 검출된 것으로 결정된 윈도우를 표시하는 표시기;를 더 포함하는 것을 특징으로 하는 도로 노면의 크랙 검출 시스템.
  12. 제7항에 있어서,
    상기 도로 노면의 크랙 검출 시스템은,
    미리 정해진 일정 도로 구간에서의 상기 검출기에 의해 다수의 프레임 영상에서 크랙이 검출된 것으로 결정된 윈도우의 개수를 카운팅하여, 카운팅된 윈도우의 개수에 따라 도로의 등급을 분류하는 분류기;를 더 포함하는 것을 특징으로 하는 도로 노면의 크랙 검출 시스템.
KR1020180067928A 2018-06-14 2018-06-14 신경회로망을 이용한 도로 노면의 크랙 검출 시스템 및 그 검출 방법 KR102135109B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180067928A KR102135109B1 (ko) 2018-06-14 2018-06-14 신경회로망을 이용한 도로 노면의 크랙 검출 시스템 및 그 검출 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180067928A KR102135109B1 (ko) 2018-06-14 2018-06-14 신경회로망을 이용한 도로 노면의 크랙 검출 시스템 및 그 검출 방법

Publications (2)

Publication Number Publication Date
KR20190141322A KR20190141322A (ko) 2019-12-24
KR102135109B1 true KR102135109B1 (ko) 2020-07-17

Family

ID=69006283

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180067928A KR102135109B1 (ko) 2018-06-14 2018-06-14 신경회로망을 이용한 도로 노면의 크랙 검출 시스템 및 그 검출 방법

Country Status (1)

Country Link
KR (1) KR102135109B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6789460B1 (ja) * 2020-05-14 2020-11-25 ポリプラスチックス株式会社 破面解析装置、学習済みモデル生成装置、破面解析方法、破面解析プログラム、および、学習済みモデル
CN117094703B (zh) * 2023-10-17 2024-03-26 深圳市城市交通规划设计研究中心股份有限公司 一种面向道路裂缝的路网养护维修顺序确定方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003216953A (ja) * 2002-01-22 2003-07-31 Kitakyushu Foundation For The Advancement Of Industry Science & Technology 画像から対象物を抽出する方法およびその装置
JP2016218762A (ja) * 2015-05-20 2016-12-22 株式会社東芝 画像処理装置、方法及びプログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100921995B1 (ko) 2007-08-29 2009-10-14 주식회사 로드텍 라인스캔 카메라를 이용한 피사체의 규격 측정시스템
KR101626898B1 (ko) 2014-10-01 2016-06-02 한국도로공사 도로의 균열 측정시스템 및 그 방법
KR101651999B1 (ko) 2015-12-11 2016-08-30 한국건설기술연구원 포트홀 및 크랙 검출 장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003216953A (ja) * 2002-01-22 2003-07-31 Kitakyushu Foundation For The Advancement Of Industry Science & Technology 画像から対象物を抽出する方法およびその装置
JP2016218762A (ja) * 2015-05-20 2016-12-22 株式会社東芝 画像処理装置、方法及びプログラム

Also Published As

Publication number Publication date
KR20190141322A (ko) 2019-12-24

Similar Documents

Publication Publication Date Title
JP6294529B1 (ja) ひび割れ検出処理装置、およびひび割れ検出処理プログラム
CN109948684A (zh) 点云数据标注质量的质检方法、装置及其相关设备
CN105989347A (zh) 客观题智能阅卷方法及系统
CN113112480B (zh) 视频场景变换检测方法、存储介质和电子设备
KR102135109B1 (ko) 신경회로망을 이용한 도로 노면의 크랙 검출 시스템 및 그 검출 방법
CN107578021A (zh) 基于深度学习网络的行人检测方法、装置及系统
CN109740654A (zh) 一种基于深度学习的舌体自动检测方法
CN111896549A (zh) 一种基于机器学习的建筑物裂缝监测系统和方法
CN103076334A (zh) 一种定量评价数字印刷线条与文本感知质量的方法
WO2021076573A1 (en) Systems and methods for assessing infrastructure
CN114662208B (zh) 一种基于Bim技术的施工可视化系统及方法
CN112653884A (zh) 一种屏幕质量优缺的评价方法
JP6698191B1 (ja) 路面標示不具合検出装置、路面標示不具合検出方法及び路面標示不具合検出プログラム
CN106339445B (zh) 基于大数据的车辆检索方法及装置
CN113947714B (zh) 一种视频监控和遥感的多模态协同优化方法及系统
CN103200349B (zh) 一种扫描图像色偏自动检测方法
CN111444837A (zh) 在极端环境下提升人脸检测可用性的测温方法及测温系统
Dipankar et al. Pavement crack detection based on a deep learning approach and visualisation by using GIS
CN113032272A (zh) 自动泊车系统试验评价方法、装置、设备及存储介质
US20230169681A1 (en) Quantitative evaluation method and system for prediction result of remote sensing inversion
Jiang A crack detection and diagnosis methodology for automated pavement condition evaluation
CN115205288B (zh) 工业缺陷检测方法和装置
KR101560810B1 (ko) 템플릿 영상을 이용한 공간 관리 방법 및 장치
CN114677670A (zh) 一种身份证篡改自动识别与定位的方法
KR102178202B1 (ko) 신호등 검출 방법 및 장치

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant