KR102315854B1 - 딥러닝 기반 학습 데이터 생성 방법 및 학습 데이터 생성 시스템 - Google Patents

딥러닝 기반 학습 데이터 생성 방법 및 학습 데이터 생성 시스템 Download PDF

Info

Publication number
KR102315854B1
KR102315854B1 KR1020190020146A KR20190020146A KR102315854B1 KR 102315854 B1 KR102315854 B1 KR 102315854B1 KR 1020190020146 A KR1020190020146 A KR 1020190020146A KR 20190020146 A KR20190020146 A KR 20190020146A KR 102315854 B1 KR102315854 B1 KR 102315854B1
Authority
KR
South Korea
Prior art keywords
learning data
symbol
data generation
learning
information
Prior art date
Application number
KR1020190020146A
Other languages
English (en)
Other versions
KR20200103204A (ko
Inventor
문두환
유은섭
Original Assignee
경북대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 경북대학교 산학협력단 filed Critical 경북대학교 산학협력단
Priority to KR1020190020146A priority Critical patent/KR102315854B1/ko
Publication of KR20200103204A publication Critical patent/KR20200103204A/ko
Application granted granted Critical
Publication of KR102315854B1 publication Critical patent/KR102315854B1/ko

Links

Images

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 플랜트 도면의 객체에 대한 딥러닝 기반 학습 데이터를 생성하는 학습 데이터 생성 방법에 있어서, 상기 플랜트 도면 및 상기 객체에 대한 학습 데이터가 저장되는 폴더를 계층 별로 분류하여 생성하는 계층 폴더 생성 단계; 상기 플랜트 도면에서 심볼 객체를 탐지하고, 탐지된 상기 심볼 객체에 대한 심볼 학습 데이터를 생성하는 심볼 학습 데이터 생성 단계; 상기 플랜트 도면에서 상기 심볼 객체에 대한 분류 학습 데이터를 생성하는 심볼 분류 학습 데이터 생성 단계; 상기 플랜트 도면에서 문자 객체를 탐지하고, 탐지된 문자 객체에 대한 문자 학습 데이터를 생성하는 문자 학습 데이터 생성 단계; 및 상기 플랜트 도면에서 배관 객체를 탐지하고, 탐지된 배관 객체에 대한 배관 학습 데이터를 생성하는 배관 학습 데이터 생성 단계; 를 포함하는 딥러닝 기반 학습 데이터 생성 방법 및 학습 데이터 생성 시스템을 개시한다.

Description

딥러닝 기반 학습 데이터 생성 방법 및 학습 데이터 생성 시스템{DEEP LEARNING-BASED LEARNING DATA GENERATION METHOD AND LEARNING DATA GENERATION SYSTEM}
본 발명은 딥러닝 기반 학습 데이터 생성 방법 및 학습 데이터 생성 시스템에 관한 것이다.
인공지능의 발전으로 인해, 딥러닝(deep learning) 기술의 활용 분야는 점점 넓어지고 있으며, 활용 목적에 따라 요구되는 데이터의 종류는 달라진다.
플랜트 엔지니어링(plant engineering) 분야에서의 딥러닝 기술은 플랜트 기본사양 추정, 기기 고장 진단/예측, 플랜트 운전상태 모니터링, 플랜트 운영실적 데이터 분석 등의 목적으로 사용되고 있다.
플랜트 엔지니어링 분야에서의 딥러닝 기술의 성공적인 수행을 위해서는 목적과 부합한 대량의 학습용 데이터가 필요하다. 하지만 대량의 학습용 데이터를 수작업으로 구축하는 것은 수많은 시간이 요구된다.
또한, 휴먼 에러의 발생으로 인해, 플랜트 모델의 기본 설계 정보와의 불일치 등의 정확성에 문제가 생길 수 있다.
본 발명은 플랜트 도면에서 딥러닝 기술에 필요한 학습용 데이터를 자동으로 추출하여 학습에 필요한 형식으로 변환하고, 구조화 함으로써 딥러닝 응용 도구에서 사용할 수 있도록 지원하는 것이 가능한 딥러닝 기반 학습 데이터 생성 방법 및 학습 데이터 생성 시스템을 제공하는 것을 목적으로 한다.
한편, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법은 플랜트 도면의 객체에 대한 딥러닝 기반 학습 데이터를 생성하는 학습 데이터 생성 방법에 있어서, 상기 플랜트 도면 및 상기 객체에 대한 학습 데이터가 저장되는 폴더를 계층 별로 분류하여 생성하는 계층 폴더 생성 단계; 상기 플랜트 도면에서 심볼 객체를 탐지하고, 탐지된 상기 심볼 객체에 대한 심볼 학습 데이터를 생성하는 심볼 학습 데이터 생성 단계; 상기 플랜트 도면에서 상기 심볼 객체에 대한 분류 학습 데이터를 생성하는 심볼 분류 학습 데이터 생성 단계; 상기 플랜트 도면에서 문자 객체를 탐지하고, 탐지된 문자 객체에 대한 문자 학습 데이터를 생성하는 문자 학습 데이터 생성 단계; 및 상기 플랜트 도면에서 배관 객체를 탐지하고, 탐지된 배관 객체에 대한 배관 학습 데이터를 생성하는 배관 학습 데이터 생성 단계; 를 포함할 수 있다.
상기 계층 폴더 생성 단계에서는 제1계층 폴더, 상기 제1계층 폴더 내에 위치하며 적어도 하나의 플랜트 도면이 저장되는 제2계층 폴더 및 상기 제2계층 폴더 내에 위치하며, 상기 심볼 학습 데이터, 상기 심볼 분류 학습 데이터, 상기 문자 학습 데이터 및 상기 배관 학습 데이터 각각이 구분되어 저장되는 제3계층 폴더를 생성할 수 있다.
상기 제3계층 폴더는 상기 심볼 학습 데이터가 저장되는 심볼 학습 데이터 폴더, 상기 심볼 분류 학습 데이터가 저장되는 심볼 분류 학습 데이터 폴더, 상기 문자 학습 데이터가 저장되는 문자 학습 데이터 폴더 및 상기 배관 학습 데이터가 저장되는 배관 학습 데이터 폴더를 포함할 수 있다.
상기 계층 폴더 생성 단계에서는 상기 심볼 분류 학습 데이터 폴더에 위치하며, 심볼 객체의 형상 정보 및 배향 정보가 동일한 데이터가 그룹핑된 심볼 분류 학습 데이터가 저장되는 적어도 하나의 제4계층 폴더를 생성할 수 있다.
상기 심볼 학습 데이터 생성 단계에서는 플랜트 도면 상에서의 위치 정보, 크기 정보, 형상 정보, 색상 정보 및 배향 정보를 포함하는 상기 심볼 학습 데이터를 생성하고, 상기 문자 학습 데이터 생성 단계에서는 플랜트 도면 상에서의 위치 정보, 크기 정보, 형상 정보, 색상 정보 및 배향 정보를 포함하는 상기 문자 학습 데이터를 생성할 수 있다.
상기 심볼 학습 데이터 생성 단계 및 상기 문자 학습 데이터 생성 단계에서는 상기 플랜트 도면 상에 바운딩 박스를 투영하고, 상기 심볼 객체 또는 상기 문자 객체에 매칭되는 바운딩 박스의 크기 및 위치를 심볼 객체 또는 문자 객체의 위치 정보 및 크기 정보로 반영할 수 있다.
상기 심볼 학습 데이터 생성 단계 및 상기 문자 학습 데이터 생성 단계에서는 상기 플랜트 도면의 모서리 중 하나를 원점으로 설정하고, 상기 바운딩 박스의 각 모서리의 좌표값을 통해 바운딩 박스의 크기 정보 및 위치 정보를 획득할 수 있다.
상기 심볼 분류 학습 데이터 생성 단계에서는 심볼 객체의 형상 정보 및 배향 정보를 기반으로 저장부에 기 저장된 심볼 객체 데이터와 상기 플랜트 도면의 심볼 객체를 매칭시킨 후, 상기 플랜트 도면에서 형상 정보 및 배향 정보가 동일한 심볼 객체와 매칭되는 기 저장된 심볼 객체 데이터를 그룹핑한 후, 그룹핑된 심볼 분류 학습 데이터를 생성하여 상기 제4계층 폴더에 저장할 수 있다.
상기 문자 학습 데이터 생성 단계에서는 플랜트 도면에서 상기 심볼 객체 내부에 배치된 문자 및 상기 심볼 객체 외부에 배치된 문자를 함께 탐지하고, 탐지된 문자 객체에 대한 상기 문자 학습 데이터를 생성할 수 있다.
상기 문자 학습 데이터 생성 단계에서는 타입 정보를 포함하는 상기 문자 학습 데이터를 생성하고, 상기 타입 정보는 문자 타입 정보 및 숫자 타입 정보를 포함하고, 상기 문자 타입 정보는 영문자 타입 정보 및 국문자 타입 정보를 포함하고, 영문자 타입 정보는 대문자 타입 정보 및 소문자 타입 정보를 포함할 수 있다.
상기 배관 학습 데이터 생성 단계에서는 상기 플랜트 도면 상에서 심볼 객체 및 문자 객체를 제외하며, 실선 또는 파선을 포함하는 라인(line)을 탐지하여, 탐지된 상기 라인에 대응되는 배관의 위치 정보, 크기 정보, 형상 정보, 색상 정보 및 배향 정보를 포함하는 배관 학습 데이터를 생성할 수 있다.
상기 배관 학습 데이터 생성 단계에서는 상기 플랜트 도면의 모서리 중 하나를 원점으로 설정하고, 상기 라인의 선단 및 말단의 좌표값을 통해 배관의 위치 정보, 크기 정보 및 배향 정보를 획득할 수 있다.
상기 배관 학습 데이터 생성 단계에서는 상기 라인 상에 위치한 흐름 기호를 탐지하여, 흐름 정보를 포함할 수 있다.
상기 배관 학습 데이터 생성 단계에서는 상기 라인의 선단 또는 말단에 위치한 흐름 기호를 탐지하여, 흐름 정보를 포함할 수 있다.
상기 심볼 학습 데이터는 심볼 이미지 파일, 심볼 주석 파일 및 심볼 리스트 파일을 포함하고, 상기 심볼 분류 학습 데이터는 저장부에 기 저장된 심볼 이미지 파일 및 저장부에 기 저장된 심볼 리스트 파일을 포함하고, 상기 문자 학습 데이터는 문자 이미지 파일, 문자 주석 파일 및 문자 리스트 파일을 포함하고, 상기 배관 학습 데이터는 배관 이미지 파일, 배관 주석 파일 및 배관 리스트 파일을 포함할 수 있다.
또한, 본 발명의 실시예에 따른 학습 데이터 생성 시스템은 플랜트 도면의 객체에 대한 딥러닝 기반 학습 데이터를 생성하는 학습 데이터 생성 시스템에 있어서, 상기 플랜트 도면 및 상기 객체에 대한 학습 데이터가 저장되는 폴더를 계층 별로 분류하여 생성하는 계층 폴더 생성부; 상기 플랜트 도면에서 심볼 객체를 탐지하고, 탐지된 상기 심볼 객체에 대한 학습 데이터를 생성하는 심볼 학습 데이터 생성부; 상기 플랜트 도면에서 상기 심볼 객체에 대한 분류 학습 데이터를 생성하는 심볼 분류 학습 데이터 생성부; 상기 플랜트 도면에서 문자 객체를 탐지하고, 탐지된 문자 객체에 대한 학습 데이터를 생성하는 문자 학습 데이터 생성부; 및 상기 플랜트 도면에서 배관 객체를 탐지하고, 탐지된 배관 객체에 대한 학습 데이터를 생성하는 배관 학습 데이터 생성부; 를 포함할 수 있다.
본 발명의 실시예에 따르면, 플랜트 도면에서 딥러닝 기술에 필요한 학습용 데이터를 자동으로 추출하여 학습에 필요한 형식으로 변환하고, 구조화 함으로써 딥러닝 응용 도구에서 사용할 수 있도록 지원하는 것이 가능하다.
한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 시스템의 구성을 나타낸 예시도이고,
도 2는 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법을 나타내는 흐름도이고,
도 3은 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 제공되는 플랜트 도면을 나타낸 예시도이고,
도 4는 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 생성된 계층 폴더의 구조를 개략적으로 나타낸 예시도이고,
도 5 및 도 6은 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 플랜트 도면 상에서 심볼 객체를 탐지하는 과정을 설명하기위한 예시도이고,
도 7은 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 플랜트 도면 상에서 생성된 심볼 학습 데이터의 심볼 주석 파일을 나타낸 예시도이고,
도 8은 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 플랜트 도면 상에서 생성된 심볼 학습 데이터의 심볼 리스트 파일을 나타낸 예시도이고,
도 9는 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 플랜트 도면 상에서 분류된 심볼 객체의 이미지를 나타낸 예시도이고,
도 10은 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 플랜트 도면 상에서 생성된 심볼 분류 학습 데이터의 계층 폴더를 나타낸 예시도이고,
도 11은 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 생성된 플랜트 도면 상에서 생성된 심볼 분류 학습 데이터의 계층 폴더를 나타낸 예시도이고,
도 12는 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 플랜트 도면 상에서 문자 객체를 탐지하는 과정을 설명하기 위한 예시도이고,
도 13은 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 플랜트 도면 상에서 생성된 문자 학습 데이터의 문자 주석 파일을 나타낸 예시도이고,
도 14는 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 플랜트 도면 상에서 생성된 문자 학습 데이터의 문자 리스트 파일을 나타낸 예시도이고,
도 15는 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 플랜트 도면 상에서 배관 객체를 탐지하는 과정을 설명하기 위한 예시도이고,
도 16은 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 플랜트 도면 상에서 생성된 배관 학습 데이터의 배관 주석 파일을 나타낸 예시도이다.
본 발명의 실시예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위하여 제공되는 것이며, 하기 실시예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 하기 실시예에 한정되는 것은 아니다. 오히려, 이들 실시예는 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 발명의 사상을 완전하게 전달하기 위하여 제공되는 것이다.
또한, 이하의 도면에서 각 구성은 설명의 편의 및 명확성을 위하여 과장된 것이며, 도면 상에서 동일 부호는 동일한 요소를 지칭한다. 본 명세서에서 사용된 바와 같이, 용어 "및/또는" 는 해당 열거된 항목 중 어느 하나 및 하나 이상의 모든 조합을 포함한다.
본 명세서에서 사용된 용어는 특정 실시예를 설명하기 위하여 사용되며, 본 발명을 제한하기 위한 것이 아니다.
본 명세서에서 사용된 바와 같이, 단수 형태는 문맥상 다른 경우를 분명히 지적하는 것이 아니라면, 복수의 형태를 포함할 수 있다. 또한, 본 명세서에서 사용되는 경우 "포함한다(comprise)" 및/또는 "포함하는(comprising)"은 언급한 형상들, 숫자, 단계, 동작, 부재, 요소 및/또는 이들 그룹의 존재를 특정하는 것이며, 하나 이상의 다른 형상, 숫자, 동작, 부재, 요소 및 /또는 그룹들의 존재 또는 부가를 배제하는 것이 아니다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하기로 한다.
도 1을 참조하여, 플랜트 도면에서 딥러닝 기반 학습 데이터 생성 시스템을 설명한다.
도 1은 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 시스템의 구성을 나타낸 예시도이다.
우선, 도 1을 참조하면, 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 시스템은 저장부(110), 계층 폴더 생성부(120), 심볼 학습 데이터 생성부(130), 심볼 분류 학습 데이터 생성부(140), 문자 학습 데이터 생성부(150) 및 배관 학습 데이터 생성부(160)를 포함할 수 있다.
저장부(110)는 계층 폴더 생성부(120)에서 생성된 폴더와, 심볼 학습 데이터 생성부(130), 심볼 분류 학습 데이터 생성부(140), 문자 학습 데이터 생성부(150) 및 배관 학습 데이터 생성부(160)에서 생성된 학습 데이터 각각을 저장할 수 있다.
계층 폴더 생성부(120)는 저장부(110)에 계층에 따른 폴더를 각각 생성할 수 있다.
계층에 따른 각각의 폴더에는 제공되는 플랜트 도면, 심볼 학습 데이터 생성부(130), 심볼 분류 학습 데이터 생성부(140), 문자 학습 데이터 생성부(150) 및 배관 학습 데이터 생성부(160)에서 생성된 학습 데이터 각각이 저장될 수 있다.
심볼 학습 데이터 생성부(130)는 제공되는 플랜트 도면에서 심볼 객체를 탐지하고, 이에 대한 학습 데이터를 생성하여, 계층 폴더 생성부(120)에서 생성된 폴더에 구분되어 저장될 수 있다.
심볼 분류 학습 데이터 생성부(140)는 제공되는 플랜트 도면의 심볼 객체를 심볼 객체의 형상 정보 및 배향 정보를 기반으로 분류하고, 저장부(110)에 기 저장된 심볼 객체 데이터와 매칭 시킨 후, 형상 정보 및 배향 정보가 동일한 심볼 객체와 매칭되는 기 저장된 심볼 객체 데이터를 그룹핑한 후, 그룹핑된 심볼 분류 학습 데이터를 생성하여, 계층 폴더 생성부(120)에서 생성된 폴더에 구분되어 저장될 수 있다.
문자 학습 데이터 생성부(150)는 제공되는 플랜트 도면에서 문자 객체를 탐지하고, 이에 대한 학습 데이터를 생성하여, 계층 폴더 생성부(120)에서 생성된 폴더에 구분되어 저장될 수 있다.
배관 학습 데이터 생성부(160)는 제공되는 플랜트 도면에서 문자 객체를 탐지하고, 이에 대한 학습 데이터를 생성하여, 계층 폴더 생성부(120)에서 생성된 폴더에 구분되어 저장될 수 있다.
이하에서는 도 1 내지 도 16을 참조하여, 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 시스템을 이용한 딥러닝 기반 학습 데이터 생성 방법에 대해 상세히 설명한다.
도 2는 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법을 나타내는 흐름도이고, 도 3은 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 제공되는 플랜트 도면을 나타낸 예시도이고, 도 4는 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 생성된 계층 폴더의 구조를 개략적으로 나타낸 예시도이고, 도 5 및 도 6은 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 플랜트 도면 상에서 심볼 객체를 탐지하는 과정을 설명하기위한 예시도이고, 도 7은 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 플랜트 도면 상에서 생성된 심볼 학습 데이터의 심볼 주석 파일을 나타낸 예시도이고, 도 8은 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 플랜트 도면 상에서 생성된 심볼 학습 데이터의 심볼 리스트 파일을 나타낸 예시도이고, 도 9는 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 플랜트 도면 상에서 분류된 심볼 객체의 이미지를 나타낸 예시도이고, 도 10은 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 플랜트 도면 상에서 생성된 심볼 분류 학습 데이터의 계층 폴더를 나타낸 예시도이고, 도 11은 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 생성된 플랜트 도면 상에서 생성된 심볼 분류 학습 데이터의 계층 폴더를 나타낸 예시도이고, 도 12는 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 플랜트 도면 상에서 문자 객체를 탐지하는 과정을 설명하기 위한 예시도이고, 도 13은 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 플랜트 도면 상에서 생성된 문자 학습 데이터의 문자 주석 파일을 나타낸 예시도이고, 도 14는 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 플랜트 도면 상에서 생성된 문자 학습 데이터의 문자 리스트 파일을 나타낸 예시도이고, 도 15는 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 플랜트 도면 상에서 배관 객체를 탐지하는 과정을 설명하기 위한 예시도이고, 도 16은 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법에 따라 플랜트 도면 상에서 생성된 배관 학습 데이터의 배관 주석 파일을 나타낸 예시도이다.
우선, 도 2를 참조하면, 본 발명의 실시예에 따른 딥러닝 기반 학습 데이터 생성 방법은 계층 폴더 생성 단계(S10), 심볼 학습 데이터 생성 단계(S20), 심볼 분류 학습 데이터 생성 단계(S30), 문자 학습 데이터 생성 단계(S40) 및 배관 학습 데이터 생성 단계(S50)를 포함할 수 있다.
여기서, 플랜트 도면은 2D 플랜트 도면과 3D 플랜트 도면을 포함할 수 있다.
이하에서는 플랜트 도면을 P&ID로 예를 들어 설명한다.
도 3을 참조하면, 딥러닝 기반 학습 데이터 생성 방법에 제공되는 플랜트 도면(1)은 도형으로 표현되는 심볼 객체(2), 문자 또는 순자로 표현되는 문자 객체(3) 및 라인(line)으로 표현되는 배관 객체(4)를 포함할 수 있다.
도 4를 참조하면, 계층 폴더 생성 단계(S10)에서는 계층 폴더 생성부(120)에서 수행될 수 있으며, 계층 별로 제1계층 폴더(11), 제2계층 폴더(12), 제3계층 폴더(13) 및 제4계층 폴더(14)를 생성할 수 있다.
여기서, 제1계층 폴더(11)는 계층 폴더 생성부(120)에서 생성하는 최상위 계층 폴더로, 심볼 학습 데이터 생성부(130), 심볼 분류 학습 데이터 생성부(140), 문자 학습 데이터 생성부(150) 및 배관 학습 데이터 생성부(160)에서 각각 생성된 학습 데이터의 리스트 파일이 저장될 수 있다.
제2계층 폴더(12)는 제1계층 폴더(11) 내부에 위치하며, 플랜트 도면을 제공하는 기업 별 폴더로 정의될 수 있으며, 이미지 파일(jpg)로 제공되는 도면 파일 및 도면 파일 리스트 파일이 저장될 수 있다.
제3계층 폴더(13, 14, 15, 16)는 제2계층 폴더(12) 내부에 각각에 위치하며, 심볼 학습 데이터 폴더(13), 심볼 분류 학습 데이터 폴더(14), 문자 학습 데이터 폴더(15) 및 배관 학습 데이터 폴더(16)를 포함할 수 있다.
심볼 학습 데이터 폴더(13)에는 심볼 학습 데이터 생성부(120)에서 생성되는 심볼 학습 데이터의 주석 파일 및 이미지 파일이 저장될 수 있다.
문자 학습 데이터 폴더(15)에는 문자 학습 데이터 생성부(150)에서 생성되는 문자 학습 데이터의 주석 파일 및 이미지 파일이 저장될 수 있다.
배관 학습 데이터 폴더(16)에는 배관 학습 데이터 생성부(160)에서 생성되는 배관 학습 데이터의 주석 파일 및 이미지 파일이 저장될 수 있다.
제4계층 폴더(14-1)는 심볼 분류 학습 데이터 폴더(14)의 내부에 배치되며, 에는 심볼 분류 학습 데이터 생성부(140)에서 생성되는 심볼 분류 학습 데이터의 이미지 파일이 저장될 수 있다.
여기서, 심볼 분류 학습 데이터의 이미지 파일은 저장부(110)에 기 저장된 심볼 객체의 이미지 파일일 수 있다.
도 5 및 도 6을 참조하면, 심볼 학습 데이터 생성 단계(S20)에서는 심볼 학습 데이터 생성부(130)에서 수행될 수 있으며, 플랜트 도면(1)에서 각 심볼 객체(2)를 대상으로 바운딩 박스(2a)를 투영하여, 심볼 객체(2)를 탐지할 수 있다.
예컨대, 심볼 학습 데이터 생성 단계(S20)에서는 플랜트 도면(1) 상에서 각 심볼 객체(2)에 가상의 바운딩 박스(2a)(사각형 또는, 다각형, 원)을 투영한 후, 가상의 바운딩 박스(2a)의 크기를 조절하여 심볼 객체(2)에 가상의 바운딩 박스(2a)의 네 변이 모두 맞닿으면, 가상의 바운딩 박스(2a)의 크기 조절을 중지하고 해당 가상의 바운딩 박스(2a)가 배치된 영역의 심볼 객체(2)의 위치 정보, 크기 정보, 형상 정보 및 배향 정보를 추출할 수 있다.
여기서, 심볼 학습 데이터 생성 단계(S20)에서는 플랜트 도면(1)의 모서리 중 하나를 원점(0,0)으로 설정하고, X축 및 Y축 좌표에서 바운딩 박스(2a)의 각 모서리의 좌표값(x, y)을 통해 바운딩 박스(2a)의 크기 정보 및 위치 정보를 획득할 수 있다.
한편, 심볼 학습 데이터 생성 단계(S20)에서는 위치 및 크기 조절이 완료된 가상의 바운딩 박스(2a)의 중심점 좌표를 탐지된 심볼 객체의 배치 위치 좌표로 정의할 수 있다.
즉, 심볼 학습 데이터 생성 단계(S20)에서는 입력된 플랜트 도면 상에 가상의 원점(0, 0) 및 가상의 바운딩 박스(2a)(사각형 또는, 다각형, 원)을 투영함으로써 심볼 객체(2)의 좌표 정보를 명확하고 신속하게 구분하여 인식할 수 있다.
도 7을 참조하면, 이를 통해, 심볼 학습 데이터 생성 단계(S20)에서는 심볼 객체(2)의 위치 정보, 크기 정보, 형상 정보, 배향 정보 및 색상 정보가 정의되는 주석 파일을 생성할 수 있다.
여기서, 심볼 객체(2)의 색상 정보는 도면 파일에서 제공되는 색상 채널의 깊이(depth) 정보 기반으로 정의될 수 있다.
도 8을 참조하면, 또한, 심볼 학습 데이터 생성 단계(S20)에서는 이미지 파일과 주석 파일을 포함하는 학습 데이터의 리스트 파일을 생성할 수 있다.
여기서, 리스트 파일은 심볼 객체의 순서(id) 및 클래스 정보와 배향 정보를 포함하는 파일명(name)을 기록할 수 있다.
도 9를 참조하면, 심볼 분류 학습 데이터 생성 단계(S30)에서는 심볼 분류 학습 데이터 생성부(140)에서 수행되며, 바운딩 박스(2a)에 의해 구분되는 심볼 객체(2)의 형상 정보 및 배향 정보를 기반으로 저장부(110)에 기 저장된 심볼 객체 데이터와 플랜트 도면(1)의 심볼 객체(2)를 매칭시켜, 심볼 분류 학습 데이터를 생성할 수 있다.
심볼 분류 학습 데이터 생성 단계(S30)에서는 플랜트 도면(1)에서 형상 정보 및 배향 정보가 동일한 심볼 객체(2)와 매칭되는 기 저장된 심볼 객체 데이터를 그룹핑한 후, 그룹핑된 심볼 분류 학습 데이터를 생성할 수 있다.
도 10을 참조하면, 심볼 분류 학습 데이터 생성 단계(S30)에서 생성된 심볼 분류 학습 데이터는 저장부(110)에 기 저장된 심볼 객체의 이미지 파일(2c)을 포함할 수 있으며, 심볼 분류 학습 데이터의 이미지 파일(2c)은 제4계층 폴더(14-1)에 저장될 수 있다.
여기서, 심볼 분류 학습 데이터 생성 단계(S30)에서는 바운딩 박스(2a)에 의해 구분되는 심볼 객체(2)의 형상 정보 및 배향 정보가 동일한 이미지 파일(2c)을 그룹핑하여, 각각의 제4계층 폴더(14-1)에 저장할 수 있다.
도 11을 참조하면, 심볼 분류 학습 데이터 생성 단계(S30)에서는 이미지 파일과 주석 파일을 포함하는 학습 데이터의 리스트 파일을 생성할 수 있다.
여기서, 리스트 파일은 심볼 객체의 순서(id) 및 클래스 정보와 배향 정보를 포함하는 파일명(name)을 기록할 수 있다.
도 12를 참조하면, 문자 학습 데이터 생성 단계(S40)에서는 문자 학습 데이터 생성부(150)에서 수행될 수 있으며, 플랜트 도면(1)에서 각 문자 객체(3)를 대상으로 바운딩 박스(3a)를 투영하여, 문자 객체(3)를 탐지할 수 있다.
예컨대, 문자 학습 데이터 생성 단계(S40)에서는 플랜트 도면(1) 상에서 각 문자 객체(3)에 가상의 바운딩 박스(3a)(사각형 또는, 다각형, 원)을 투영한 후, 가상의 바운딩 박스(3a)의 크기를 조절하여 문자 객체(3)에 가상의 바운딩 박스(3a)의 네 변이 모두 맞닿으면, 가상의 바운딩 박스(3a)의 크기 조절을 중지하고 해당 가상의 바운딩 박스(3a)가 배치된 영역의 문자 객체(3)의 위치 정보, 크기 정보, 형상 정보 및 배향 정보를 추출할 수 있다.
여기서, 문자 학습 데이터 생성 단계(S40)에서는 광학 문자 판독(OCR) 방법을 통해, 플랜트 도면(1) 상에서 문자 객체(3)를 탐지할 수 있다.
한편, 문자 학습 데이터 생성 단계(S40)에서는 플랜트 도면(1)의 모서리 중 하나를 원점(0,0)으로 설정하고, X축 및 Y축 좌표에서 바운딩 박스(3a)의 각 모서리의 좌표값(x, y)을 통해 바운딩 박스(3a)의 크기 정보 및 위치 정보를 획득할 수 있다.
한편, 문자 학습 데이터 생성 단계(S40)에서는 위치 및 크기 조절이 완료된 가상의 바운딩 박스(3a)의 중심점 좌표를 탐지된 문자 객체의 배치 위치 좌표로 정의할 수 있다.
즉, 문자 학습 데이터 생성 단계(S40)에서는 입력된 플랜트 도면 상에 가상의 원점(0, 0) 및 가상의 바운딩 박스(3a)(사각형 또는, 다각형, 원)을 투영함으로써 문자 객체(3)의 좌표 정보를 명확하고 신속하게 구분하여 인식할 수 있다.
도 13을 참조하면, 이를 통해, 문자 학습 데이터 생성 단계(S40)에서는 문자 객체(3)의 위치 정보, 크기 정보, 형상 정보, 배향 정보 및 색상 정보가 정의되는 주석 파일을 포함하는 문자 학습 데이터를 생성할 수 있다.
여기서, 문자 학습 데이터는 배향 정보를 기반으로 문자 타입 정보를 포함할 수 있다. 문자 타입 정보는 영문자 타입 정보 및 국문자 타입 정보를 포함하고, 영문자 타입 정보는 대문자 타입 정보 및 소문자 타입 정보를 포함할 수 있다.
이를 통해, 문자 학습 데이터 생성 단계(S40)에서는 배향 정보를 기반으로 탐지된 문자 객체(3)를 판단할 수 있어, 보다 정밀하게 문자 객체(3)를 탐지할 수 있다.
여기서, 문자 객체(3)의 색상 정보는 도면 파일에서 제공되는 색상 채널의 깊이(depth) 정보 기반으로 정의될 수 있다.
도 14를 참조하면, 또한, 문자 학습 데이터 생성 단계(S40)에서는 이미지 파일과 주석 파일을 포함하는 학습 데이터의 리스트 파일을 생성할 수 있다.
여기서, 리스트 파일은 문자 객체의 순서(id) 및 클래스 정보와 배향 정보를 포함하는 파일명(name)을 기록할 수 있다.
한편, 문자 학습 데이터 생성 단계(S40)에서는 복수의 문자 객체 중 배치 위치가 인접하고, 동일한 배열 값(X값 동일, 또는 Y값 동일)을 갖는 문자 객체를 조합하여 텍스트 객체로 그룹화해서, 텍스트 객체의 형상 데이터를 추출할 수 있다.
도 15를 참조하면, 배관 학습 데이터 생성 단계(S50)에서는 배관 학습 데이터 생성부(160)에서 수행될 수 있으며, 플랜트 도면(1)에서 각 배관 객체(4)를 탐지하고, 배관 객체(4)의 정보를 포함한 배관 학습 데이터를 생성할 수 있다.
예컨대, 배관 학습 데이터 생성 단계(S50)에서는 플랜트 도면(1) 상에서 직선 또는 파선을 포함하는 라인(line)(4)을 배관으로 인식하고, 해당 라인의 위치 정보, 크기 정보, 형상 정보, 색상 정보 및 배향 정보를 포함하는 배관 학습 데이터를 생성할 수 있다.
여기서, 배관 학습 데이터 생성 단계(S50)에서는 플랜트 도면(1)의 모서리 중 하나를 원점(0,0)으로 설정하고, X축 및 Y축 좌표에서 배관 객체(4)의 선단 및 말단의 좌표값(x, y)을 통해 배관 객체(4)의 크기 정보 및 위치 정보를 획득할 수 있다.
또한, 배관 학습 데이터 생성 단계(S50)에서는 배관 객체(4) 상에 위치한 흐름 기호를 탐지하여, 흐름 정보를 포함하는 배관 학습 데이터를 생성할 수 있다.
여기서, 배관 학습 데이터 생성 단계(S50)에서는 흐름 기호 객체를 대상으로 바운딩 박스(미도시)를 투영하여, 흐름 기호를 탐지할 수 있다.
예컨대, 배관 학습 데이터 생성 단계(S50)에서는 플랜트 도면(1) 상에서 각 흐름 기호 객체에 가상의 바운딩 박스를 투영한 후, 가상의 바운딩 박스의 크기를 조절하여 흐름 기호 객체에 가상의 바운딩 박스의 네 변이 모두 맞닿으면, 가상의 바운딩 박스의 크기 조절을 중지하고 해당 가상의 바운딩 박스가 배치된 영역의 흐름 기호 객체의 위치 정보, 크기 정보, 형상 정보 및 배향 정보를 추출할 수 있다.
여기서, 배관 학습 데이터 생성 단계(S50)에서는 위치 및 크기 조절이 완료된 가상의 바운딩 박스의 중심점 좌표를 탐지된 흐름 기호 객체의 배치 위치 좌표로 정의할 수 있다.
한편, 배관 학습 데이터 생성 단계(S50)에서 생성된 배관 학습 데이터는 배관 객체(4)에서 이웃하는 심볼 객체를 연결하는 정보를 추출하여 심볼 객체 연결 관계 정보를 포함할 수 있다.
또한, 배관 학습 데이터 생성 단계(S50)에서는 배관 객체(4)의 선단 또는 말단에 위치한 흐름 기호를 탐지하여, 흐름 정보를 포함하는 배관 학습 데이터를 생성할 수 있다.
여기서, 배관 객체(4)의 선단 또는 말단에 위치한 흐름 기호는 화살표(arrow) 기호 또는 없음 기호(none)로 정의될 수 있다.
즉, 배관 학습 데이터에 포함된 배관 객체(4)의 선단 또는 말단에 위치한 흐름 기호를 통해 배관의 흐름 정보를 확인할 수 있으며, 이웃하는 심볼을 연결하는 정보를 추출하여 심볼 객체 연결 관계 정보를 확인할 수 있다.
도 16을 참조하면, 이를 통해, 배관 학습 데이터 생성 단계(S50)에서는 배관 객체(2)의 위치 정보, 크기 정보, 형상 정보, 배향 정보 및 색상 정보가 정의되는 주석 파일을 생성할 수 있다.
여기서, 배관 객체(2)의 색상 정보는 도면 파일에서 제공되는 색상 채널의 깊이(depth) 정보 기반으로 정의될 수 있다.
한편, 본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다.
컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽힐 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등이 있으며, 또한 케리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 본 발명을 구현하기 위한 기능적인(Functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
이상에서 설명한 것은 본 발명에 따른 딥러닝 기반 학습 데이터 생성 방법을 실시하기 위한 하나의 실시예에 불과한 것으로서, 본 발명은 한 실시예에 한정되지 않고, 이하의 특허청구범위에서 청구하는 바와 같이 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변경 실시가 가능한 범위까지 본 발명의 기술적 정신이 있다고 할 것이다.

Claims (17)

  1. 플랜트 도면의 객체에 대한 딥러닝 기반 학습 데이터를 생성하는 학습 데이터 생성 방법에 있어서,
    계층 폴더 생성부를 통해 상기 플랜트 도면 및 상기 객체에 대한 학습 데이터가 저장되는 폴더를 계층 별로 분류하여 생성하는 계층 폴더 생성 단계;
    심볼 학습 데이터 생성부를 통해 상기 플랜트 도면에서 심볼 객체를 탐지하고, 탐지된 상기 심볼 객체에 대한 심볼 학습 데이터를 생성하는 심볼 학습 데이터 생성 단계;
    심볼 분류 학습 데이터 생성부를 통해 상기 플랜트 도면에서 상기 심볼 객체에 대한 분류 학습 데이터를 생성하는 심볼 분류 학습 데이터 생성 단계;
    문자 학습 데이터 생성부를 통해 상기 플랜트 도면에서 문자 객체를 탐지하고, 탐지된 문자 객체에 대한 문자 학습 데이터를 생성하는 문자 학습 데이터 생성 단계; 및
    배관 학습 데이터 생성부를 통해 상기 플랜트 도면에서 배관 객체를 탐지하고, 탐지된 배관 객체에 대한 배관 학습 데이터를 생성하는 배관 학습 데이터 생성 단계; 를 포함하는 딥러닝 기반 학습 데이터 생성 방법.
  2. 제1항에 있어서,
    상기 계층 폴더 생성 단계에서는
    상기 계층 폴더 생성부를 통해
    제1계층 폴더,
    상기 제1계층 폴더 내에 위치하며 적어도 하나의 플랜트 도면이 저장되는 제2계층 폴더 및
    상기 제2계층 폴더 내에 위치하며, 상기 심볼 학습 데이터, 상기 심볼 분류 학습 데이터, 상기 문자 학습 데이터 및 상기 배관 학습 데이터 각각이 구분되어 저장되는 제3계층 폴더를 생성하는 딥러닝 기반 학습 데이터 생성 방법.
  3. 제2항에 있어서,
    상기 제3계층 폴더는
    상기 심볼 학습 데이터가 저장되는 심볼 학습 데이터 폴더,
    상기 심볼 분류 학습 데이터가 저장되는 심볼 분류 학습 데이터 폴더,
    상기 문자 학습 데이터가 저장되는 문자 학습 데이터 폴더 및
    상기 배관 학습 데이터가 저장되는 배관 학습 데이터 폴더를 포함하는 딥러닝 기반 학습 데이터 생성 방법.
  4. 제3항에 있어서,
    상기 계층 폴더 생성 단계에서는
    상기 계층 폴더 생성부를 통해
    상기 심볼 분류 학습 데이터 폴더에 위치하며, 심볼 객체의 형상 정보 및 배향 정보가 동일한 데이터가 그룹핑된 심볼 분류 학습 데이터가 저장되는 적어도 하나의 제4계층 폴더를 생성하는 딥러닝 기반 학습 데이터 생성 방법.
  5. 제3항에 있어서,
    상기 심볼 학습 데이터 생성 단계에서는 상기 심볼 학습 데이터 생성부를 통해 플랜트 도면 상에서의 위치 정보, 크기 정보, 형상 정보, 색상 정보 및 배향 정보를 포함하는 상기 심볼 학습 데이터를 생성하고,
    상기 문자 학습 데이터 생성 단계에서는 상기 문자 학습 데이터 생성부를 통해 플랜트 도면 상에서의 위치 정보, 크기 정보, 형상 정보, 색상 정보 및 배향 정보를 포함하는 상기 문자 학습 데이터를 생성하는 딥러닝 기반 학습 데이터 생성 방법.
  6. 제5항에 있어서,
    상기 심볼 학습 데이터 생성 단계 및 상기 문자 학습 데이터 생성 단계 각각에서는
    상기 심볼 학습 데이터 생성부 및 문자 학습 데이터 생성부를 통해
    상기 플랜트 도면 상에 바운딩 박스를 투영하고,
    상기 심볼 객체 또는 상기 문자 객체에 매칭되는 바운딩 박스의 크기 및 위치를 심볼 객체 또는 문자 객체의 위치 정보 및 크기 정보로 반영하는 딥러닝 기반 학습 데이터 생성 방법.
  7. 제6항에 있어서,
    상기 심볼 학습 데이터 생성 단계 및 상기 문자 학습 데이터 생성 단계 각각에서는
    상기 심볼 학습 데이터 생성부 및 문자 학습 데이터 생성부를 통해
    상기 플랜트 도면의 모서리 중 하나를 원점으로 설정하고,
    상기 바운딩 박스의 각 모서리의 좌표값을 통해 바운딩 박스의 크기 정보 및 위치 정보를 획득하는 딥러닝 기반 학습 데이터 생성 방법.
  8. 제4항에 있어서,
    상기 심볼 분류 학습 데이터 생성 단계에서는
    상기 심볼 분류 학습 데이터 생성부를 통해
    심볼 객체의 형상 정보 및 배향 정보를 기반으로 저장부에 기 저장된 심볼 객체 데이터와 상기 플랜트 도면의 심볼 객체를 매칭시킨 후,
    상기 플랜트 도면에서 형상 정보 및 배향 정보가 동일한 심볼 객체와 매칭되는 기 저장된 심볼 객체 데이터를 그룹핑한 후,
    그룹핑된 심볼 분류 학습 데이터를 생성하여 상기 제4계층 폴더에 저장하는 딥러닝 기반 학습 데이터 생성 방법.
  9. 제7항에 있어서,
    상기 문자 학습 데이터 생성 단계에서는
    상기 문자 학습 데이터 생성부를 통해
    플랜트 도면에서 상기 심볼 객체 내부에 배치된 문자 및 상기 심볼 객체 외부에 배치된 문자를 함께 탐지하고,
    탐지된 문자 객체에 대한 상기 문자 학습 데이터를 생성하는 딥러닝 기반 학습 데이터 생성 방법.
  10. 제9항에 있어서,
    상기 문자 학습 데이터 생성 단계에서는
    상기 문자 학습 데이터 생성부를 통해
    타입 정보를 포함하는 상기 문자 학습 데이터를 생성하고,
    상기 타입 정보는 문자 타입 정보 및 숫자 타입 정보를 포함하고,
    상기 문자 타입 정보는 영문자 타입 정보 및 국문자 타입 정보를 포함하고,
    영문자 타입 정보는 대문자 타입 정보 및 소문자 타입 정보를 포함하는 딥러닝 기반 학습 데이터 생성 방법.
  11. 제3항에 있어서,
    상기 배관 학습 데이터 생성 단계에서는
    상기 배관 학습 데이터 생성부를 통해
    상기 플랜트 도면 상에서 심볼 객체 및 문자 객체를 제외하며, 실선 또는 파선을 포함하는 라인(line)을 탐지하여,
    탐지된 상기 라인에 대응되는 배관의 위치 정보, 크기 정보, 형상 정보, 색상 정보 및 배향 정보를 포함하는 배관 학습 데이터를 생성하는 딥러닝 기반 학습 데이터 생성 방법.
  12. 제11항에 있어서,
    상기 배관 학습 데이터 생성 단계에서는
    상기 배관 학습 데이터 생성부를 통해
    상기 플랜트 도면의 모서리 중 하나를 원점으로 설정하고,
    상기 라인의 선단 및 말단의 좌표값을 통해 배관의 위치 정보, 크기 정보 및 배향 정보를 획득하는 딥러닝 기반 학습 데이터 생성 방법.
  13. 제12항에 있어서,
    상기 배관 학습 데이터 생성 단계에서는
    상기 배관 학습 데이터 생성부를 통해
    상기 라인 상에 위치한 흐름 기호를 탐지하여, 흐름 정보를 포함하는 배관 학습 데이터를 생성하는 딥러닝 기반 학습 데이터 생성 방법.
  14. 제13항에 있어서,
    상기 배관 학습 데이터 생성 단계에서는
    상기 배관 학습 데이터 생성부를 통해
    상기 라인의 선단 또는 말단에 위치한 흐름 기호를 탐지하여, 흐름 정보를 포함하는 배관 학습 데이터를 생성하는 딥러닝 기반 학습 데이터 생성 방법.
  15. 제1항에 있어서,
    상기 심볼 학습 데이터는 심볼 이미지 파일, 심볼 주석 파일 및 심볼 리스트 파일을 포함하고,
    상기 심볼 분류 학습 데이터는 저장부에 기 저장된 심볼 이미지 파일 및 저장부에 기 저장된 심볼 리스트 파일을 포함하고,
    상기 문자 학습 데이터는 문자 이미지 파일, 문자 주석 파일 및 문자 리스트 파일을 포함하고,
    상기 배관 학습 데이터는 배관 이미지 파일, 배관 주석 파일 및 배관 리스트 파일을 포함하는 딥러닝 기반 학습 데이터 생성 방법.
  16. 컴퓨터로 읽을 수 있는 기록 매체에 있어서,
    제1항 내지 제15항 중 어느 한 항에 따른 딥러닝 기반 학습 데이터 생성 방법을 구현하기 위한 프로그램이 기록된 기록 매체.
  17. 플랜트 도면의 객체에 대한 딥러닝 기반 학습 데이터를 생성하는 학습 데이터 생성 시스템에 있어서,
    상기 플랜트 도면 및 상기 객체에 대한 학습 데이터가 저장되는 폴더를 계층 별로 분류하여 생성하는 계층 폴더 생성부;
    상기 플랜트 도면에서 심볼 객체를 탐지하고, 탐지된 상기 심볼 객체에 대한 학습 데이터를 생성하는 심볼 학습 데이터 생성부;
    상기 플랜트 도면에서 상기 심볼 객체에 대한 분류 학습 데이터를 생성하는 심볼 분류 학습 데이터 생성부;
    상기 플랜트 도면에서 문자 객체를 탐지하고, 탐지된 문자 객체에 대한 학습 데이터를 생성하는 문자 학습 데이터 생성부; 및
    상기 플랜트 도면에서 배관 객체를 탐지하고, 탐지된 배관 객체에 대한 학습 데이터를 생성하는 배관 학습 데이터 생성부; 를 포함하는 딥러닝 기반 학습 데이터 생성 시스템.
KR1020190020146A 2019-02-20 2019-02-20 딥러닝 기반 학습 데이터 생성 방법 및 학습 데이터 생성 시스템 KR102315854B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190020146A KR102315854B1 (ko) 2019-02-20 2019-02-20 딥러닝 기반 학습 데이터 생성 방법 및 학습 데이터 생성 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190020146A KR102315854B1 (ko) 2019-02-20 2019-02-20 딥러닝 기반 학습 데이터 생성 방법 및 학습 데이터 생성 시스템

Publications (2)

Publication Number Publication Date
KR20200103204A KR20200103204A (ko) 2020-09-02
KR102315854B1 true KR102315854B1 (ko) 2021-10-20

Family

ID=72450003

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190020146A KR102315854B1 (ko) 2019-02-20 2019-02-20 딥러닝 기반 학습 데이터 생성 방법 및 학습 데이터 생성 시스템

Country Status (1)

Country Link
KR (1) KR102315854B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102519074B1 (ko) * 2020-12-22 2023-05-26 주식회사 드림비트 상표 검색 모델 및 상표 검색 모델의 학습 방법
KR102274081B1 (ko) * 2021-04-12 2021-07-07 사단법인 한국선급 딥러닝을 이용한 선박 도면 내 객체 인식 시스템
KR102638388B1 (ko) * 2021-06-03 2024-02-19 고려대학교 산학협력단 객체 인식 시스템, 객체 인식 방법 및 객체 인식 방법을 실행시키도록 기록매체에 저장된 컴퓨터 프로그램

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016525251A (ja) 2013-07-15 2016-08-22 アーベーベー・アーゲーＡｂｂ Ａｇ プラントトポロジのモデルデータを生成する方法
KR101932009B1 (ko) 2017-12-29 2018-12-24 (주)제이엘케이인스펙션 다중 객체 검출을 위한 영상 처리 장치 및 방법

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07117967B2 (ja) * 1987-02-20 1995-12-18 三菱電機株式会社 図面処理システム
JPH06259004A (ja) * 1993-03-08 1994-09-16 Toshiba Corp プラント運転操作装置
KR100688288B1 (ko) * 2004-12-10 2007-03-02 주식회사 디디알소프트 캐드 도면에 형성된 객체 식별자를 시설물 식별자로변환하는 방법과 그 시설물 식별자를 이용한 시설물 관리방법
KR101544500B1 (ko) * 2014-01-02 2015-08-13 주식회사 싸이픽소프트 도면 정보 오류 검출 장치 및 방법
US10380741B2 (en) * 2016-12-07 2019-08-13 Samsung Electronics Co., Ltd System and method for a deep learning machine for object detection
KR20180092494A (ko) * 2017-02-09 2018-08-20 한국전자통신연구원 학습 이미지 데이터 정제 시스템 및 그 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016525251A (ja) 2013-07-15 2016-08-22 アーベーベー・アーゲーＡｂｂ Ａｇ プラントトポロジのモデルデータを生成する方法
KR101932009B1 (ko) 2017-12-29 2018-12-24 (주)제이엘케이인스펙션 다중 객체 검출을 위한 영상 처리 장치 및 방법

Also Published As

Publication number Publication date
KR20200103204A (ko) 2020-09-02

Similar Documents

Publication Publication Date Title
KR102315854B1 (ko) 딥러닝 기반 학습 데이터 생성 방법 및 학습 데이터 생성 시스템
Shi et al. Icdar2017 competition on reading chinese text in the wild (rctw-17)
CN114641753A (zh) 使用机器学习从楼层平面图图纸进行合成数据生成和建筑信息模型(bim)要素提取
EP3660743B1 (en) Systems and methods for automating information extraction from piping and instrumentation diagrams
US11461409B2 (en) Digitization of technical documentation driven by machine learning
EP1971957A2 (en) Methods and apparatuses for extending dynamic handwriting recognition to recognize static handwritten and machine generated text
KR102644105B1 (ko) 멀티 심도 이미지의 자동 생성 방법
Chiang et al. Recognition of multi-oriented, multi-sized, and curved text
CN111488911B (zh) 基于Mask R-CNN与GAN的图像实体抽取方法
CN106255979A (zh) 行分割方法
CN103995816A (zh) 信息处理设备和信息处理方法
JP4834351B2 (ja) 文字認識装置及び文字認識方法
CN109445778A (zh) 一种基于svg文件的界面辅助生成的方法和装置
Pan et al. Recovering building information model from 2D drawings for mechanical, electrical and plumbing systems of ageing buildings
JP2020140450A (ja) 構造化データ生成方法および構造化データ生成装置
CN101814141A (zh) 存储介质、字符识别方法以及字符识别设备
Sidere et al. Vector representation of graphs: Application to the classification of symbols and letters
KR20200038006A (ko) 디지털 도면 제공 방법 및 디지털 도면 제공 시스템
KR102193403B1 (ko) 도면 상에서 외곽선 및 표제 제거 방법을 포함하는 딥러닝 기반 학습 데이터 생성 방법 및 학습 데이터 생성 시스템
KR102598210B1 (ko) 엔지니어링 도면의 도면 정보 인식방법, 도면 정보 인식시스템, 컴퓨터 프로그램
CN112084103B (zh) 界面测试方法、装置、设备和介质
Ferreira et al. Automatically Generating Websites from Hand-drawn Mockups
JP6532346B2 (ja) ストロークの構成に差異がある手書き入力文字に対し、標準パターンと入力パターンとに変換を加えて照合と判定とを行う自動採点システム
KR102236625B1 (ko) 심볼 기반 엔지니어링 도면의 설계 정보를 인식하기 위한 딥러닝용 학습데이터 생성 장치 및 방법
US11663761B2 (en) Hand-drawn diagram recognition using visual arrow-relation detection

Legal Events

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