KR102162028B1 - Ai를 이용한 손상탐지 시스템 - Google Patents

Ai를 이용한 손상탐지 시스템 Download PDF

Info

Publication number
KR102162028B1
KR102162028B1 KR1020200042255A KR20200042255A KR102162028B1 KR 102162028 B1 KR102162028 B1 KR 102162028B1 KR 1020200042255 A KR1020200042255 A KR 1020200042255A KR 20200042255 A KR20200042255 A KR 20200042255A KR 102162028 B1 KR102162028 B1 KR 102162028B1
Authority
KR
South Korea
Prior art keywords
image
damage
storage unit
image storage
deep learning
Prior art date
Application number
KR1020200042255A
Other languages
English (en)
Inventor
안영기
전상혁
Original Assignee
(재)한국건설품질연구원
(주)인프라플러스
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 (재)한국건설품질연구원, (주)인프라플러스 filed Critical (재)한국건설품질연구원
Priority to KR1020200042255A priority Critical patent/KR102162028B1/ko
Application granted granted Critical
Publication of KR102162028B1 publication Critical patent/KR102162028B1/ko

Links

Images

Classifications

    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biochemistry (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

AI를 이용한 손상탐지 시스템이 개시된다. 상기 AI를 이용한 손상탐지 시스템은 시설물 점검 현장에서 카메라를 통해 타겟 표면 전체에 대해 일정 영역을 줌인하여 촬영된 분할촬영이미지들이 저장되는 현장촬영이미지 저장부; 구조물 표면의 손상 부분을 촬영한 이미지들이 미리 수집되어 저장되는 학습용손상이미지 저장부, 손상과 혼동될 수 있는 구조물 표면의 시공 이음부의 이미지들이 미리 수집되어 저장되는 손상혼동이미지 저장부, 손상이 없는 구조물 표면의 이미지들이 미리 수집되어 저장되는 무손상이미지 저장부를 포함하고, 손상 탐지 성능이 구축되도록 상기 각각의 저장부에 저장된 이미지들을 토대로 학습하는 인공신경망을 포함하는, 딥러닝 모듈; 상기 현장촬영이미지 저장부에 저장된 상기 분할촬영이미지들을 머징하여 상기 타겟 표면의 전체가 나타나는 큰 이미지로 구현하기 위한 이미지 머징 모듈; 및 상기 딥러닝 모듈 및 상기 이미지 머징 모듈을 실행시키는 제어부를 포함하고, 상기 시설물 점검 현장에서 촬영되는 상기 분할촬영이미지를 상기 현장촬영이미지 저장부로 업데이트하는 단계; 상기 현장촬영이미지 저장부에 업데이트되는 분할촬영이미지들을 상기 딥러닝 모듈에 대입하고, 상기 딥러닝 모듈을 실행하여 각각의 분할촬영이미지 내의 손상부를 탐지하는 단계; 상기 이미지 머징 모듈을 실행하여 상기 손상부의 탐지 완료된 후의 각각의 분할촬영이미지를 머징하여 상기 타겟 표면의 전체가 나타나는 큰 이미지를 구현하고, 상기 큰 이미지 상에 탐지된 손상부가 표시되도록 디스플레이하는 단계를 수행하는 것을 특징으로 한다.

Description

AI를 이용한 손상탐지 시스템{DEGRADATION DETECTION SYSTEM USING ARTIFICIAL INTELLIGENCE}
본 발명은 AI를 이용한 손상탐지 시스템에 관한 것으로, 더욱 상세하게는 정확한 손상탐지가 가능한 AI를 이용한 손상탐지 시스템에 관한 것이다.
최근 시설물 안전 점검에 대한 관심이 증대되면서 다양한 검사 방법을 이용하여 시설물을 점검하고 있다. 시설물 점검을 통해 시설물의 안전성을 검사하고 손상된 부분에 대한 유지 보수 방법을 결정하게 된다.
현재 시설물 점검은 점검자가 육안으로 균열, 부식과 같은 위험 요소를 식별하여 도면에 표시하는 방법을 사용한다. 수작업으로 작성된 도면의 내용을 시설물통합정보관리시스템(Facility Management System, FMS)에 입력하고 시설물의 상태를 관리한다.
그러나, 점검 결과의 정확성, 점검자의 안전, 시설물의 접근성이 보장되기 어렵고, 다수의 인력에 대한 비용문제가 발생하기 때문에 영상 처리 기법을 이용하여 자동으로 시설물 손상을 검출할 수 있는 시설물 점검 시스템에 대한 필요성이 대두되고 있다.
영상 처리를 이용한 기존의 시설물 점검 방법들은 카메라를 통해 입력 받은 영상을 이용하여 손상 요소를 추출한다. 그러나 대부분의 경우 사람의 접근이 불가하거나 시설물 주변에서의 설치가 불가한 경우, 즉 원거리에서의 시설물 점검은 어려운 문제가 있었다.
따라서, 원거리에서의 시설물 점검을 위한 영상 촬영이 가능하고, 현장 상황에 따라 시설물 점검 시스템의 높이, 카메라의 위치, 촬영 각도 등을 용이하게 제어 가능한 시설물 점검 시스템이 요구된다.
또한, 시설물의 손상의 감지는 시설물의 촬영 후 획득된 이미지로부터 손상 부분의 감지에 대한 정확성을 증대시킬 필요가 있다.
한국공개특허 제10-2010-0024252호
본 발명이 해결하고자 하는 과제는 정확한 손상 탐지가 가능하도록 한 AI를 이용한 손상탐지 시스템을 제공하는데 있다.
본 발명의 일 실시예에 따른 AI를 이용한 손상탐지 시스템은 시설물 점검 현장에서 카메라를 통해 타겟 표면 전체에 대해 일정 영역을 줌인하여 촬영된 분할촬영이미지들이 저장되는 현장촬영이미지 저장부; 구조물 표면의 손상 부분을 촬영한 이미지들이 미리 수집되어 저장되는 학습용손상이미지 저장부, 손상과 혼동될 수 있는 구조물 표면의 시공 이음부, 거미줄, 물때 중 적어도 하나를 포함하는 이미지들이 미리 수집되어 저장되는 손상혼동이미지 저장부, 손상이 없는 구조물 표면의 이미지들이 미리 수집되어 저장되는 무손상이미지 저장부를 포함하고, 손상 탐지 성능이 구축되도록 상기 각각의 저장부에 저장된 이미지들을 토대로 학습하는 인공신경망을 포함하는, 딥러닝 모듈; 상기 현장촬영이미지 저장부에 저장된 상기 분할촬영이미지들을 머징하여 상기 타겟 표면의 전체가 나타나는 큰 이미지로 구현하기 위한 이미지 머징 모듈; 및 상기 딥러닝 모듈 및 상기 이미지 머징 모듈을 실행시키는 제어부를 포함하고, 상기 시설물 점검 현장에서 촬영되는 상기 분할촬영이미지를 상기 현장촬영이미지 저장부로 업데이트하는 단계; 상기 현장촬영이미지 저장부에 업데이트되는 분할촬영이미지들을 상기 딥러닝 모듈에 대입하고, 상기 딥러닝 모듈을 실행하여 각각의 분할촬영이미지 내의 손상부를 탐지하는 단계; 상기 이미지 머징 모듈을 실행하여 상기 손상부의 탐지 완료된 후의 각각의 분할촬영이미지를 머징하여 상기 타겟 표면의 전체가 나타나는 큰 이미지를 구현하고, 상기 큰 이미지 상에 탐지된 손상부가 표시되도록 디스플레이하는 단계를 수행하는 것을 특징으로 한다.
본 발명의 다른 실시예에 따른 AI를 이용한 손상탐지 시스템은, 상기 제어부는 상기 큰 이미지가 구현될 때 위험알림신호를 디스플레이하기 위해 상기 큰 이미지 내에 표시되는 손상 정보의 개수를 기초로 설정되는 기준값이 미리 입력되고, 상기 큰 이미지 내에 표시되는 손상 정보의 개수가 상기 기준값 이상이면 위험알림신호를 디스플레이하도록 구성될 수 있다.
이러한 본 발명의 다른 실시예에 따른 AI를 이용한 손상탐지 시스템은, 시설물 점검 현장에서 촬영되는 상기 분할촬영이미지를 상기 현장촬영이미지 저장부로 업데이트하는 단계; 상기 현장촬영이미지 저장부에 업데이트되는 분할촬영이미지들을 상기 딥러닝 모듈에 대입하고, 상기 딥러닝 모듈을 실행하여 각각의 분할촬영이미지 내의 손상부를 탐지하는 단계; 상기 이미지 머징 모듈을 실행하여 상기 손상부의 탐지 완료된 후의 각각의 분할촬영이미지를 머징하여 상기 타겟 표면의 전체가 나타나는 큰 이미지를 구현하고, 상기 큰 이미지 상에 탐지된 손상부가 표시되도록 디스플레이하는 단계; 및 상기 큰 이미지 내에 표시되는 손상 정보의 개수가 상기 기준값 이상이면 위험알림신호를 디스플레이하는 단계를 수행할 수 있다.
본 발명에 따른 AI를 이용한 손상탐지 시스템은 인공신경망을 포함하는 딥러닝 모듈을 이용하여 촬영된 분할촬영이미지들 내의 손상부를 탐지하므로 정확한 손상 탐지가 가능해지는 이점이 있다.
도 1은 본 발명의 일 실시예에 따른 AI를 이용한 손상탐지 시스템의 구성을 설명하기 위한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 AI를 이용한 손상탐지 시스템을 통해 시설물의 손상탐지 과정을 설명하기 위한 순서도이다.
도 3은 본 발명의 다른 실시예에 따른 AI를 이용한 손상탐지 시스템을 통해 시설물의 손상탐지 과정을 설명하기 위한 순서도이다.
이하, 첨부한 도면을 참조하여 본 발명의 실시예에 따른 AI를 이용한 손상탐지 시스템에 대해 상세히 설명한다. 본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 첨부된 도면에 있어서, 구조물들의 치수는 본 발명의 명확성을 기하기 위하여 실제보다 확대하여 도시한 것이다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 발명에 따른 AI를 이용한 손상탐지 시스템은 시설물의 표면에 균열 등의 손상을 탐지하기 위한 시스템이다.
도 1은 본 발명의 일 실시예에 따른 AI를 이용한 손상탐지 시스템을 개념적으로 나타낸 블록도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 AI를 이용한 손상탐지 시스템은 현장촬영이미지 저장부(4110), 딥러닝 모듈(4120), 이미지 머징 모듈(4130) 및 제어부(4140)를 포함할 수 있다.
현장촬영이미지 저장부(4110)는 시설물 점검 현장에서 카메라를 통해 타겟 표면 전체에 대해 일정 영역을 줌인하여 촬영된 분할촬영이미지들이 저장된다.
딥러닝 모듈(4120)은 학습용손상이미지 저장부(4121), 손상혼동이미지 저장부(4122), 무손상이미지 저장부(4123) 및 인공신경망(4124)을 포함할 수 있다.
학습용손상이미지 저장부(4121)에는 구조물 표면의 손상 부분을 촬영한 이미지들이 미리 수집되어 저장된다.
손상혼동이미지 저장부(4122)는 손상과 혼동될 수 있는 구조물 표면의 시공 이음부, 거미줄, 물때 중 적어도 하나를 포함하는 이미지들이 미리 수집되어 저장된다.
무손상이미지 저장부(4123)는 손상이 없는 구조물 표면의 이미지들이 미리 수집되어 저장된다.
인공신경망(4124)은 손상 탐지 성능이 구축되도록 상기 각각의 저장부(4121, 4122, 4123)에 저장된 이미지들을 토대로 학습한다.
이미지 머징 모듈(4130)은 현장촬영이미지 저장부(4110)에 저장된 상기 분할촬영이미지들을 머징하여 상기 타겟 표면의 전체가 나타나는 큰 이미지로 구현할 수 있다.
제어부(4140)는 딥러닝 모듈(4120) 및 상기 이미지 머징 모듈(4130)을 실행시키도록 구성된다.
일 예로, 상기 현장촬영이미지 저장부(4110), 딥러닝 모듈(4120), 이미지 머징 모듈(4130) 및 제어부(4140)는 하나의 보호 박스 내에 회로 구성되어서 구비될 수 있다.
이러한 본 발명의 일 실시예에 따른 AI를 이용한 손상탐지 시스템은 영상촬영장치를 구비하는 시설물 점검장치에 적용되어서 시설물의 손상을 탐지하는데 활용될 수 있다.
이하에서는 이러한 본 발명의 일 실시예에 따른 AI를 이용한 손상탐지 시스템을 통해 시설물의 손상탐지 과정을 설명한다.
먼저, 시설물 점검 현장에서 촬영되는 분할촬영이미지를 현장촬영이미지 저장부(4110)로 업데이트 한다(S110).
이어서, 현장촬영이미지 저장부(4110)에 업데이트되는 분할촬영이미지들을 딥러닝 모듈(4120)에 대입하고, 딥러닝 모듈(4120)을 실행하여 각각의 분할촬영이미지 내의 손상부를 탐지한다(S120). 이때, 딥러닝 모듈(4120)은 인공신경망을 통해 상기 업데이트되는 분할촬영이미지 내의 손상부를 탐지할 수 있다.
이어서, 이미지 머징 모듈을 실행하여 손상부의 탐지 완료된 후의 각각의 분할촬영이미지를 머징하여 점검을 위한 타겟 표면의 전체가 나타나는 큰 이미지를 구현하고, 큰 이미지 상에 탐지된 손상부가 표시되도록 디스플레이한다(S130).
이러한 본 발명의 일 실시예에 따른 AI를 이용한 손상탐지 시스템은 인공신경망을 포함하는 딥러닝 모듈(4120)을 이용하여 촬영된 분할촬영이미지들 내의 손상부를 탐지하므로 정확한 손상 탐지가 가능해지는 이점이 있다.
이하에서는 본 발명의 다른 실시예에 따른 AI를 이용한 손상탐지 시스템을 도 3을 참조하여 본 발명의 일 실시예에 따른 AI를 이용한 손상탐지 시스템과의 차이점을 중심으로 설명한다. 도 3은 본 발명의 다른 실시예에 따른 AI를 이용한 손상탐지 시스템을 통해 시설물의 손상탐지 과정을 설명하기 위한 순서도이다.
본 발명의 다른 실시예에 따른 AI를 이용한 손상탐지 시스템은, 제어부(4140)는 상기 큰 이미지가 구현될 때 위험알림신호를 디스플레이하기 위해 상기 큰 이미지 내에 표시되는 손상 정보의 개수를 기초로 설정되는 기준값이 미리 입력되고, 상기 큰 이미지 내에 표시되는 손상 정보의 개수가 상기 기준값 이상이면 위험알림신호를 디스플레이하도록 구성되는 것을 제외하고는 본 발명의 일 실시예에 따른 AI를 이용한 손상탐지 시스템과 동일하다. 여기서 손상 정보는 손상 균열폭, 손상 길이, 손상 면적, 손상 깊이 등의 정보를 말한다.
도 3을 참조하면, 본 발명의 다른 실시예에 따른 AI를 이용한 손상탐지 시스템에 의한 시설물의 손상탐지 과정은, 상기 시설물 점검 현장에서 촬영되는 상기 분할촬영이미지를 상기 현장촬영이미지 저장부(4110)로 업데이트하는 단계(S210); 상기 현장촬영이미지 저장부(4110)에 업데이트되는 분할촬영이미지들을 상기 딥러닝 모듈(4120)에 대입하고, 상기 딥러닝 모듈(4120)을 실행하여 각각의 분할촬영이미지 내의 손상부를 탐지하는 단계(S220); 상기 이미지 머징 모듈을 실행하여 상기 손상부의 탐지 완료된 후의 각각의 분할촬영이미지를 머징하여 상기 타겟 표면의 전체가 나타나는 큰 이미지를 구현하고, 상기 큰 이미지 상에 탐지된 손상부가 표시되도록 디스플레이하는 단계(S230); 및 상기 큰 이미지 내에 표시되는 손상 정보의 개수가 상기 기준값 이상이면 위험알림신호를 디스플레이하는 단계(S240)를 포함한다.
이러한 본 발명의 다른 실시예에 따른 AI를 이용한 손상탐지 시스템을 이용하면, 위험알림신호가 출력되는 촬영 현장의 시설물 복구 시공일을 다른 현장에 앞선 날짜로 선정하기 위한 판단 정보를 제공할 수 있는 이점이 있다.
한편, 본 발명의 다른 실시예에 따른 AI를 이용한 손상탐지 시스템의 현장촬영이미지저장부(4110) 및 딥러닝모듈(4120)의 외부면에는 오염물질의 부착방지 및 제거를 효과적으로 달성할 수 있도록 오염 방지도포용 조성물로 이루어진 오염방지도포층이 도포될 수 있다.
상기 오염 방지 도포용 조성물은 메르캅토벤조씨아졸 및 아미도알킬 베타인이 1:0.01 ~ 1:2 몰비로 포함되어 있고, 메르캅토벤조씨아졸과 아미도알킬 베타인의 총함량은 전체 수용액에 대해 1 ~10 중량%이다.
상기 메르캅토벤조씨아졸과 아미도알킬 베타인은 몰비로서 1:0.01 ~ 1:2가 바람직한 바, 몰비가 상기 범위를 벗어나는 경우에는 기재의 도포성이 저하되거나 도포 후에 표면의 수분흡착이 증가하여 도포막이 제거되는 문제점이 있다.
상기 메르캅토벤조씨아졸 및 아미도알킬 베타인은 전제 조성물 수용액중 1 ~ 10 중량%가 바람직한 바, 1 중량% 미만이면 기재의 도포성이 저하되는 문제점이 있고, 10 중량%를 초과하면 도포막 두께의 증가로 인한 결정석출이 발생하기 쉽다.
한편, 본 오염 방지 도포용 조성물을 기재 상에 도포하는 방법으로는 스프레이법에 의해 도포하는 것이 바람직하다. 또한, 상기 기재 상의 최종 도포막 두께는 550 ~ 2000Å이 바람직하며, 보다 바람직하게는 1100 ~ 1900Å이다. 상기 도포막의 두께가 550 Å미만이면 고온 열처리의 경우에 열화되는 문제점이 있고, 2000 Å을 초과하면 도포 표면의 결정석출이 발생하기 쉬운 단점이 있다.
또한, 본 오염 방지 도포용 조성물은 메르캅토벤조씨아졸 0.1 몰 및 아미도알킬 베타인 0.05몰을 증류수 1000 ㎖에 첨가한 다음 교반하여 제조될 수 있다.
한편, 본 발명의 일 실시예에 따른 AI를 이용한 손상탐지 시스템의 제어부(4140)는 흡음층을 포함할 수 있다. 즉, 제어부(4140)를 수용하는 박스 내에 흡음층이 부착될 수 있다.
상기 흡음층으로는 니들펀치 부직포가 사용될 수 있다.
니들펀치 부직포로 이루어진 흡음층을 구성하는 섬유의 종류는, 예를 들어, 폴리에스테르 섬유, 나일론 섬유, 폴리프로필렌 섬유, 아크릴 섬유, 천연 섬유 등이 있다.
상기 흡음층의 두께는, 0.6 ~ 17㎜인 것이 바람직하다. 상기 흡음층의 두께가 0.6㎜ 미만에서는 충분한 흡음 효과가 얻어지지 않고, 17㎜를 초과하면 제어부와의 스페이스가 충분히 얻어지지 않으므로 제어부의 온도를 높일 수 있는 단점이 되므로 바람직하지 않다.
상기 흡음층의 단위 무게는 7 ~ 800g/m2 로 하는 것이 바람직하다. 7g/m2 미만에서는 충분한 흡음효과가 얻어지지 않고, 또한 800g/m2를 넘으면 제어부(4140)의 경량성을 확보할 수 없으므로 바람직하지 않다.
상기 흡음층을 구성하는 섬유의 섬도는 0.5 ~ 20데시텍스의 범위인 것이 바람직하다. 0.5데시텍스 미만에서는 저주파 소음의 흡수가 어렵고, 쿠션성도 저하되므로 바람직하지 않다. 또한 20데시텍스를 넘으면 고주파 소음의 흡수가 어려우므로 바람직하지 않다.
이러한 상기 흡음층이 제어부(4140)에 구비되므로 제어부(4140)의 구동시 소음을 저감시킬 수 있다.
제시된 실시예들에 대한 설명은 임의의 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
4110 : 현장촬영이미지 저장부 4120 : 딥러닝 모듈
4130 : 이미지 머징 모듈 4140 : 제어부

Claims (3)

  1. 시설물 점검 현장에서 카메라를 통해 타겟 표면 전체에 대해 일정 영역을 줌인하여 촬영된 분할촬영이미지들이 저장되는 현장촬영이미지 저장부(4110);
    구조물 표면의 손상 부분을 촬영한 이미지들이 미리 수집되어 저장되는 학습용손상이미지 저장부(4121), 손상과 혼동될 수 있는 구조물 표면의 시공 이음부의 이미지, 거미줄, 물때 중 적어도 하나를 포함하는 이미지들이 미리 수집되어 저장되는 손상혼동이미지 저장부(4122), 손상이 없는 구조물 표면의 이미지들이 미리 수집되어 저장되는 무손상이미지 저장부(4123)를 포함하고, 손상 탐지 성능이 구축되도록 상기 각각의 저장부(4121, 4122, 4123)에 저장된 이미지들을 토대로 학습하는 인공신경망(4124)을 포함하며, 상기 인공신경망(4124)을 통해 업데이트된 분할촬영이미지 내의 손상부를 탐지하는, 딥러닝 모듈(4120);
    상기 현장촬영이미지 저장부(4110)에 저장된 상기 분할촬영이미지들을 머징하여 상기 타겟 표면의 전체가 나타나는 큰 이미지로 구현하기 위한 이미지 머징 모듈(4130); 및
    상기 딥러닝 모듈(4120) 및 상기 이미지 머징 모듈(4130)을 실행시키는 제어부(4140)를 포함하고,
    상기 시설물 점검 현장에서 촬영되는 상기 분할촬영이미지를 상기 현장촬영이미지 저장부(4110)로 업데이트하는 단계(S110);
    상기 현장촬영이미지 저장부(4110)에 업데이트되는 분할촬영이미지들을 상기 딥러닝 모듈(4120)에 대입하고, 상기 딥러닝 모듈(4120)을 실행하여 각각의 분할촬영이미지 내의 손상부를 탐지하는 단계(S120); 및
    상기 이미지 머징 모듈을 실행하여 상기 손상부의 탐지 완료된 후의 각각의 분할촬영이미지를 머징하여 상기 타겟 표면의 전체가 나타나는 큰 이미지를 구현하고, 상기 큰 이미지 상에 탐지된 손상부가 표시되도록 디스플레이하는 단계(S130)를 수행하고,
    상기 제어부(4140)는 상기 큰 이미지가 구현될 때 위험알림신호를 디스플레이하기 위해 상기 큰 이미지 내에 표시되는 손상 정보의 개수를 기초로 설정되는 기준값이 미리 입력되고, 상기 큰 이미지 내에 표시되는 손상 정보의 개수가 상기 기준값 이상이면 위험알림신호를 디스플레이하도록 구성되며,
    시설물 점검 현장에서 촬영되는 상기 분할촬영이미지를 상기 현장촬영이미지 저장부(4110)로 업데이트하는 단계(S210);
    상기 현장촬영이미지 저장부(4110)에 업데이트되는 분할촬영이미지들을 상기 딥러닝 모듈(4120)에 대입하고, 상기 딥러닝 모듈(4120)을 실행하여 각각의 분할촬영이미지 내의 손상부를 탐지하는 단계(S220);
    상기 이미지 머징 모듈을 실행하여 상기 손상부의 탐지 완료된 후의 각각의 분할촬영이미지를 머징하여 상기 타겟 표면의 전체가 나타나는 큰 이미지를 구현하고, 상기 큰 이미지 상에 탐지된 손상부가 표시되도록 디스플레이하는 단계(S230); 및
    상기 큰 이미지 내에 표시되는 손상 정보의 개수가 상기 기준값 이상이면 위험알림신호를 디스플레이하는 단계(S240)를 수행하며;
    현장촬영이미지저장부(4110) 및 딥러닝모듈(4120)의 외부면에는 오염 방지도포용 조성물로 이루어진 오염방지도포층이 도포되되, 상기 오염 방지 도포용 조성물은 메르캅토벤조씨아졸 및 아미도알킬 베타인이 1:0.01 ~ 1:2 몰비로 포함되어 있고;
    제어부(4140)를 수용하는 박스 내에는 흡음층이 부착되되, 상기 흡음층으로는 니들펀치 부직포가 사용되고, 상기 니들펀치 부직포로 이루어진 흡음층을 구성하는 섬유는, 폴리에스테르 섬유, 나일론 섬유, 폴리프로필렌 섬유, 아크릴 섬유, 천연 섬유 중 어느 하나로 이루어지며, 상기 흡음층의 두께는, 0.6 ~ 17㎜이고, 상기 흡음층의 단위 무게는 7 ~ 800g/m2 이며, 상기 흡음층을 구성하는 섬유의 섬도는 0.5 ~ 20데시텍스의 범위인 것을 특징으로 하는 AI를 이용한 손상탐지 시스템.
  2. 삭제
  3. 삭제
KR1020200042255A 2020-04-07 2020-04-07 Ai를 이용한 손상탐지 시스템 KR102162028B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200042255A KR102162028B1 (ko) 2020-04-07 2020-04-07 Ai를 이용한 손상탐지 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200042255A KR102162028B1 (ko) 2020-04-07 2020-04-07 Ai를 이용한 손상탐지 시스템

Publications (1)

Publication Number Publication Date
KR102162028B1 true KR102162028B1 (ko) 2020-10-06

Family

ID=72826273

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200042255A KR102162028B1 (ko) 2020-04-07 2020-04-07 Ai를 이용한 손상탐지 시스템

Country Status (1)

Country Link
KR (1) KR102162028B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220156432A (ko) 2021-05-18 2022-11-25 디엘이앤씨 주식회사 딥러닝을 활용한 사진 기반 건축공사 하자 검출 시스템

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005338906A (ja) * 2004-05-24 2005-12-08 Toppan Printing Co Ltd 基板の欠陥検出方法及びその欠陥検出システム
KR20100024252A (ko) 2008-08-25 2010-03-05 대림대학 산학협력단 교량 점검용 로봇시스템
KR20190066789A (ko) * 2017-12-06 2019-06-14 서울시립대학교 산학협력단 딥러닝을 이용한 영상 기반 콘크리트 균열 탐지 시스템
KR102038127B1 (ko) * 2018-12-07 2019-10-29 주식회사 한국건설관리공사 무인비행체를 이용한 시설물 관리 장치 및 방법
KR102037893B1 (ko) * 2019-07-05 2019-11-26 세종대학교산학협력단 디지털 외관조사망도 구축 시스템 및 방법
KR20200013148A (ko) * 2018-07-18 2020-02-06 주식회사 케이엠티엘 콘크리트 구조물 결함 분석 서비스 제공 방법, 시스템 및 컴퓨터 프로그램

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005338906A (ja) * 2004-05-24 2005-12-08 Toppan Printing Co Ltd 基板の欠陥検出方法及びその欠陥検出システム
KR20100024252A (ko) 2008-08-25 2010-03-05 대림대학 산학협력단 교량 점검용 로봇시스템
KR20190066789A (ko) * 2017-12-06 2019-06-14 서울시립대학교 산학협력단 딥러닝을 이용한 영상 기반 콘크리트 균열 탐지 시스템
KR20200013148A (ko) * 2018-07-18 2020-02-06 주식회사 케이엠티엘 콘크리트 구조물 결함 분석 서비스 제공 방법, 시스템 및 컴퓨터 프로그램
KR102038127B1 (ko) * 2018-12-07 2019-10-29 주식회사 한국건설관리공사 무인비행체를 이용한 시설물 관리 장치 및 방법
KR102037893B1 (ko) * 2019-07-05 2019-11-26 세종대학교산학협력단 디지털 외관조사망도 구축 시스템 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220156432A (ko) 2021-05-18 2022-11-25 디엘이앤씨 주식회사 딥러닝을 활용한 사진 기반 건축공사 하자 검출 시스템

Similar Documents

Publication Publication Date Title
KR102149682B1 (ko) 시설물 점검장치
CN103460686B (zh) 化学羽状流的自主检测
KR102008175B1 (ko) 점검 및 진단용 드론을 이용한 댐 손상점검 방법
Nguyen et al. Bolt-loosening identification of bolt connections by vision image-based technique
US20110185790A1 (en) Leakage Detection Method and System Using Camera Image
KR102162028B1 (ko) Ai를 이용한 손상탐지 시스템
JP5318728B2 (ja) 赤外線法によるコンクリート表層部の変状部検出方法
KR102385428B1 (ko) 스마트 글라스와 qr코드를 이용한 시설물 유지 관리 시스템
JPWO2020166057A1 (ja) 光ファイバセンシングシステム、行動特定装置、行動特定方法、及びプログラム
JP2016133320A (ja) 損傷状況判定システム及び損傷状況判断方法
CN114263501A (zh) 基于图像识别与热红外联合的隧道渗水涌水监测系统
JP2016170029A (ja) データ品質保証システム及び課金システム
WO2011098162A1 (de) Anordnung und verfahren zur bewertung eines prüfobjektes mittels aktiver thermographie
JPS63246638A (ja) 流体の漏洩の広域監視方法
CN104599415A (zh) 集成有光纤传感器、声音传感器和图像监测器的安防装置
CN110470669A (zh) 一种水下管道的检漏方法、系统及相关装置
KR102149681B1 (ko) 시설물 점검장치용 테이블
Lennard et al. Quantifying and visualizing change: strain monitoring of tapestries with digital image correlation
JP5566516B2 (ja) 軌道変位測定装置
KR102215800B1 (ko) 드론을 이용한 해양구조물 감시방법 및 이를 이용한 시스템
CN107015385A (zh) 一种显示面板的检测方法和检测装置
Kromanis et al. Measuring Dynamic Response of the Wilford Suspension Bridge with a Vision-Based Measurement System: A Case Study
KR102105633B1 (ko) 시설물 점검장치용 영상측정장치
KR102260018B1 (ko) 콘크리트 구조물의 손상 모니터링 방법
JP2003065959A (ja) 非破壊検査装置

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant