KR102338631B1 - 건축물의 하자 여부를 판단하는 서버 및 동작 방법 - Google Patents

건축물의 하자 여부를 판단하는 서버 및 동작 방법 Download PDF

Info

Publication number
KR102338631B1
KR102338631B1 KR1020210037042A KR20210037042A KR102338631B1 KR 102338631 B1 KR102338631 B1 KR 102338631B1 KR 1020210037042 A KR1020210037042 A KR 1020210037042A KR 20210037042 A KR20210037042 A KR 20210037042A KR 102338631 B1 KR102338631 B1 KR 102338631B1
Authority
KR
South Korea
Prior art keywords
data
building
defect
distance
server
Prior art date
Application number
KR1020210037042A
Other languages
English (en)
Inventor
조건희
Original Assignee
주식회사 인더바인종합건설
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 주식회사 인더바인종합건설 filed Critical 주식회사 인더바인종합건설
Priority to KR1020210037042A priority Critical patent/KR102338631B1/ko
Priority to KR1020210174462A priority patent/KR102485977B1/ko
Application granted granted Critical
Publication of KR102338631B1 publication Critical patent/KR102338631B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Heat-Pump Type And Storage Water Heaters (AREA)

Abstract

건축물의 하자 여부를 판단하는 서버가 제공된다.
건축물의 하자 여부를 판단하는 서버는 적어도 하나의 프로세서(processor) 및 적어도 하나의 프로세서가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함하고, 적어도 하나의 단계는, 복수의 사용자 단말들 중 하나의 사용자 단말로부터, 사용자 단말에 포함된 라이다(LiDAR) 센서 또는 TOF(Time of Flight) 센서를 통해 획득한 건축물에 대한 영상 데이터를 수신하는 단계, 영상 데이터에 기초하여 거리(distance) 데이터를 생성하는 단계, 거리 데이터에 기초하여 건축물에 대한 공간(space) 데이터를 생성하는 단계, 사용자 단말로부터, 사용자 단말에 포함된 카메라, 라이다 센서 및 TOF 센서 중 적어도 하나를 통해 획득한 건축물에 대한 상태 데이터를 수신하는 단계, 공간 데이터와 상태 데이터에 기초하여 하자 데이터를 생성하는 단계, 하자 데이터에 기초하여 건축물의 하자 여부를 판단하는 단계, 및 건축물의 하자 판단 결과, 공간 데이터 및 상태 데이터를 복수의 사용자 단말들 중 적어도 하나에 제공하는 단계를 포함한다.

Description

건축물의 하자 여부를 판단하는 서버 및 동작 방법{SERVER FOR DETERMINING WHETHER THE BUILDING IS DEFECTIVE AND OPERATION METHODS THEREOF}
본 발명은 건축물의 하자 여부를 판단하는 서버 및 동작 방법에 관한 것이다.
건물 건축 시에 시공되는 방수 공사는 에폭시, 우레탄페인트, 모르타르를 시공하여 외벽면 등의 빗물 침수, 욕실 등의 누수를 방지하는 공사이다. 즉, 방수 공사는 건물의 지붕, 발코니, 외벽, 실내 등 비나 습기로부터 건물을 보호하기 위한 공사이다. 방수 공사는 자연적으로 발생하는 용수나 인위적 용수를 얼마나 효율적으로 완벽하게 차단하느냐가 관건이라고 할 수 있다. 따라서, 방수 공사는 방수하고자 하는 부분에 따라 그 용도에 적합한 방수 시공 방법을 선택할 필요가 있다.
최근 건물의 건축과 인테리어 공사가 증가하는 추세이며, 이에 따라서 방수 공사 또한 증가하는 추세이다. 또한, 건물의 완공 후에 발생하는 방수 하자에 대한 문제도 증가하는 추세이다. 시공 전문가가 아닌 업체 또는 일반인들은 방수 하자에 대한 발생 시 그에 대한 판단, 업체 선정 및 비용 계산에 대하여 문제를 겪고 있다.
제10-2013-0023000호 (2013.03.07) 제10-2021-0026316호 (2021.03.10)
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은 건축물의 하자 여부를 판단하는 서버를 제공하는데 있다.
다양한 실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
상기 목적을 달성하기 위하여 실시예들에 따른 건축물의 하자 여부를 판단하는 서버는 적어도 하나의 프로세서(processor); 및 상기 적어도 하나의 프로세서가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함할 수 있다.
상기 적어도 하나의 단계는, 복수의 사용자 단말들 중 하나의 사용자 단말로부터, 상기 사용자 단말에 포함된 라이다(LiDAR) 센서 또는 TOF(Time of Flight) 센서를 통해 획득한 상기 건축물에 대한 영상 데이터를 수신하는 단계, 상기 영상 데이터에 기초하여 거리(distance) 데이터를 생성하는 단계, 상기 거리 데이터에 기초하여 상기 건축물에 대한 공간(space) 데이터를 생성하는 단계, 상기 사용자 단말로부터, 상기 사용자 단말에 포함된 카메라, 라이다 센서 및 TOF 센서 중 적어도 하나를 통해 획득한 상기 건축물에 대한 상태 데이터를 수신하는 단계, 상기 공간 데이터와 상기 상태 데이터에 기초하여 하자 데이터를 생성하는 단계, 상기 하자 데이터에 기초하여 상기 건축물의 하자 여부를 판단하는 단계, 및 상기 건축물의 하자 판단 결과, 상기 공간 데이터 및 상기 상태 데이터를 상기 복수의 사용자 단말들 중 적어도 하나에 제공하는 단계를 포함할 수 있다.
상기 거리 데이터에 기초하여 상기 건축물에 대한 공간 데이터를 생성하는 단계는, 상기 거리 데이터의 시간에 따른 변화에 기초하여 서로 다른 제1 포인트 및 제2 포인트를 결정하는 단계, 상기 제1 포인트에 대한 제1 거리를 도출하고, 상기 제2 포인트에 대한 제2 거리를 도출하는 단계, 및 상기 제1 포인트, 상기 제2 포인트, 상기 제1 거리 및 상기 제2 거리에 기초하여 상기 건축물에 대한 공간 데이터를 생성하는 단계를 포함할 수 있다.
상기 거리 데이터의 시간에 따른 변화에 기초하여 상기 제1 포인트를 결정하는 단계는, 상기 거리 데이터의 시간에 따른 변화가 양의 값에서 음의 값이 되는 시간에서 상기 제1 포인트를 결정하는 단계를 포함할 수 있다.
상기 거리 데이터의 시간에 따른 변화에 기초하여 상기 제2 포인트를 결정하는 단계는, 상기 거리 데이터의 시간에 따른 변화가 음의 값에서 양의 값이 되는 시간에서 상기 제2 포인트를 결정하는 단계를 포함할 수 있다.
상기 적어도 하나의 단계는, 뉴럴 네트워크 모델을 이용하여 상기 건축물의 하자 보수에 대한 비용을 예측하는 단계를 더 포함하고, 상기 뉴럴 네트워크 모델은 상기 건축물의 하자 판단 결과, 상기 공간 데이터, 상기 상태 데이터 및 상기 하자 데이터를 학습하여, 상기 건축물의 하자 보수에 대한 비용을 예측할 수 있다.
상기 적어도 하나의 단계는, 상기 예측된 상기 건축물의 하자 보수에 대한 비용을 상기 복수의 사용자 단말들 중 고객 단말과 시공사 단말에 제공하는 단계, 상기 시공사 단말에 대한 정보를 상기 고객 단말에 제공하는 단계, 및 상기 고객 단말에 대한 정보를 상기 시공사 단말에 제공하는 단계를 포함할 수 있다.
본 발명은 방수 취약 포인트에 대한 정보를 제공함으로써, 해당 취약 포인트를 집중적으로 고려하여 하자 여부를 판단하고 하자 보수 비용을 예측할 수 있다.
실시예에 따르면, 사용자 단말을 이용하는 고객은 전문가를 통하지 않아도 건축물의 하자 여부를 용이하게 알 수 있다.
실시예에 따르면, 고객 및 시공사는 건축물의 하자 여부를 통지받을 수 있고, 예측된 하자 보수 비용을 통해 고객과 시공사 간의 분쟁이 감소될 수 있다.
다양한 실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
다양한 실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 몇몇 실시예에 따른 건축물의 하자 여부를 판단하는 서버를 설명하기 위한 도면이다.
도 2는 몇몇 실시예에 따른 건축물의 하자 데이터를 생성하는 방법에 대한 순서도이다.
도 3은 몇몇 실시예에 따른 건축물의 내부를 촬영하는 방법에 대한 도면이다.
도 4는 단말기를 이용하여 영상 데이터를 생성하는 방법에 대한 도면이다.
도 5는 서버에서 건축물에 대한 공간 데이터를 생성하는 방법에 대한 도면이다.
도 6은 몇몇 실시예에 따른 하자 데이터를 생성하는 방법에 대한 도면이다.
도 7은 몇몇 실시예에 따른 건축물의 하자 여부를 판단하고, 비용을 예측하는 방법에 대한 순서도이다.
도 8은 몇몇 실시예에 따른 서버에 포함된 인공지능부의 예시이다.
도 9는 몇몇 실시예에 따른 하자 보수 및 품질 관리를 수행하는 서버에 대한 도면이다.
도 10은 도 1의 건축물의 하자 여부를 판단하는 서버에 대한 하드웨어 구성도이다.
본 발명은 다양한 변경을 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 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 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 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
삭제
도 1은 몇몇 실시예에 따른 건축물의 하자 여부를 판단하는 서버를 설명하기 위한 도면이다.
도 1은 몇몇 실시예에 따라서 건축물(building)의 하자(defection) 여부를 판단하는 서버가 구동되는 방법의 예시를 나타낸다. 예를 들어, 서버(100)는 건축물의 하자 여부를 판단하는 서버에 해당될 수 있다. 사용자 단말(200)은 서버(100)와 데이터를 송수신하는 사용자 단말에 해당될 수 있다. 데이터베이스(180)는 서버(100)에 데이터를 제공하는 데이터베이스에 해당될 수 있다. 사용자 단말(210)은 사용자 단말(200)과 달리 복수 개의 사용자 단말을 포함할 수 있으며, 사용자 단말(210)는 서로 간의 데이터를 송수신할 수도 있다. 사용자 단말(210)과 사용자 단말(200)이 서버(100)를 통해 데이터를 송수신할 수 있음은 물론이다. 하지만 본 발명의 실시예는 이에 제한되지 않으며, 서버(100)가 구동되기 위하여 도시된 구성과 다른 구성들을 더 포함할 수도 있다.
몇몇 실시예에서, 건축물은 단독주택, 공동주택, 근린생활시설, 문화 및 집회 시설, 종교시설, 판매시설, 운수시설, 의료시설, 교육연구시설, 노유자시설, 수련시설, 운동시설, 업무시설, 숙박시설, 위락시설, 공장, 창고시설, 위험물 저장 및 처리 시설, 자동차 관련 시설, 동물 및 식물 관련 시설, 자원순환 관련 시설, 교정 및 군사 시설, 방송통신시설, 발전시설, 묘지 관련 시설, 관광 휴게 시설, 장례식장 등을 포함할 수 있다. 하지만 본 발명의 실시예에 따른 건축물은 이에 제한되지 않고, 다양한 유형을 포함할 수 있다.
몇몇 실시예에서, 건축물의 하자 여부를 판단하는 서버(100)는 사용자 단말(200), 사용자 단말(210) 및/또는 데이터베이스(180)와 데이터를 송수신할 수 있다. 여기에서 데이터베이스(180)는 건축물의 하자 여부를 판단하는 서버에 포함될 수도 있다.
몇몇 실시예에서, 사용자 단말(200) 및 사용자 단말(210)은 건축물의 하자 여부를 판단하는 서버를 이용하기 위해 사용자가 소지하는 단말 또는 기기에 해당될 수 있다. 예를 들어, 사용자 단말(200) 및 사용자 단말(210)은 통신 가능한 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 노트북(notebook), 스마트폰(smart phone), 태블릿 PC(tablet PC), 모바일폰(mobile phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB(digital multimedia broadcasting) 재생기, 디지털 음성 녹음기(digital audio recorder), 디지털 음성 재생기(digital audio player), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player), PDA(Personal Digital Assistant) 등을 포함할 수 있다.
사용자는 사용자 단말(200) 또는 사용자 단말(210)을 통해 건축물을 촬영할 수 있다. 사용자는 사용자 단말(200, 210)을 통하여 건축물에 대한 영상 데이터를 획득할 수 있다. 몇몇 실시예에서, 사용자의 사용자 단말(200, 210)은 그 내부에 일반 카메라(common camera), 라이다(Light Detection And Ranging, LiDAR) 카메라(라이다 센서) 및/또는 TOF(Time of Flight) 카메라(TOF 센서) 등을 포함할 수 있다. 이에 따라, 사용자 단말(200, 210)을 통해 획득한 건축물에 대한 영상 데이터는 건축물에 대한 3D 데이터 또는 깊이(depth) 정보를 포함할 수 있다.
몇몇 실시예에서, 건축물의 하자 여부를 판단하는 서버(100)는 사용자 단말(200, 210)로부터 건축물에 대한 영상 데이터를 수신할 수 있다. 건축물의 하자 여부를 판단하는 서버(100)는 수신한 영상 데이터에 대하여 적어도 하나의 단계를 수행할 수 있다. 서버(100)가 수행하는 적어도 하나의 단계는 건축물의 하자 여부를 판단하기 위한 단계이다. 예를 들어, 서버(100)는 건축물의 공간 정보, 하자 정보 등에 기초하여 건축물의 하자 여부를 판단하고, 건축물의 하자 판단 결과를 사용자 단말(200, 210)에 제공할 수 있다. 여기서, 서버(100)의 건축물의 하자 여부 판단은 데이터베이스(180)에 저장된 정보에 기초하여 수행될 수 있다. 사용자 단말(200, 210)을 사용하는 사용자(예를 들어, 고객)은 하자 판단에 대한 지식이 없어도, 사용자 단말(200, 210)을 이용한 촬영을 통해 하자 여부 판단을 할 수 있다. 또한, 사용자 단말(210)을 사용하는 사용자(예를 들어, 시공사)는 건축물의 하자 발생 여부를 통지받을 수 있고, 다른 사용자 단말(210)을 사용하는 고객에 대한 정보를 알 수 있다.
서버(100)는 건축물의 공간 정보, 하자 정보 등에 기초하여 하자 보수에 대한 비용을 예측할 수 있다. 서버(100)의 하자 보수에 대한 비용의 예측은 데이터베이스(180)에 저장된 정보에 기초하여 수행될 수 있다. 사용자 단말(200, 210)을 사용하는 고객 또는 시공사는 서버(100)를 통해 예측된 하자 보수에 대한 비용 정보를 곧바로 알 수 있고, 비용을 합의할 수 있다.
삭제
이하, 도 2 내지 도 6을 참조하여 건축물(300)을 촬영하여 건출물(300)에 대한 하자 데이터(DEF)를 생성하는 방법에 대하여 설명한다.
도 2는 몇몇 실시예에 따른 건축물의 하자 데이터를 생성하는 방법에 대한 순서도이다. 도 3은 몇몇 실시예에 따른 건축물의 내부를 촬영하는 방법에 대한 도면이다. 도 4는 단말기를 이용하여 영상 데이터를 생성하는 방법에 대한 도면이다. 도 5는 서버에서 건축물에 대한 공간 데이터를 생성하는 방법에 대한 도면이다. 도 6은 몇몇 실시예에 따른 하자 데이터를 생성하는 방법에 대한 도면이다.
도 2를 참조하면, 사용자는 사용자 단말(200, 210)을 이용하여 건축물(300)을 촬영할 수 있다(S1000). 이하 사용자가 사용자 단말(200)을 이용하여 건축물(300)을 촬영하는 것으로 가정하지만, 본 발명의 실시예는 이에 제한되지 않는다.
도 3을 참조하면, 사용자는 사용자 단말(200)을 이용하여 건축물(300)을 촬영할 수 있다. 실시예에 따른 사용자 단말(200)과 건축물(300)에 대한 설명은 도 1을 참조하여 설명한 것과 동일하다. 예를 들어, 사용자 단말(200)은 일반 카메라, 라이다 센서 및 TOF 센서를 포함할 수 있다. 일반 카메라, 라이다 센서 및 TOF 센서를 포함하는 사용자 단말(200)은 건축물(300)을 아웃워드-페이싱(outward-facing) 방식으로 촬영할 수 있다. 아웃워드-페이싱 방식은 사용자 단말(200)의 주변 환경을 촬영하는 방식을 의미한다. 아웃워드-페이싱 방식은 사용자 단말(200) 주변의 360도 이미지를 획득하지 위하여 사용될 수 있다. 아웃워드-페이싱 방식은 대상 물체를 중심으로 대상 물체를 둘러싸는 방식으로 촬영하는 방식인 인워드-페이싱 방식과 반대될 수 있다.
몇몇 실시예에서, 사용자 단말(200)의 라이다 센서는 레이저 펄스의 반사를 기반으로 사용자 단말(200)로부터 건축물(300)까지의 거리를 측정하여 건축물(300)의 형체를 정밀하게 나타낼 수 있다. 사용자 단말(200)의 라이다 센서는 건축물(300)에 대한 깊이 정보 및 깊이 정보에 대응하는 속성 정보(예를 들어 색상 정보)를 획득할 수 있다. 몇몇 실시예에서, 사용자 단말(200)의 TOF 센서는 적외선(IR)의 반사를 기반으로 사용자 단말(200)로부터 건축물(300)까지의 거리를 측정하여 건축물(300)의 형체를 정밀하게 나타낼 수 있다.
사용자 단말(200)은 라이다 센서와 TOF 센서를 이용하여 건축물(300)에 대한 영상 데이터를 획득할 수 있다. 즉, 영상 데이터는 사용자 단말(200)로부터 건축물(300)까지의 거리에 대한 정보를 포함할 수 있다. 또한, 영상 데이터는 건축물(300)의 형상에 대한 보다 상세한 정보를 포함할 수 있다.
예를 들어, 건축물(300)은 벽(310), 코너(320) 및 창문(330)을 포함할 수 있다. 여기서 건축물(300)은 상세히 건축물(300)의 내부 인테리어를 의미할 수 있다. 벽(310)은 건축물(300)을 둘러싸는 기둥을 포함한 벽면에 해당할 수 있다. 즉, 벽(310)은 지면으로부터 수직으로 연장되어 건물을 둘러싸는 부분을 의미할 수 있다. 벽(310)은 천장을 제외한 부분을 의미할 수 있으나, 본 발명의 실시예는 이에 제한되지 않는다. 코너(320)는 벽(310)들이 접촉하는 부분을 의미할 수 있다. 코너(320)는 기둥이 배치되는 부분일 수도 있으며, 벽(310)과 인접하는 벽(310)에 의해 형성되는 부분일 수 있다. 즉, 코너(320)는 복수의 벽(310)들에 의해 형성될 수 있다. 건축물(300)에서 코너(320)의 개수는 벽(310)의 개수와 일치할 수 있으나, 본 발명의 실시예는 이에 제한되지 않는다. 창문(330)은 불투명한 벽(310) 및 코너(320)와 달리, 투명하여 빛이 투과되는 부분을 의미할 수 있다. 즉, 창문(330)은 샷시, 베란다 등이 설치된 건축물(300)의 부분을 의미할 수 있다. 창문(330)을 통해 빛이 입사될 수 있다.
사용자는 사용자 단말(200)을 이용하여 건축물(300)의 벽(310), 코너(320) 및 창문(330)을 촬영할 수 있다. 즉, 사용자 단말(200)은 일반 카메라, 라이다 센서 및 TOF 센서를 이용하여 벽(310), 코너(320) 및 창문(330)의 형상에 대한 영상 데이터를 생성할 수 있다. 하지만 본 발명의 실시예는 이에 제한되지 않으며, 사용자 단말(200)은 벽(310), 코너(320) 및 창문(330)의 형상 이외에도 다른 구성의 형상을 구체화시킬 수 있다.
도 4를 참조하면, 건축물(300)의 벽(310)은 벽(310a), 벽(310b), 벽(310c1), 벽(310c2), 벽(310d1) 및 벽(310d2)을 포함할 수 있다. 건축물(300)의 코너(320)는 코너(320_1), 코너(320_2), 코너(320_3) 및 코너(320_4)를 포함할 수 있다. 건축물(300)의 창문(330)은 창문(330c) 및 창문(330d)을 포함할 수 있다. 건축물(300)은 이외에도 다른 구성을 포함할 수 있지만, 도 4는 이들 구성만을 포함하는 것으로 가정하고 설명하도록 한다.
사용자 단말(200)은 아웃워드 방식으로 건축물(300)을 촬영할 수 있다. 사용자 단말(200)은 특정 위치에서 주변환경을 촬영할 수 있다. 사용자 단말(200)은 건축물(300)을 촬영하여 복수의 영상 데이터(i1 내지 i8)를 생성할 수 있다. 여기서 사용자 단말(200)는 가장 먼저 제1 영상 데이터(i1)를 생성할 수 있고, 이어서 제2 영상 데이터(i2)를 생성할 수 있다. 그리고 사용자 단말(200)은 마지막으로 제8 영상 데이터(i8)를 생성할 수 있다. 하지만 본 발명의 실시예는 이에 제한되지 않으며, 사용자 단말(200)은 더 많은 영상 데이터를 생성할 수도 있다. 여기서 사용자 단말(200)은 사용자 단말(200)에 포함된 일반 카메라, 라이다 센서 또는 TOF 센서를 통해 영상 데이터(i1 내지 i8)를 생성할 수 있다.
사용자 단말(200)은 생성한 복수의 영상 데이터(i1 내지 i8)을 서버(100)에 전송할 수 있다. 즉, 서버(100)는 사용자 단말(200)로부터 복수의 영상 데이터(i1 내지 i8)를 수신할 수 있다. 서버(100)는 실시간으로 사용자 단말(200)로부터 영상 데이터(i1 내지 i8)을 수신할 수 있다.
다시 도 2를 참조하면, 서버(100)는 영상 데이터에 기초하여 거리 데이터를 생성할 수 있다(S1001).
다시 도 5를 참조하면, 영상 데이터(i1 내지 i8)은 거리 데이터로 변환될 수 있다. 즉, 영상 데이터(i1 내지 i8)로부터 라이더 센서 또는 TOF 센서를 통해 저장된 거리 데이터가 추출될 수 있다.
여기서, 서버(100)는 복수의 거리 데이터(ds1 내지 ds8)를 생성할 수 있다. 예를 들어, 생성된 제2 거리 데이터(ds2)는 제2 영상 데이터(i2)에 대응될 수 있고, 생성된 제4 거리 데이터(ds4)는 제4 영상 데이터(i4)에 대응될 수 있다. 이외의 거리 데이터 또한 다른 영상 데이터에 대응될 수 있다.
다시 도 2를 참조하면, 서버(100)는 거리 데이터에 기초하여 복수의 포인트 데이터를 생성할 수 있다(S1002).
다시 도 5를 참조하면, 서버(100)는 생성된 거리 데이터(ds1 내지 ds8)에 기초하여 복수의 포인터 데이트를 생성할 수 있다. 여기서 복수의 포인트 데이터는 제1 코너 포인트 데이터(420_1), 제2 코너 포인트 데이터(420_2), 제3 코너 포인트 데이터(420_3), 제4 코너 포인트 데이터(420_4) 및 벽 포인트 데이터(411)를 포함할 수 있다. 이외에도 서버(100)는 다른 종율의 포인트 데이터를 생성할 수 있지만, 본 명세서에서는 해당되는 포인트 데이터만을 생성하는 것으로 가정한다.
서버(100)는 시간에 따른 거리 데이터의 변화에 기초하여 포인트 데이터를 결정할 수 있다. 예를 들어, 사용자 단말(200)의 시간에 따른 촬영에서, 제1 거리 데이터(ds1)은 제2 거리 데이터(ds2)로 변화될 수 있다. 여기서 시간에 따른 거리의 변화량은 다음 수학식 1과 같다.
<수학식 1>
Figure 112021033746910-pat00001
이어서, 사용자 단말(200)의 시간에 따른 촬영에서, 제2 거리 데이터(ds2)는 제3 거리 데이터(ds3)로 변환될 수 있다. 여기서 시간에 따른 거리의 변화량은 다음 수학식 2와 같다.
<수학식 2>
Figure 112021033746910-pat00002
즉, 제2 거리 데이터(ds2) 이전의 거리 데이터의 변화량은 양의 값일 수 있고, 제2 거리 데이터(ds2) 이후의 거리 데이터의 변화량은 음의 값일 수 있다. 서버(200)는 거리 데이터의 변화량이 양의 값에서 음의 값으로 변하는 시점에 해당하는 제2 거리 데이터(ds2)에 해당하는 위치를 제1 코너 포인트 데이터(420_1)로 결정할 수 있다. 여기서 제1 코너 포인트 데이터(420_1)는 도 4의 코너(320_1)에 대응될 수 있다. 즉, 서버(200)는 거리 데이터의 시간에 따른 변화에 기초하여 코너(320_1)에 대응되는 제1 코너 포인트 데이터(420_1)를 결정할 수 있다.
이어서, 사용자 단말(200)의 시간에 따른 촬영에서, 제2 거리 데이터(ds2)는 제3 거리 데이터(ds3)로 변화될 수 있다. 여기서 시간에 따른 거리의 변화량은 다음 수학식 3과 같다.
<수학식 3>
Figure 112021033746910-pat00003
또한, 이어서, 사용자 단말(200)의 시간에 따른 촬영에서, 제3 거리 데이터(ds3)는 제4 거리 데이터(ds4)로 변환될 수 있다. 여기서 시간에 따른 거리의 변화량은 다음 수학식 4와 같다.
<수학식 4>
Figure 112021033746910-pat00004
즉, 제3 거리 데이터(ds3) 이전의 거리 데이터의 변화량은 음의 값일 수 있고, 제3 거리 데이터(ds3) 이후의 거리 데이터의 변화량은 양의 값일 수 있다. 서버(200)는 거리 데이터의 변화량이 음의 값에서 양의 값으로 변하는 시점에 해당하는 제3 거리 데이터(ds3)에 해당하는 위치를 벽 포인트 데이터(411)로 결정할 수 있다. 여기서 벽 포인트 데이터(411)는 도 4의 벽(310b)에 대응될 수 있다. 즉, 서버(200)는 거리 데이터의 시간에 따른 변화에 기초하여 벽(310b)에 대응되는 벽 포인트 데이터(411)를 결정할 수 있다.
이후에 서버(100)는 시간에 따른 거리 데이터의 변화량에 기초하여 다른 포인트 데이터를 결정할 수 있다. 예를 들어, 서버(100)는 거리 데이터의 변화량이 양의 값에서 음의 값으로 변화하는 시점에 해당하는 제4 거리 데이터(ds4)에 해당하는 위치를 제2 코너 포인트 데이터(420_2)로 결정할 수 있다. 예를 들어, 서버(100)는 거리 데이터의 변화량이 양의 값에서 음의 값으로 변화하는 시점에 해당하는 제6 거리 데이터(ds6)에 해당하는 위치를 제3 코너 포인트 데이터(420_3)로 결정할 수 있다. 서버(100)는 거리 데이터의 변화량이 양의 값에서 음의 값으로 변화하는 시점에 해당하는 제8 거리 데이터(ds8)에 해당하는 위치를 제4 코너 포인트 데이터(420_4)로 결정할 수 있다.
도 5에서, 서버(100)는 제1 내지 제4 코너 포인트 데이터(420_1, 420_2, 420_3, 420_4)와 벽 포인트 데이터(411)를 결정하는 것으로 도시되지만, 서버(100)는 이외에도 다른 포인트 데이터를 결정할 수 있다. 하지만, 본 명세서에서는 해당하는 포인트 데이터만을 생성하는 것으로 설명한다. 하지만 본 발명의 실시예는 이에 제한되지 않는다.
서버(100)는 도 5의 코너(320_1, 320_2, 320_3, 320_4)에 대응되는 복수의 코너 포인트 데이터(420_1, 420_2, 420_3, 420_4)를 생성할 수 있다. 건축물(300)의 하자는 건축물(300)의 코너(320_1, 320_2, 320_3, 320_4) 부분에 많이 발생할 수 있다. 예를 들어, 건축물(300)의 방수 하자는 코너(320_1, 320_2, 320_3, 320_4) 부분에 많이 발생할 수 있다. 또한, 시간이 지남에 따라서 코너(320_1, 320_2, 320_3, 320_4) 부분의 하자가 증가할 수 있다. 따라서, 건축물(300)의 코너(320_1, 320_2, 320_3, 320_4) 부분을 특정함으로써, 방수 취약 포인트에 대한 관심이 증가될 수 있다.
서버(100)는 생성된 복수의 포인트 데이터에 기초하여 공간 데이터를 생성할 수 있다(S1003). 서버(100)는 제1 내지 제4 코너 포인트 데이터(420_1, 420_2, 420_3, 420_4)와 벽 포인트 데이터(411)에 대한 정보와 제1 내지 제4 코너 포인트 데이터(420_1, 420_2, 420_3, 420_4)에 대응되는 제2 거리 데이터(ds2), 제4 거리 데이터(ds4), 제6 거리 데이터(ds6) 및 제8 거리 데이터(ds8)와 벽 포인트 데이터(411)에 대응되는 제2 거리 데이터(ds3)를 저장할 수 있다. 즉, 서버(100)는 생성된 제1 내지 제4 코너 포인트 데이터(420_1, 420_2, 420_3, 420_4)와 벽 포인트 데이터(411) 및 해당하는 거리 데이터에 기초하여 공간 데이터를 생성할 수 있다.
예를 들어, 제1 길이 데이터(le1)는 벽 포인트 데이터(411), 제2 코너 포인트 데이터(420_2), 제3 거리 데이터(ds3) 및 제4 거리 데이터(ds4)에 기초하여 생성될 수 있다. 제1 길이 데이터(le1)는 다음의 수학식 5에 따라서 생성될 수 있다.
<수학식 5>
Figure 112021033746910-pat00005
제2 길이 데이터(le2)는 벽 포인트 데이터(411), 제1 코너 포인트 데이터(420_1), 제3 거리 데이터(ds3) 및 제2 거리 데이터(ds2)에 기초하여 생성될 수 있다. 제2 길이 데이터(le2)는 다음의 수학식 6에 따라서 생성될 수 있다.
<수학식 6>
Figure 112021033746910-pat00006
제3 길이 데이터(le3)는 제3 코너 포인트 데이터(420_3), 제6 거리 데이터(ds6) 및 제1 길이 데이터(le1)에 기초하여 생성될 수 있다. 제3 길이 데이터(le3)는 다음의 수학식 7에 따라서 생성될 수 있다.
<수학식 7>
Figure 112021033746910-pat00007
제4 길이 데이터(le4)는 제4 코너 포인트 데이터(420_4), 제8 거리 데이터(ds8) 및 제2 길이 데이터(le2)에 기초하여 생성될 수 있다. 제4 길이 데이터(le4)는 다음의 수학식 8에 따라서 생성될 수 있다.
<수학식 8>
Figure 112021033746910-pat00008
제5 길이 데이터(le5)는 제3 코너 포인트 데이터(420_3), 제6 거리 데이터(ds6) 및 제3 길이 데이터(le3)에 기초하여 생성될 수 있다. 제5 길이 데이터(le5)는 다음의 수학식 9에 따라서 생성될 수 있다.
<수학식 9>
Figure 112021033746910-pat00009
제6 길이 데이터(le6)는 제4 코너 포인트 데이터(420_4), 제8 거리 데이터(ds8) 및 제4 길이 데이터(le4)에 기초하여 생성될 수 있다. 제6 길이 데이터(le6)는 다음의 수학식 10에 따라서 생성될 수 있다.
<수학식 10>
Figure 112021033746910-pat00010
상기 내용과 같이, 제1 내지 제6 길이 데이터(le1 내지 le6)는 제1 내지 제4 코너 포인트 데이터(420_1, 420_2, 420_3, 420_4)와 벽 포인트 데이터(411) 및 해당하는 거리 데이터에 기초하여 생성될 수 있다. 해당 제1 내지 제6 길이 데이터(le1 내지 le6)는 공간 데이터에 해당될 수 있다.
도 6을 참조하면, 서버(100)는 공간 데이터를 생성할 수 있다. 여기서 공간 데이터는 앞서 생성한 1 내지 제4 코너 포인트 데이터(420_1, 420_2, 420_3, 420_4)와 벽 포인트 데이터(411) 및 해당하는 거리 데이터와 제1 내지 제6 길이 데이터(le1 내지 le6)에 기초하여 생성될 수 있다.
예를 들어, 사용자 단말(200)에 해당되는 사용자 단말 공간 데이터(500)는 (0,0)의 좌표에 해당될 수 있다. 사용자 단말 공간 데이터(500)를 기준으로 좌표계가 설정될 수 있고, 해당 좌표계에 기초하여 공간 데이터가 나타내질 수 있다.
제1 코너 공간 데이터(520_1)는 제2 길이 데이터(le2) 및 제3 거리 데이터(ds3)에 기초하여 생성될 수 있다. 즉 제1 코너 공간 데이터(520_1)는 (le2,-ds3)의 좌표에 해당할 수 있다. 제2 코너 공간 데이터(520_2)는 제1 길이 데이터(le1) 및 제3 거리 데이터(ds3)에 기초하여 생성될 수 있다. 즉 제2 코너 공간 데이터(520_2)는 (-le1, -ds3)의 좌표에 해당할 수 있다. 제3 코너 공간 데이터(520_3)는 제3 길이 데이터(le3) 및 제5 길이 데이터(le5)에 기초하여 생성될 수 있다. 즉, 제3 코너 공간 데이터(520_3)는 (-le5,le3)의 좌표에 해당할 수 있다. 제4 코너 공간 데이터(520_4)는 제2 길이 데이터(le2) 및 제4 길이 데이터(le4)에 기초하여 생성될 수 있다. 즉, 제3 코너 공간 데이터(520_4)는 (le2,le4)의 좌표에 해당할 수 있다.
제1 벽 공간 데이터(510a)는 제4 코너 공간 데이터(520_4)와 제1 코너 공간 데이터(520_1)에 기초하여 생성될 수 있고, 제2 벽 공간 데이터(510b)는 제1 코너 공간 데이터(520_1)와 제2 코너 공간 데이터(520_2)에 기초하여 생성될 수 있고, 제3 벽 공간 데이터(510c)는 제2 코너 공간 데이터(520_2)와 제3 코너 공간 데이터(520_3)에 기초하여 생성될 수 있고, 제4 벽 공간 데이터(510d)는 제3 코너 공간 데이터(520_3)와 제4 코너 공간 데이터(520_4)에 기초하여 생성될 수 있다. 본 발명의 실시예는 이에 제한되지 않고, 벽 공간 데이터는 다른 방법을 통하여 생성될 수도 있다.
다시 도 2를 참조하면, 사용자 단말(200)은 건축물(300)의 하자 부분을 촬영하여 상태 데이터를 생성할 수 있다(S1004). 예를 들어, 사용자 단말(200)은 사용자 단말(200)에 포함된 일반 카메라, 라이다 센서 및 TOF 센서 중 적어도 하나를 이용하여 건축물(300)의 하자 부분에 대한 상태 데이터를 생성할 수 있다. 여기서 하자 부분에 대한 상태 데이터는 건축물(300)의 크랙, 누수 부분, 방수 처리된 부분의 결함 등을 포함할 수 있다. 하지만 본 발명의 실시예는 이에 제한되지 않고, 상태 데이터는 건축물(300)의 결함에 대한 전반적인 정보를 포함할 수 있다. 예를 들어, 상태 데이터(STT1, STT2, STT3)는 크랙의 크기, 누수 정도, 누수량, 누수 위치, 방수 처리된 부분의 결함 크기 등을 포함할 수 있다. 또한 상태 데이터(STT1, STT2, STT3)는 건축물(300)의 각 상태의 위치, 예를 들어 GPS 측정을 통하여 측정된 위치를 포함할 수 있다. 또한, 상태 데이터(STT1, STT2, STT3)는 건축물(300)의 위치 등을 포함할 수 있다. 예를 들어, 상태 데이터(STT1, STT2, STT3)는 건축물(300)의 내부 또는 옥상 등에 대한 정보를 포함할 수 있다.
도 6을 참조하면, 서버(100)는 사용자 단말(200)로부터 상태 데이터(STT1, STT2, STT3)를 수신할 수 있다. 서버(100)는 수신한 상태 데이터(STT1, STT2, STT3)를 일시적으로 저장할 수 있다. 서버(100)는 상태 데이터(STT1, STT2, STT3)와 이전에 생성된 공간 데이터(500, 510a 내지 510d, 520_1 내지 520_4)에 기초하여 하자 데이터(DEF)를 생성할 수 있다(S1005). 즉, 서버(100)는 공간 데이터(500, 510a 내지 510d, 520_1 내지 520_4)를 통해 생성된 건축물의 위치와 좌표 상에 건축물(300)의 하자에 대한 상태 데이터(STT1, STT2, STT3)를 표시할 수 있다.
예를 들어, 제1 상태 데이터(STT1)는 제3 코너 공간 데이터(520_3)에 인접하도록 대응될 수 있고, 제2 상태 데이터(STT2)는 제4 벽 공간 데이터(510d)에 인접하도록 대응될 수 있고, 제3 상태 데이터(STT3)는 사용자 단말 공간 데이터(500)에 인접하도록 대응될 수 있다. 즉, 서버(100)는 각 상태 데이터(STT1, STT2, STT3)가 공간 데이터(500, 510a 내지 510d, 520_1 내지 520_4) 중의 어느 요소에 인접한지를 결정하고 나타낼 수 있다. 즉, 하자 데이터(DEF)는 공간 데이터(500, 510a 내지 510d, 520_1 내지 520_4)와 이에 해당하는 상태 데이터(STT1, STT2, STT3)를 포함할 수 있다.
이하, 도 7 및 도 8을 참조하여 건축물(300)의 하자 여부를 판단하는 방법에 대하여 설명한다.
도 7은 몇몇 실시예에 따른 건축물의 하자 여부를 판단하고, 비용을 예측하는 방법에 대한 순서도이다. 도 8은 몇몇 실시예에 따른 서버에 포함된 인공지능부의 예시이다.
도 7을 참조하면, 서버(100)는 하자 데이터(DEF)에 기초하여 뉴럴 네트워크(neural network)를 이용하여 건축물(300)의 하자 여부를 판단할 수 있다(S1100). 여기서 건축물(300)의 하자 여부 판단은 하자 데이터(DEF)가 서버(100)에서 생성된 이후에 수행될 수 있다.
도 8을 참조하면, 뉴럴 네트워크 모델(601)은 하자 데이터(DEF) 생성 이후에 구현될 수 있다. 실시예들에 따른 뉴럴 네트워크 모델(601)은 인공지능 모델로 호칭될 수 있다. 이 도면에서 설명하는 인공지능부는 실시예들에 따른 건축물(300)의 하자 여부를 판단하는 서버에 포함될 수 있다. 실시예들에 따른 인공지능부에 사용되는 모델은 상술한 예시에 국한되지 않는다.
실시예들에 따른 인공지능부의 뉴럴 네트워크 모델은 하나 또는 그 이상의 은닉 레이어(hidden layer, 602) 들을 포함할 수 있다. 예를 들어, 하나 또는 그 이상의 은닉 레이어(hidden layer)들은 단순 선형으로 구성된 레이어일 수도 있고, CNN(Convolutional Neural Network), RNN(Recurrent Neural Network) 및/또는 LSTM(Long Short-Term Memory Model)로 구성된 레이어들의 집합일 수도 있다.
몇몇 실시예에 따른 뉴럴 네트워크 모델은 생성된 하자 데이터(DEF)와 같은 학습 데이터(600)를 학습하여 건축물(300)의 하자 여부에 대한 정보(603)를 출력하는 모델일 수 있다. 여기서 하자 데이터(DEF)는 상기 과정을 통하여 생성된 건축물(300)의 크랙의 크기, 라이다 센서 또는 TOF 센서를 통해 측정된 건축물(300)의 하자 상태, 건축물의 하자가 발생한 공간(예를 들어, 코너인지 벽면인지에 대한 정보), 건축물의 하자 발생 위치(예를 들어, 건축물의 내부, 베란다 또는 옥상인지에 대한 정보), 건축물의 누수량 및 건축물의 하자가 배관인지에 대한 여부 등을 포함할 수 있다. 실시예들에 따른 학습 데이터는 데이터베이스(180)에 저장된 데이터 및/또는 서버(100)에 의하여 계산된 값에 대한 데이터를 포함한다. 즉, 실시예들에 따른 인공지능부는 상술한 학습 데이터(600)를 기반으로 건축물(300)의 하자 여부를 판단하고 예측할 수 있다. 여기서 건축물(603) 하자 여부에 대한 정보는 0으로부터 1로 출력될 수 있으며, 건축물(603)의 하자 여부에 대한 정보가 0인 경우에 하자가 아닐 수 잇고, 1인 경우에 하자일 수 있다. 즉, 인공지능부는 학습 데이터(600)를 기반으로 건축물(603)의 하자 여부를 예측할 수 있다.
다시 도 7을 참조하면, 하자 데이터(DEF)에 기초하여 뉴럴 네트워크를 이용하여 판단한 결과, 건축물(300)의 하자에 해당하지 않는 경우(S1101-N), 서버(100)는 고객에게 그 결과를 통지할 수 있다(S1104). 예를 들어, 서버(100)는 고객에 해당하는 사용자 단말(200)에게 하자가 아님에 대한 결과를 통지할 수 있다. 즉, 서버(100)는 사용자 단말(200)로부터 수신한 영상 데이터 및 상태 데이터에 응답하여 하자 결과를 전송할 수 있다. 이를 통해 사용자 단말(200)을 이용하는 고객은 전문가를 통하지 않아도 용이하게 건축물(300)의 하자 여부를 알 수 있다. 또한, 사용자 단말(200)을 이용하는 전문가는 전문적인 장비를 통하지 않아도, 시공 후에 건축물(300)의 하자 여부를 신속하게 알 수 있다.
하자 데이터(DEF)에 기초하여 뉴럴 네트워크를 이용하여 판단한 결과, 건축물(300)의 하자에 해당하는 경우(S1101-Y), 서버(100)는 하자 데이터(DEF), 상태 데이터(STT)에 기초하여 뉴럴 네트워크를 이용하여 비용을 예측할 수 있다(S1102). 여기서 뉴럴 네트워크는 도 8의 뉴럴 네트워크와 다른 것에 해당할 수 있다. 즉, 도 8의 뉴럴 네트워크는 건축물(300)의 하자 여부를 판단하기 위하여 학습한 것에 해당할 수 있고, 해당 동작에서의 뉴럴 네트워크는 하자 보수 비용을 예측하기 위하여 학습한 것에 해당할 수 있다.
서버(100)는 하자 데이터(DEF) 및 상태 데이터(STT)에 기초하여 하자 보수 비용을 예측할 수 있다. 또한 하자 데이터(DEF)는 뉴럴 네트워크를 통하여 도출되는 건축물(300)의 하자의 정도를 포함할 수 있다. 즉, 하자 데이터(DEF)는 건축물(300)의 누수 정도, 크랙의 크기 등을 포함할 수 있다. 또한 하자 데이터(DEF)는 건축물(300)의 하자의 위치 및 장소 등을 포함할 수 있다. 즉, 하자 데이터(DEF)는 하자가 건축물(300)의 코너에 위치하는지, 옥상에 위치하는지, 배관 근처에 위치하는지에 대한 정보를 포함할 수 있다. 여기서 하자 데이터(DEF)는 공간 데이터에 기초하여 생성된 것일 수 있다. 또한, 서버(100)는 기타 사용자 단말(200)로부터 전달받은 완공 후 기간 등을 이용하여 하자 보수 비용을 예측할 수 있다.
서버(100)는 다음의 수학식을 이용하여 건축물(300)의 하자 보수 비용을 예측할 수 있다.
<수학식 11>
Figure 112021033746910-pat00011
COST는 건축물(300)의 하자 보수 비용을 의미할 수 있으며, 이는 하자 데이터(DEF)로부터 도출될 수 있다. location은 건축물(300)의 하자의 위치를 의미할 수 있으며, corner는 건축물(300)의 하자가 코너 부분에 위치하는지 의미할 수 있다. M은 0 이상의 자연수에 해당할 수 있으며, y는 완공 후 기간에 해당할 수 있다. 여기서 y는 M-1로 제한될 수 있다.
서버(100)는 건축물(300)의 예측되는 하자 보수 비용(COST')을 도출할 수 있다. 예를 들어 하자가 건축물(300)의 코너 부분에 위치하거나 옥상 등에 위치하는 경우, 예측되는 하자 보수 비용(COST')은 감소될 수 있다. 또한, 건축물(300)의 하자가 완공 후 특정 시간 후에 발생한 경우, 예측되는 하자 보수 비용(COST')은 감소될 수 있다. 하지만 본 발명의 실시예는 이에 제한되지 않고, 다른 건축물(300)의 하자 부분이 고려되어 예측되는 하자 보수 비용(COST')이 결정될 수 있다. 이는 뉴럴 네트워크 모델을 통하여 도출될 수 있다.
서버(100)는 예측되는 하자 보수 비용(COST'), 하자 데이터(DEF) 및 상태 데이터(STT) 등을 시공사에 통지할 수 있다(S1103). 여기서 시공사는 사용자 단말(210)을 사용할 수 있다. 즉, 서버(100)는 예측되는 하자 보수 비용(COST'), 하자 데이터(DEF) 및 상태 데이터(STT) 등을 사용자 단말(210) 중 적어도 하나에 전송할 수 있다. 결과적으로, 서버(100)는 사용자 단말(200)로부터 영상 데이터 및 상태 데이터(STT)를 수신하여, 이에 대한 응답으로 사용자 단말(210)에 예측되는 하자 보수 비용(COST'), 하자 데이터(DEF) 및 상태 데이터(STT) 등을 제공할 수 있다. 또한, 서버(100)는 고객에 해당하는 사용자 단말(200)에도 예측되는 하자 보수 비용(COST'), 하자 데이터(DEF) 및 상태 데이터(STT) 등을 제공할 수 있다. 이를 통하여, 고객 및 시공사가 사용자 단말(200, 210)을 통하여 하자의 상태 및 예측되는 비용을 인지함으로써 신속한 보수를 수행할 수 있고, 하자 보수 비용에 대하여도 상호 합의가 가능할 수 있다. 즉, 건축물(300)의 하자 여부를 판단하고 하자 보수 비용을 예측하는 서버(100)는 고객과 시공자를 중재할 수 있다.
도 9는 몇몇 실시예에 따른 하자 보수 및 품질 관리를 수행하는 서버에 대한 도면이다.
도 9를 참조하면, 서버(100)는 고객 단말(700), 시공사 단말(710), 시행사 단말(720) 및 수리공 단말(730)과 통신할 수 있다. 고객 단말(700)은 건축물(300)의 건축 또는 수리를 요청하는 고객이 소지하는 사용자 단말에 해당할 수 있고, 시공사 단말(710)은 고객의 요청에 따라서 건축물(300)을 건설한 시공사가 소지하는 사용자 단말에 해당할 수 있고, 시행사 단말(720)은 고객의 요청에 따라서 건축물(300)의 설계를 담당한 시행사가 소지하는 사용자 단말에 해당할 수 있고, 수리공 단말(730)은 건축물(300)의 건설에 관련이 없고 수리만을 담당하는 수리공이 소지하는 사용자 단말에 해당할 수 있다. 여기서, 고객 단말(700), 시공사 단말(710), 시행사 단말(720) 및 수리공 단말(730)은 서버(100)에 등록을 통하여 정보를 등록할 수 있으며, 서로 간에도 정보를 교환하고 조회할 수 있다.
고객 단말(700)이 상기 설명한 방법을 통하여 영상 데이터 및 상태 데이터를 서버(100)에 전송하는 경우, 서버(100)는 건축물(300)의 하자 여부를 판단하고 하자 보수 비용을 예측할 수 있다. 서버(100)는 건축물(300)의 하자 여부가 확인되는 경우 고객 단말(700), 시공사 단말(710) 및 시행사 단말(720)에 하자 데이터(DEF) 및 예측되는 하자 보수 비용(COST')을 전달할 수 있다. 서버(100)는 고객 단말(700), 시공사 단말(710) 및 시행사 단말(720)을 중재할 수 있다. 이 과정에서 서버(100)는 하자 데이터(DEF) 및 예측되는 하자 보수 비용(COST')에 기초하여 시공사 단말(710) 및 시행사 단말(720)의 공사 품질에 대한 점수를 도출할 수 있다. 시공사 단말(710) 및 시행사 단말(720)의 공사 품질에 대한 점수를 도출함에 따라서, 고객 단말(700)은 해당 점수에 기초하여 하자 보수를 해당 업체를 통해 진행할 것인지, 다른 업체를 통해 진행할 것인지에 대하여 결정할 수 있다. 즉, 서버(100)는 시공사 단말(710)에 대한 정보는 고객 단말(700)에 제공할 수 있고, 고객 단말(700)에 대한 정보를 시공사 단말(710)에 제공할 수 있다.
또한, 서버(100)는 하자 데이터(DEF) 및 예측되는 하자 보수 비용(COST')를 수리공 단말(730)에 전달할 수 있다. 수리공 단말(730)은 전달받은 하자 데이터(DEF) 및 예측되는 하자 보수 비용(COST')에 응답하여 하자 보수 비용을 서버(100)에 제공할 수 있다. 서버(100)는 수리공 단말(730)로부터 제공받은 하자 보수 비용을 고객 단말(700)에 전달할 수 있고, 고객 단말(700)이 동의하는 경우 고객 단말(700)과 수리공 단말(730)을 연결시킬 수 있다.
도 10은 도 1의 건축물의 하자 여부를 판단하는 서버에 대한 하드웨어 구성도이다.
도 10을 참조하면, 건축물의 하자 여부를 판단하는 서버(100)는, 적어도 하나의 프로세서(processor, 110) 및/또는 적어도 하나의 프로세서(110)가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory, 120)를 포함할 수 있다.
적어도 하나의 프로세서(110)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(120) 및 저장 장치(160) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(120)는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중에서 적어도 하나로 구성될 수 있다.
또한, 제품의 부품 교체 필요성을 판단하는 서버(100)는, 무선 네트워크를 통해 통신을 수행하는 송수신 장치(transceiver, 130)를 포함할 수 있다. 또한, 제품의 부품 교체 필요성을 판단하는 서버는 입력 인터페이스 장치(140), 출력 인터페이스 장치(150), 저장 장치(160) 등을 더 포함할 수 있다. 파충류 거래 플랫폼을 운용하는 서버(100)에 포함된 각각의 구성 요소들은 버스(bus, 170)에 의해 연결되어 서로 통신을 수행할 수 있다.
몇몇 실시예에 따른 적어도 하나의 단계는, 복수의 사용자 단말들 중 하나의 사용자 단말로부터, 상기 사용자 단말에 포함된 라이다(LiDAR) 센서 또는 TOF(Time of Flight) 센서를 통해 획득한 상기 건축물에 대한 영상 데이터를 수신하는 단계, 상기 영상 데이터에 기초하여 거리(distance) 데이터를 생성하는 단계, 상기 거리 데이터에 기초하여 상기 건축물에 대한 공간(space) 데이터를 생성하는 단계, 상기 사용자 단말로부터, 상기 사용자 단말에 포함된 카메라, 라이다 센서 및 TOF 센서 중 적어도 하나를 통해 획득한 상기 건축물에 대한 상태 데이터를 수신하는 단계, 상기 공간 데이터와 상기 상태 데이터에 기초하여 하자 데이터를 생성하는 단계, 상기 하자 데이터에 기초하여 상기 건축물의 하자 여부를 판단하는 단계, 및 상기 건축물의 하자 판단 결과, 상기 공간 데이터 및 상기 상태 데이터를 상기 복수의 사용자 단말들 중 적어도 하나에 제공하는 단계를 포함할 수 있다.
몇몇 실시예에 따른 상기 거리 데이터에 기초하여 상기 건축물에 대한 공간 데이터를 생성하는 단계는, 상기 거리 데이터의 시간에 따른 변화에 기초하여 서로 다른 제1 포인트 및 제2 포인트를 결정하는 단계, 상기 제1 포인트에 대한 제1 거리를 도출하고, 상기 제2 포인트에 대한 제2 거리를 도출하는 단계, 및 상기 제1 포인트, 상기 제2 포인트, 상기 제1 거리 및 상기 제2 거리에 기초하여 상기 건축물에 대한 공간 데이터를 생성하는 단계를 포함할 수 있다.
몇몇 실시예에 따른 상기 거리 데이터의 시간에 따른 변화에 기초하여 상기 제1 포인트를 결정하는 단계는, 상기 거리 데이터의 시간에 따른 변화가 양의 값에서 음의 값이 되는 시간에서 상기 제1 포인트를 결정하는 단계를 포함하고, 상기 거리 데이터의 시간에 따른 변화에 기초하여 상기 제2 포인트를 결정하는 단계는, 상기 거리 데이터의 시간에 따른 변화가 음의 값에서 양의 값이 되는 시간에서 상기 제2 포인트를 결정하는 단계를 포함할 수 있다.
몇몇 실시예에 따른 상기 적어도 하나의 단계는, 뉴럴 네트워크 모델을 이용하여 상기 건축물의 하자 보수에 대한 비용을 예측하는 단계를 더 포함하고, 상기 뉴럴 네트워크 모델은 상기 건축물의 하자 판단 결과, 상기 공간 데이터, 상기 상태 데이터 및 상기 하자 데이터를 학습하여, 상기 건축물의 하자 보수에 대한 비용을 예측할 수 있다.
몇몇 실시예에 따른 상기 적어도 하나의 단계는, 상기 예측된 상기 건축물의 하자 보수에 대한 비용을 상기 복수의 사용자 단말들 중 고객 단말과 시공사 단말에 제공하는 단계, 상기 시공사 단말에 대한 정보를 상기 고객 단말에 제공하는 단계, 및 상기 고객 단말에 대한 정보를 상기 시공사 단말에 제공하는 단계를 포함할 수 있다.
실시예들은 다양한 컴퓨터 수단을 통해 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위해 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능 매체의 예에는 롬(ROM), 램(RAM), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함될 수 있다. 프로그램 명령의 예에는 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 적어도 하나의 소프트웨어 모듈로 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 상술한 방법 또는 장치는 그 구성이나 기능의 전부 또는 일부가 결합되어 구현되거나, 분리되어 구현될 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (5)

  1. 건축물의 하자 여부를 판단하는 서버로서,
    프로세서(processor); 및 상기 프로세서가 적어도 하나의 단계를 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함하고,
    상기 프로세서는:
    복수의 사용자 단말들 중 하나의 사용자 단말로부터, 상기 사용자 단말에 포함된 라이다(LiDAR) 센서 또는 TOF(Time of Flight) 센서를 통해 획득한 상기 건축물에 대한 영상 데이터들을 수신하고,
    상기 영상 데이터에 기초하여 거리(distance) 데이터를 생성하고,
    거리 데이터(ds)의 시간(t) 당 변화하는 값(dds/dt)이 양의 값에서 음의 값이 되는 제1 시점에서 해당 거리 데이터를 코너 포인트(corner point)를 결정하고,
    거리 데이터(ds)의 시간(t) 당 변화하는 값(dds/dt)이 음의 값에서 양의 값이 되는 제2 시점에서 해당 거리 데이터를 벽 포인트(wall point)를 결정하고,
    상기 코너 포인트에 대한 제1 거리를 도출하고, 상기 벽 포인트에 대한 제2 거리를 도출하고,
    상기 제1 거리의 제곱 값과 상기 제2 거리의 제곱 값 사이의 차이를 제곱근 한 값에 기반하여 길이 데이터를 생성하고,
    상기 코너 포인트, 상기 벽 포인트, 상기 제1 거리, 상기 제2 거리 및 상기 길이 데이터에 기초하여 상기 건축물에 대한 공간 데이터(space data)를 생성하고,
    상기 사용자 단말에 포함된 카메라, 라이다 센서 및 TOF 센서 중 적어도 하나를 통해 획득한 상기 건축물에 대한 상태 데이터를 상기 사용자 단말로부터 수신하고,
    상기 공간 데이터와 상기 상태 데이터에 기초하여 하자 데이터를 생성하고,
    상기 하자 데이터에 기초하여 상기 건축물의 하자 여부를 판단하고,
    상기 건축물의 하자 판단 결과, 상기 공간 데이터 및 상기 상태 데이터를 상기 복수의 사용자 단말들 중 적어도 하나에 제공하고,
    상기 프로세서는:
    ① 상기 건축물의 하자의 위치, ② 상기 건축물의 하자가 코너 부분에 위치하는지 여부, 그리고 ③ 상기 건축물의 완공 후 경과한 기간에 기반하여, 상기 건축물의 하자 보수에 대한 비용을 예측하고,
    상기 예측된 상기 건축물의 하자 보수에 대한 비용을 상기 복수의 사용자 단말들 중 고객 단말과 시공사 단말에 제공하고,
    상기 시공사 단말에 대한 정보를 상기 고객 단말에게 제공하고,
    상기 고객 단말에 대한 정보를 상기 시공사 단말에게 제공하는, 서버.
  2. 삭제
  3. 삭제
  4. ◈청구항 4은(는) 설정등록료 납부시 포기되었습니다.◈
    제 1 항에 있어서,
    상기 프로세서는:
    뉴럴 네트워크 모델을 이용하여 상기 건축물의 하자 보수에 대한 비용을 예측하는 과정을 더 포함하고,
    상기 뉴럴 네트워크 모델은 상기 건축물의 하자 판단 결과, 상기 공간 데이터, 상기 상태 데이터 및 상기 하자 데이터를 학습하여, 상기 건축물의 하자 보수에 대한 비용을 예측하는, 서버.
  5. 삭제
KR1020210037042A 2021-03-23 2021-03-23 건축물의 하자 여부를 판단하는 서버 및 동작 방법 KR102338631B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210037042A KR102338631B1 (ko) 2021-03-23 2021-03-23 건축물의 하자 여부를 판단하는 서버 및 동작 방법
KR1020210174462A KR102485977B1 (ko) 2021-03-23 2021-12-08 건축물의 누수 및 방수와 관련되는 정보를 제공하는 서버

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210037042A KR102338631B1 (ko) 2021-03-23 2021-03-23 건축물의 하자 여부를 판단하는 서버 및 동작 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020210174462A Division KR102485977B1 (ko) 2021-03-23 2021-12-08 건축물의 누수 및 방수와 관련되는 정보를 제공하는 서버

Publications (1)

Publication Number Publication Date
KR102338631B1 true KR102338631B1 (ko) 2021-12-14

Family

ID=78934993

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020210037042A KR102338631B1 (ko) 2021-03-23 2021-03-23 건축물의 하자 여부를 판단하는 서버 및 동작 방법
KR1020210174462A KR102485977B1 (ko) 2021-03-23 2021-12-08 건축물의 누수 및 방수와 관련되는 정보를 제공하는 서버

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020210174462A KR102485977B1 (ko) 2021-03-23 2021-12-08 건축물의 누수 및 방수와 관련되는 정보를 제공하는 서버

Country Status (1)

Country Link
KR (2) KR102338631B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130023000A (ko) 2011-08-26 2013-03-07 신영우 건축, 구조물의 구성, 사용 용도에서 발생하는 하자 원인 별, 재료선정, 합리적인 보수의 3차원적 입체 시스템 시공방법
KR20190088134A (ko) * 2018-01-05 2019-07-26 유남구 인공지능을 이용한 시설관리 서비스
KR20200040195A (ko) * 2018-10-05 2020-04-17 주식회사 유오케이 라이다센서를 이용한 건축물 통합관리 시스템
KR20210026316A (ko) 2019-08-29 2021-03-10 김세영 공사 견적 분석 정보 제공 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130023000A (ko) 2011-08-26 2013-03-07 신영우 건축, 구조물의 구성, 사용 용도에서 발생하는 하자 원인 별, 재료선정, 합리적인 보수의 3차원적 입체 시스템 시공방법
KR20190088134A (ko) * 2018-01-05 2019-07-26 유남구 인공지능을 이용한 시설관리 서비스
KR20200040195A (ko) * 2018-10-05 2020-04-17 주식회사 유오케이 라이다센서를 이용한 건축물 통합관리 시스템
KR20210026316A (ko) 2019-08-29 2021-03-10 김세영 공사 견적 분석 정보 제공 장치 및 방법

Also Published As

Publication number Publication date
KR102485977B1 (ko) 2023-01-10
KR20220132408A (ko) 2022-09-30

Similar Documents

Publication Publication Date Title
Banfi et al. Extended reality and informative models for the architectural heritage: from scan-to-BIM process to virtual and augmented reality
Donkers et al. Automatic conversion of IFC datasets to geometrically and semantically correct CityGML LOD3 buildings
Quattrini et al. From TLS to HBIM. High quality semantically-aware 3D modeling of complex architecture
Campanaro et al. 3D GIS for cultural heritage restoration: A ‘white box’workflow
JP6490220B2 (ja) ２次元図面に基づく３次元自動立体モデリング方法及びプログラム
Khalil et al. Categorisation of building data in the digital documentation of heritage buildings
US9424371B2 (en) Click to accept as built modeling
Mahdjoubi et al. Providing real-estate services through the integration of 3D laser scanning and building information modelling
US11527009B2 (en) Methods and systems for measuring and modeling spaces using markerless photo-based augmented reality process
Brusaporci et al. Mixed reality experiences for the historical storytelling of cultural heritage
US20200126306A1 (en) Smart City Management And Navigation Tool
Trizio et al. Digital environment for remote visual inspection and condition assessment of architectural heritage
Li et al. Development of a distributed MR-IoT method for operations and maintenance of underground pipeline network
Shih et al. 3D scan for the digital preservation of a historical temple in Taiwan
KR102338631B1 (ko) 건축물의 하자 여부를 판단하는 서버 및 동작 방법
Savaşkan et al. H-BIM applications for vernacular architecture: A historic rural house case study in Bursa, Turkey
Napolitano et al. Hybrid physics‐based modeling and data‐driven method for diagnostics of masonry structures
Pittam et al. A remote measurement and mapping technique for orderly rapid aggregation of building stock geometry
Garwood Closing the Performance Gap in Building Energy Modelling through Digital Survey methods and Automated Reconstruction
Zhang Research on protection and restoration of heritage buildings based on heritage building information model (HBIM) technology and its application
CN108062786B (zh) 以三维信息模型为基础的综合感知定位技术应用系统
Themistocleous et al. HBIM for cultural heritage: the case study of Panayia Karmiotissa church
Pocobelli Heritage Building Information Model (BIM) for scientific data
CN111429576A (zh) 信息显示方法、电子设备和计算机可读介质
CN115328316B (zh) 基于vr技术的元宇宙物体材质构建方法及装置

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant