KR102261303B1 - 라이다와 카메라의 퓨전 기술을 이용한 동적인 골재 입도 분석 방법, 장치 및 시스템 - Google Patents
라이다와 카메라의 퓨전 기술을 이용한 동적인 골재 입도 분석 방법, 장치 및 시스템 Download PDFInfo
- Publication number
- KR102261303B1 KR102261303B1 KR1020210055107A KR20210055107A KR102261303B1 KR 102261303 B1 KR102261303 B1 KR 102261303B1 KR 1020210055107 A KR1020210055107 A KR 1020210055107A KR 20210055107 A KR20210055107 A KR 20210055107A KR 102261303 B1 KR102261303 B1 KR 102261303B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- region
- aggregate
- area
- analysis target
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000002245 particle Substances 0.000 title claims abstract description 54
- 238000005516 engineering process Methods 0.000 title claims abstract description 16
- 230000004927 fusion Effects 0.000 title claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 127
- 238000003384 imaging method Methods 0.000 claims abstract description 16
- 238000003921 particle size analysis Methods 0.000 claims description 11
- 239000011449 brick Substances 0.000 description 92
- 230000008569 process Effects 0.000 description 24
- 238000004891 communication Methods 0.000 description 18
- 239000000284 extract Substances 0.000 description 15
- 238000012545 processing Methods 0.000 description 13
- 238000013473 artificial intelligence Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000003709 image segmentation Methods 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000004567 concrete Substances 0.000 description 2
- 239000004035 construction material Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 1
- 239000011384 asphalt concrete Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005029 sieve analysis Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
- G01N15/0227—Investigating particle size or size distribution by optical means using imaging; using holography
-
- 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
- G01N33/38—Concrete; Lime; Mortar; Gypsum; Bricks; Ceramics; Glass
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N2015/03—Electro-optical investigation of a plurality of particles, the analyser being characterised by the optical arrangement
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Quality & Reliability (AREA)
- Dispersion Chemistry (AREA)
- Ceramic Engineering (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Image Analysis (AREA)
Abstract
일실시예에 따르면, 시스템에 의해 수행되는, 라이다와 카메라의 퓨전 기술을 이용하여 동적인 골재의 입도를 분석하는 방법에 있어서, 제1 시점에 레일 위의 촬영 구역에 위치하는 제1 분석 대상이 라이다에 의해 스캔되면, 상기 라이다로부터 상기 제1 분석 대상에 대한 3D 데이터인 제1 데이터를 획득하는 단계; 상기 제1 시점에 상기 촬영 구역에 위치하는 상기 제1 분석 대상이 카메라에 의해 촬영되면, 상기 카메라로부터 상기 제1 분석 대상에 대한 2D 데이터인 제2 데이터를 획득하는 단계; 상기 제1 데이터를 기초로, 상기 제1 분석 대상에서 제1 영역에 대한 좌표계를 생성하는 단계; 상기 제2 데이터를 기초로, 상기 제1 분석 대상에서 제2 영역에 대한 좌표계를 생성하는 단계; 상기 제1 영역의 좌표계 및 상기 제2 영역의 좌표계를 기반으로, 상기 제1 영역 및 상기 제2 영역 간에 합집합이 되는 제3 영역을 도출하여, 제1 병합 데이터를 추출하는 단계; 및 상기 제1 병합 데이터를 기초로, 상기 제1 분석 대상에 대한 골재의 입도를 분석하는 단계를 포함하는, 라이다와 카메라의 퓨전 기술을 이용한 동적인 골재 입도 분석 방법이 제공된다.
Description
아래 실시예들은 라이다와 카메라의 퓨전 기술을 이용하여 동적인 골재의 입도를 분석하는 기술에 관한 것이다.
골재는 SOC 산업의 주 재료인 아스콘 및 콘크리트의 물리 · 역학적 특성 결정의 주요 인자로, 골재 사용의 중량비는 아스콘 약 95%, 콘크리트 약 60~70%로 이루어져 있다.
골재 입도는 가장 기본적인 골재 특성 인자로, 건설자재의 골재 입도를 관리의 중요성이 증대되고 있다.
하지만, 건설자재 골재의 입도 관리에 있어, 2014년 국토교통부 일반국도 품질관리 현황 실태 전수조사결과, 부적합율이 약 45%나 된다. 국내 건설공사는 책임감리제도를 도입하고 있으나 형식적인 품질 관리이고, 아스콘 생산 플랜트는 전국 520여 개에서 운영 중이나, 대부분 영세하여 품질관리 담당자가 보통 1인으로 지정되어 있다. 또한, 기존 인력 중심의 체가름 방식으로는 많은 시간과 노력이 필요한 문제가 있다.
따라서, 효율적인 골재 입도 관리 기술 및 운영 방안의 마련이 필요한 상황이다.
한편, 영상 입도 분석에 대한 종래의 국내외 연구 사례를 조사한 결과, 국내에서는 DIP(Digital Image Processing) 기법이 제안되었다.
도 1에 도시된 바와 같이, 등가직경이론을 제시하여 형상변환계수 및 수정 입도곡선을 작성하여 체분석 결과와 비교할 수 있다.
또한, 영상 입도 분석을 위해 국외의 Syscom, Split Engineering에서는 실시간 골재 인식을 위한 시스템을 개발하였다.
도 2에 도시된 바와 같이, Syscom은 카메라 및 레이저를 활용해 플랜트 입도를 분석하고, Split Engineering은 카메라 비전기술을 활용하여 석산 품질을 관리하였다.
또한, 영상 입도 분석을 위해 국외의 Retsch Technology에서는 도 3에 도시된 바와 같이, 입자가 작은 입자 크기를 분석하고, 컨베이어를 활용한 엣지 디텍팅 방식과 입자를 낙하시켜 측면에서 3D 카메라로 측정하는 방식을 채용하였다.
하지만, 종래의 연구 사례에 따르면, 고가의 분석 장비가 필요하며, 영상 입도의 분석은 가능하나 딥러닝을 통한 입도 예측 프로그램은 전무한 상황이다.
따라서, 딥러닝을 통해 골재의 입도를 분석하고자 하는 연구 및 개발이 요구되고 있는 실정이다.
일실시예에 따르면, 제1 시점에 레일 위의 촬영 구역에 위치하는 제1 분석 대상에 대한 3D 데이터인 제1 데이터와 제1 분석 대상에 대한 2D 데이터인 제2 데이터를 획득하고, 제1 데이터를 기초로, 제1 분석 대상에서 제1 영역에 대한 좌표계를 생성하고, 제2 데이터를 기초로, 제1 분석 대상에서 제2 영역에 대한 좌표계를 생성하고, 제1 영역의 좌표계 및 제2 영역의 좌표계를 기반으로, 제1 영역 및 제2 영역 간에 합집합이 되는 제3 영역을 도출하여, 제1 병합 데이터를 추출하고, 제1 병합 데이터를 기초로, 제1 분석 대상에 대한 골재의 입도를 분석하는 방법, 장치 및 시스템을 제공하기 위한 것을 그 목적으로 한다.
본 발명의 목적은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
일실시예에 따르면, 시스템에 의해 수행되는, 라이다와 카메라의 퓨전 기술을 이용하여 동적인 골재의 입도를 분석하는 방법에 있어서, 제1 시점에 레일 위의 촬영 구역에 위치하는 제1 분석 대상이 라이다에 의해 스캔되면, 상기 라이다로부터 상기 제1 분석 대상에 대한 3D 데이터인 제1 데이터를 획득하는 단계; 상기 제1 시점에 상기 촬영 구역에 위치하는 상기 제1 분석 대상이 카메라에 의해 촬영되면, 상기 카메라로부터 상기 제1 분석 대상에 대한 2D 데이터인 제2 데이터를 획득하는 단계; 상기 제1 데이터를 기초로, 상기 제1 분석 대상에서 제1 영역에 대한 좌표계를 생성하는 단계; 상기 제2 데이터를 기초로, 상기 제1 분석 대상에서 제2 영역에 대한 좌표계를 생성하는 단계; 상기 제1 영역의 좌표계 및 상기 제2 영역의 좌표계를 기반으로, 상기 제1 영역 및 상기 제2 영역 간에 합집합이 되는 제3 영역을 도출하여, 제1 병합 데이터를 추출하는 단계; 및 상기 제1 병합 데이터를 기초로, 상기 제1 분석 대상에 대한 골재의 입도를 분석하는 단계를 포함하는, 라이다와 카메라의 퓨전 기술을 이용한 동적인 골재 입도 분석 방법이 제공된다.
상기 제1 분석 대상에 대한 골재의 입도를 분석하는 단계는, 상기 제1 병합 데이터를 이용하여, 상기 제1 분석 대상에서 인식된 각 골재의 위치와 형상을 추적하고, 상기 제3 영역을 기준으로, 상기 골재의 객체 별로 형상 좌표를 추출하여, 상기 골재에 대한 3차원 형상 정보를 획득하는 단계; 상기 골재의 형상 좌표들을 이용하여, 상기 제1 데이터를 기준으로 상기 제3 영역에서 골재에 해당하는 제4 영역과 골재에 해당하지 않는 제5 영역을 구분하여 분류하는 단계; 상기 제5 영역의 깊이 데이터를 0으로 치환하여, 상기 제3 영역에서 상기 제5 영역을 노이즈로 제거하는 단계; 상기 제4 영역을 기준으로, 상기 제2 데이터에서 RGB 값을 추출하고 상기 제1 데이터에서 3D 깊이 값을 추출하고, 상기 RGB 값 및 상기 3D 깊이 값을 합병한 4채널 데이터를 생성하는 단계; 및 상기 4채널 데이터를 기초로, 상기 RGB 값 및 상기 3D 깊이 값을 통해, 상기 제4 영역에 대한 골재의 입도를 분석하는 단계를 포함할 수 있다.
상기 라이다와 카메라의 퓨전 기술을 이용한 동적인 골재 입도 분석 방법은, 상기 제1 분석 대상의 이동으로, 제2 시점에 상기 제1 분석 대상의 일부인 제1 구역에 위치하는 골재들만 상기 촬영 구역을 벗어나고 상기 제1 분석 대상의 나머지인 제2 구역에 위치하는 골재들이 상기 촬영 구역을 벗어나지 못한 상태에서, 상기 촬영 구역으로 제3 구역에 위치하는 골재들이 진입하게 되면, 상기 제2 구역 및 상기 제3 구역에 위치하는 골재들을 제2 분석 대상으로 인식하는 단계; 상기 제2 시점에 상기 촬영 구역에 위치하는 상기 제2 분석 대상이 상기 라이다에 의해 스캔되면, 상기 라이다로부터 상기 제2 분석 대상에 대한 3D 데이터인 제3 데이터를 획득하는 단계; 상기 제2 시점에 상기 촬영 구역에 위치하는 상기 제2 분석 대상이 상기 카메라에 의해 촬영되면, 상기 카메라로부터 상기 제2 분석 대상에 대한 2D 데이터인 제4 데이터를 획득하는 단계; 상기 제1 데이터 및 상기 제3 데이터를 기반으로, 합집합이 되는 부분을 상기 제2 구역에 대한 3D 데이터인 제5 데이터로 추출하는 단계; 상기 제2 데이터 및 상기 제4 데이터를 기반으로, 합집합이 되는 부분을 상기 제2 구역에 대한 2D 데이터인 제6 데이터로 추출하는 단계; 상기 제5 데이터를 기초로, 상기 제2 구역에서 제1-1 영역에 대한 좌표계를 생성하는 단계; 상기 제6 데이터를 기초로, 상기 제2 구역에서 제1-2 영역에 대한 좌표계를 생성하는 단계; 상기 제1-1 영역의 좌표계 및 상기 제1-2 영역의 좌표계를 기반으로, 상기 제1-1 영역 및 상기 제1-2 영역 간에 합집합이 되는 제1-3 영역을 도출하여, 제1-1 병합 데이터를 추출하는 단계; 및 상기 제1-1 병합 데이터를 기초로, 상기 제2 구역에 대한 골재의 입도를 분석하는 단계를 더 포함할 수 있다.
상기 제1 분석 대상에 대한 골재의 입도를 분석하는 단계는, 상기 제1 병합 데이터를 기초로, 상기 제2 구역에 겹쳐서 위치하는 제1 객체 및 제2 객체가 인식된 경우, 상기 제1 객체 하단에 위치한 상기 제2 객체의 보여진 표면인 제1 표면을 확인하는 단계; 상기 제1 표면의 형태를 기반으로, 상기 제2 객체의 가려진 표면인 제2 표면의 형태를 예측하여 도출하는 단계; 상기 제1 표면의 면적 및 상기 제2 표면의 면적을 합한 값을 통해, 상기 제2 객체의 면적을 산출하는 단계; 상기 제2 객체의 면적에서 상기 제1 표면의 면적이 차지하는 비율인 제1 비율을 산출하는 단계; 상기 제1 비율이 미리 설정된 제1 기준치 보다 높은지 여부를 확인하는 단계; 상기 제1 비율이 상기 제1 기준치 보다 높은 것으로 확인되면, 상기 제2 객체를 골재의 입도를 분석하는데 사용되는 분석 대상 객체로 선별하는 단계; 상기 제1 비율이 상기 제1 기준치 보다 낮은 것으론 확인되면, 상기 제1 비율이 미리 설정된 제2 기준치 보다 높은지 여부를 확인하는 단계; 상기 제1 비율이 상기 제2 기준치 보다 높은 것으로 확인되면, 상기 제1-1 병합 데이터를 이용한 추가 확인이 필요한 것으로 판단하는 단계; 및 상기 제1 비율이 상기 제2 기준치 보다 낮은 것으로 확인되면, 상기 제2 객체를 상기 분석 대상 객체로 선별하지 않고 제외시키는 단계를 포함할 수 있다.
상기 라이다와 카메라의 퓨전 기술을 이용한 동적인 골재 입도 분석 방법은, 상기 레일과 연결된 창고에 입고되어 있는 제1 벽돌과 제2 벽돌의 재고량을 각각 확인하는 단계; 상기 제1 벽돌 및 상기 제2 벽돌 중 어느 하나가 상기 창고에서 반출되면, 상기 제1 벽돌의 재고량 또는 상기 제2 벽돌의 재고량을 반출량에 따라 차감하여 갱신하는 단계; 상기 제1 벽돌의 재고량 및 상기 제2 벽돌의 재고량을 합산한 상기 창고의 재고량이 미리 설정된 제1 기준량 보다 작은 것으로 확인되면, 상기 창고에 벽돌 입고가 필요한 것으로 판단하는 단계; 상기 창고에 벽돌 입고가 필요한 것으로 판단되면, 상기 제1 벽돌의 재고량과 미리 설정된 상기 제1 벽돌의 필요량을 비교하여 상기 제1 벽돌의 입고량을 산출하고, 상기 제2 벽돌의 재고량과 미리 설정된 제2 벽돌의 필요량을 비교하여 상기 제2 벽돌의 입고량을 산출하는 단계; 상기 창고를 관리하는 관리자의 연락처를 확인하여, 상기 제1 벽돌의 입고량 및 상기 제2 벽돌의 입고량에 대한 입고 요청 알림 메시지를 관리자 단말로 전송하는 단계; 상기 창고의 재고량이 상기 제1 기준량 보다 큰 것으로 확인된 상태에서, 상기 제1 벽돌의 재고량이 미리 설정된 제2 기준량 보다 작은 것으로 확인되면, 상기 제1 벽돌에 대한 입고가 필요한 것으로 판단하는 단계; 및 상기 제1 벽돌에 대한 입고가 필요한 것으로 판단되면, 상기 제1 벽돌의 재고량과 상기 제1 벽돌의 필요량을 비교하여 상기 제1 벽돌의 입고량을 산출하고, 상기 제1 벽돌의 입고량에 대한 입고 요청 알림 메시지를 상기 관리자 단말로 전송하는 단계를 더 포함할 수 있다.
일실시예에 따르면, 제1 시점에 레일 위의 촬영 구역에 위치하는 제1 분석 대상에 대한 3D 데이터인 제1 데이터와 제1 분석 대상에 대한 2D 데이터인 제2 데이터를 획득하고, 제1 데이터를 기초로, 제1 분석 대상에서 제1 영역에 대한 좌표계를 생성하고, 제2 데이터를 기초로, 제1 분석 대상에서 제2 영역에 대한 좌표계를 생성하고, 제1 영역의 좌표계 및 제2 영역의 좌표계를 기반으로, 제1 영역 및 제2 영역 간에 합집합이 되는 제3 영역을 도출하여, 제1 병합 데이터를 추출하고, 제1 병합 데이터를 기초로, 제1 분석 대상에 대한 골재의 입도를 분석함으로써, 골재의 입도 분석 결과에 대한 정확성을 향상시킬 수 있다.
한편, 실시예들에 따른 효과는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1 내지 도 3은 영상 입도 분석에 대한 종래의 국내외 연구 사례를 나타낸 도면이다.
도 4는 일실시예에 따른 골재의 입도를 분석하는 시스템의 구성을 개략적으로 나타낸 도면이다.
도 5는 일실시예에 따른 인공지능 기반으로 골재의 품질을 분석하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 합집합 영역을 추출하는 과정을 도시한 도면이다.
도 7은 일실시예에 따른 제4 영역에 대한 골재의 입도를 분석하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 좌표를 추출하는 과정을 도시한 도면이다.
도 9는 일실시예에 따른 골재의 이동으로 변경된 분석 대상에 대한 골재의 입도를 분석하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 골재의 이동으로 분석 대상이 변경되는 과정을 도시한 도면이다.
도 11은 일실시예에 따른 겹쳐서 위치하는 객체를 분석 대상 객체로 선별하는 과정을 설명하기 위한 순서도이다.
도 12는 일실시예에 따른 겹쳐서 위치하는 객체들을 도시한 도면이다.
도 13은 일실시예에 따른 레일과 연결된 창고에 입고되어 있는 벽돌의 재고를 관리하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 골재의 입도를 분석하는 시스템의 구성을 개략적으로 나타낸 도면이다.
도 5는 일실시예에 따른 인공지능 기반으로 골재의 품질을 분석하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 합집합 영역을 추출하는 과정을 도시한 도면이다.
도 7은 일실시예에 따른 제4 영역에 대한 골재의 입도를 분석하는 과정을 설명하기 위한 순서도이다.
도 8은 일실시예에 따른 좌표를 추출하는 과정을 도시한 도면이다.
도 9는 일실시예에 따른 골재의 이동으로 변경된 분석 대상에 대한 골재의 입도를 분석하는 과정을 설명하기 위한 순서도이다.
도 10은 일실시예에 따른 골재의 이동으로 분석 대상이 변경되는 과정을 도시한 도면이다.
도 11은 일실시예에 따른 겹쳐서 위치하는 객체를 분석 대상 객체로 선별하는 과정을 설명하기 위한 순서도이다.
도 12는 일실시예에 따른 겹쳐서 위치하는 객체들을 도시한 도면이다.
도 13은 일실시예에 따른 레일과 연결된 창고에 입고되어 있는 벽돌의 재고를 관리하는 과정을 설명하기 위한 순서도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 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 실시예가 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.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
도 4는 일실시예에 따른 골재의 입도를 분석하는 시스템의 구성을 개략적으로 나타낸 도면이다.
도 4를 참조하면, 일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 장치(100) 및 서버(200)를 포함할 수 있다.
먼저, 통신망은 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크로 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.
장치(100)는 통신 기능을 갖춘 연산 장치로 구현될 수 있으며, 예를 들면, 휴대전화기, 데스크톱 PC, 랩탑 PC, 태블릿 PC, 스마트폰 등으로 구현될 수 있으나, 이에 제한되지는 않으며, 외부 서버와 연결될 수 있는 다양한 형태의 통신 장치로 구현될 수도 있다.
장치(100)는 통신부(110), 라이다부(120), 카메라부(130) 및 제1 프로세서(140)를 포함할 수 있으며, 메모리(150)를 더 포함하거나 별도로 구현된 메모리(150)와 연결될 수 있다.
통신부(110)는 서버(200)와 무선 통신을 통해 데이터를 송수신할 수 있다.
구체적으로, 통신부(110)는 통신망과 연동하여 장치(100)와 서버(200) 간의 송수신 신호를 패킷 데이터 형태로 제공할 수 있으며, 서버(200)로 데이터 요청을 송신하고, 이에 대한 응답으로 데이터를 수신하는 역할을 수행할 수 있다.
라이다부(120)는 라이다(Lidar) 센서를 통해 분석 대상에 대한 3D 데이터를 생성할 수 있다. 여기서, 3D 데이터는 분석 대상이 골재인 경우, 골재에 대한 3D 이미지이다.
카메라부(130)는 카메라 촬영을 통해 분석 대상에 대한 2D 데이터를 생성할 수 있다. 여기서, 2D 데이터는 분석 대상이 골재인 경우, 골재에 대한 2D 이미지이다.
제1 프로세서(140)는 일종의 중앙처리장치로서 골재의 입도를 분석하는 전체 과정을 제어할 수 있다. 제1 프로세서(140)는 장치(100)의 동작을 제어하여 골재의 입도를 분석하는 과정을 수행할 수 있다. 골재의 입도를 분석하는 과정에 대한 자세한 설명은 도 5를 참조하여 후술하기로 한다.
메모리(150)는 골재의 입도를 분석하는 방법을 수행하기 위한 프로그램이 기록될 수 있다. 또한, 제1 프로세서(140)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있다.
일실시예에 따르면, 제1 프로세서(140)는 프로그램을 실행하고, 장치(100)를 제어할 수 있다. 제1 프로세서(140)에 의하여 실행되는 프로그램의 코드는 메모리(150)에 저장될 수 있다.
서버(200)는 통신부(210), 데이터 버퍼(220), 로드 밸런서(230) 및 제2 프로세서(240)를 포함할 수 있으며, 데이터베이스(250)를 더 포함하거나 별도로 구현된 데이터베이스(250)와 연결될 수 있다.
통신부(210)는 장치(100)와 유무선 통신을 통해 데이터를 송수신할 수 있다.
구체적으로, 통신부(210)는 통신망과 연동하여 서버(200)와 장치(100) 간의 송수신 신호를 패킷 데이터 형태로 제공할 수 있으며, 장치(100)로 데이터 요청을 송신하고, 이에 대한 응답으로 데이터를 수신하는 역할을 수행할 수 있다.
데이터 버퍼(220)는 통신부(210)로부터 수신된 데이터를 임시로 저장하는 역할을 수행할 수 있다.
로드 밸런서(230)는 데이터 버퍼(220)에 저장된 데이터를 부하 분산 알고리즘을 통해 분배할 수 있다.
제2 프로세서(240)는 일종의 중앙처리장치로서 골재의 입도에 대한 분석 결과를 이용하여 추가적인 서비스를 제공하는 전체 과정을 제어할 수 있다. 제2 프로세서(240)는 서버(200)의 동작을 제어하여 골재의 입도에 대한 분석 결과를 이용하여 추가적인 서비스를 제공하는 과정을 수행할 수 있다.
데이터베이스(250)는 골재의 입도에 대한 분석 결과를 이용하여 추가적인 서비스를 제공하는 방법을 수행하기 위한 프로그램이 기록될 수 있다. 또한, 제2 프로세서(240)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있다.
일실시예에 따르면, 제2 프로세서(240)는 프로그램을 실행하고, 서버(200)를 제어할 수 있다. 제2 프로세서(240)에 의하여 실행되는 프로그램의 코드는 데이터베이스(250)에 저장될 수 있다.
도 5는 일실시예에 따른 인공지능 기반으로 골재의 품질을 분석하는 과정을 설명하기 위한 순서도이고, 도 6은 일실시예에 따른 합집합 영역을 추출하는 과정을 도시한 도면이다.
도 5를 참조하면, 먼저, S501 단계에서, 장치(100)는 라이다를 통해 제1 분석 대상에 대한 3D 데이터인 제1 데이터를 획득할 수 있다.
구체적으로, 골재들이 이동하는 레일 위에는 촬영 구역이 지정되어 있으며, 장치(100)는 특정 시점인 제1 시점에 촬영 구역에 위치하는 골재들을 제1 분석 대상으로 인식할 수 있고, 라이다를 통해 제1 분석 대상을 스캔하여, 제1 분석 대상에 대한 3D 데이터인 제1 데이터를 획득할 수 있다. 여기서, 제1 데이터는 촬영 구역에 위치하는 골재들에 대한 3D 이미지이다.
즉, 라이다부(120)는 제1 시점에 레일 위의 촬영 구역에 위치하는 제1 분석 대상을 스캔할 수 있으며, 장치(100)는 라이다부(120)에 구비된 라이다에 의해 제1 분석 대상이 스캔되면, 라이다로부터 제1 데이터를 획득할 수 있다.
S502 단계에서, 장치(100)는 카메라를 통해 제1 분석 대상에 대한 2D 데이터인 제2 데이터를 획득할 수 있다.
구체적으로, 골재들이 이동하는 레일 위에는 촬영 구역이 지정되어 있으며, 장치(100)는 특정 시점인 제1 시점에 촬영 구역에 위치하는 골재들을 제1 분석 대상으로 인식할 수 있고, 카메라를 통해 제1 분석 대상을 촬영하여, 제1 분석 대상에 대한 2D 데이터인 제2 데이터를 획득할 수 있다. 여기서, 제2 데이터는 촬영 구역에 위치하는 골재들에 대한 2D 이미지이다.
즉, 카메라부(130)는 제1 시점에 레일 위의 촬영 구역에 위치하는 제1 분석 대상을 촬영할 수 있으며, 장치(100)는 카메라부(130)에 구비된 카메라에 의해 제1 분석 대상이 촬영되면, 카메라로부터 제2 데이터를 획득할 수 있다.
일실시예에 따르면, 라이다부(120)에 구비된 라이다와 카메라부(130)에 구비된 카메라는 동일한 지점에 설치되어, 동일한 각도로 촬영 구역을 바라볼 수 있고, 서로 상이한 지점에 설치되어, 상이한 각도로 촬영 구역을 바라볼 수도 있다. 예를 들어, 촬영 구역 좌측 상단에는 라이다가 설치되고, 촬영 구역의 우측 상단에는 카메라가 설치되어, 서로 마주보는 형식으로 촬영 구역을 바라볼 수 있다.
일실시예에 따르면, 장치(100)는 제2 데이터를 인공지능 알고리즘에 적용하여, 제1 분석 대상에서 각 골재의 위치와 형상을 인식할 수 있다.
인공지능 알고리즘은 분석 대상이 골재인 경우, 골재 각각의 위치와 형상을 인식하는 프로그램으로 구현될 수 있으며, 장치(100)의 메모리(150)에는 인공지능 알고리즘이 저장되어 있어, 장치(100)는 인공지능 알고리즘을 통해, 골재의 위치와 형상을 인식하는 방식이 최적화되도록 학습을 수행할 수 있다.
S503 단계에서, 장치(100)는 제1 데이터를 기초로, 제1 분석 대상에서 제1 영역에 대한 좌표계를 생성할 수 있다. 이때, 장치(100)는 후술될 칼리브레이션 알고리즘을 통해, 제1 데이터에서 제1 영역을 설정하고, 제1 영역에 대한 좌표계를 추출할 수 있다. 이외에도, 특정 영역에서 좌표계를 추출하여 생성하는 방식은 공지된 다양한 기술을 적용하여 수행될 수 있다.
도 6의 (a)에 도시된 바와 같이, 장치(100)는 라이다를 통해 획득된 제1 데이터를 확인하여, 일부 영역을 제1 영역(610)으로 설정하고, 제1 영역(610)에 대한 좌표계를 생성할 수 있다.
S504 단계에서, 장치(100)는 제2 데이터를 기초로, 제1 분석 대상에서 제2 영역에 대한 좌표계를 생성할 수 있다. 이때, 장치(100)는 후술될 칼리브레이션 알고리즘을 통해, 제2 데이터에서 제2 영역을 설정하고, 제2 영역에 대한 좌표계를 추출할 수 있다.
도 6의 (b)에 도시된 바와 같이, 장치(100)는 카메라를 통해 획득된 제2 데이터를 확인하여, 일부 영역을 제2 영역(620)으로 설정하고, 제2 영역(620)에 대한 좌표계를 생성할 수 있다.
S505 단계에서, 장치(100)는 제1 영역(610)의 좌표계 및 제2 영역(620)의 좌표계를 기반으로, 제1 영역(610) 및 제2 영역(620) 간에 합집합이 되는 제3 영역을 도출하여, 제3 영역에 대한 데이터인 제1 병합 데이터를 추출할 수 있다.
구체적으로, 장치(100)는 2D 데이터인 제2 데이터의 좌표계 및 3D 데이터인 제1 데이터의 좌표계를 각각 확인하고, 2D 데이터의 좌표계 및 3D 데이터의 좌표계를 칼리브레이션 알고리즘에 적용하여, 제1 병합 데이터를 추출할 수 있다.
칼리브레이션 알고리즘은 2D 데이터에서 확인된 골재 각각의 좌표계와 3D 데이터에서 확인된 골재 각각의 좌표계를 이용하여, 병합 데이터를 추출하는 프로그램으로 구현될 수 있으며, 장치(100)의 메모리(150)에는 칼리브레이션 알고리즘이 저장되어 있어, 장치(100)는 칼리브레이션 알고리즘을 통해, 2D 데이터의 좌표계 및 3D 데이터의 좌표계를 이용하여 병합 데이터를 추출할 수 있다.
장치(100)는 제1 병합 데이터를 추출하기 위해, 제1 영역(610)의 좌표계 및 제2 영역(620)의 좌표계를 기반으로, 제1 영역(610) 및 제2 영역(620) 간에 합집합이 되는 제3 영역을 도출할 수 있다. 이때, 장치(100)는 2D 데이터인 제2 데이터를 기준으로, 제3 영역에 대한 좌표계를 추출할 수 있다.
도 6의 (c)에 도시된 바와 같이, 장치(100)는 제1 영역(610) 및 제2 영역(620) 각각의 좌표계를 기반으로, 합집합이 되는 제3 영역(630)을 도출할 수 있고, 도 6의 (d)에 도시된 바와 같이, 장치(100)는 2D 데이터인 제2 데이터를 기준으로, 제3 영역(630)에 대한 좌표계를 추출할 수 있다. 장치(100)는 제3 영역(630)에 대한 좌표계를 통해, 제1 병합 데이터를 추출할 수 있다.
S506 단계에서, 장치(100)는 제1 병합 데이터를 기초로, 제1 분석 대상에 대한 골재의 입도를 분석할 수 있다.
구체적으로, 장치(100)는 제1 병합 데이터를 이용하여, 제1 분석 대상에서 인식된 각 골재의 위치와 형상을 추적하고, 골재를 포함하는 영역의 3차원 데이터를 추출하여, 골재에 대한 3차원 형상 정보를 획득할 수 있다.
장치(100)는 형상 정보를 획득하기 위해, 제3 영역(630)을 기준으로, 인공지능 이미지 세그멘테이션 모델을 이용하여, 골재의 객체 별로 형상 좌표를 추출할 수 있다.
인공지능 이미지 세그멘테이션 모델은 특정 영역에 포함된 골재를 객체 별로 확인하고, 골재의 객체 별로 형상 좌표를 추출하는 프로그램으로 구현될 수 있으며, 장치(100)의 메모리(150)에는 인공지능 이미지 세그멘테이션 모델이 저장되어 있어, 장치(100)는 인공지능 이미지 세그멘테이션 모델을 통해, 골재의 객체 별 형상 좌표를 추출하는 방식이 최적화되도록 학습을 수행할 수 있다.
장치(100)는 3차원 형상 정보를 수치해석 알고리즘에 적용하여, 골재의 입도를 분석할 수 있다.
수치해석 알고리즘은 골재의 3차원 형상에 대한 수치해석을 통해 골재의 입도를 분석하는 프로그램으로 구현될 수 있으며, 장치(100)의 메모리(150)에는 수치해석 알고리즘이 저장되어 있어, 장치(100)는 수치해석 알고리즘을 통해, 골재의 3차원 형상에서 골재의 입도를 분석할 수 있다. 골재의 입도를 분석하는 과정에 대한 자세한 설명은 도 7 및 도 8을 참조하여 후술하기로 한다.
장치(100)는 골재의 입도에 대한 분석 결과를 서버(200)로 전송하여, 서버(200)의 데이터베이스(250)에 분석 결과를 저장할 수 있다. 이때, 서버(200)는 분석 결과를 클라우드에 전송하여, 분석 결과를 보관 및 관리할 수 있다.
도 7은 일실시예에 따른 제4 영역에 대한 골재의 입도를 분석하는 과정을 설명하기 위한 순서도이고, 도 8은 일실시예에 따른 좌표를 추출하는 과정을 도시한 도면이다.
도 7을 참조하면, 먼저, S701 단계에서, 장치(100)는 제1 병합 데이터를 이용하여, 제1 분석 대상에서 인식된 각 골재의 위치와 형상을 추적하고, 제3 영역(630)을 기준으로, 골재의 객체 별로 형상 좌표를 추출하여, 골재에 대한 3차원 형상 정보를 획득할 수 있다.
S702 단계에서, 장치(100)는 골재의 객체 별로 추출된 형상 좌표들을 이용하여, 3D 데이터인 제1 데이터를 기준으로 제3 영역(630)에서 골재에 해당하는 영역인 제4 영역과 골재에 해당하지 않는 영역인 제5 영역을 구분하여 분류할 수 있다.
도 8의 (a)에 도시된 바와 같이, 장치(100)는 제3 영역(630)에서 골재에 해당하는 제4 영역(810)과 골재에 해당하지 않는 제5 영역(820)을 구분하여 분류할 수 있다.
장치(100)는 골재에 해당하는 영역인 제4 영역(810)의 깊이 데이터를 추출할 수 있다. 깊이 데이터를 추출하는 방식은 공지된 다양한 기술을 적용하여 수행될 수 있다.
S703 단계에서, 장치(100)는 골재에 해당하지 않는 영역인 제5 영역(820)의 깊이 데이터를 0으로 치환하여, 제5 영역(820)을 노이즈로 제거할 수 있다.
도 8의 (b)에 도시된 바와 같이, 장치(100)는 제4 영역(810)에 포함된 골재를 객체 별로 인식하고 객체 별로 좌표를 확인하여, 제4 영역(810)에 포함된 골재의 객체 별로 깊이 데이터를 추출할 수 있다. 장치(100)는 제5 영역(820)에 포함된 골재의 객체들에 대한 깊이 데이터를 0으로 치환함으로써, 제5 영역(820)을 노이즈로 제거할 수 있다.
일실시예에 따르면, 제3 영역(630)은 제4 영역(810) 및 제5 영역(820)으로 구성되어 있는 경우, 제3 영역(630)에서 제5 영역(820)이 노이즈로 제거되면, 제3 영역(630)에는 제4 영역(810)만 남아있을 수 있다.
S704 단계에서, 장치(100)는 제4 영역(810)을 기준으로, 2D 데이터인 제2 데이터에서 RGB 값을 추출할 수 있다. RGB 값을 추출하는 방식은 공지된 다양한 기술을 적용하여 수행될 수 있다.
S705 단계에서, 장치(100)는 제4 영역(810)을 기준으로, 3D 데이터인 제1 데이터에서 3D 깊이 값을 추출할 수 있다. 3D 깊이 값을 추출하는 방식은 공지된 다양한 기술을 적용하여 수행될 수 있다.
S706 단계에서, 장치(100)는 RGB 값 및 3D 깊이 값을 합병한 4채널 데이터를 생성할 수 있다. 여기서, 4채널 데이터는 4채널 중 3채널이 RGB 값을 나타내는 2D 데이터이고, 4채널 중 1채널은 3D 깊이 값을 나타내는 데이터일 수 있다.
S707 단계에서, 장치(100)는 4채널 데이터를 기초로, RGB 값 및 3D 깊이 값을 통해, 제4 영역(810)에 대한 골재의 입도를 분석할 수 있다. 이때, 장치(100)는 제4 영역(810)을 기준으로, 4채널 데이터를 분석 알고리즘에 적용하여, RGB 값 및 3D 깊이 값을 통해, 골재의 입도를 분석할 수 있다.
분석 알고리즘은 RGB 픽셀과 깊이를 기준으로 분석을 진행하는 알고리즘으로, RGB 값 및 3D 깊이 값을 통해, 골재의 입도를 분석하는 프로그램으로 구현될 수 있으며, 장치(100)의 메모리(150)에는 분석 알고리즘이 저장되어 있어, 장치(100)는 분석 알고리즘을 통해, 골재의 입도를 분석할 수 있다.
구체적으로, 분석 알고리즘은 2D 데이터에서 추출된 RGB 값을 이용하여, 골재의 객체 별로 종류를 분류할 수 있다. 즉, RGB 픽셀을 이용하여 각 골재의 종류를 분류할 수 있다.
이후, 분석 알고리즘은 3D 데이터에서 추출된 3D 깊이 값을 이용하여, 골재의 객체 별로 형상 및 형태를 분류할 수 있다. 즉, 깊이 데이터를 이용하여, 해당 골재의 형상과 형태를 분류할 수 있다.
이후, 분석 알고리즘은 골재의 객체 별로 가로 최고 길이, 세로 최고 길이, 최고 높이 및 최저 높이를 확인하여, 골재의 입도를 분석할 수 있다. 즉, 골재의 객체 별로 가로 최고 길이, 세로 최고 길이, 최고 높이 및 최저 높이를 확인하여, 각각의 평균값을 산출할 수 있으며, 이를 통해, 골재의 입도를 분석할 수 있다.
이후, 분석 알고리즘은 골재의 입도에 대한 분석이 완료되면, 미리 설정된 기간 동안의 분석 결과를 기초로 통계치를 생성하여, 레일 위를 통과한 골재의 전체 품질을 평가할 수 있다. 즉, 골재의 입도에 대한 분석이 완료되면, 통계치를 생성하여 현재까지 레일 위를 통과한 골재의 전체적인 품질을 평가할 수 있으며, 장치(100)는 평가 자료를 관리자 단말로 전달할 수 있다.
도 9는 일실시예에 따른 골재의 이동으로 변경된 분석 대상에 대한 골재의 입도를 분석하는 과정을 설명하기 위한 순서도이고, 도 10은 일실시예에 따른 골재의 이동으로 분석 대상이 변경되는 과정을 도시한 도면이다.
도 9를 참조하면, 먼저, S901 단계에서, 장치(100)는 제1 분석 대상의 이동으로, 새로운 골재들이 촬영 구역으로 진입하게 되면, 촬영 구역에 위치하고 있는 골재들을 제2 분석 대상으로 인식할 수 있다.
즉, 제1 시점에 제1 분석 대상이 촬영 구역에 위치하였으나, 제1 분석 대상의 이동으로, 제2 시점에 제1 분석 대상의 일부인 제1 구역에 위치하는 골재들만 촬영 구역을 벗어나고, 제1 분석 대상의 나머지인 제2 구역에 위치하는 골재들이 촬영 구역을 벗어나지 못한 상태에서, 촬영 구역으로 제3 구역에 위치하는 골재들이 새로 진입하게 되면, 촬영 구역에는 제2 구역 및 제3 구역에 위치하는 골재들이 남아있게 되므로, 장치(100)는 제2 구역 및 제3 구역에 위치하는 골재들을 제2 분석 대상으로 인식할 수 있다.
도 10의 (a)에 도시된 바와 같이, 골재들이 이동하는 레일 위에는 촬영 구역(1000)이 지정되어 있으며, 제0 시점에는 제1 구역(1010), 제2 구역(1020) 및 제3 구역(1030)에 위치하는 골재들이 촬영 구역(1000)으로 이동하기 전으로, 촬영 구역(1000)에 골재들이 없기 때문에, 장치(100)는 분석 대상을 인식할 수 없다.
도 10의 (b)에 도시된 바와 같이, 제1 시점에는 제1 구역(1010), 제2 구역(1020) 및 제3 구역(1030)에 위치하는 골재들이 이동하여, 제1 구역(1010) 및 제2 구역(1020)에 위치하는 골재들만 촬영 구역(1000)으로 진입할 수 있으며, 장치(100)는 제1 구역(1010) 및 제2 구역(1020)에 위치하는 골재들을 제1 분석 대상으로 인식할 수 있다.
도 10의 (c)에 도시된 바와 같이, 제2 시점에는 제1 구역(1010)에 위치하는 골재들이 촬영 구역(1000)을 벗어나게 되고, 제2 구역(1020)에 위치하는 골재들이 촬영 구역(1000)을 벗어나지 못한 상태에서, 촬영 구역(1000)으로 제3 구역(1030)에 위치하는 골재들이 진입하게 되어, 장치(100)는 제2 구역(1020) 및 제3 구역(1030)에 위치하는 골재들을 제2 분석 대상으로 인식할 수 있다.
S902 단계에서, 장치(100)는 제2 시점에 촬영 구역(1000)에 위치하는 제2 분석 대상이 라이다에 의해 스캔되면, 라이다로부터 제2 분석 대상에 대한 3D 데이터인 제3 데이터를 획득할 수 있다.
S903 단계에서, 장치(100)는 제2 시점에 촬영 구역(1000)에 위치하는 제2 분석 대상이 카메라에 의해 촬영되면, 카메라로부터 제2 분석 대상에 대한 2D 데이터인 제4 데이터를 획득할 수 있다.
S904 단계에서, 장치(100)는 제1 데이터 및 제3 데이터를 기반으로, 합집합이 되는 부분을 제2 구역(1020)에 대한 3D 데이터인 제5 데이터로 추출할 수 있다.
즉, 제1 데이터는 제1 구역(1010) 및 제2 구역(1020)에 대한 3D 데이터이고, 제3 데이터는 제2 구역(1020) 및 제3 구역(1030)에 대한 3D 데이터이므로, 장치(100)는 제1 데이터 및 제3 데이터를 기반으로, 중복되는 부분을 제2 구역(1020)으로 인식하여, 제2 구역(1020)에 대한 3D 데이터인 제5 데이터를 추출할 수 있다.
S905 단계에서, 장치(100)는 제2 데이터 및 제4 데이터를 기반으로, 합집합이 되는 부분을 제2 구역(1020)에 대한 2D 데이터인 제6 데이터로 추출할 수 있다.
즉, 제2 데이터는 제1 구역(1010) 및 제2 구역(1020)에 대한 2D 데이터이고, 제4 데이터는 제2 구역(1020) 및 제3 구역(1030)에 대한 2D 데이터이므로, 장치(100)는 제2 데이터 및 제4 데이터를 기반으로, 중복되는 부분을 제2 구역(1020)으로 인식하여, 제2 구역(1020)에 대한 2D 데이터인 제6 데이터를 추출할 수 있다.
S906 단계에서, 장치(100)는 제5 데이터를 기초로, 제2 구역(1020)에서 제1-1 영역을 설정하고, 제1-1 영역에 대한 좌표계를 생성할 수 있다.
S907 단계에서, 장치(100)는 제6 데이터를 기초로, 제2 구역(1020)에서 제1-2 영역을 설정하고, 제1-2 영역에 대한 좌표계를 생성할 수 있다.
S908 단계에서, 장치(100)는 제1-1 영역의 좌표계 및 제1-2 영역의 좌표계를 기반으로, 제1-1 영역 및 제1-2 영역 간에 합집합이 되는 제1-3 영역을 도출하여, 제1-3 영역에 대한 데이터인 제1-1 병합 데이터를 추출할 수 있다.
S909 단계에서, 장치(100)는 제1-1 병합 데이터를 기초로, 제2 구역(1020)에 대한 골재의 입도를 분석할 수 있다. 즉, 제2 구역(1020)에 위치하는 골재들은 제1 시점과 제2 시점에 촬영 구역(1000)에 위치하여, 2번 촬영될 수 있으며, 장치(100)는 제1 시점과 제2 시점에 각각 획득된 데이터를 병합한 제1-1 병합 데이터를 기초로, 제2 구역(1020)에 대한 골재의 입도를 더 정확하게 분석할 수 있다.
도 11은 일실시예에 따른 겹쳐서 위치하는 객체를 분석 대상 객체로 선별하는 과정을 설명하기 위한 순서도이고, 도 12는 일실시예에 따른 겹쳐서 위치하는 객체들을 도시한 도면이다.
S1101 단계에서, 장치(100)는 제1 병합 데이터를 기초로, 제2 구역(1020)에 위치하는 객체들을 확인하여, 제2 구역(1020)에 겹쳐서 위치하는 제1 객체 및 제2 객체를 인식할 수 있다.
도 12의 (a)에 도시된 바와 같이, 장치(100)는 제2 구역(1020)에 겹쳐서 위치하는 제1 객체(1210) 및 제2 객체(1220)를 인식할 수 있다. 이때, 제1 객체(1210)는 제2 객체(1220)의 상단에 위치하여 가려진 표면 없이 전체 표면이 보여지고 있는 상태이며, 제2 객체(1220)는 제1 객체(1210)의 하단에 위치하여 일부 표면이 가려지고 가려지지 않은 나머지 표면만 보여지고 있는 상태이다.
S1102 단계에서, 장치(100)는 제2 객체(1220)의 보여진 표면인 제1 표면을 확인할 수 있다.
S1103 단계에서, 장치(100)는 제1 표면의 형태를 기반으로, 제2 객체(1220)의 가려진 표면인 제2 표면의 형태를 예측하여 도출할 수 있다.
도 12의 (b)에 도시된 바와 같이, 장치(100)는 제2 객체(1220)의 보여진 표면인 제1 표면(1221)을 확인하고, 제1 표면(1221)의 형태를 기반으로, 제2 표면(1222)의 형태를 예측하여 도출할 수 있다. 이를 위해, 장치(100)는 보여진 표면을 통해 가려진 표면을 예측하여 도출하는 방식이 최적화되도록 학습을 수행할 수 있다.
S1104 단계에서, 장치(100)는 제1 표면(1221)의 면적과 제2 표면(1222)의 면적을 각각 산출할 수 있으며, 제1 표면(1221)의 면적과 제2 표면(1222)의 면적을 합한 값을 통해, 제2 객체(1220)의 면적을 산출할 수 있다.
S1105 단계에서, 장치(100)는 제2 객체(1220)의 면적에서 제1 표면(1221)의 면적이 차지하는 비율인 제1 비율을 산출할 수 있다.
S1106 단계에서, 장치(100)는 제1 비율이 제1 기준치 보다 높은지 여부를 확인할 수 있다. 여기서, 제1 기준치는 실시예에 따라 상이하게 설정될 수 있다.
S1106 단계에서 제1 비율이 제1 기준치 보다 높은 것으로 확인되면, S1107 단계에서, 장치(100)는 제2 객체(1220)를 골재의 입도를 분석하는데 사용되는 분석 대상 객체로 선별할 수 있다. 이때, 장치(100)는 제1 객체(1210) 및 제2 객체(1220)를 분석 대상 객체로 선별하여, 제1 객체(1210) 및 제2 객체(1220)의 크기를 통해, 제2 구역(1020)에 대한 골재의 입도를 분석할 수 있다.
예를 들어, 제1 비율이 90%이고 제1 기준치가 80인 경우, 장치(100)는 제2 객체(1220)를 분석 대상 객체로 선별할 수 있다.
S1106 단계에서 제1 비율이 제1 기준치 보다 낮은 것으로 확인되면, S1108 단계에서, 장치(100)는 제1 비율이 제2 기준치 보다 높은지 여부를 확인할 수 있다. 여기서, 제2 기준치는 제1 기준치 보다 작은 값으로 설정될 수 있다.
S1108 단계에서 제1 비율이 제2 기준치 보다 높은 것으로 확인되면, S1109 단계에서, 장치(100)는 제1-1 병합 데이터를 이용한 추가 확인이 필요한 것으로 판단할 수 있다.
예를 들어, 제1 비율이 70%이고 제1 기준치가 80이고 제2 기준치가 60인 경우, 장치(100)는 제1 병합 데이터를 통해 제2 객체(1220)가 분석 대상 객체인지 선별하기 어려운 것으로 판단하여, 제1-1 병합 데이터를 이용한 추가 확인이 필요한 것으로 판단할 수 있다.
S1108 단계에서 제1 비율이 제2 기준치 보다 낮은 것으로 확인되면, S1110 단계에서, 장치(100)는 제2 객체(1220)를 분석 대상 객체로 선별하지 않고 제외시킬 수 있다. 이때, 장치(100)는 제1 객체(1210)만 분석 대상 객체로 선별하여, 제1 객체(1210)의 크기를 통해, 제2 구역(1020)에 대한 골재의 입도를 분석할 수 있다.
예를 들어, 제1 비율이 50%이고 제2 기준치가 60인 경우, 장치(100)는 제2 객체(1220)를 분석 대상 객체로 선별하지 않고 제외시킬 수 있다.
도 13은 일실시예에 따른 레일과 연결된 창고에 입고되어 있는 벽돌의 재고를 관리하는 과정을 설명하기 위한 순서도이다.
도 13을 참조하면, 먼저, S1301 단계에서, 장치(100)는 레일과 창고가 연결되어 있는 경우, 창고에 입고되어 있는 벽돌들 각각의 재고량을 확인할 수 있다. 이를 위해, 장치(100)는 창고에 벽돌이 입고될 때, 창고 입구에 설치된 바코드 스캐너를 통해 입고되는 벽돌의 종류 및 수량을 확인할 수 있다. 창고에 제1 벽돌과 제2 벽돌이 입고되어 있는 경우, 장치(100)는 제1 벽돌의 재고량과 제2 벽돌의 재고량을 각각 확인할 수 있다.
S1302 단계에서, 장치(100)는 벽돌 반출에 따라 변경되는 벽돌들 각각의 재고량을 갱신할 수 있다.
구체적으로, 장치(100)는 제1 벽돌이 창고에서 외부로 반출된 것으로 확인되면, 제1 벽돌의 재고량을 반출량에 따라 차감하여 갱신할 수 있으며, 제2 벽돌이 창고에서 외부로 반출된 것으로 확인되면, 제2 벽돌의 재고량을 반출량에 따라 차감하여 갱신할 수 있다.
예를 들어, 창고에 제1 벽돌이 10개 입고되어 있는 것으로 확인되면, 제1 벽돌의 재고량이 10개로 산정될 수 있다. 이후, 제1 벽돌이 외부로 2개가 반출된 경우, 장치(100)는 제1 벽돌의 재고량을 10개에서 8개로 변경하여 갱신할 수 있다.
S1303 단계에서, 장치(100)는 창고에 입고되어 있는 벽돌들 각각의 재고량을 합산하여, 창고 전체의 재고량을 산출할 수 있다.
구체적으로, 장치(100)는 창고에 제1 벽돌과 제2 벽돌이 입고되어 있는 경우, 제1 벽돌의 재고량과 제2 벽돌의 재고량을 합산하여, 창고의 재고량을 산출할 수 있다.
S1304 단계에서, 장치(100)는 창고의 재고량이 미리 설정된 제1 기준량 보다 작은지 여부를 확인할 수 있다. 여기서, 제1 기준량은 실시예에 따라 상이하게 설정될 수 있다.
S1304 단계에서 창고의 재고량이 제1 기준량 보다 작은 것으로 확인되면, S1305 단계에서, 장치(100)는 창고에 입고되어 있는 벽돌의 수량이 부족하여, 창고에 벽돌 입고가 필요한 것으로 판단할 수 있다.
S1306 단계에서, 장치(100)는 벽돌 입고가 필요한 벽돌들 각각의 입고량을 산출할 수 있다.
구체적으로, 장치(100)는 제1 벽돌의 재고량과 미리 설정된 제1 벽돌의 필요량을 비교하여 제1 벽돌의 입고량을 산출하고, 제2 벽돌의 재고량과 미리 설정된 제2 벽돌의 필요량을 비교하여 제2 벽돌의 입고량을 산출할 수 있다. 여기서, 제1 벽돌의 필요량 및 제2 벽돌의 필요량은 각 벽돌의 종류에 따라 상이하게 설정될 수 있다.
예를 들어, 제1 벽돌의 재고량이 5개이고, 제1 벽돌의 필요량이 10개로 설정되어 있는 경우, 제1 벽돌의 입고량을 5개로 산출할 수 있으며, 제2 벽돌의 재고량이 8개이고, 제2 벽돌의 필요량이 10개로 설정되어 있는 경우, 제2 벽돌의 입고량을 2개로 산출할 수 있다.
S1307 단계에서, 장치(100)는 창고를 관리하는 관리자의 연락처를 확인하여, 제1 벽돌의 입고량 및 제2 벽돌의 입고량에 대한 입고 요청 알림 메시지를 관리자의 연락처에 대응하는 관리자 단말로 전송할 수 있다.
S1307 단계 이후, 입고 요청 알림 메시지를 통해 벽돌 입고가 처리되면, S1301 단계로 되돌아가, 장치(100)는 창고에 입고되어 있는 벽돌들 각각의 재고량을 다시 확인할 수 있다.
한편, S1304 단계에서 창고의 재고량이 제1 기준치 보다 큰 것으로 확인되면, S1308 단계에서, 장치(100)는 제1 벽돌의 재고량이 제2 기준치 보다 작은지 여부를 확인할 수 있다. 여기서, 제2 기준치는 실시예에 따라 상이하게 설정될 수 있다.
S1308 단계에서 제1 벽돌의 재고량이 제2 기준치 보다 큰 것으로 확인되면, 제1 벽돌에 대한 입고가 필요하지 않은 것으로 판단하여, S1301 단계로 되돌아가, 장치(100)는 창고에 입고되어 있는 벽돌들 각각의 재고량을 다시 확인할 수 있다.
S1308 단계에서 제1 벽돌의 재고량이 제2 기준치 보다 작은 것으로 확인되면, S1309 단계에서, 장치(100)는 제1 벽돌에 대한 입고가 필요한 것으로 판단할 수 있다.
예를 들어, 제1 벽돌의 재고량이 3개이고, 제2 벽돌의 재고량이 9개이고, 제1 기준치가 10개이고, 제2 기준치가 5개인 경우, 제1 벽돌의 재고량과 제2 벽돌의 재고량을 합산한 창고의 재고량이 12개로 산출되어, 창고의 재고량이 제1 기준치 보다 큰 것으로 확인되었지만, 제1 벽돌의 재고량이 제2 기준치 보다 작은 것으로 확인되어, 제1 벽돌에 대해서만 입고가 필요한 것으로 판단할 수 있다.
S1310 단계에서, 장치(100)는 제1 벽돌의 재고량과 미리 설정된 제1 벽돌의 필요량을 비교하여 제1 벽돌의 입고량을 산출할 수 있다.
S1311 단계에서, 장치(100)는 제1 벽돌의 입고량에 대한 입고 요청 알림 메시지를 관리자 단말로 전송할 수 있다.
S1311 단계 이후, 입고 요청 알림 메시지를 통해 벽돌 입고가 처리되면, S1301 단계로 되돌아가, 장치(100)는 창고에 입고되어 있는 벽돌들 각각의 재고량을 다시 확인할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
Claims (3)
- 시스템에 의해 수행되는, 라이다와 카메라의 퓨전 기술을 이용하여 동적인 골재의 입도를 분석하는 방법에 있어서,
제1 시점에 레일 위의 촬영 구역에 위치하는 제1 분석 대상이 라이다에 의해 스캔되면, 상기 라이다로부터 상기 제1 분석 대상에 대한 3D 데이터인 제1 데이터를 획득하는 단계;
상기 제1 시점에 상기 촬영 구역에 위치하는 상기 제1 분석 대상이 카메라에 의해 촬영되면, 상기 카메라로부터 상기 제1 분석 대상에 대한 2D 데이터인 제2 데이터를 획득하는 단계;
상기 제1 데이터를 기초로, 상기 제1 분석 대상에서 제1 영역에 대한 좌표계를 생성하는 단계;
상기 제2 데이터를 기초로, 상기 제1 분석 대상에서 제2 영역에 대한 좌표계를 생성하는 단계;
상기 제1 영역의 좌표계 및 상기 제2 영역의 좌표계를 기반으로, 상기 제1 영역 및 상기 제2 영역 간에 합집합이 되는 제3 영역을 도출하여, 제1 병합 데이터를 추출하는 단계; 및
상기 제1 병합 데이터를 기초로, 상기 제1 분석 대상에 대한 골재의 입도를 분석하는 단계를 포함하는,
라이다와 카메라의 퓨전 기술을 이용한 동적인 골재 입도 분석 방법. - 제1항에 있어서,
상기 제1 분석 대상에 대한 골재의 입도를 분석하는 단계는,
상기 제1 병합 데이터를 이용하여, 상기 제1 분석 대상에서 인식된 각 골재의 위치와 형상을 추적하고, 상기 제3 영역을 기준으로, 상기 골재의 객체 별로 형상 좌표를 추출하여, 상기 골재에 대한 3차원 형상 정보를 획득하는 단계;
상기 골재의 형상 좌표들을 이용하여, 상기 제1 데이터를 기준으로 상기 제3 영역에서 골재에 해당하는 제4 영역과 골재에 해당하지 않는 제5 영역을 구분하여 분류하는 단계;
상기 제5 영역의 깊이 데이터를 0으로 치환하여, 상기 제3 영역에서 상기 제5 영역을 노이즈로 제거하는 단계;
상기 제4 영역을 기준으로, 상기 제2 데이터에서 RGB 값을 추출하고 상기 제1 데이터에서 3D 깊이 값을 추출하고, 상기 RGB 값 및 상기 3D 깊이 값을 합병한 4채널 데이터를 생성하는 단계; 및
상기 4채널 데이터를 기초로, 상기 RGB 값 및 상기 3D 깊이 값을 통해, 상기 제4 영역에 대한 골재의 입도를 분석하는 단계를 포함하는,
라이다와 카메라의 퓨전 기술을 이용한 동적인 골재 입도 분석 방법. - 제1항에 있어서,
상기 제1 분석 대상의 이동으로, 제2 시점에 상기 제1 분석 대상의 일부인 제1 구역에 위치하는 골재들만 상기 촬영 구역을 벗어나고 상기 제1 분석 대상의 나머지인 제2 구역에 위치하는 골재들이 상기 촬영 구역을 벗어나지 못한 상태에서, 상기 촬영 구역으로 제3 구역에 위치하는 골재들이 진입하게 되면, 상기 제2 구역 및 상기 제3 구역에 위치하는 골재들을 제2 분석 대상으로 인식하는 단계;
상기 제2 시점에 상기 촬영 구역에 위치하는 상기 제2 분석 대상이 상기 라이다에 의해 스캔되면, 상기 라이다로부터 상기 제2 분석 대상에 대한 3D 데이터인 제3 데이터를 획득하는 단계;
상기 제2 시점에 상기 촬영 구역에 위치하는 상기 제2 분석 대상이 상기 카메라에 의해 촬영되면, 상기 카메라로부터 상기 제2 분석 대상에 대한 2D 데이터인 제4 데이터를 획득하는 단계;
상기 제1 데이터 및 상기 제3 데이터를 기반으로, 합집합이 되는 부분을 상기 제2 구역에 대한 3D 데이터인 제5 데이터로 추출하는 단계;
상기 제2 데이터 및 상기 제4 데이터를 기반으로, 합집합이 되는 부분을 상기 제2 구역에 대한 2D 데이터인 제6 데이터로 추출하는 단계;
상기 제5 데이터를 기초로, 상기 제2 구역에서 제1-1 영역에 대한 좌표계를 생성하는 단계;
상기 제6 데이터를 기초로, 상기 제2 구역에서 제1-2 영역에 대한 좌표계를 생성하는 단계;
상기 제1-1 영역의 좌표계 및 상기 제1-2 영역의 좌표계를 기반으로, 상기 제1-1 영역 및 상기 제1-2 영역 간에 합집합이 되는 제1-3 영역을 도출하여, 제1-1 병합 데이터를 추출하는 단계; 및
상기 제1-1 병합 데이터를 기초로, 상기 제2 구역에 대한 골재의 입도를 분석하는 단계를 더 포함하는,
라이다와 카메라의 퓨전 기술을 이용한 동적인 골재 입도 분석 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210055107A KR102261303B1 (ko) | 2021-04-28 | 2021-04-28 | 라이다와 카메라의 퓨전 기술을 이용한 동적인 골재 입도 분석 방법, 장치 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210055107A KR102261303B1 (ko) | 2021-04-28 | 2021-04-28 | 라이다와 카메라의 퓨전 기술을 이용한 동적인 골재 입도 분석 방법, 장치 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102261303B1 true KR102261303B1 (ko) | 2021-06-07 |
Family
ID=76374530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210055107A KR102261303B1 (ko) | 2021-04-28 | 2021-04-28 | 라이다와 카메라의 퓨전 기술을 이용한 동적인 골재 입도 분석 방법, 장치 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102261303B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102428941B1 (ko) * | 2022-02-28 | 2022-08-08 | 75미리스튜디오 주식회사 | 광대역 라이다 스캔 기반 이미지 정합을 통해 텍스처가 구현된 3d 스캔 데이터 생성 방법, 장치 및 시스템 |
| KR20240119731A (ko) * | 2023-01-30 | 2024-08-06 | 충남대학교산학협력단 | 미세플라스틱 계수 장치 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130080359A1 (en) * | 2010-07-06 | 2013-03-28 | Julia Vivien Will | Assisting vehicle guidance over terrain |
| WO2016112430A1 (en) * | 2015-01-14 | 2016-07-21 | The University Of Sydney | Hyperspectral imager method and apparatus |
| KR101659433B1 (ko) * | 2014-04-17 | 2016-09-26 | 한남대학교 산학협력단 | 하천오염 관리시스템 및 그 운용방법 |
| KR101741615B1 (ko) | 2015-10-21 | 2017-05-30 | (주)거산기계 | 석분발생량 분석을 이용한 순환골재 생산 방법 및 시스템 |
| KR101880956B1 (ko) | 2017-05-31 | 2018-08-24 | 주식회사 광산기공 | 골재 품질관리 기능이 구비된 순환골재 생산시스템 및 그 방법 |
| KR101936218B1 (ko) | 2018-07-11 | 2019-01-08 | 주식회사 삼표 | 인공지능 학습기반 레디믹스트 콘크리트 생산 시스템 |
| KR101969725B1 (ko) | 2017-09-20 | 2019-08-20 | 현대환경(주) | 골재의 단위용적질량과 생산량 동시 측정장치를 이용한 순환골재 생산방법 |
-
2021
- 2021-04-28 KR KR1020210055107A patent/KR102261303B1/ko active IP Right Grant
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130080359A1 (en) * | 2010-07-06 | 2013-03-28 | Julia Vivien Will | Assisting vehicle guidance over terrain |
| KR101659433B1 (ko) * | 2014-04-17 | 2016-09-26 | 한남대학교 산학협력단 | 하천오염 관리시스템 및 그 운용방법 |
| WO2016112430A1 (en) * | 2015-01-14 | 2016-07-21 | The University Of Sydney | Hyperspectral imager method and apparatus |
| KR101741615B1 (ko) | 2015-10-21 | 2017-05-30 | (주)거산기계 | 석분발생량 분석을 이용한 순환골재 생산 방법 및 시스템 |
| KR101880956B1 (ko) | 2017-05-31 | 2018-08-24 | 주식회사 광산기공 | 골재 품질관리 기능이 구비된 순환골재 생산시스템 및 그 방법 |
| KR101969725B1 (ko) | 2017-09-20 | 2019-08-20 | 현대환경(주) | 골재의 단위용적질량과 생산량 동시 측정장치를 이용한 순환골재 생산방법 |
| KR101936218B1 (ko) | 2018-07-11 | 2019-01-08 | 주식회사 삼표 | 인공지능 학습기반 레디믹스트 콘크리트 생산 시스템 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102428941B1 (ko) * | 2022-02-28 | 2022-08-08 | 75미리스튜디오 주식회사 | 광대역 라이다 스캔 기반 이미지 정합을 통해 텍스처가 구현된 3d 스캔 데이터 생성 방법, 장치 및 시스템 |
| KR20240119731A (ko) * | 2023-01-30 | 2024-08-06 | 충남대학교산학협력단 | 미세플라스틱 계수 장치 |
| KR102700295B1 (ko) | 2023-01-30 | 2024-08-29 | 충남대학교 산학협력단 | 미세플라스틱 계수 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109076198B (zh) | 基于视频的对象跟踪遮挡检测系统、方法和设备 | |
| US10204185B2 (en) | Building scan window detection | |
| Chen et al. | Principal axes descriptor for automated construction-equipment classification from point clouds | |
| JP6419830B2 (ja) | 画像検索のためのシステム、方法、および装置 | |
| Kim et al. | Automated construction progress measurement using a 4D building information model and 3D data | |
| Memarzadeh et al. | Automated 2D detection of construction equipment and workers from site video streams using histograms of oriented gradients and colors | |
| KR102261303B1 (ko) | 라이다와 카메라의 퓨전 기술을 이용한 동적인 골재 입도 분석 방법, 장치 및 시스템 | |
| KR102287891B1 (ko) | 라이다와 카메라 퓨전 기술을 이용한 인공지능 기반 골재 품질 분석 방법, 장치 및 시스템 | |
| US12045936B2 (en) | Machine learning based object identification using scaled diagram and three-dimensional model | |
| CN105052155A (zh) | 内插视频标签 | |
| CN110348368B (zh) | 一种户型图的人工智能解析方法、计算机可读介质及系统 | |
| Fichtner et al. | Semantic enrichment of octree structured point clouds for multi‐story 3D pathfinding | |
| Fang et al. | A sematic and prior‐knowledge‐aided monocular localization method for construction‐related entities | |
| CN110472599A (zh) | 对象数量确定方法、装置、存储介质与电子设备 | |
| Staats et al. | Detection of doors in a voxel model, derived from a point cloud and its scanner trajectory, to improve the segmentation of the walkable space | |
| Angah et al. | Removal of occluding construction workers in job site image data using U-Net based context encoders | |
| Stjepandić et al. | Object recognition methods in a built environment | |
| Kim et al. | Automated two-dimensional geometric model reconstruction from point cloud data for construction quality inspection and maintenance | |
| CN111583417B (zh) | 一种图像语义和场景几何联合约束的室内vr场景构建的方法、装置、电子设备和介质 | |
| KR20220081496A (ko) | 라이다와 카메라 퓨전 기술을 이용한 인공지능 기반 골재 품질 분석 방법 및 클라우드 시스템 | |
| Dong et al. | Neural rendering-based semantic point cloud retrieval for indoor construction progress monitoring | |
| Podbreznik et al. | A self-adaptive ASIFT-SH method | |
| Ghosh Mondal et al. | Deep Learning-Based RGB-D Fusion for Multimodal Condition Assessment of Civil Infrastructure | |
| Ochmann et al. | Automatic normal orientation in point clouds of building interiors | |
| KR20230030814A (ko) | 이미지 처리 기반 골재의 품질 분석 방법, 장치 및 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A302 | Request for accelerated examination | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |