KR102240421B1

KR102240421B1 - 인공 지능을 이용한 터널의 막장면 자동 분석 방법

Info

Publication number: KR102240421B1
Application number: KR1020190161772A
Authority: KR
Inventors: 조인제; 유상훈; 이기정; 문민수
Original assignee: 주식회사 대림; 그림소프트 주식회사
Priority date: 2019-12-06
Filing date: 2019-12-06
Publication date: 2021-04-15

Abstract

본 발명은 막장면 이미지 정보를 입력층으로 하고 상기 막장면 이미지 정보에 디지털 페이스 매핑되는 분석 정보를 출력층으로 하는 학습을 이용한 막장면 자동 분석 시스템을 통해, 입력된 막장면 이미지 정보에 대한 분석 정보를 자동으로 출력하는 방법을 제공한다. 인셉션을 수정한 알고리즘을 이용하여 신속한 학습 및 신속한 적용이 가능하며, 정확도가 우수한 방법을 제공한다.

Description

인공 지능을 이용한 터널의 막장면 자동 분석 방법{Method for analysis of blind ends in tunnels using artificial intelligence}

본 발명은 인공 지능을 이용한 터널의 막장면 자동 분석 방법에 관한 것이다.

터널 공사의 시공은, 예를 들어, 장약 및 발파, 환기, 버럭처리, 막장(blind end)면 관찰 및 분석, 지보 및 굴착 패턴 결정, 지보재 설치 등의 순서로 이루어지고, 지보재 설치 이후 다시 장약 및 발파 단계로 회귀하여 다수 회 반복되면서 지정된 구간 동안 이루어진다.

여기에서 막장면 관찰 및 분석의 정확성은 매우 중요하다. 막장면에서 확인되는 암종, 암질, 절리, 지하수 여부 등에 대한 분석이 정확하게 수행되어야 안전하고 효과적인 후속 작업, 즉 해당 막장 안쪽의 다음 단계 굴착이 가능하다.

막장면 관찰 및 분석의 신속성 역시 중요하다. 발파 굴착에서 1일 2회 이상의 발파를 할 경우, 15분 이내에 막장면 분석이 완료되어야 한다. 장약, 발파, 환기, 버럭처리, 지보재 설치 등에 소요되는 시간이 많기 때문이다.

종래 기술에서 이를 위한 다양한 방법이 제안된다.

일본공개특허 2019-023392A는 기계 학습을 이용하여 막장을 평가하는 시스템을 제안한다. 본 종래기술은 구체적인 기계 학습 방법을 제시하지 않지만, 일반적인 기계 학습 방법(Softmax classification, SVM 등)을 이용할 경우 막장 평가 결과의 정확도는 30 내지 40%이어서 정확성이 낮다는 큰 문제가 있다. 또한, 기계 학습에 따른 시스템 구축은 물론 현장에서의 막장면 이미지 분석에 따른 출력층 추론에 상당한 시간이 소요되어, 실재 현장 적용 가능성이 매우 낮다.

일본등록특허 4094770B2호는 암반 판정 시스템을 제안한다. 퍼지 논리와 같은 인공 지능을 활용하나, 이미지 분석이 아니라 굴착기로 확인되는 실재 암반 데이터를 이용하기에, 암반 시료 추출이 필요하고 암반 분석 장비가 터널 시공 현장에 구비되어야 한다는 문제가 있다.

유럽등록특허 1176393B1호는 기계 학습을 이용한 막장 절리 예측 시스템을 제안한다. 3차원 카메라가 현장마다 구비될 필요가 있으며, 절리 이외의 암종, 암질 등은 판정할 수 없다는 문제가 있다.

이와 같이, 종래 기술에서 인공 지능을 이용하여 막장면을 자동으로 분석하려는 시도가 있었으나, 낮은 정확도, 비교적 긴 추론 시간, 확인되는 데이터 종류의 제한, 현장에 필요한 고가의 장비 등의 문제가 있어서, 실재 터널 공사 현장에서 인공 지능을 이용한 막장면 분석이 적용되지 못하고 있다.

인공 지능을 이용하지 않고, 카메라가 촬영한 이미지 상에서 사용자가 직접 영역을 구분하여 수동으로 분석을 지원하는 프로그램은 현재에도 종종 사용된다. 하지만, 이는 이미지를 불러온 후 수정 기능을 추가한 간략 프로그램 정도에 불과하며, 비전문가가 해당 프로그램을 이용할 경우 정확도가 낮아지므로 품질을 담보하기 어렵고 분석 시간 역시 증가하게 된다.

(특허문헌 1) JP 2019-023392A

(특허문헌 2) JP 2018-071165A

(특허문헌 3) KR 10-2009-0020359A

(특허문헌 4) JP 4094770B2

(특허문헌 5) EP 1176393B1

(특허문헌 6) JP 2019-065648A

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것이다.

막장면 이미지 정보 분석에서 중요한 것은 정확성, 신속성 및 사용자에 의한 수정 가능성이다. 종래 기술에 따르면, 인공 지능을 이용한 방식에서 정확도가 낮았으며 신속성에도 문제가 있었다. 추론 시간을 신속하게 할 수 있겠지만, 이 경우에는 정확성이 낮아질 것이다. 사용자 수정이 가능한 사용자 인터페이스를 제공한 경우가 있었으나, 비전문가의 접근이 어려웠다. 본 발명은 이러한 문제점을 해결하여, 정확성, 신속성 및 사용자의 수정 가능성이 모두 제공될 수 있는 방법을 제안하고자 한다.

상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예는, 막장면 이미지 정보를 입력층으로 하고 상기 막장면 이미지 정보에 디지털 페이스 매핑(DFM; digital face mapping)되는 분석 정보를 출력층으로 하는 학습을 이용한 막장면 자동 분석 시스템을 통해, 입력된 막장면 이미지 정보에 대한 분석 정보를 자동으로 출력하는 방법으로서, -여기서, 분석 정보는 암종에 대한 정보, 암질에 대한 정보 및 절리에 대한 정보를 포함함- (A1) 학습용 막장면 이미지 정보 입력부(110)가 학습용으로 미리 준비된 학습용 막장면 이미지 정보를 로딩하고, 학습용 분석 정보 입력부(120)가 상기 막장면 이미지 정보에 대응되는 학습용 분석 정보를 로딩하고, 상기 로딩된 학습용 막장면 이미지 정보와 학습용 분석 정보를 매핑하여, 학습 정보를 설정하는 단계; (A2) 학습 정보 분할부(130)가, 상기 학습 정보를 기 설정된 단위로서 분할(cropping)하여 하나의 학습 정보마다 다수의 분할 학습 정보를 생성하는 단계; (A3) 포맷 변환부(210)가 상기 다수의 분할 학습 정보를 로딩하여 학습용 포맷으로 변환하는 단계; (A4) 학습 수행부(230)가, 상기 포맷 변환된 다수의 분할 학습 정보를 이용하여 하나의 막장면 이미지 정보마다 다수 회의 학습을 수행하는 단계; (A5) 상기 (A1) 내지 (A4) 단계를, 다수의 학습용 막장면 이미지 정보에 대하여 수행함으로써 막장면 자동 분석 시스템을 구축하는 단계; 및 (B) 입력부(310)에 막장면 이미지 정보가 입력되면, 추론부(330)가 상기 막장면 자동 분석 시스템을 이용하여 분석 정보를 추론하고, 출력부(350)가 이를 출력하는 단계를 포함하는, 방법을 제공한다.

또한, 상기 (A5) 단계 이후, (A6) 유효성 검증부(240)가, 다수의 다른 학습용 막장면 이미지 정보를 이용하여 상기 (A5) 단계에서 구축된 막장면 자동 분석 시스템의 유효성 검증을 수행하는 단계를 더 포함하며, 상기 학습용 막장면 이미지 정보 및 이에 대응하는 분석 정보가 N개 준비되고, 상기 (A5) 단계에서 수행되는 학습용 막장면 이미지 정보는 A개이며(N>A), 상기 (A6) 단계에서 수행되는 다른 학습용 막장면 이미지 정보는 N-A개인 것이 바람직하다.

또한, 상기 (B) 단계는, (B11) 상기 입력부(310)에 막장면 이미지 정보가 입력되는 단계; (B12) 이미지 수정부(320)에 상기 입력된 막장면 이미지 정보 상에서 터널 경계면 노드가 입력되고, 입력된 터널 경계면 노드가 연결되고, 연결된 면적만 추출됨으로써, 막장면 이미지 정보가 수정되는 단계; 및 (B13) 추론부(330)가 상기 수정된 막장면 자동 분석 시스템을 이용하여 분석 정보를 추론하고, 출력부(350)가 이를 출력하는 단계를 포함하는 것이 바람직하다.

또한, 상기 (B) 단계는, (B21) 상기 입력부(310)에 막장면 이미지 정보가 입력되는 단계; (B22) 이미지 수정부(320)가 워터쉐드(watershed) 기법을 이용하여 상기 입력된 막장면 이미지 정보를 다수의 영역으로 분할하는 단계; (B23) 상기 추론부(330)가, 상기 입력된 막장면 이미지 정보의 다수의 영역 각각을 입력층으로 하여, 상기 막장면 자동 분석 시스템을 통해 영역별 분석 정보를 추론하는 단계; 및 (B24) 상기 추론부(330)가 상기 영역별 분석 정보를 통합하여 상기 입력된 막장면 이미지 정보에 대한 상기 디지털 페이스 매핑된 분석 정보를 추론하고, 상기 출력부(350)가 이를 출력하는 단계를 포함하는 것이 바람직하다.

또한, 상기 (A4) 단계는, 상기 학습 수행부(230)가 인셉션(Inception)을 이용하여 학습을 수행하는 단계를 포함하는 것이 바람직하다.

또한, 상기 인셉션은 5X5 컨벌루션 및 3X3 컨벌루션이 다수 회 수행되는 단계를 포함하는 것이며, 상기 (A4) 단계는, 상기 학습 수행부(230)가 5X5 컨벌루션 연산 1회 대신 3X3 컨벌루션 연산을 2회 수행하고, 3X3 컨벌루션 1회 대신 3X1 컨벌루션 연산 2회 수행하는 단계인 것이 바람직하다.

본 발명은 다음과 같은 장점이 갖는다.

첫째, 비전문가에 의해서도 높은 정확도의 분석 정보 확인이 가능하다. 학습을 통해 높은 정확도로 막장 정보가 분석된다. 후술하겠지만, 인공 지능을 이용한 종래 기술에 따른 정확도는 30 내지 40%에 불과하였으나, 본 발명에 따라 실재 구현된 실시예에서 70% 이상의 정확도를 검증하였다. 전문가에 의해 검증된 다수의 훈련 세트를 활용하고, 실재 사용자 사용시 확인 결과가 학습 정보로서 재활용되어 해당 정확도를 더욱 상승시킬 수도 있다.

둘째, 분석이 신속하다. 다음 단계의 장약, 발파, 환기 등을 진행하기 위해 15분 안에 막장면 분석이 완료되어야 함은 전술한 바와 같다. 인공 지능을 이용한 이유 중 하나도 이러한 신속한 분석을 위함이나, 종래 기술에서는 인공 지능 및 추론 자체의 연산량이 많아 이를 구현하기 어려웠다. 본 발명은 다양한 방식으로 신속한 분석이 가능하도록 구현하였다. 이미지를 분할하여 학습하고, 워터쉐드 기법을 활용하고, 인셉션 알고리즘을 수정하여 활용하고, 최적의 파라미터 설정함으로써 신속한 연산을 구현하였다.

셋째, 사용자 수정이 자유롭다. 인공 지능에 의해 1차 분석 결과가 제공되지만, 현장에 있는 전문가는 이를 확인하면서 자유롭게 수정할 수 있다. 다각형으로 표현되는 암종 및 암질과 선분으로 표현되는 절리의 자유로운 이동을 위해 노드 방식을 채택하여, 사용자가 직관적으로 수정이 가능하게 하였으며, 이는 최종 분석 결과 도출에 소요되는 시간을 더욱 감소시킨다.

추가로, RQD(암질지수)가 자동으로 연산되고, 레포트 형식의 출력이 가능하며, 절리 주향 경사 및 절리 보정 점수를 입력할 수 있는 사용자 인터페이스를 제공한다.

대형이거나 고가이거나 유지 관리가 어려운 별도의 장비를 현장에 준비시킬 필요가 없다. 카메라와 통신 기능이 있는 정보처리기기(예를 들어, 핸드폰, 태블릿, 노특북 등) 1대만 현장에 구비되면 충분히 본 발명에 따른 방법 수행이 가능하다.

도 1은 본 발명에 따른 방법을 수행하기 위한 시스템을 개략적으로 도시한다.
도 2는 본 발명에 따른 방법을 수행하는 순서도를 도시한다.
도 3은 학습용 막장면 이미지 정보와 학습용 분석 정보의 예를 도시한다.
도 4 및 도 5는 학습 정보의 분할 방법의 예시를 도시한다.
도 6은 본 발명에 사용된 학습 방법의 네트워크를 예시적으로 도시한다.
도 7은 본 발명에서 막장면 이미지 정보의 수정 방법의 예시를 도시한다.
도 8은 본 발명에서 막장면 이미지 정보의 수정에 사용되는 워터쉐드 기법의 예시를 도시한다.
도 9a 내지 도 9c는 본 발명에 사용되는 캐니 엣지 디텍션 기법의 예시를 도시한다.
도 10은 본 발명에 따라 추론된 결과물인 분석 정보가 출력되는 예시를 도시한다.
도 11은 본 발명에서 사용되는 다양한 RQD 조사선 중심 수정 방법의 예시를 도시한다.
도 12는 본 발명에서 사용자에 의한 절리 수정 방법의 예시를 도시한다.
도 13은 본 발명에서 사용자에 의한 절리 주향 경사와 절리 보정 점수가 입력되는 예시를 도시한다.
도 14는 본 발명에서 사용자에 의한 다각형 수정 방법의 예시를 도시한다.

이하에서, "학습(learning)"은 컴퓨터 등의 정보처리기기가 입력 정보를 입력층으로 인가하면 소정의 훈련을 거쳐 이에 해당하는 출력 정보를 자동으로 추론하여 출력층으로 이를 출력하는 알고리즘을 구축하기 위해 수행되는 데이터 처리 기법을 의미하며 인공 지능의 일종이다. 기계 학습(machine learning)이 포함될 수 있다. 학습은 입력층과 출력층이 결정된 다수의 훈련 세트(training set)를 이용한 훈련(train)으로 이루어진다. 학습은 소정의 알고리즘을 이용하여 정보처리기기가 주체가 되어 수행되는 것이며, 다수의 학습 수행이 이루어져서 알고리즘이 구축되면, 이후 사용자에 의해 입력된 정보에 따라 정해진 방식으로 추론을 자동으로 수행할 수 있게 된다. 여기에 사용되는 알고리즘은 다양할 수 있다. 아래에서는 사용되는 학습 알고리즘으로서 인셉션(inception)이 예시적으로 제안된다.

이하에서, "디지털 페이스 매핑(DFM; digital face mapping)"은 촬영된 이미지 상에 디지털화된 정보를 매핑함을 의미한다. 본 발명에 따른 DFM에 의해, 카메라 등으로 사용자가 촬영한 막장면 이미지 상에 암종, 암질, 절리 등에 대한 정보가 디지털 매핑된다. 다시 말해, 사용자가 본 발명에 따른 방법을 이용하여 막장면 이미지를 입력하면 분석 정보가 자동으로 추론되고 이미지에 중첩되어 출력되는데, 이러한 분석 결과가 DFM 결과이다. 도 10 상단과 같이 절리가 선분으로 도시되거나, 도 10 하단과 같이 암종(예를 들어, 화강암 등)과 암질(예를 들어, 심한 풍화 등)의 구역이 구분되어 도시될 수 있다.

시스템의 설명

본 방법은, 막장면 이미지 정보를 입력층으로 하고 상기 막장면 이미지 정보에 디지털 페이스 매핑되는 분석 정보를 출력층으로 하는 학습을 이용한 막장면 자동 분석 시스템을 통해, 입력된 막장면 이미지 정보에 대한 분석 정보를 자동으로 출력하는 방법에 관한 것이다. 여기서, 분석 정보는 암종에 대한 정보, 암질에 대한 정보 및 절리에 대한 정보를 포함한다.

도 1을 참조하여 본 발명에 따른 방법을 수행하기 위한 막장면 자동 분석 시스템을 설명한다.

본 발명에 따른 방법이 수행되는 시스템은, 학습 정보를 생성하는 학습 정보 생성 모듈(100); 학습 정보를 기반으로 학습을 수행하여 막장면 자동 분석 시스템을 구축하는 학습 모듈(200); 구축된 막장면 자동 분석 시스템을 기반으로 사용자에 의해 입력된 막장면 이미지를 분석하여 암종, 암질, 절리 등의 정보를 자동으로 추론하여 출력하는 DFM 모듈(300); 추론된 분석 정보를 기반으로 사용자가 수정할 수 있는 기능을 제공하는 사용자 수정 모듈(400); 및 최종 수정된 분석 정보와 막장면 이미지 정보를 다시 학습 정보로 변환하여 학습이 가능하도록 하는 학습 정보 추가 모듈(500)을 포함한다.

학습 정보 생성 모듈(100)은, 학습용 막장면 이미지 정보 입력부(110), 학습용 분석 정보 입력부(120), 학습 정보 분할부(130) 및 학습 정보 데이터베이스(190)를 포함한다.

학습 모듈(200)은, 포맷 변환부(210), 학습 파라미터 설정부(220), 학습 수행부(230), 및 유효성 검증부(240)을 포함한다.

DFM 모듈(300)은 입력부(310), 이미지 수정부(320). 추론부(330), 절리 추출부(340), 출력부(350), RQD 계산부(360), 및 DFM 데이터베이스(390)를 포함한다.

각각의 기능은 아래에서 보다 상세히 설명한다.

학습 정보 준비

도 2를 더 참조하여 본 발명에 따른 방법을 수행하기 위해 학습 정보를 준비하는 방법을 설명한다.

입력층인 학습용 막장면 이미지 정보와 이를 분석한 출력층인 학습용 분석 정보를 준비한다. 학습용 분석 정보는 전문가에 의해 검증된 정보인 것이 바람직하다. 학습용 막장면 이미지 정보와 학습용 분석 정보는 서로 매핑되어 있다.

학습용 막장면 이미지 정보와 이에 대응하는 학습용 분석 정보가 N개 준비되어 있다면, 그 중 일부(A개)는 학습에 사용하고 나머지(N-A개)는 검증에 사용한다(N>A).

실재 구현 시스템에서 1000개의 학습용 막장면 이미지 정보 중 900개를 학습에 사용하였고, 나머지 100개가 검증에 사용하였다.

학습용 막장면 이미지 정보 입력부(110)가 학습용으로 미리 준비된 학습용 막장면 이미지 정보를 로딩하고, 학습용 분석 정보 입력부(120)가 상기 막장면 이미지 정보에 대응되는 학습용 분석 정보를 로딩한다. 이와 같이 준비된 학습용 막장면 이미지 정보와 학습용 분석 정보를 학습 정보로 지칭한다(도 3).

이를 그대로 학습하는 것이 아니라 분할하여 학습하는 것이 중요하다. 연산량을 감소시켜 많은 학습 정보를 신속하게 학습하기 위함이다. 이를 위해, 학습 정보 분할부(130)가, 준비된 학습 정보를 기 설정된 단위로서 분할(cropping)하여 하나의 막장면 이미지 정보마다 다수의 분할 학습 정보를 생성한다.

실재 구현 시스템에서 픽셀 단위 30X30으로 분할하여 저장하였다(도 4). 학습 정보로서 다수의 막장면 이미지 정보와 이에 대응된 분석 정보를 매핑히여 획득하고 분할된 정보는 개별 파일로 학습 정보 데이터베이스(190)에 저장된다(도 5).

학습 방법

학습 모듈(200)은 학습 정보 생성 모듈(100)에서 준비된 분할 학습 정보를 이용하여 학습을 수행한다.

먼저, 포맷 변환부(210)가 다수의 분할 학습 정보를 로딩하여 학습용 포맷으로 변환한다.

실재 구현 실시예에서, 텐서플로우(tensorflow)의 TF-Slim을 이용하여 학습을 진행할 수 있도록 학습 정보를 .tfrecord로 변환하였으며, 여기에는 막장면 이미지 정보에서 확인되는 이미지의 넓이, 높이, 깊이, 라벨(label), 로 이미지(image raw) 등이 포함된다.

다음, 학습 수행부(230)가, 상기 포맷 변환된 다수의 분할 학습 정보를 이용하되 학습률(learning rate)과 훈련 단계(train step)를 기 설정된 수회 동안 변환하면서 하나의 분할 학습 정보마다 다수 회의 학습을 수행한다. 이 과정에서 학습 파라미터 설정부(220)는 연산량이 최소가 되도록 최적의 파라미터를 설정할 수 있다. 최적의 파라미터는 아래에서 후술한다.

이러한 과정으로 하나의 분할 학습 정보마다 수 회의 학습이 수행되고, 분할 학습 정보 다수 개가 모인 학습 정보 각각에 대하여서도 수 회의 학습이 수행된다.

실재 구현 실시예에서 학습 수행부(230)가 이용한 학습 방법은 인셉션(Inception)이다. 딥러닝(deep learning) 네트워크는 깊고 층(layer)이 넓을수록 성능이 좋아지지만 연산량 역시 지수적으로 증가하기에 본 발명과 같은 막장면 분석을 위한 학습 진행에 적합하지 않다. 인셉션은 연산량 감소를 위하여 노드 사이의 연결은 줄이고 행렬 연산은 dense 연산이 되도록 한다. 본 발명과 같은 막장면 이미지 분석의 특수성(이미지 자체의 크기는 넓고, 암종 및 암질의 경계 파악이 중요하며, 절리와 같은 선분 구분이 중요한 특성)을 고려하여 인셉션 알고리즘을 채택한 것이다.

인셉션은 1X1 컨벌루션 연산으로 이미지 채널을 줄여 3X3 및 5X5 컨벌루션 층의 파라미터 개수를 줄이는 방식이다. 이에 따라 CNN(Convolutional Neural Networks)보다 깊은 네트워크를 구성하면서도 파라미터가 줄어들어 연산량이 감소하게 된다.

구체적으로, 일반적인 인셉션에서는, 이전 층(previous layer)에 대하여 (1) 1X1 컨벌루션, (2) 1X1 컨벌루션과 3X3 컨벌루션, (3) 1X1 컨벌루션과 5X5 컨벌루션 및 (4) 3X3 맥스풀링(max pooling)과 1X1 컨불루션의 4가지 종류의 연산을 수행하고 하나로 합쳐 학습을 진행한다.

본 발명은 인셉션을 사용하면서도, 첫 번째 층(stem layer)에서 7X7 컨벌루션 연산을 수행하여야 하는 것을 3x3 컨벌루션 3회 연산으로 대체하였고, 옵티마이저(Optimizer)를 RMSProp으로 설정하였고, 마지막 층(fully connected layer)에 batch normalization(BN)을 적용하였다. 여기에 추가하여 커널을 개선하여 연산량 및 시간을 더욱 감소시키고자 Factorization을 적용하여, 5X5 컨벌루션 연산 1회 대신 3X3 컨벌루션 연산을 2회 수행하고, 3X3 컨벌루션 1회 대신 3X1 컨벌루션 연산 2회 수행함으로써 커널을 개선하였다. 그 결과 약 2.78배의 연산량 감소를 이루어진 것을 확인하였다. 도 6은 이러한 방식으로 사용된 네트워크를 개략적으로 도시한다.

한편, 학습률과 훈련 단계를 변환하면서 학습을 수행한 결과에 따라 학습 파라미터 설정부(220)가 최종 파라미터를 설정한다. 여기서 설정되는 파라미터는 최적화 파라미터와 학습 파라미터로 구분할 수 있다.

최적화 파라미터(optimizer parameter)로 weight_decay, Optimizer, opt_epsilon, rmsprop_momentum, rmsprop_decay 등을 들 수 있다.

weight_decay는 모델의 손실 함수를 최적화하기 위한 가중치를 의미한다. 여기에서 최적화 결과에 따라 0.00004로 설정하였다.

opt_epsilon은 계산 값이 0이 되는 경우를 방지하기 위한 가장 작은 값이다. 여기에서 최적화 결과에 따라 1로 설정하였다.

rmsprop_momentum는 RMSPropOptimizer의 momentum(운동량) 값이다. 여기에서 최적화 결과에 따라 0.9로 설정하였다.

rmsprop_decay은 업데이트 마다 적용되는 확률의 감소율이다. 여기에서 최적화 결과에 따라 0.9로 설정하였다.

학습 파라미터(learning parameter)로 learning_rate, max_number_of_steps, learning_rate_decay_type, num_epochs_per_decay, replicas_to_aggregate, moving_average_decay 등을 들 수 있다.

learning_rate는 초기 학습 속도이다. 여기에서 최적화 결과에 따라 0.0001로 설정하였다.

max_number_of_steps는 최대 훈련 단계 수이다. 여기에서 최적화 결과에 따라 1000로 설정하였다.

여기서, learning_rate와 max_number_of_steps은 주요 파라미터이다. 적합한 학습 속도와 학습 단계를 찾기 위하여 learning_rate를 0.0001, 0.001, 0.01, 0.1로 변경하면서 학습을 진행하였으며, max_number_of_steps의 경우는 1,000 ~ 10,000(1,000씩 증가) 변경하면서 학습을 진행하였다.

learning_rate_decay_type는 학습 속도를 감소하는 방법을 지정하는 파라미터이다. fixed, exponential, polynomial 등을 들 수 있다. 여기에서 최적화 결과에 따라 fixed로 설정하였다.

num_epochs_per_decay는 학습 속도가 감소한 이후의 에포크 수이다. 여기에서 최적화 결과에 따라 2로 설정하였다.

replicas_to_aggregate는 매개 변수를 업데이트하기 전에 수집할 그라디언트 수이다. 여기에서 최적화 결과에 따라 1로 설정하였다.

moving_average_decay는 이동 평균에 사용되는 감소 속도이다. 여기에서 최적화 결과에 따라 None으로 설정하였다.

이러한 방식으로 하나의 학습용 막장면 이미지 정보에서의 분할 학습 정보마다 수 회의 학습이 수행되고, 이러한 학습을 다수의 학습용 막장면 이미지 정보에 대하여 수행함으로써 막장면 자동 분석 시스템을 구축하게 된다.

유효성 검증부(240)가 준비된 학습 정보 중 사용하지 않은 다른 막장면 이미지 정보를 이용하여 유효성을 검증(validation)함으로써 구축된 시스템을 확인한다.

실재 구현 실시예에서 확인한 결과 70% 이상의 정확도를 확인하여 비교적 정확도가 높음을 확인하였다. 인셉션이 아닌 다른 학습 알고리즘을 사용한 경우와 비교하여 큰 차이를 나타냈다.

학습 알고리즘	정확도
Softmax classification	30.6%
SVM	47.8%
인셉션	66.8%
인셉션(실재 적용)	71.8%

DFM를 이용한 분석 정보 획득

이제 사용자는 구축된 막장면 자동 분석 시스템을 이용하여, 막장면 이미지 정보를 입력함으로써 암종, 암질, 절리 등 분석 정보를 자동으로 획득할 수 있다.

먼저, 입력부(310)에 막장면 이미지 정보가 입력된다. 사용자는 통신 기능과 카메라가 구비된 정보처리기기를 사용하면서, 직접 카메라로 촬영하여 막장면 이미지 정보를 획득하고 입력할 수도 있으며, 또는 정보처리기기 내 메모리에 저장된 이미지를 선택하여 입력부(310)를 통해 입력할 수도 있다. 현장에서는 정보처리기기만 있으면 족한 것이며, 별도의 장비가 필요하지 않다.

이미지 수정부(320)는 입력될 이미지를 몇 가지 방법으로 수정한다.

사용자가 직접 촬영한 입력 이미지는 막장면 뿐만 아니라 주변 벽체 등 경계오브젝트에 대한 정보를 더 포함하게 되는데(도 7의 좌하단 참조), 본 발명은 막장면에 대한 이미지를 추출하는 수정 기능을 제공한다. 즉, 이미지가 입력되고(도 7의 상단) 이미지 수정부(320)에 의해 입력된 막장면 이미지 정보 상에서 터널 경계면 노드가 입력될 수 있으며(도 7의 좌하단), 입력된 터널 경계면 노드가 연결되고, 연결된 면적만 추출됨으로써(도 7의 우하단), 막장면 이미지 정보가 수정된다. 종래 기술에서 대부분 이미지에서 일부를 선택하는 방식이 아닌 이미지를 수정하는 방식을 선택하는데, 이 경우 이미지에 왜곡이 발생할 수 있으며, 막장면 분석에서의 왜곡은 다음 발파 공정에서 심각한 영향을 줄 수 있기에, 본 발명은 노드에 의한 면적 추출 방식을 선택한 것이다.

또한, 도 8과 같이 이미지 수정부(320)가 워터쉐드(watershed) 기법을 이용하여 입력된 막장면 이미지 정보를 다수의 영역으로 분할할 수 있다. 이는 입력층으로서 입력된 막장면 이미지 정보 입력시 연산량을 줄여서 후술하는 추론부(330)에서 신속한 연산 및 추론이 가능하게 한다. 종래 기술에서 설명한 바와 같이, 막장면 이미지 분석에 있어서 신속성은 매우 중요하다.

다음, 추론부(330)가 분할된 영역별로 구축된 시스템을 이용해서 분석 정보를 추론하고, 분석 정보를 통합하여 입력된 막장면 이미지 정보에 대한 상기 디지털 페이스 매핑된 분석 정보를 추론한다. 즉, 추론부(330)는 막장면 이미지 정보를 구축된 막장면 자동 분석 시스템의 입력층으로 입력하고, 인공 지능에 의한 출력층을 확인하면 이를 분석 정보로 추론하는 것이다.

한편, 본 발명의 다른 실시예에서, 절리 추출이 별도로 이루어질 수 있다. 절리 추출부(340)가 캐니 엣지 디텍션(canny edge detection) 기법을 이용하여 입력된 막장면 이미지 정보에서 선분을 추출한다(도 9a). 다음, 절리 추출부(340)가, 추출된 선분마다 기 설정된 소정의 테스트를 수행하여 노이즈를 제거할 수 있으며(도 9b), 또한, 선분의 길이가 기 설정된 픽셀값 이하인 경우 추출 결과에서 제거할 수도 있다(도 9c). 이제, 남은 선분들이 절리로서 출력될 것이다.

이와 같은 과정으로 모든 분석 정보가 정리되면, 출력부(350)는 분석 정보를 결과물로서 출력한다(도 10). 이와 같은 방식의 결과물은 DFM 데이터베이스(390)에 저장될 수 있으며, 후술하는 사용자 수정 과정을 거칠 수 있고, 학습 정보로서 다시 활용되어 정확도를 상승시킬 수 있다. 도 10의 우하단과 같이 레포트 형식으로 출력될 수도 있다.

본 발명의 다른 실시예에서, RQD(rock quality designation; 암질지수)가 계산되어 더 출력될 수 있다. RQD 계산은 널리 알려진 어떠한 방법을 수행하여도 가능하나, 중요한 것은 RQD 조사선 중심을 자동으로 설정하는 것이다. 즉, RQD 계산부(360)가 RQD 조사선 중심을 설정하는 단계와, RQD 조사선 중심을 이용하여 RQD를 계산하여 출력하는 단계를 포함하게 된다.

RQD 계산부(360)가, RQD 조사선 중심을 설정하는 방법으로, 본 발명은 네 개의 방법을 제공한다. 첫째, 분석 정보 중 절리를 구성하는 점들의 중심으로 RQD 조사선 중심을 설정할 수 있다(도 11의 좌상단). 둘째, 분석 정보 중 절리를 구성하는 선분들의 중심점의 중심으로 RQD 조사선 중심을 설정할 수 있다(도 11의 우상단). 즉, 밀집 지역을 중심으로 설정하는 것이다. 셋째, 분석 정보 중 절리를 구성하는 선분들 중에서 길이가 가장 긴 선분의 중심으로 RQD 조사선 중심을 설정할 수 있다(도 11의 좌하단). 넷째, 막장면 이미지 정보 상에서 설정된 다수의 수평 조사선 중에서, 분석 정보 중 절리와 가장 많이 교차하는 수평 조사선의 중심으로 RQD 조사선 중심을 설정할 수 있다(도 11의 우하단).

각각의 방법들은 막장면 상태와 현장 상황에 따라 필요할 수 있다. 따라서, 본 발명에서는, 이와 같은 방법들 모두가 자동으로 수행되거나, 또는 사용자가 특정 방법을 선택하여 수행될 수 있다.

사용자 수정 모듈

본 발명은 학습에 의한 분석 정보가 자동으로 출력된 이후, 이를 확인한 전문가가 암종, 암질, 절리 등을 수정할 수 있는 기능을 제공한다. 특히, 편의성 높은 직관적 방식을 채택하여 전문가가 신속하게 수정하고 분석 정보를 확정할 수 있도록 한다. 이를 위해, 사용자 수정 모듈(400)이, 출력부(350)가 자동으로 추론한 분석 정보를 토대로 사용자가 수정할 수 있는 기능을 제공한다.

출력부(350)는 절리를 선분으로서 출력하는데, 사용자 수정 모듈(400)이 상기 절리 상에 절리 노드를 추가하여 출력할 수 있다. 출력된 절리는 사용자 수정 모듈(400)에 의해 추가, 이동 및 삭제 가능하며, 출력된 절리 노드 역시 사용자 수정 모듈(400)에 의해 추가, 이동 및 삭제 가능하다. 절리 노드의 이동시 이동된 절리 노드가 포함된 절리 형태가 이에 따라 변경된다(도 12). 절리 주향 경사(도 13의 (A))와 절리 보정 점수가 추가로 입력될 수 있다(도 13의 (B)).

또한, 출력부(350)는 암종 및 암질이 구분되는 영역을 다각형으로 출력하고 필요시 지하수 역시 다각형으로 구분하여 출력하는데, 사용자 수정 모듈(400)이 다각형의 모서리를 다각형 노드로서 추가하여 출력할 수 있다. 출력된 다각형 노드는 사용자 수정 모듈(400)에 의해 추가, 이동 및 삭제 가능하고, 다각형 노드의 이동시 이동된 다각형 노드가 포함된 다각형 형태가 이에 따라 변경된다(도 14).

학습 정보 추가

사용자 수정 과정을 걸쳐 전문가에 의해 보다 확실하게 수정된 분석 정보는 최초 학습시 활용된 학습용 막장면 이미지 정보와 함께 학습 정보로 활용될 수 있다. 특히, 사용자 수정 과정을 거친 것이므로 데이터 정확도가 우수한 훈련 세트가 이용되는 것이다. 이를 통해 분석 정확도가 상승한다.

학습 정보 추가 모듈(500)이 사용자에 의해 수정된 분석 정보와 이에 해당하는 막장면 이미지 정보를 학습용 분석 정보 입력부(120) 및 학습용 막장면 이미지 정보 입력부(110)에 각각 입력할 수 있으며, 입력된 정보는 전술한 단계를 거쳐 학습 정보로서 활용된다.

이상, 본 명세서에는 본 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 도면에 도시한 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당업자라면 본 발명의 실시예로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 보호범위는 특허청구범위에 의해서 정해져야 할 것이다.

100: 학습 정보 생성 모듈
110: 학습용 막장면 이미지 정보 입력부
120: 학습용 분석 정보 입력부
130: 학습 정보 분할부
190: 학습 정보 데이터베이스
200: 학습 모듈
210: 포맷 변환부
220: 학습 파라미터 설정부
230: 학습 수행부
240: 유효성 검증부
300: DFM 모듈
310: 입력부
320: 이미지 수정부
330: 추론부
340: 절리 추출부
350: 출력부
360: RQD 계산부
390: DFM 데이터베이스
400: 사용자 수정 모듈
500: 학습 정보 추가 모듈

Claims

막장면 이미지 정보를 입력층으로 하고 상기 막장면 이미지 정보에 디지털 페이스 매핑(DFM; digital face mapping)되는 분석 정보를 출력층으로 하는 학습을 이용한 막장면 자동 분석 시스템을 통해, 입력된 막장면 이미지 정보에 대한 분석 정보를 자동으로 출력하는 방법으로서, -여기서, 분석 정보는 암종에 대한 정보, 암질에 대한 정보 및 절리에 대한 정보를 포함함-
(A1) 학습용 막장면 이미지 정보 입력부(110)가 학습용으로 미리 준비된 학습용 막장면 이미지 정보를 로딩하고, 학습용 분석 정보 입력부(120)가 상기 막장면 이미지 정보에 대응되는 학습용 분석 정보를 로딩하고, 상기 로딩된 학습용 막장면 이미지 정보와 학습용 분석 정보를 매핑하여, 학습 정보를 설정하는 단계;
(A2) 학습 정보 분할부(130)가, 상기 학습 정보를 기 설정된 단위로서 분할(cropping)하여 하나의 학습 정보마다 다수의 분할 학습 정보를 생성하는 단계;
(A3) 포맷 변환부(210)가 상기 다수의 분할 학습 정보를 로딩하여 학습용 포맷으로 변환하는 단계;
(A4) 학습 수행부(230)가, 상기 포맷 변환된 다수의 분할 학습 정보를 이용하여 하나의 막장면 이미지 정보마다 다수 회의 학습을 수행하는 단계;
(A5) 상기 (A1) 내지 (A4) 단계를, 다수의 학습용 막장면 이미지 정보에 대하여 수행함으로써 막장면 자동 분석 시스템을 구축하는 단계; 및
(B) 입력부(310)에 막장면 이미지 정보가 입력되면, 추론부(330)가 상기 막장면 자동 분석 시스템을 이용하여 분석 정보를 추론하고, 출력부(350)가 이를 출력하는 단계를 포함하며,
상기 (B) 단계는,
(B21) 상기 입력부(310)에 막장면 이미지 정보가 입력되는 단계;
(B22) 이미지 수정부(320)가 워터쉐드(watershed) 기법을 이용하여 상기 입력된 막장면 이미지 정보를 다수의 영역으로 분할하는 단계;
(B23) 상기 추론부(330)가, 상기 입력된 막장면 이미지 정보의 다수의 영역 각각을 입력층으로 하여, 상기 막장면 자동 분석 시스템을 통해 영역별 분석 정보를 추론하는 단계; 및
(B24) 상기 추론부(330)가 상기 영역별 분석 정보를 통합하여 상기 입력된 막장면 이미지 정보에 대한 상기 디지털 페이스 매핑된 분석 정보를 추론하고, 상기 출력부(350)가 이를 출력하는 단계를 포함하는,
방법.
제 1 항에 있어서,
상기 (A5) 단계 이후,
(A6) 유효성 검증부(240)가, 다수의 다른 학습용 막장면 이미지 정보를 이용하여 상기 (A5) 단계에서 구축된 막장면 자동 분석 시스템의 유효성 검증을 수행하는 단계를 더 포함하며,
상기 학습용 막장면 이미지 정보 및 이에 대응하는 분석 정보가 N개 준비되고,
상기 (A5) 단계에서 수행되는 학습용 막장면 이미지 정보는 A개이며(N>A), 상기 (A6) 단계에서 수행되는 다른 학습용 막장면 이미지 정보는 N-A개인,
방법.
제 1 항에 있어서,
상기 (B) 단계는,
(B11) 상기 입력부(310)에 막장면 이미지 정보가 입력되는 단계;
(B12) 이미지 수정부(320)에 상기 입력된 막장면 이미지 정보 상에서 터널 경계면 노드가 입력되고, 입력된 터널 경계면 노드가 연결되고, 연결된 면적만 추출됨으로써, 막장면 이미지 정보가 수정되는 단계; 및
(B13) 추론부(330)가 상기 수정된 막장면 자동 분석 시스템을 이용하여 분석 정보를 추론하고, 출력부(350)가 이를 출력하는 단계를 포함하는,
방법.
삭제
제 1 항에 있어서,
상기 (A4) 단계는,
상기 학습 수행부(230)가 인셉션(Inception)을 이용하여 학습을 수행하는 단계를 포함하는,
방법.
제 5 항에 있어서,
상기 인셉션은 5X5 컨벌루션 및 3X3 컨벌루션이 다수 회 수행되는 단계를 포함하는 것이며,
상기 (A4) 단계는, 상기 학습 수행부(230)가 5X5 컨벌루션 연산 1회 대신 3X3 컨벌루션 연산을 2회 수행하고, 3X3 컨벌루션 1회 대신 3X1 컨벌루션 연산 2회 수행하는 단계를 포함하는,
방법.