KR102313627B1 - Method for measuring defect of steel concrete structure and apparatus for measuring defect of steel concrete structure - Google Patents
Method for measuring defect of steel concrete structure and apparatus for measuring defect of steel concrete structure Download PDFInfo
- Publication number
- KR102313627B1 KR102313627B1 KR1020200054091A KR20200054091A KR102313627B1 KR 102313627 B1 KR102313627 B1 KR 102313627B1 KR 1020200054091 A KR1020200054091 A KR 1020200054091A KR 20200054091 A KR20200054091 A KR 20200054091A KR 102313627 B1 KR102313627 B1 KR 102313627B1
- Authority
- KR
- South Korea
- Prior art keywords
- defect
- steel plate
- concrete structure
- actual
- information
- Prior art date
Links
- 230000007547 defect Effects 0.000 title claims abstract description 255
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 198
- 239000010959 steel Substances 0.000 title claims abstract description 198
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000010801 machine learning Methods 0.000 claims abstract description 29
- 238000005259 measurement Methods 0.000 claims abstract description 27
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 238000001931 thermography Methods 0.000 claims description 28
- 230000002950 deficient Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 9
- 238000003466 welding Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000000691 measurement method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 230000001066 destructive effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009415 formwork Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
- B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D47/00—Equipment not otherwise provided for
- B64D47/08—Arrangements of cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- B64C2201/127—
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
Description
본 발명은 강판 콘크리트 구조물의 결함 측정 방법 및 강판 콘크리트 구조물의 결함 측정 장치에 관한 것이다. The present invention relates to a method for measuring defects in a steel plate concrete structure and an apparatus for measuring defects in a steel plate concrete structure.
강판 조립체를 거푸집으로 하여 강판 내부에 콘크리트를 타설하고 강판이 콘크리트를 구속하여 강성, 내력, 변형성능, 시공 등의 측면에 우수한 특성을 발휘할 수 있는 강판 콘크리트 구조(Steel plate concrete structure)가 알려져 있다.A steel plate concrete structure that can exhibit excellent properties in aspects such as rigidity, proof strength, deformation performance, construction, etc. by pouring concrete inside a steel plate using a steel plate assembly as a formwork and constraining the concrete by the steel plate is known.
이러한 강판 콘크리트 구조는 스터드, 타이 바(Tie bar)가 결합된 두 개의 강판 내측에 콘크리트를 타설하여 강판과 콘크리트가 일체적으로 거동할 수 있도록 한 것으로서, 원자력 발전소 등의 대형 구조물에 시공되고 있다.This steel plate concrete structure is constructed by pouring concrete inside two steel plates combined with studs and tie bars so that the steel plate and concrete can behave integrally, and is being constructed in large structures such as nuclear power plants.
그런데, 이런 강판 콘크리트 구조물의 경우 표면에 강판으로 피복되어 있기 때문에 유지관리를 위한 안전 검사 시 내부의 콘크리트의 결함을 검사하기가 어려운 점이 있다.However, in the case of such a steel plate concrete structure, since the surface is coated with a steel plate, it is difficult to inspect the defects of the concrete during safety inspection for maintenance.
구조물의 안전 검사는 육안 검사와 비파괴 검사로 나눌 수 있는데 육안 검사는 구조물의 결함을 육안으로 측정하는 것이고, 비파괴 검사는 내부의 균열 등의 결함을 검사하기 위해 구조물에 손상이나 파괴하지 않고 외부에서 검사하는 방법이다.The safety inspection of structures can be divided into visual inspection and non-destructive inspection. Visual inspection measures the defects of the structure with the naked eye, and the non-destructive inspection inspects the structure from the outside without damaging or destroying the structure to inspect defects such as internal cracks. way to do it
최근 비파괴 검사 중 열화상 카메라를 이용한 건축물의 균열 측정 방법이 개발되어 있다. 열화상 카메라를 이용하면 사물의 표면으로부터 방출되는 복사열을 감지 및 측정하고 이를 통하여 사물의 표면 온도를 수치화 할 수 있는데, 이 때 건물의 균열부는 균열을 통하여 내부에서 열이 방출되어 주변온도보다 상대적으로 높게 측정되는 원리를 통하여 균열 여부를 판단하는 측정방법이다.Recently, a method for measuring cracks in buildings using a thermal imaging camera during non-destructive inspection has been developed. Using a thermal imaging camera, the radiant heat emitted from the surface of an object can be detected and measured, and the surface temperature of the object can be quantified through this. It is a measurement method to determine whether a crack is present through the principle of high measurement.
그런데, 강판 콘크리트 구조물의 경우 콘크리트의 외면에 강판이 피복되어 있어 표면에서 방출되는 복사열의 감지가 용이하지 않아 표면 온도를 수치화하는데 어려움이 있고, 이로 인해 결함 정보를 명확히 검사하는 데 어려움이 있다.However, in the case of a steel plate concrete structure, since the outer surface of the concrete is coated with a steel plate, it is difficult to detect the radiant heat emitted from the surface, so it is difficult to quantify the surface temperature, which makes it difficult to clearly inspect the defect information.
본 발명은 강판 콘크리트 결함 모사체의 강판 두께, 모사 결함 정보, 열화상 영상을 통한 온도 분포 정보 등을 학습 데이터로 기계 학습을 진행함으로써 실제 강판 콘크리트 구조물의 실제 결함 정보를 산출할 수 있는 강판 콘크리트 구조물의 결함 측정 방법 및 강판 콘크리트 구조물의 결함 측정 장치를 제공하는 것이다.The present invention is a steel plate concrete structure capable of calculating actual defect information of an actual steel plate concrete structure by performing machine learning on the steel plate thickness of the steel plate concrete defect replica, simulated defect information, and temperature distribution information through thermal image as learning data. To provide a method for measuring defects and an apparatus for measuring defects in steel plate concrete structures.
본 발명의 일 측면에 따르면, 콘크리트에 강판이 피복된 강판 콘크리트 구조물(Steel plate concrete structure) 내부의 상기 콘크리트의 결함 측정 방법으로서, 일면에 모사 결함이 모사된 콘크리트와 상기 콘크리트의 일면을 피복하는 강판으로 구성되는 결함 모사체의 상기 강판의 두께, 상기 모사 결함에 대응되는 모사 결함 정보, 상기 강판 측에서 촬영된 상기 결함 모사체의 열화상 영상으로부터 추출된 상기 모사 결함의 온도 분포 정보를 포함하는 훈련 데이터를 입력하는 단계와; 상기 훈련 데이터를 이용하여 실제 결함 정보를 출력하도록 결함 정보 출력 학습 모델에 대해 기계 학습(Machine Learning)을 진행하는 단계와; 상기 실제 강판 콘크리트 구조물의 강판의 두께, 상기 실제 강판 콘크리트 구조물의 열화상 영상으로부터 추출된 상기 콘크리트 결함 부분의 온도 분포 정보를 포함하는 실제 측정 데이터를 입력하는 단계와; 상기 기계 학습된 상기 결함 정보 출력 학습 모델을 통해 상기 실제 측정 데이터로부터 실제 결함 정보를 출력하는 단계를 포함하는, 강판 콘크리트 구조물의 결함 측정 방법이 제공된다.According to an aspect of the present invention, as a method for measuring the defects of the concrete inside a steel plate concrete structure in which a steel plate is coated on the concrete, the concrete having a simulated defect on one surface and a steel plate covering one surface of the concrete Training including the thickness of the steel plate of the defective base body composed of inputting data; performing machine learning on the defect information output learning model to output actual defect information using the training data; inputting actual measurement data including the thickness of the steel plate of the actual steel plate concrete structure and the temperature distribution information of the concrete defect part extracted from the thermal image image of the actual steel plate concrete structure; A method for measuring defects in a steel plate concrete structure is provided, including outputting actual defect information from the actual measurement data through the machine-learned defect information output learning model.
상기 훈련 데이터를 입력하는 단계와; 상기 기계 학습(Machine Learning)을 진행하는 단계는, 서로 다른 두께의 강판 규격을 갖는 결함 모사체에 대해 반복적으로 수행할 수 있다.inputting the training data; The step of performing the machine learning (Machine Learning) may be repeatedly performed on a defect base body having a steel plate standard of different thickness.
상기 결함 모사체의 상기 강판에는 모사 용접부가 형성될 수 있다.A simulation welding part may be formed on the steel plate of the defect base body.
상기 훈련 데이터는, 상기 결함 모사체의 상기 열화상 영상 촬영 시 촬영 환경 정보를 포함할 수 있으며, 이 경우, 상기 실제 측정 데이터를 입력하는 단계는, 상기 실제 강판 콘크리트 구조물의 열화상 영상 촬영 시 상기 촬영 환경 정보에 상응하는 실제 촬영 환경 정보를 측정하여 입력하는 단계를 포함할 수 있다.The training data may include photographing environment information when photographing the thermal image of the defective base body, and in this case, the step of inputting the actual measurement data includes: The method may include measuring and inputting actual photographing environment information corresponding to the photographing environment information.
상기 훈련 데이터는, 상기 결함 모사체의 상기 열화상 영상으로부터 추출된 상기 모사 결함의 형상 정보를 포함할 수 있으며, 이 경우, 상기 실제 측정 데이터는, 상기 실제 강판 콘크리트 구조물의 상기 열화상 영상으로부터 추출된 실제 결함의 형상 정보를 포함할 수 있다.The training data may include shape information of the simulated defect extracted from the thermal image of the defective replica, in this case, the actual measurement data is extracted from the thermal image of the actual steel plate concrete structure The shape information of the actual defect may be included.
상기 결함 정보 출력 학습 모델은, 인공 신경망 모델(artificial neural network model)를 갖는 지도 학습 알고리즘을 포함할 수 있다.The defect information output learning model may include a supervised learning algorithm having an artificial neural network model.
본 발명의 다른 측면에 따르면, 콘크리트에 강판이 피복된 강판 콘크리트 구조물(Steel plate concrete structure) 내부의 상기 콘크리트의 결함 측정 장치로서, 일면에 모사 결함이 모사된 콘크리트와 상기 콘크리트의 일면을 피복하는 강판으로 구성되는 결함 모사체와 실제 강판 콘크리트 구조물의 열화상 영상을 촬영하는 열화상 카메라와; 상기 열화상 영상으로부터 온도 분포 정보를 추출하는 온도 정보 추출부와; 상기 결함 모사체의 상기 강판의 두께, 상기 모사 결함에 대응되는 모사 결함 정보, 상기 온도 분포 정보를 포함하는 훈련 데이터에 대해 기계 학습이 진행되는 결함 정보 출력 학습 모델을 포함하는 기계 학습부와; 상기 실제 강판 콘크리트 구조물의 강판의 두께, 상기 실제 강판 콘크리트 구조물의 열화상 영상으로부터 추출된 상기 콘크리트 결함 부분의 온도 분포 정보를 포함하는 실제 측정 데이터를 입력받고 상기 기계 학습된 결함 정보 출력 학습 모델을 통해 실제 결함 정보를 출력하는 결함 정보 출력부를 포함하는, 강판 콘크리트 구조물의 결함 측정 장치가 제공된다.According to another aspect of the present invention, as an apparatus for measuring the defects of the concrete inside a steel plate concrete structure in which a steel plate is coated on the concrete, a concrete having a simulated defect on one surface and a steel plate covering one surface of the concrete A thermal imaging camera that takes a thermal image of the defect model and the actual steel plate concrete structure consisting of; a temperature information extraction unit for extracting temperature distribution information from the thermal image; a machine learning unit including a defect information output learning model in which machine learning is performed on training data including the thickness of the steel plate of the defect mimetic body, simulated defect information corresponding to the simulated defect, and the temperature distribution information; The actual measurement data including the thickness of the steel plate of the real steel plate concrete structure and the temperature distribution information of the concrete defect part extracted from the thermal image of the real steel plate concrete structure are received and the machine-learned defect information output learning model There is provided a defect measuring apparatus for a steel plate concrete structure, including a defect information output unit for outputting actual defect information.
상기 강판 콘크리트 구조물의 결함 측정 장치는, 상기 열화상 영상 촬영 시 촬영 환경 정보를 측정하는 환경 정보 측정부를 더 포함할 수 있다.The apparatus for measuring defects of the steel plate concrete structure may further include an environment information measuring unit configured to measure photographing environment information when the thermal image is captured.
그리고, 상기 열화상 카메라와, 가시광 카메라가 탑재되어 상기 실제 강판 콘크리트 구조물 주위를 비행하는 촬영 드론을 더 포함할 수 있다.The thermal imaging camera and the visible light camera may further include a photographing drone mounted around the actual steel plate concrete structure.
상기 기계 학습부는, 서로 다른 두께의 강판 규격을 갖는 결함 모사체에 대해 기계 학습이 반복적으로 수행될 수 있다.In the machine learning unit, machine learning may be repeatedly performed on a defect imitation body having a steel plate standard of different thickness.
상기 결함 모사체의 상기 강판에는 모사 용접부가 형성될 수 있다.A simulation welding part may be formed on the steel plate of the defect base body.
상기 훈련 데이터는, 상기 결함 모사체의 상기 열화상 영상으로부터 추출된 상기 모사 결함의 형상 정보를 포함할 수 있으며, 이 경우, 상기 실제 측정 데이터는, 상기 실제 강판 콘크리트 구조물의 상기 열화상 영상으로부터 추출된 실제 결함의 형상 정보를 포함할 수 있다.The training data may include shape information of the simulated defect extracted from the thermal image of the defective replica, in this case, the actual measurement data is extracted from the thermal image of the actual steel plate concrete structure The shape information of the actual defect may be included.
상기 결함 정보 출력 학습 모델은, 인공 신경망 모델(artificial neural network model)를 갖는 지도 학습 알고리즘을 포함할 수 있다.The defect information output learning model may include a supervised learning algorithm having an artificial neural network model.
본 발명의 실시예에 따르면, 강판 콘크리트 결함 모사체의 강판 두께, 모사 결함 정보, 열화상 영상을 통한 온도 분포 정보 등을 학습 데이터로 기계 학습을 진행함으로써 실제 강판 콘크리트 구조물의 실제 결함 정보를 산출할 수 있다.According to an embodiment of the present invention, the actual defect information of the actual steel plate concrete structure can be calculated by performing machine learning on the steel plate thickness of the steel plate concrete defect replica, the simulated defect information, and the temperature distribution information through the thermal image as learning data. can
도 1은 본 발명의 일 실시예에 따른 강판 콘크리트 구조물의 결함 측정 방법의 순서도.
도 2는 본 발명의 일 실시예에 따른 강판 콘크리트 구조물의 결함 측정 방법의 결함 모사체의 분해 사시도.
도 3은 본 발명의 일 실시예에 따른 강판 콘크리트 구조물의 결함 측정 방법의 결함 모사체의 단면도.
도 4는 본 발명의 일 실시예에 따른 강판 콘크리트 구조물의 결함 측정 방법에 따른 열화상 촬영 상황을 도시한 도면.
도 5는 본 발명의 일 실시예에 따른 강판 콘크리트 구조물의 결함 측정 방법을 수행하는 결함 측정 장치의 블록도.1 is a flowchart of a method for measuring defects of a steel plate concrete structure according to an embodiment of the present invention.
Figure 2 is an exploded perspective view of a defect mimetic body of the defect measurement method of the steel plate concrete structure according to an embodiment of the present invention.
Figure 3 is a cross-sectional view of the defect mimetic body of the defect measuring method of the steel plate concrete structure according to an embodiment of the present invention.
4 is a view showing a thermal imaging situation according to a method for measuring defects of a steel plate concrete structure according to an embodiment of the present invention.
5 is a block diagram of a defect measuring apparatus for performing a defect measuring method of a steel plate concrete structure according to an embodiment of the present invention.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.Since the present invention can apply various transformations and can have various embodiments, specific embodiments are illustrated in the drawings and described in detail in the detailed description. However, this is not intended to limit the present invention to specific embodiments, and it should be understood to include all modifications, equivalents and substitutes included in the spirit and scope of the present invention. In describing the present invention, if it is determined that a detailed description of a related known technology may obscure the gist of the present invention, the detailed description thereof will be omitted.
이하, 본 발명에 따른 강판 콘크리트 구조물의 결함 측정 방법 및 강판 콘크리트 구조물의 결함 측정 장치를 첨부한 도면을 참조하여 상세히 설명하기로 하며, 첨부한 도면을 참조하여 설명함에 있어서, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.Hereinafter, a method for measuring defects of a steel plate concrete structure and an apparatus for measuring defects of a steel plate concrete structure according to the present invention will be described in detail with reference to the accompanying drawings. In the description with reference to the accompanying drawings, the same or corresponding components are given the same reference numerals, and overlapping descriptions thereof will be omitted.
도 1은 본 발명의 일 실시예에 따른 강판 콘크리트 구조물의 결함 측정 방법의 순서도이다. 그리고, 도 2는 본 발명의 일 실시예에 따른 강판 콘크리트 구조물의 결함 측정 방법의 결함 모사체의 분해 사시도이고, 도 3은 본 발명의 일 실시예에 따른 강판 콘크리트 구조물의 결함 측정 방법의 결함 모사체의 단면도이다. 그리고, 도 4는 본 발명의 일 실시예에 따른 강판 콘크리트 구조물의 결함 측정 방법에 따른 열화상 촬영 상황을 도시한 도면이다.1 is a flowchart of a method for measuring defects of a steel plate concrete structure according to an embodiment of the present invention. And, FIG. 2 is an exploded perspective view of a defect model of a method for measuring defects of a steel plate concrete structure according to an embodiment of the present invention, and FIG. 3 is a defect model of a method for measuring defects of a steel plate concrete structure according to an embodiment of the present invention. It is a cross-sectional view of the body. And, FIG. 4 is a view showing a thermal imaging condition according to a method for measuring defects of a steel plate concrete structure according to an embodiment of the present invention.
도 1 내지 도 4에는, 결함 모사체(12), 콘크리트(14, 26), 모사 결함(16), 강판(18, 28), 모사 용접부(20), 열화상 카메라(22), 강판 콘크리트 구조물(24), 촬영 드론(30), 가시광 카메라(32)가 도시되어 있다.1 to 4, the
본 실시예에 강판 콘크리트 구조물의 결함 측정 방법은, 프로세스 상에서 구현될 수 있으며, 콘크리트(26)에 강판(28)이 피복된 강판 콘크리트 구조물(24)(Steel plate concrete structure) 내부의 콘크리트(26)의 결함 측정 방법으로서, 일면에 모사 결함(16)이 모사된 콘크리트(14)와 콘크리트(14)의 일면을 피복하는 강판(18)으로 구성되는 결함 모사체(12)의 강판의 두께(t), 모사 결함(16)에 대응되는 모사 결함 정보, 강판(18) 측에서 촬영된 결함 모사체(12)의 열화상 영상으로부터 추출된 모사 결함(16)의 온도 분포 정보를 포함하는 훈련 데이터를 입력하는 단계와; 훈련 데이터를 이용하여 실제 결함 정보를 출력하도록 결함 정보 출력 학습 모델에 대해 기계 학습(Machine Learning)을 진행하는 단계와; 실제 강판 콘크리트 구조물(24)의 강판의 두께, 실제 강판 콘크리트 구조물(24)의 열화상 영상으로부터 추출된 콘크리트 결함 부분의 온도 분포 정보를 포함하는 실제 측정 데이터를 입력하는 단계와; 기계 학습된 결함 정보 출력 학습 모델을 통해 실제 측정 데이터로부터 실제 결함 정보를 출력하는 단계를 포함한다.The method for measuring the defects of the steel plate concrete structure in this embodiment can be implemented on the process, and the
본 실시예에 따른 강판 콘크리트 구조물의 결함 측정 방법은 컴퓨터를 포함한 프로세스상에서 구현될 수 있을 것이다.The method for measuring defects of the steel plate concrete structure according to the present embodiment may be implemented in a process including a computer.
도 1을 참조하여, 본 실시예에 따른 강판 콘크리트 구조물의 결함 측정 방법을 자세히 설명하면 다음과 같다.Referring to FIG. 1 , a method for measuring defects of a steel plate concrete structure according to the present embodiment will be described in detail as follows.
먼저, 일면에 모사 결함(16)이 모사(模寫)된 콘크리트(14)와 콘크리트(14)의 일면을 피복하는 강판(18)으로 구성되는 결함 모사체(12)의 강판의 두께(t), 모사 결함(16)에 대응되는 모사 결함 정보, 강판(18) 측에서 촬영된 결함 모사체(12)의 열화상 영상으로부터 추출된 모사 결함(16)의 온도 분포 정보를 포함하는 훈련 데이터를 입력한다(S100). First, the thickness (t) of the steel plate of the
도 2 및 도 3을 참고하면, 결함 모사체(12)는, 일면에 모사 결함(16)이 모사된 일정 두께의 콘크리트(14)와, 모사 결함(16)이 형성된 콘크리트(14)의 일면을 피복하는 강판(18)으로 구성된다. 모사 결함(16)은 실제 콘크리트(26)의 타설 과정에서 발생할 수 있는 공극, 재료 분리, 양생 과정 또는 사용 과정에서 발생할 수 있는 균열을 모사한 것으로서 다양한 형태로 형성될 수 있다. 모사 결함(16)을 형성할 때는 각 모사 결함(16)의 크기, 폭, 길이, 깊이 등의 모사 결함 정보를 명확히 측정하여 둔다. Referring to FIGS. 2 and 3 , the defect
한편, 강판 콘크리트 구조물의 결함 측정 방법에 있어서, 실제 강판 콘크리트 구조물(24)을 모사하는 결함 모사체(12)에 관한 정보로서 콘크리트를 피복하는 강판 두께가 매우 중요하다. On the other hand, in the method for measuring the defects of the steel plate concrete structure, the thickness of the steel plate covering the concrete is very important as information about the
콘크리트의 열전도율은 강판의 열전도율에 비해 상대적으로 많이 낮은데, 강판 내부의 콘크리트의 결함에 따른 온도 변화가 강판의 두께에 의해 다른 양상을 보이게 되므로 결함 모사체(12)의 강판의 두께(t)도 미리 측정하여 훈련 데이터로 활용한다. 그리고, 실제 강판 콘크리트 구조물(24)에 있어서 규격화된 강판(28)은 용접에 의해 서로 연결되어 콘크리트(26)를 피복하기 때문에, 실제 강판 콘크리트 구조물을 모사하기 위해 결함 모사체(12)의 강판(18)에 모사 용접부(20)를 형성할 수 있다. 모사 용접부(20)에 대한 정보도 훈련 데이터로 사용될 수 있다.The thermal conductivity of concrete is relatively much lower than that of the steel plate, and since the temperature change according to the defects of the concrete inside the steel plate shows different aspects depending on the thickness of the steel plate, the thickness (t) of the steel plate of the defect
그리고, 열화상 카메라(22)를 이용하여 강판(18) 측에서 결함 모사체(12)에 대해 촬영하여 열화상 영상을 얻고 이미지 프로세싱을 거쳐 열화상 영상으로부터 결함 모사체(12)의 온도 분포 정보를 획득한다. 이때 열화상 영상으로부터 모사 결함(16) 부위의 온도 분포 정보를 획득할 수 있다.Then, using the
상술한 결함 모사체(12)의 강판(18) 두께, 모사 결함(16)의 크기, 폭, 길이, 깊이 등의 모사 결함 정보, 모사 결함(16)의 온도 분포 정보는 후술할 결함 정보 출력 학습 모델의 훈련 데이터로 활용된다. 보다 정확한 결함 정보의 출력을 위해서는 다양한 형태의 모사 결함(16)과, 서로 다른 강판의 두께를 갖는 강판 규격을 갖는 결함 모사체(12)에 대해 훈련 데이터를 확보한다.The thickness of the
한편, 훈련 데이터로서 결함 모사체(12)의 촬영 환경 정보가 포함될 수 있다. 실제 강판 콘크리트 구조물(24)의 결함 정보를 얻기 위한 열화상 촬영 시 외부 환경에 따른 영향을 고려해야 하기 때문에, 결함 모사체(12)의 열화상 촬영 시 주변 온도, 풍속, 습도, 조도 등을 측정하는데, 이를 촬영 환경 정보라 한다.On the other hand, as training data, the photographing environment information of the
열화상 영상을 촬영 시 하나의 결함 모사체(12)에 대해 주변 온도, 풍속, 습도, 조도 등을 변경하면서 촬영 환경 정보를 획득함으로써 많은 훈련 데이터를 확보할 수 있다.When taking a thermal image, it is possible to secure a lot of training data by acquiring photographing environment information while changing the ambient temperature, wind speed, humidity, illuminance, etc. for one
또한, 훈련 데이터는, 결함 모사체(12)의 열화상 영상으로부터 추출된 모사 결함(16)의 형상 정보를 포함할 수 있다. 모사 결함(16)의 형상 정보는 열화상 영상으로부터 이미지 프로세싱을 거쳐 생성될 수 있는데, 이에 대응되어 실제 측정 데이터 또한 실제 강판 콘크리트 구조물(24)의 열화상 영상으로부터 추출된 실제 결함의 형상 정보를 포함하게 된다. 모사 결함(16)의 형상 정보는 결함 정보 출력 학습 모델의 훈련 데이터로 함께 학습될 수 있다. In addition, the training data may include shape information of the
다음에, 훈련 데이터를 이용하여 실제 결함 정보를 출력하도록 결함 정보 출력 학습 모델에 대해 기계 학습(Machine Learning)을 진행한다(S200). 위 단계에서 입력된 결함 모사체(12)의 강판의 두께, 모사 결함(16)의 크기, 폭, 길이, 깊이 등의 모사 결함 정보, 열화상 영상에 따른 모사 결함(16)의 온도 분포 정보를 훈련 데이터로 하여 기 등록된 결함 정보 출력 학습 모델에 기계 학습을 진행한다. 결함 정보 출력 학습 모델은 인공 지능 알고리즘으로서 인공 신경망 모델(artificial neural network model)를 갖는 지도 학습 알고리즘을 포함하여 구성될 수 있다. Next, machine learning is performed on the defect information output learning model to output actual defect information using the training data (S200). The simulated defect information such as the thickness of the steel plate of the
지도 학습 알고리즘(supervised learning algorithm)은 입력하는 훈련 데이터에, 입력과 이에 대응되는 미리 알려진 출력값을 입력하여 학습하도록 하는 것으로서, 결함 모사체(12)의 강판(18) 두께, 모사 결함(16) 부위의 온도 분포 정보에 따른 모사 결함 정보를 훈련 데이터로 학습하도록 함으로써 실제 강판 콘크리트 구조물(24)의 실제 결함 정보를 산출하도록 구성할 수 있다.The supervised learning algorithm is to learn by inputting an input and a known output value corresponding thereto to the input training data, and the thickness of the
더불어, 결함 모사체(12)의 열화상 영상 획득 시 다양한 외부 환경에 따른 촬영 환경 정보를 변화시켜 학습시킴으로써 실제 강판 콘크리트 구조물(24)의 외부 환경에 따른 결함 정보를 산출할 수 있다.In addition, by changing and learning the photographing environment information according to various external environments when acquiring the thermal image of the
다음에, 실제 강판 콘크리트 구조물(24)의 강판의 두께, 실제 강판 콘크리트 구조물(24)의 열화상 영상으로부터 추출된 콘크리트 결함 부분의 온도 분포 정보를 포함하는 실제 측정 데이터를 입력한다(S300). 결함 모사체(12)의 훈련 데이터로 학습된 결함 정보 출력 학습 모델에 실제 강판 콘크리트 구조물(24)의 강판의 두께, 실제 강판 콘크리트 구조물(24)의 열화상 영상으로부터 추출된 콘크리트 결함 부분의 온도 분포 정보를 입력한다.Next, actual measurement data including the thickness of the steel plate of the actual steel plate
실제 강판 콘크리트 구조물(24)의 강판의 두께는 현장에서 실측하거나 설계도로부터 획득할 수 있다.The actual thickness of the steel plate of the steel plate
실제 강판 콘크리트 구조물(24)의 강판(28) 측에서 열화상 카메라(22)를 이용하여 열화상 영상을 획득하고 이미지 프로세싱을 거쳐 열화상 영상으로부터 실제 강판 콘크리트 구조물(24)의 온도 분포 정보를 획득할 수 있다. 이때, 실제 강판 콘크리트 구조물(24)의 열화상 영상 획득 시, 결함 모사체(12)의 촬영 환경 정보에 상응하는 실제 촬영 환경 정보를 측정하여 입력할 수 있다.A thermal image is obtained using a
실제 강판 콘크리트 구조물(24)의 열화상 영상을 획득하기 위해 열화상 카메라(22)와 가시광 카메라(32)가 탑재된 촬영 드론(30)을 활용할 수 있다. 실제 강판 콘크리트 구조물(24)은 관측자 보다 훨씬 큰 고층 구조물일 수 있으므로 촬영 드론(30)을 활용함으로써 고층의 실제 강판 콘크리트 구조물(24)의 열화상 영상을 용이하게 획득할 수 있다. 도 4에 도시된 바와 같이, 가시광 카메라(32)를 이용하여 실제 강판 콘크리트 구조물(24)의 외관을 촬영하면서 측정하고자 하는 위치와 상응한 높이에 촬영 드론(30)을 이동시키고 열화상 카메라(22)로 측정 부위의 열화상 영상을 획득할 수 있다.In order to acquire a thermal image of the actual steel plate
다음에, 기계 학습된 결함 정보 출력 학습 모델을 통해 실제 측정 데이터로부터 실제 결함 정보를 출력한다(S400). 실제 강판 콘크리트 구조물(24)의 실제 결함 정보는 훈련 데이터의 모사 결함 정보에 상응하여 실제 결함의 크기, 폭, 길이, 깊이 등이 될 수 있다.Next, the actual defect information is output from the actual measurement data through the machine-learned defect information output learning model (S400). The actual defect information of the actual steel plate
다양한 형태를 갖는 모사 결함(16) 및 강판 두께를 갖는 결함 모사체(12)에 대해 결함 정보 출력 학습 모델에 대한 학습을 진행함으로써 보다 정밀한 실제 강판 콘크리트 구조물(24)의 실제 결함 정보를 얻을 수 있을 것이다. More precise actual defect information of the real steel plate
도 5는 본 발명의 일 실시예에 따른 강판 콘크리트 구조물의 결함 측정 방법을 수행하는 결함 측정 장치의 블록도로서, 컴퓨터를 포함한 프로세스상에서 강판 콘크리트 구조물의 결함 측정 방법이 구현될 수 있을 것이다.5 is a block diagram of an apparatus for measuring defects for performing a method for measuring defects of a steel plate concrete structure according to an embodiment of the present invention, and the method for measuring defects of a steel plate concrete structure may be implemented in a process including a computer.
도 5에는, 촬영 드론(30), 열화상 카메라(32), 온도 정보 추출부(34), 환경 정보 측정부(36), 제어부(38), 기계 학습부(40), 송수신부(42), 결함 정보 출력부(44)가 도시되어 있다.In FIG. 5 , a photographing
본 실시예에 따른 강판 콘크리트 구조물의 결함 측정 장치는, 콘크리트에 강판이 피복된 강판 콘크리트 구조물(Steel plate concrete structure) 내부의 콘크리트의 결함 측정 장치로서, 일면에 모사 결함이 모사된 콘크리트와 콘크리트의 일면을 피복하는 강판으로 구성되는 결함 모사체와 실제 강판 콘크리트 구조물의 열화상 영상을 촬영하는 열화상 카메라(32)와; 열화상 영상으로부터 온도 분포 정보를 추출하는 온도 정보 추출부(34)와; 결함 모사체의 강판의 두께, 모사 결함에 대응되는 모사 결함 정보, 온도 분포 정보를 포함하는 훈련 데이터에 대해 기계 학습이 진행되는 결함 정보 출력 학습 모델을 포함하는 기계 학습부(40)와; 실제 강판 콘크리트 구조물의 강판의 두께, 실제 강판 콘크리트 구조물의 열화상 영상으로부터 추출된 콘크리트 결함 부분의 온도 분포 정보를 포함하는 실제 측정 데이터를 입력받고 기계 학습된 결함 정보 출력 학습 모델을 통해 실제 결함 정보를 출력하는 결함 정보 출력부(44)를 포함한다.Defect measuring apparatus of a steel plate concrete structure according to this embodiment, as a defect measuring apparatus of concrete inside a steel plate concrete structure coated with a steel plate in concrete, one side of concrete and concrete with simulated defects on one side A
열화상 카메라(22)는, 도 2 및 도 3에 도시된 바와 같이, 일면에 모사 결함(16)이 모사된 콘크리트(14)와 콘크리트(14)의 일면을 피복하는 강판(18)으로 구성되는 결함 모사체(12) 및 실제 강판 콘크리트 구조물(24)의 열화상 영상을 촬영한다. 별개의 열화상 카메라(22)가 결함 모사체(12)와 실제 강판 콘크리트 구조물(24)을 각각 촬영할 수도 있고, 하나의 열화상 카메라(22)가 결함 모사체(12)와 실제 강판 콘크리트 구조물(24)의 열화상 영상을 촬영할 수 있다.The
도 4에 도시된 바와 같이, 실제 강판 콘크리트 구조물(24)의 열화상 영상을 획득하기 위해 열화상 카메라(22)와 가시광 카메라(32)가 탑재된 촬영 드론(30)을 활용할 수 있다. 실제 강판 콘크리트 구조물(24)은 관측자 보다 훨씬 큰 고층 구조물일 수 있으므로 촬영 드론(30)을 활용함으로써 고층의 실제 강판 콘크리트 구조물(24)의 열화상 영상을 용이하게 획득할 수 있다. 가시광 카메라(32)를 이용하여 실제 강판 콘크리트 구조물(24)의 외관을 촬영하면서 측정하고자 하는 위치와 상응한 높이에 촬영 드론(30)을 이동시키고 열화상 카메라(22)로 측정부위의 열화상 영상을 획득할 수 있다.As shown in FIG. 4 , in order to acquire a thermal image of the actual steel plate
온도 정보 추출부(34)는, 열화상 영상으로부터 온도 분포 정보를 추출한다. 열화상 카메라로 강판 측에서 결함 모사체 촬영하여 얻는 열화상 영상으로부터 이미지 프로세싱을 거쳐 모사 결함(16) 부위의 온도 분포 정보를 추출한다.The temperature
결함 모사체의 강판의 두께, 모사 결함에 대응되는 모사 결함 정보는 미리 측정하여 두고, 결함 모사체의 강판 측에서 열화상 카메라(22)로 촬영하여 결함 모사체의 표면의 열화상 영상을 얻고 이로부터 모사 결함 부위의 온도 분포 정보를 추출한다.The thickness of the steel plate of the defective base body and the simulated defect information corresponding to the simulated defects are measured in advance and photographed with the
또한, 온도 정보 추출부(34)는, 실제 강판 콘크리트 구조물의 표면을 강판 측에서 촬영하여 얻은 열화상 영상으로부터 이미지 프로세싱을 거쳐 콘크리트 결함 부위의 온도 분포 정보를 추출할 수 있다.In addition, the temperature
기계 학습부(40)는, 결함 모사체의 강판의 두께, 모사 결함에 대응되는 모사 결함 정보, 결함 모사체의 열화상 영상으로부터 추출된 온도 분포 정보를 포함하는 훈련 데이터에 대해 기계 학습이 진행되는 결함 정보 출력 학습 모델을 포함한다.
결함 모사체의 강판 두께, 모사 결함의 크기, 폭, 길이, 깊이 등의 모사 결함 정보, 모사 결함의 온도 분포 정보는 결함 정보 출력 학습 모델의 훈련 데이터로 활용된다. 보다 정확한 결함 정보의 출력을 위해서는 다양한 형태의 모사 결함과, 서로 다른 강판의 두께를 갖는 결함 모사체에 대해 훈련 데이터를 확보한다.The simulated defect information such as the thickness of the steel plate of the defect replica, the size, width, length, and depth of the simulated defect, and the temperature distribution information of the simulated defect are used as training data for the defect information output learning model. In order to output more accurate defect information, training data are secured for various types of simulated defects and defect replicas having different thicknesses of steel plates.
한편, 훈련 데이터로서 결함 모사체의 촬영 환경 정보가 포함될 수 있다. 실제 강판 콘크리트 구조물의 결함 정보를 얻기 위한 열화상 촬영 시 외부 환경에 따른 영향을 고려해야 하기 때문에, 결함 모사체의 열화상 촬영 시 주변 온도, 풍속, 습도, 조도 등을 측정하여 이를 촬영 환경 정보로서 사용한다. On the other hand, as the training data, the photographing environment information of the defective base may be included. When taking thermal imaging to obtain defect information of the actual steel plate concrete structure, the influence of the external environment must be considered, so when taking thermal imaging of a defective replica, the ambient temperature, wind speed, humidity, illuminance, etc. are measured and used as the shooting environment information. do.
촬영 환경 정보를 획득하기 위해 본 실시예에 따른 강판 콘크리트 구조물의 결함 측정 장치는, 환경 정보 측정부(36)를 포함할 수 있다. 환경 정보 측정부(36)에는 주변 온도를 측정하는 온도계, 풍속계, 습도계, 조도계 등을 포함하여 열화상 촬영 시 주변 온도, 풍속, 습도, 조도 등을 측정하여 촬영 환경 정보를 얻을 수 있다.In order to obtain photographing environment information, the apparatus for measuring defects of a steel plate concrete structure according to the present embodiment may include an environmental
또한, 훈련 데이터는, 결함 모사체의 열화상 영상으로부터 추출된 모사 결함의 형상 정보를 포함할 수 있다. 모사 결함의 형상 정보는 열화상 영상으로부터 이미지 프로세싱을 거쳐 생성될 수 있다. 이에 대응되어 실제 측정 데이터 또한 실제 강판 콘크리트 구조물의 열화상 영상으로부터 추출된 실제 결함의 형상 정보를 포함하게 된다. 모사 결함의 형상 정보는 결함 정보 출력 학습 모델의 훈련 데이터로 함께 학습될 수 있다. In addition, the training data may include shape information of the simulated defect extracted from the thermal image of the defect replica. The shape information of the simulated defect may be generated from a thermal image through image processing. Correspondingly, the actual measurement data also includes the shape information of the actual defect extracted from the thermal image of the actual steel plate concrete structure. The shape information of the simulated defect may be learned together as training data of the defect information output learning model.
결함 정보 출력 학습 모델은 인공 지능 알고리즘으로서 인공 신경망 모델(artificial neural network model)를 갖는 지도 학습 알고리즘을 포함하여 구성될 수 있다. 상술한 훈련 데이터로 하여 기 등록된 결함 정보 출력 학습 모델에 기계 학습을 진행한다.The defect information output learning model may be configured by including a supervised learning algorithm having an artificial neural network model as an artificial intelligence algorithm. Machine learning is performed on the previously registered defect information output learning model using the above-described training data.
결함 정보 출력부(44)는, 실제 강판 콘크리트 구조물의 강판의 두께, 실제 강판 콘크리트 구조물의 열화상 영상으로부터 추출된 콘크리트 결함 부분의 온도 분포 정보를 포함하는 실제 측정 데이터를 입력받고 기계 학습된 결함 정보 출력 학습 모델을 통해 실제 결함 정보를 출력한다. 실제 강판 콘크리트 구조물(24)의 실제 결함 정보는 훈련 데이터의 모사 결함 정보에 상응하여 실제 결함의 크기, 폭, 길이, 깊이 등이 될 수 있다.The defect
제어부(38)는, 열화상 영상이 입력되면 온도 정보 추출부(34)를 통해 이미지 프로세싱을 거쳐 온도 분포 정보를 추출하도록 제어하고, 이러한 온도 분포 정보를 포함하는 훈련 데이터가 입력되면 이를 기계 학습부(40)에서 기계 학습되도록 기계 학습부(40)를 제어한다. 또한, 제어부(38)는, 실제 강판 콘크리트 구조물(24)의 온도 정보 추출부(34)를 통한 열화상 영상의 온도 분포 정보의 추출을 제어하며, 입력된 온도 분포 정보를 포함하는 실제 측정 데이터가 입력되면 학습된 결함 정보 출력 학습 모델을 통해 실제 결함 정보를 출력하도록 제어한다. When a thermal image is input, the
송수신부(42)는 무선 통신망을 통해 촬영 드론과 연결되며, 제어부(38)가 송수신부(42)를 통해 무선으로 촬영 드론(30)을 제어하도록 하거나, 열화상 카메라와 가시광 카메라에 무선으로 연결되어 제어부(38)가 실제 강판 콘크리트 구조물의 열화상 영상을 촬영하도록 제어하도록 할 수 있다.The
이상에서는 본 발명의 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 쉽게 이해할 수 있을 것이다.Although the above has been described with reference to the embodiments of the present invention, those skilled in the art can variously modify the present invention within the scope without departing from the spirit and scope of the present invention described in the claims below. and can be changed.
12: 결함 모사체 14: 26: 콘크리트
16: 모사 결함 18, 28: 강판
20: 모사 용접부 22: 열화상 카메라
24: 강판 콘크리트 구조물 30: 촬영 드론
32: 가시광 카메라 34: 온도 정보 추출부
26: 환경 정보 측정부 38: 제어부
40: 기계 학습부 42: 송수신부
44: 결함 정보 출력부12: defect mimetic 14: 26: concrete
16:
20: simulated welding portion 22: thermal imaging camera
24: steel plate concrete structure 30: shooting drone
32: visible light camera 34: temperature information extraction unit
26: environmental information measurement unit 38: control unit
40: machine learning unit 42: transceiver unit
44: defect information output unit
Claims (13)
일면에 모사 결함이 모사된 콘크리트와 상기 콘크리트의 일면을 피복하는 강판으로 구성되는 결함 모사체의 상기 강판의 두께, 상기 모사 결함에 대응되는 모사 결함 정보, 상기 강판 측에서 촬영된 상기 결함 모사체의 열화상 영상으로부터 추출된 상기 모사 결함의 온도 분포 정보를 포함하는 훈련 데이터를 입력하는 단계와;
상기 훈련 데이터를 이용하여 실제 결함 정보를 출력하도록 결함 정보 출력 학습 모델에 대해 기계 학습(Machine Learning)을 진행하는 단계와;
실제 강판 콘크리트 구조물의 강판의 두께, 상기 실제 강판 콘크리트 구조물의 열화상 영상으로부터 추출된 상기 콘크리트 결함 부분의 온도 분포 정보를 포함하는 실제 측정 데이터를 입력하는 단계와;
상기 기계 학습된 상기 결함 정보 출력 학습 모델을 통해 상기 실제 측정 데이터로부터 실제 결함 정보를 출력하는 단계를 포함하며,
상기 훈련 데이터를 입력하는 단계와;
상기 기계 학습(Machine Learning)을 진행하는 단계는,
서로 다른 두께의 강판 규격을 갖는 결함 모사체에 대해 반복적으로 수행하는 것을 특징으로 하는, 강판 콘크리트 구조물의 결함 측정 방법.
As a method for measuring defects of the concrete inside a steel plate concrete structure in which a steel plate is coated on concrete,
The thickness of the steel plate of the defect base body consisting of concrete with simulated defects on one surface and a steel plate covering one surface of the concrete, simulated defect information corresponding to the simulated defects, and the defect base body photographed from the steel plate side inputting training data including temperature distribution information of the simulated defect extracted from the thermal image;
performing machine learning on the defect information output learning model to output actual defect information using the training data;
inputting actual measurement data including the thickness of the steel plate of the actual steel plate concrete structure and the temperature distribution information of the concrete defect part extracted from the thermal image image of the actual steel plate concrete structure;
outputting actual defect information from the actual measurement data through the machine-learned defect information output learning model,
inputting the training data;
The step of performing the machine learning (Machine Learning) is,
A method for measuring defects in a steel plate concrete structure, characterized in that it is repeatedly performed on a defect model having a steel plate standard of different thickness.
상기 결함 모사체의 상기 강판에는 모사 용접부가 형성되는 것을 특징으로 하는, 강판 콘크리트 구조물의 결함 측정 방법.
According to claim 1,
Defect measurement method of the steel plate concrete structure, characterized in that the simulation welding portion is formed on the steel plate of the defect base body.
상기 훈련 데이터는,
상기 결함 모사체의 상기 열화상 영상 촬영 시 촬영 환경 정보를 포함하며,
상기 실제 측정 데이터를 입력하는 단계는,
상기 실제 강판 콘크리트 구조물의 열화상 영상 촬영 시 상기 촬영 환경 정보에 상응하는 실제 촬영 환경 정보를 측정하여 입력하는 단계를 포함하는 것을 특징으로 하는, 강판 콘크리트 구조물의 결함 측정 방법.
According to claim 1,
The training data is
Includes shooting environment information when shooting the thermal image of the defective base body,
The step of inputting the actual measurement data,
Defect measuring method of a steel plate concrete structure, comprising the step of measuring and inputting actual photographing environment information corresponding to the photographing environment information when taking a thermal image of the actual steel plate concrete structure.
상기 훈련 데이터는,
상기 결함 모사체의 상기 열화상 영상으로부터 추출된 상기 모사 결함의 형상 정보를 포함하며,
상기 실제 측정 데이터는,
상기 실제 강판 콘크리트 구조물의 상기 열화상 영상으로부터 추출된 실제 결함의 형상 정보를 포함하는 것을 특징으로 하는, 강판 콘크리트 구조물의 결함 측정 방법.
According to claim 1,
The training data is
Includes shape information of the simulated defect extracted from the thermal image of the defect replica,
The actual measurement data is,
Defect measuring method of the steel plate concrete structure, characterized in that it includes shape information of the actual defect extracted from the thermal image of the actual steel plate concrete structure.
상기 결함 정보 출력 학습 모델은,
인공 신경망 모델(artificial neural network model)를 갖는 지도 학습 알고리즘을 포함하는 것을 특징으로 하는, 강판 콘크리트 구조물의 결함 측정 방법.
According to claim 1,
The defect information output learning model,
A method for measuring defects in a steel plate concrete structure, comprising a supervised learning algorithm having an artificial neural network model.
일면에 모사 결함이 모사된 콘크리트와 상기 콘크리트의 일면을 피복하는 강판으로 구성되는 결함 모사체와 실제 강판 콘크리트 구조물의 열화상 영상을 촬영하는 열화상 카메라와;
상기 열화상 영상으로부터 온도 분포 정보를 추출하는 온도 정보 추출부와;
상기 결함 모사체의 상기 강판의 두께, 상기 모사 결함에 대응되는 모사 결함 정보, 상기 온도 분포 정보를 포함하는 훈련 데이터에 대해 기계 학습이 진행되는 결함 정보 출력 학습 모델을 포함하는 기계 학습부와;
상기 실제 강판 콘크리트 구조물의 강판의 두께, 상기 실제 강판 콘크리트 구조물의 열화상 영상으로부터 추출된 상기 콘크리트 결함 부분의 온도 분포 정보를 포함하는 실제 측정 데이터를 입력받고 상기 기계 학습된 결함 정보 출력 학습 모델을 통해 실제 결함 정보를 출력하는 결함 정보 출력부를 포함하며,
상기 기계 학습부는,
서로 다른 두께의 강판 규격을 갖는 결함 모사체에 대해 기계 학습이 반복적으로 수행되는 것을 특징으로 하는, 강판 콘크리트 구조물의 결함 측정 장치.
As a defect measuring device of the concrete inside the steel plate concrete structure in which the steel plate is coated on the concrete,
A thermal imaging camera for photographing a thermal image of a concrete structure having a simulated defect on one surface and a defect model composed of a steel plate covering one surface of the concrete and an actual steel plate;
a temperature information extraction unit for extracting temperature distribution information from the thermal image;
a machine learning unit including a defect information output learning model in which machine learning is performed on training data including the thickness of the steel plate of the defect mimetic body, simulated defect information corresponding to the simulated defect, and the temperature distribution information;
The actual measurement data including the thickness of the steel plate of the real steel plate concrete structure and the temperature distribution information of the concrete defect part extracted from the thermal image of the real steel plate concrete structure are received and the machine-learned defect information output learning model and a defect information output unit for outputting actual defect information,
The machine learning unit,
Defect measuring apparatus of a steel plate concrete structure, characterized in that machine learning is repeatedly performed on the defect replica having different thicknesses of steel plate specifications.
상기 열화상 영상 촬영 시 촬영 환경 정보를 측정하는 환경 정보 측정부를 더 포함하는, 강판 콘크리트 구조물의 결함 측정 장치.
8. The method of claim 7,
Defect measuring apparatus of a steel plate concrete structure further comprising an environment information measuring unit for measuring the photographing environment information when the thermal image is taken.
상기 열화상 카메라와, 가시광 카메라가 탑재되어 상기 실제 강판 콘크리트 구조물 주위를 비행하는 촬영 드론을 더 포함하는, 강판 콘크리트 구조물의 결함 측정 장치.
8. The method of claim 7,
The thermal imaging camera, and a visible light camera is mounted, further comprising a photographing drone flying around the actual steel plate concrete structure, the defect measuring device of the steel plate concrete structure.
상기 결함 모사체의 상기 강판에는 모사 용접부가 형성되는 것을 특징으로 하는, 강판 콘크리트 구조물의 결함 측정 장치.
8. The method of claim 7,
Defect measuring device of the steel plate concrete structure, characterized in that the simulated welding portion is formed on the steel plate of the defect base body.
상기 훈련 데이터는,
상기 결함 모사체의 상기 열화상 영상으로부터 추출된 상기 모사 결함의 형상 정보를 포함하며,
상기 실제 측정 데이터는,
상기 실제 강판 콘크리트 구조물의 상기 열화상 영상으로부터 추출된 실제 결함의 형상 정보를 포함하는 것을 특징으로 하는, 강판 콘크리트 구조물의 결함 측정 장치.
8. The method of claim 7,
The training data is
Includes shape information of the simulated defect extracted from the thermal image of the defect replica,
The actual measurement data is,
Defect measuring apparatus of the steel plate concrete structure, characterized in that it includes shape information of the actual defect extracted from the thermal image of the actual steel plate concrete structure.
상기 결함 정보 출력 학습 모델은,
인공 신경망 모델(artificial neural network model)를 갖는 지도 학습 알고리즘을 포함하는 것을 특징으로 하는, 강판 콘크리트 구조물의 결함 측정 장치.8. The method of claim 7,
The defect information output learning model,
An apparatus for measuring defects in a steel plate concrete structure, comprising a supervised learning algorithm having an artificial neural network model.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200054091A KR102313627B1 (en) | 2020-05-06 | 2020-05-06 | Method for measuring defect of steel concrete structure and apparatus for measuring defect of steel concrete structure |
KR1020210114915A KR102400954B1 (en) | 2020-05-06 | 2021-08-30 | Method for measuring defect of steel concrete structure and apparatus for measuring defect of steel concrete structure |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200054091A KR102313627B1 (en) | 2020-05-06 | 2020-05-06 | Method for measuring defect of steel concrete structure and apparatus for measuring defect of steel concrete structure |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210114915A Division KR102400954B1 (en) | 2020-05-06 | 2021-08-30 | Method for measuring defect of steel concrete structure and apparatus for measuring defect of steel concrete structure |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102313627B1 true KR102313627B1 (en) | 2021-10-19 |
Family
ID=78228021
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200054091A KR102313627B1 (en) | 2020-05-06 | 2020-05-06 | Method for measuring defect of steel concrete structure and apparatus for measuring defect of steel concrete structure |
KR1020210114915A KR102400954B1 (en) | 2020-05-06 | 2021-08-30 | Method for measuring defect of steel concrete structure and apparatus for measuring defect of steel concrete structure |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210114915A KR102400954B1 (en) | 2020-05-06 | 2021-08-30 | Method for measuring defect of steel concrete structure and apparatus for measuring defect of steel concrete structure |
Country Status (1)
Country | Link |
---|---|
KR (2) | KR102313627B1 (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09189670A (en) * | 1996-01-11 | 1997-07-22 | Nitto Chem Ind Co Ltd | Method for detecting defect of structure reinforced with steel plate |
KR20160031119A (en) | 2014-09-11 | 2016-03-22 | 한국표준과학연구원 | Nondestructive infrared thermography system and inspection method using thermal conduction controller |
JP2019027908A (en) * | 2017-07-28 | 2019-02-21 | 株式会社TonTon | Exterior surface material investigation system |
KR20190139270A (en) * | 2017-04-18 | 2019-12-17 | 사우디 아라비안 오일 컴퍼니 | Apparatus, Systems, and Methods for Inspecting Composite Structures Using Quantitative Infrared Thermography |
-
2020
- 2020-05-06 KR KR1020200054091A patent/KR102313627B1/en active IP Right Grant
-
2021
- 2021-08-30 KR KR1020210114915A patent/KR102400954B1/en active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09189670A (en) * | 1996-01-11 | 1997-07-22 | Nitto Chem Ind Co Ltd | Method for detecting defect of structure reinforced with steel plate |
KR20160031119A (en) | 2014-09-11 | 2016-03-22 | 한국표준과학연구원 | Nondestructive infrared thermography system and inspection method using thermal conduction controller |
KR20190139270A (en) * | 2017-04-18 | 2019-12-17 | 사우디 아라비안 오일 컴퍼니 | Apparatus, Systems, and Methods for Inspecting Composite Structures Using Quantitative Infrared Thermography |
JP2019027908A (en) * | 2017-07-28 | 2019-02-21 | 株式会社TonTon | Exterior surface material investigation system |
Also Published As
Publication number | Publication date |
---|---|
KR102400954B1 (en) | 2022-05-24 |
KR20210135944A (en) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102256181B1 (en) | Method of inspecting and evaluating coating state of steel structure and system for the same | |
KR102122893B1 (en) | System and method for autonomous crack evaluation of structure based on uav mounted-hybrid image scanning | |
JP2018181235A (en) | Report generator, wind power generation equipment inspection system, program, and method for generating inspection report of wind power generation equipment | |
CN109931878A (en) | A kind of building curtain wall seismic deformation monitoring method based on digital speckle label | |
KR102095793B1 (en) | Method and apparatus for measuring crack depth of structure using thermo-graphical image | |
KR101942182B1 (en) | Residual strength evaluation method for fire damaged structure | |
JPWO2018034057A1 (en) | Defect inspection apparatus, defect inspection method, and program | |
KR101792435B1 (en) | Damage evaluation method for fire damaged structure | |
KR20190130257A (en) | Prediction method for compression strength of concrete structure based on deep convolutional neural network algorithm and prediction system using the method | |
CN110006896A (en) | A kind of the virtual detection instrument and detection method of 3D printing concrete performance | |
JP2021035833A (en) | Inspection system | |
Ramón et al. | Thermal point clouds of buildings: A review | |
JPH05322778A (en) | Remote sensing method for building | |
CN107972885A (en) | Apparatus and method for checking inconsistency caused by lightning | |
JP2021021669A (en) | Inspection assisting method, inspection assisting system, and inspection assisting program | |
JP2016035424A (en) | Concrete evaluation device and concrete evaluation method | |
Park et al. | Learning‐based image scale estimation using surface textures for quantitative visual inspection of regions‐of‐interest | |
KR102313627B1 (en) | Method for measuring defect of steel concrete structure and apparatus for measuring defect of steel concrete structure | |
Zdziebko et al. | Synthetic image generation using the finite element method and blender graphics program for modeling of vision-based measurement systems | |
Wang et al. | Structured-light three-dimensional scanning for process monitoring and quality control in precast concrete production. | |
KR101081937B1 (en) | A Method for Assessing the Possibility of Joining Structures Using Terrestrial Laser Scanner | |
Garrido et al. | Algorithms for the automatic detection and characterization of pathologies in heritage elements from thermographic images | |
Merkle et al. | Sensor evaluation for crack detection in concrete bridges | |
KR20240064037A (en) | How to identify and characterize surface defects of objects and cracks in brake discs by artificial intelligence through fatigue testing | |
Žnidarič et al. | Detection of delaminated and cracked concrete with unmanned aerial vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A107 | Divisional application of patent | ||
GRNT | Written decision to grant |