KR102370913B1 - Apparatus for detecting anomaly of cable in case of laying cable based on artificial intelligence network - Google Patents

Apparatus for detecting anomaly of cable in case of laying cable based on artificial intelligence network Download PDF

Info

Publication number
KR102370913B1
KR102370913B1 KR1020210071498A KR20210071498A KR102370913B1 KR 102370913 B1 KR102370913 B1 KR 102370913B1 KR 1020210071498 A KR1020210071498 A KR 1020210071498A KR 20210071498 A KR20210071498 A KR 20210071498A KR 102370913 B1 KR102370913 B1 KR 102370913B1
Authority
KR
South Korea
Prior art keywords
stingray
cable
color
unit
image
Prior art date
Application number
KR1020210071498A
Other languages
Korean (ko)
Inventor
이지환
Original Assignee
이지환
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 이지환 filed Critical 이지환
Priority to KR1020210071498A priority Critical patent/KR102370913B1/en
Application granted granted Critical
Publication of KR102370913B1 publication Critical patent/KR102370913B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06K9/6201—
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms

Landscapes

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

Abstract

An apparatus for detecting an anomaly in a cable based on an artificial intelligence network in laying the cable comprises: a guide unit driven by a motor and provided so that a cable moves between a plurality of rotatable main rollers; a ray unit which has a triangular shape, has one hole formed near one edge thereof and at least one hole formed in a portion of an area opposite the edge, has a first color of one side, and has a second color, different from the first color, of the rear side of the side; and a computing device including at least one processor configured to receive an image including the ray unit, analyze the characteristics of the ray unit included in the received image, and determine whether the cable has an anomaly based on the analyzed characteristics of the ray unit. Therefore, work efficiency can be increased.

Description

케이블 포설 시, 인공신경망 기반으로 케이블의 이상을 검출하는 장치{APPARATUS FOR DETECTING ANOMALY OF CABLE IN CASE OF LAYING CABLE BASED ON ARTIFICIAL INTELLIGENCE NETWORK}A device that detects abnormalities in cables based on artificial neural networks when laying cables

본 개시는 케이블 포설 시, 인공신경망 기반으로 케이블의 이상을 검출하는 장치에 관한 것으로, 보다 상세하게는, 케이블 포설 작업에 있어서, 가오리부가 포함된 영상을 통해 인공신경망을 기반으로 케이블의 이상을 검출하는 장치에 관한 것이다.The present disclosure relates to an apparatus for detecting an abnormality in a cable based on an artificial neural network when installing a cable, and more particularly, in a cable installation operation, detecting an abnormality in a cable based on an artificial neural network through an image including a stingray part It's about the device.

발전소에서 생산되는 전기는 송전 시설과 배전 시설을 통해 수요자에게 공급되는데, 송전은 최종 변전소까지 전기를 수송하는 과정이고, 배전은 변전소에서 각 수요자에게 전기를 공급하는 과정을 말한다. 케이블 포설 작업은 수요자에게 전기 공급에 사용되는 케이블을 설치하는 작업으로, 건축물(예를 들어, 아파트, 주상복합, 지식재산센터, 하우징 작업 등), 플랜트 공사 및 지중화 작업 등의 케이블 설치 작업을 말한다. 일반적으로, 케이블 포설 작업 시, 작업자는 케이블 가이드 장치를 통해 건축물, 플랜트, 지중화 작업의 시공 등에 있어서 건물 내부에 설치되는 케이블을 일정한 장소에서 정리할 수 있도록 할 수 있다. Electricity produced in a power plant is supplied to consumers through transmission and distribution facilities. Transmission is the process of transporting electricity to the final substation, and distribution refers to the process of supplying electricity to each consumer at the substation. Cable installation work is the work of installing cables used to supply electricity to consumers. . In general, during the cable installation work, the operator can arrange the cables installed inside the building in a certain place in the construction of a building, plant, underground work, etc. through the cable guide device.

종래의 케이블 가이드 장치는 진행 방향으로 케이블을 직선으로 밀어낼 수 있도록 구성되는데, 환경적인 요인 등에 의한 케이블의 이상(anomaly; 예를 들어, 케이블의 꼬임 또는 뒤집힘 등) 상태에 의한 오작동이 발생할 수 있다. 예를 들어, 모터에 의해 직선으로 밀어지는 케이블은 밀어지는 속도 또는 곡선 구간을 지나면서 각도가 틀어짐에 따라 케이블이 꼬이거나 뒤집힐 수 있으며, 이에 따라, 정상적인 케이블 포설 작업에 어려움이 있을 수 있다.The conventional cable guide device is configured to push the cable in a straight line in the traveling direction, and malfunctions may occur due to anomaly of the cable due to environmental factors, etc. (eg, twisted or overturned of the cable) . For example, a cable that is pushed in a straight line by a motor may be twisted or turned over as the angle is changed while passing a pushing speed or a curved section, and thus, there may be difficulty in a normal cable laying operation.

본 개시는, 인공신경망을 통해 촬영된 영상의 정상 작동 또는 오작동 여부를 학습하여 작업자에게 오작동 여부를 검출하는 인공신경망 기반으로 케이블의 이상을 검출하는 장치를 제공한다.The present disclosure provides an apparatus for detecting abnormality in a cable based on an artificial neural network that detects whether an image is malfunctioning to an operator by learning whether an image captured through the artificial neural network operates normally or malfunctions.

본 개시의 일 실시예에 따르면, 케이블의 포설 시, 인공신경망 기반으로 케이블의 이상(anomaly; 예: 꼬임 등)을 검출하는 장치는, 모터에 의해 구동되고, 복수의 회전 가능한 메인 롤러 사이로 케이블이 이동하도록 구성된 가이드부, 삼각 형태로 구성되고, 하나의 모서리 근방에 하나의 홀이 형성되고 하나의 모서리와 대향하는 영역의 일부에 적어도 하나의 홀이 형성되고, 일면이 제1 색상으로 구성되고, 일면의 배면은 제1 색상과 상이한 제2 색상으로 구성된 가오리부 및 가오리부가 포함된 영상을 수신하고, 수신된 영상에 포함된 가오리부의 특징을 분석하여, 분석된 가오리부의 특징을 기초로, 케이블의 이상 여부를 판정하도록 구성된 적어도 하나의 프로세서를 포함한 컴퓨팅 장치를 포함한다.According to an embodiment of the present disclosure, when a cable is installed, an apparatus for detecting anomaly (eg, twist, etc.) of a cable based on an artificial neural network is driven by a motor, and the cable is passed between a plurality of rotatable main rollers. A guide unit configured to move, is configured in a triangular shape, one hole is formed near one corner and at least one hole is formed in a part of an area opposite to one corner, and one surface is configured in a first color, The rear of one surface receives an image including a stingray part and a stingray part configured in a second color different from the first color, analyzes the characteristics of the stingray part included in the received image, and based on the analyzed characteristics of the stingray part, and a computing device including at least one processor configured to determine whether there is an abnormality.

일 실시예에 따르면, 케이블의 이상을 검출하는 장치는, 가이드부를 통해 케이블이 포설될 때 가오리부가 포함된 영상을 촬영하도록 구성된 적어도 하나의 이미지 센서를 더 포함한다.According to an embodiment, the apparatus for detecting abnormality in a cable further includes at least one image sensor configured to capture an image including a stingray part when the cable is laid through the guide part.

일 실시예에 따르면, 적어도 하나의 프로세서는, 촬영된 영상 내에서 가오리부를 탐지하고, 가오리부가 탐지된 경우, 가오리부를 포함한 영상 내의 가오리부의 특징을 분석하고 분석된 가오리부의 특징을 기초로 케이블의 이상 여부를 판정하도록 더 구성된다.According to an embodiment, the at least one processor detects a stingray in the captured image, and when the stingray is detected, analyzes the characteristics of the stingray in the image including the stingray, and based on the analyzed characteristic of the stingray, abnormality of the cable further configured to determine whether or not

일 실시예에 따르면, 적어도 하나의 프로세서는, 참조 영상에 응답하여, 참조 영상 내에 포함된 가오리부의 특징에 기초하여 결정된 케이블의 이상 여부에 대한 결과값을 추론하도록 학습된 인공신경망 모델을 이용하여, 수신된 영상에 포함된 가오리부의 특징에 기초하여 케이블의 이상 여부를 판정하도록 더 구성된다.According to an embodiment, in response to the reference image, the at least one processor uses an artificial neural network model trained to infer a result value of whether a cable is abnormal or not, which is determined based on the characteristics of the stingray part included in the reference image, It is further configured to determine whether the cable is abnormal based on the characteristics of the stingray part included in the received image.

일 실시예에 따르면, 인공신경망 모델은, 수신된 영상에 대해 케이블의 정상 또는 이상을 분류하도록 학습된 이진 분류 모델(binary classification model)을 포함한다.According to an embodiment, the artificial neural network model includes a binary classification model trained to classify a normal or abnormal cable with respect to a received image.

일 실시예에 따르면, 가오리부의 특징은, 수신된 영상에 포함된 가오리부의 색상, 각도, 면적 또는 모양 중 적어도 하나를 포함한다.According to an embodiment, the characteristic of the stingray part includes at least one of a color, an angle, an area, and a shape of the stingray part included in the received image.

일 실시예에 따르면, 적어도 하나의 프로세서는, 수신된 영상에 포함된 가오리부의 제1 색상 또는 제2 색상의 적어도 하나의 면적을 산출하고, 산출된 면적을 기초로 케이블의 이상 여부를 판정하도록 더 구성된다.According to an embodiment, the at least one processor is further configured to calculate at least one area of the first color or the second color of the stingray part included in the received image, and to determine whether the cable is abnormal based on the calculated area. is composed

일 실시예에 따르면, 적어도 하나의 프로세서는, 체인롤러의 롤러부에 대한 가오리부의 양 측면 내의 두 기준 마커 중 하나의 각도를 산출하고, 산출된 각도를 기초로 케이블의 이상 여부를 판정하도록 더 구성된다.According to an embodiment, the at least one processor is further configured to calculate an angle of one of two reference markers in both sides of the stingray part with respect to the roller part of the chain roller, and determine whether the cable is abnormal based on the calculated angle do.

일 실시예에 따르면, 적어도 하나의 프로세서는, 케이블의 이상이라고 판정된 경우, 작업자 단말에게 알림을 송신하거나, 모터를 제어하여 복수의 회전 가능한 메인 롤러의 회전을 정지하도록 구성한다.According to an embodiment, the at least one processor is configured to, when it is determined that the cable is abnormal, transmit a notification to the operator terminal or control the motor to stop the rotation of the plurality of rotatable main rollers.

일 실시예에 따르면, 케이블의 이상을 검출하는 장치는, 가오리부의 하나의 모서리 근방의 하나의 홀에 연결되고, 가오리부의 각도에 따라 회전이 가능하도록 구성된 슈벨 및 케이블을 가오리부의 적어도 하나의 홀에 연결시키도록 구성된 고리부를 더 포함한다.According to an embodiment, the device for detecting abnormality in the cable is connected to one hole near one edge of the stingray unit, and is configured to rotate according to the angle of the stingray unit and connect the cable and the cable to at least one hole of the stingray unit. It further comprises a ring portion configured to connect.

본 개시의 일 실시예들에 따르면, 케이블 포설 작업 시, 인공신경망 기반으로 케이블의 이상을 검출하기 때문에, 케이블 포설 작업 시 케이블의 꼬임 또는 뒤집힘 등과 같은 이상 상태에 의해 작업이 신속히 중단 및 해결할 수 있으므로 작업 효율성이 향상될 수 있다.According to embodiments of the present disclosure, since abnormality of the cable is detected based on the artificial neural network during the cable installation operation, the operation can be quickly stopped and solved by abnormal conditions such as twisting or overturning of the cable during the cable installation operation. Working efficiency can be improved.

본 개시의 일 실시예들에 따르면, 케이블 포설 작업 시, 인공신경망 기반으로 케이블의 이상 상태가 검출되므로, 케이블 포설 작업에 투입되는 인력이 감소하기 때문에 인건비가 감소하여 경제적인 효과가 향상될 수 있다.According to the exemplary embodiments of the present disclosure, since the abnormal state of the cable is detected based on the artificial neural network during the cable installation operation, the manpower input for the cable installation operation is reduced, so that the labor cost is reduced and the economic effect can be improved. .

본 개시의 일 실시예들에 따르면, 케이블 포설 작업 시, 이상(예를 들어, 케이블의 꼬임 또는 뒤집힘 등) 상태가 발생하였을 경우, 인공신경망을 기반으로 케이블 포설 장치의 오작동을 검출하여 알림 및 작동을 중지할 수 있으므로, 케이블의 손상, 비정상적 포설 등의 피해가 방지될 수 있다.According to embodiments of the present disclosure, when an abnormal (eg, twisted or overturned cable) condition occurs during cable laying, a malfunction of the cable laying device is detected based on an artificial neural network to notify and operate can be stopped, damage such as cable damage and abnormal installation can be prevented.

본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The effects of the present disclosure are not limited to the effects mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description of the claims.

본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지 않는다.
도 1은 본 개시의 일 실시예에 따른 케이블 포설 시, 인공신경망 기반으로 케이블의 이상을 검출하는 장치의 개략도다.
도 2는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 내부 구성을 나타낸 도면이다.
도 3은 본 개시의 일 실시예에 따른 케이블 포설 시, 인공신경망 기반으로 케이블의 이상을 검출하는 장치의 메모리를 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 케이블 포설 시, 인공신경망 기반으로 케이블의 이상을 검출하는 장치의 데이터 처리 모듈의 학습 또는 추론 과정을 나타낸 도면이다.
도 5는 본 개시의 일 실시예에 따른 가오리부와 케이블 및 슈벨의 연결 상태를 확대한 도면이다.
도 6은 본 개시의 일 실시예에 따라 가오리부의 제1 색상의 면적에 따른 각도를 계산하는 과정을 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따라 체인롤러를 통해 이동하는 가오리부의 기준 마커와 체인롤러의 롤러부의 각도를 계산하는 과정을 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따른 케이블 포설 시, 인공신경망 기반으로 케이블의 이상을 검출 과정을 나타내는 흐름도이다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Embodiments of the present disclosure will be described with reference to the accompanying drawings described below, wherein like reference numerals denote like elements, but are not limited thereto.
1 is a schematic diagram of an apparatus for detecting abnormality in a cable based on an artificial neural network when a cable is installed according to an embodiment of the present disclosure.
2 is a diagram illustrating an internal configuration of a computing device according to an embodiment of the present disclosure.
3 is a block diagram illustrating a memory of an apparatus for detecting an abnormality in a cable based on an artificial neural network when a cable is installed according to an embodiment of the present disclosure.
4 is a diagram illustrating a learning or inference process of a data processing module of an apparatus for detecting an abnormality in a cable based on an artificial neural network when a cable is installed according to an embodiment of the present disclosure.
5 is an enlarged view of a connection state of a stingray unit, a cable, and a shoebel according to an embodiment of the present disclosure.
6 is a diagram illustrating a process of calculating an angle according to an area of a first color of a stingray part according to an embodiment of the present disclosure.
7 is a diagram illustrating a process of calculating an angle between a reference marker of a stingray part moving through a chain roller and a roller part of the chain roller according to an embodiment of the present disclosure.
8 is a flowchart illustrating a process of detecting an abnormality in a cable based on an artificial neural network when a cable is installed according to an embodiment of the present disclosure.

이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.Hereinafter, specific contents for carrying out the present disclosure will be described in detail with reference to the accompanying drawings. However, in the following description, if there is a risk of unnecessarily obscuring the gist of the present disclosure, detailed descriptions of well-known functions or configurations will be omitted.

첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응하는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.In the accompanying drawings, the same or corresponding components are assigned the same reference numerals. In addition, in the description of the embodiments below, overlapping description of the same or corresponding components may be omitted. However, even if descriptions regarding components are omitted, it is not intended that such components are not included in any embodiment.

개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.Advantages and features of the disclosed embodiments, and methods of achieving them, will become apparent with reference to the embodiments described below in conjunction with the accompanying drawings. However, the present disclosure is not limited to the embodiments disclosed below, but may be implemented in various different forms, and only the present embodiments allow the present disclosure to be complete, and those of ordinary skill in the art to which the present disclosure pertains. It is only provided to fully inform the person of the scope of the invention.

본 개시에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다.Terms used in the present disclosure will be briefly described, and the disclosed embodiments will be described in detail.

본 개시에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.The terms used in the present disclosure are selected as currently widely used general terms as possible while considering the functions in the present disclosure, but these may vary depending on the intention or precedent of a person skilled in the art, the emergence of new technology, and the like. In addition, in a specific case, there is a term arbitrarily selected by the applicant, and in this case, the meaning will be described in detail in the description of the corresponding invention. Therefore, the terms used in the present disclosure should be defined based on the meaning of the term and the contents of the present disclosure, rather than the simple name of the term.

본 개시에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다.Expressions in the singular in this disclosure include plural expressions unless the context clearly dictates the singular. Also, the plural expression includes the singular expression unless the context clearly dictates the plural.

본 개시의 전체에서 어떤 부분이 어떤 구성요소를 '포함'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.In the entirety of the present disclosure, when a part 'includes' a certain component, it means that other components may be further included, rather than excluding other components, unless otherwise stated.

본 명세서에서 "A 및/또는 B"의 기재는 A, 또는 B, 또는 A 및 B를 의미한다.Reference to "A and/or B" in this specification means A, or B, or A and B.

본 개시에서, 영상은 하나 이상의 이미지를 포함할 수 있다.In the present disclosure, an image may include one or more images.

본 개시에서, 가오리부의 각도는 미리 정해진 기준면 또는 기준선과 가오리부의 각도를 의미할 수 있다.In the present disclosure, the angle of the stingray portion may mean an angle between a predetermined reference plane or reference line and the stingray portion.

도 1은 본 개시의 일 실시예에 따른 케이블 포설 시, 인공신경망 기반으로 케이블의 이상을 검출하는 장치(100)의 개략도다. 도시된 바와 같이, 케이블 포설 시, 케이블의 이상을 검출하는 장치(100)는 가오리부(110), 가이드부(130) 및 이미지 센서(136)를 포함할 수 있다. 가오리부(110)는, 삼각 형태로 구성되어, 하나의 모서리 근방에 하나의 홀이 형성되고, 하나의 모서리와 대향하는 영역의 일부에 적어도 하나의 홀이 형성될 수 있다. 가오리부(110)의 홀에는 적어도 하나의 케이블(120)이 연결될 수 있다. 또한, 가오리부(110)의 일면이 제1 색상으로 구성되고, 일면의 배면은 제1 색상이과 상이한 제2 색상으로 구성될 수 있다. 예를 들어, 가오리부(110)의 상부면은 제1 색상, 하부면은 제2 색상으로 구성되어, 상부면과 하부면의 구분이 가능하도록 구성될 수 있다. 가이드부(130)는, 모터(미도시)에 의해 구동되고, 복수의 회전 가능한 메인 롤러(132; 예를 들어, 타이어 등)에 의해 가오리부(110) 및 케이블(120)이 이동될 수 있다. 가이드부(130)에 구성된 모터의 작동을 제어하는 제어 컨트롤러(134)가 제공될 수 있다. 제어 컨트롤러(134)는 가이드부(130)를 무선으로 동작시킬 수 있고, 케이블(120)의 이동 속도를 조절할 수 있도록 구성될 수 있다. 이미지 센서(136)는, 영상을 촬영하도록 구성될 수 있으며, 미리 설정된 범위 내에 위치한 가오리부(110)를 포함하는 영상을 촬영하도록 배치될 수 있다.1 is a schematic diagram of an apparatus 100 for detecting an abnormality in a cable based on an artificial neural network when a cable is installed according to an embodiment of the present disclosure. As shown, the apparatus 100 for detecting abnormality in the cable during cable laying may include a stingray unit 110 , a guide unit 130 , and an image sensor 136 . The stingray unit 110 may have a triangular shape, and one hole may be formed near one corner, and at least one hole may be formed in a portion of an area opposite to the one corner. At least one cable 120 may be connected to the hole of the stingray unit 110 . In addition, one surface of the stingray unit 110 may be configured in a first color, and the rear surface of the one surface may be configured in a second color different from the first color. For example, the upper surface of the stingray unit 110 may have a first color and a lower surface may have a second color, so that the upper surface and the lower surface can be distinguished from each other. The guide unit 130 is driven by a motor (not shown), and the stingray unit 110 and the cable 120 may be moved by a plurality of rotatable main rollers 132 (eg, tires, etc.). . A control controller 134 for controlling the operation of the motor configured in the guide unit 130 may be provided. The control controller 134 may wirelessly operate the guide unit 130 and may be configured to control the moving speed of the cable 120 . The image sensor 136 may be configured to photograph an image, and may be arranged to photograph an image including the stingray unit 110 located within a preset range.

일 실시예로, 가오리부(110) 및 가오리부(110)와 연결된 케이블(120)은 가이드부(130)의 복수의 회전 가능한 메인 롤러(132)를 기준으로, 일측 방향에서 타측 방향으로 이동할 수 있다. 이 경우, 이미지 센서(136)를 통해 이동하는 가오리부(110) 및/또는 케이블(120)이 촬영될 수 있다. 예를 들어, 이미지 센서(136)는 가이드부(130)를 통과한 이후에 미리 설정된 범위 내에서 가오리부(110) 및 케이블(120)이 이동될 때 또는 가오리부(110) 및 케이블(120)이 가이드부(130)로 접근될 때에 가오리부(110) 및/또는 케이블(120)을 촬영할 수 있다.In one embodiment, the stingray unit 110 and the cable 120 connected to the stingray unit 110 may move from one direction to the other based on the plurality of rotatable main rollers 132 of the guide unit 130 . there is. In this case, the stingray part 110 and/or the cable 120 moving through the image sensor 136 may be photographed. For example, the image sensor 136 may detect when the stingray unit 110 and the cable 120 move within a preset range after passing through the guide unit 130 or the stingray unit 110 and the cable 120 . When the guide unit 130 is approached, the stingray unit 110 and/or the cable 120 may be photographed.

도 1에서는, 가이드부(130)의 메인 롤러(132)는 2개로 도시되어 있지만, 이에 한정하지 않으며, 상이한 수의 메인 롤러(132)가 구성될 수 있으며, 모터와 연결되지 않은 적어도 하나의 서브 롤러(미도시)를 포함하여 구성될 수도 있다. 이미지 센서(136)는, 가오리부(110)의 하나의 모서리와 대향하는 영역을 촬영할 수 있도록 설치된 것으로 도시하였지만, 이에 한정하지 않으며, 가오리부(110)의 모서리부를 중심으로 정면, 측면, 상부면 등 다양한 방향에서 촬영할 수도 있다. 또한, 이미지 센서(136)는, 가이드부(130) 상부에 별도로 설치된 것으로 도시하였지만, 이에 한정하지 않는다, 가오리부(110)를 미리 설정된 범위 내에서 촬영할 수 있는 임의의 위치에 배치될 수 있다. 예를 들어, 이미지 센서(136)는 가이드부(130)와 유선 또는 무선으로 설치되거나, 별도의 롤러부(미도시)의 일측에 설치되는 등 다양한 방법으로 설치될 수도 있다.In FIG. 1 , two main rollers 132 of the guide unit 130 are shown, but it is not limited thereto, and different numbers of main rollers 132 may be configured, and at least one sub not connected to a motor. It may be configured to include a roller (not shown). Although the image sensor 136 is illustrated as installed to photograph an area opposite to one corner of the stingray unit 110 , the present invention is not limited thereto, and the front, side, and upper surfaces of the stingray unit 110 around the corner. You can also shoot from various directions. In addition, although the image sensor 136 is illustrated as being separately installed on the guide unit 130 , the present invention is not limited thereto. For example, the image sensor 136 may be installed in various ways, such as being installed on a wire or wirelessly with the guide part 130 , or installed on one side of a separate roller part (not shown).

도 2는 본 개시의 일 실시예에 따른 컴퓨팅 장치(210)의 내부 구성(200)을 나타낸 도면이다. 도시된 바와 같이, 컴퓨팅 장치(210)는 메모리(212), 프로세서(214), 통신부(216) 및 입출력 인터페이스(218)를 포함할 수 있다. 컴퓨팅 장치(210)는 통신부(216)를 이용하여 네트워크를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(220)는, 입출력 인터페이스(218)를 통해 컴퓨팅 장치(210)에 정보 및/또는 데이터를 입력하거나, 컴퓨팅 장치(210)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.2 is a diagram illustrating an internal configuration 200 of the computing device 210 according to an embodiment of the present disclosure. As shown, the computing device 210 may include a memory 212 , a processor 214 , a communication unit 216 , and an input/output interface 218 . The computing device 210 may be configured to communicate information and/or data through a network using the communication unit 216 . In addition, the input/output device 220 may be configured to input information and/or data to the computing device 210 through the input/output interface 218 , or to output information and/or data generated from the computing device 210 . there is.

메모리(212)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(212)는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 컴퓨팅 장치(210)에 포함될 수 있다. 또한, 메모리(212)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 컴퓨팅 장치에(210) 설치되어 구동되는 인공신경망 기반으로 케이블의 이상을 검출하는 기능을 제공하는 프로그램 등을 위한 코드)가 저장될 수 있다.Memory 212 may include any non-transitory computer-readable recording medium. According to one embodiment, the memory 212 is a non-volatile mass storage device such as random access memory (RAM), read only memory (ROM), disk drive, solid state drive (SSD), flash memory, etc. mass storage device). As another example, a non-volatile mass storage device such as a ROM, an SSD, a flash memory, a disk drive, etc. may be included in the computing device 210 as a separate persistent storage device distinct from the memory. In addition, the memory 212 includes an operating system and at least one program code (eg, a program providing a function of detecting abnormalities in a cable based on an artificial neural network installed and driven in the computing device 210 ). can be saved.

이러한 소프트웨어 구성요소들은 메모리(212)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 이러한 컴퓨팅 장치(210)에 직접 연결 가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신부를 통해 메모리(212)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신부(216)를 통해 메모리(212)에 로딩될 수 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 애플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 통신부(216)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예를 들어, 가오리부(미도시)의 면적 산출, 가오리부의 각도 산출, 이진 분류 모델을 통한 판별데이터 산출, 인공신경망 모델을 통한 스코어 산출, 임계치 결정 및 오작동 검출 등을 위한 프로그램 등)에 기반하여 메모리(212)에 로딩될 수 있다.These software components may be loaded from a computer-readable recording medium separate from the memory 212 . Such a separate computer-readable recording medium may include a recording medium directly connectable to the computing device 210, for example, a floppy drive, a disk, a tape, a DVD/CD-ROM drive, a memory card, etc. It may include a computer-readable recording medium. As another example, the software components may be loaded into the memory 212 through a communication unit rather than a computer-readable recording medium. For example, the software components may be loaded into the memory 212 through the communication unit 216 rather than a computer-readable recording medium. For example, the at least one program is a computer program (eg, a stingray unit (not shown)) installed by files provided through the communication unit 216 by developers or a file distribution system that distributes installation files of applications. may be loaded into the memory 212 based on the area calculation, the angle calculation of the stingray part, determination data calculation through a binary classification model, score calculation through an artificial neural network model, a program for determining a threshold value and detecting a malfunction, etc.).

프로세서(214)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(212) 또는 통신부(230)에 의해 사용자 단말(미도시) 또는 다른 외부 시스템으로 제공될 수 있다. 예를 들어, 프로세서(214)는 가오리부를 포함하는 영상을 수신하고, 인공신경망 모델로부터 가오리부의 적어도 하나의 색상, 색상에 따른 면적 및/또는 각도를 추출할 수 있다. 이 경우, 프로세서(214)는 추출된 가오리부의 적어도 하나의 색상, 색상에 따른 면적 및/또는 각도 등을 이진 분류 모델을 통해 정상(예를 들어, 1), 이상(예를 들어, 0)으로 판별할 수 있다. 또한, 프로세서(214)는, 추출된 가오리부의 적어도 하나의 색상, 색상에 따른 면적 및/또는 각도 등을 인공신경망 모델을 통해 스코어를 산출할 수 있다. 산출된 스코어를 임계치와 비교하여 케이블 포설 오작동 검출 장치 및/또는 가이드부를 통과하는 가오리부 및 케이블의 이상 여부를 결정할 수 있다.The processor 214 may be configured to process instructions of a computer program by performing basic arithmetic, logic, and input/output operations. The command may be provided to a user terminal (not shown) or another external system by the memory 212 or the communication unit 230 . For example, the processor 214 may receive an image including the stingray part, and extract at least one color of the stingray part, an area and/or an angle according to the color from the artificial neural network model. In this case, the processor 214 converts at least one color of the extracted stingray part, an area and/or an angle according to the color, etc. to normal (eg, 1) and abnormal (eg, 0) through a binary classification model. can be discerned. Also, the processor 214 may calculate a score for at least one color of the extracted stingray part, an area and/or an angle according to the color, etc. through the artificial neural network model. By comparing the calculated score with a threshold value, it is possible to determine whether the stingray part and the cable passing through the cable laying malfunction detection device and/or the guide part are abnormal.

통신부(216)는 네트워크를 통해 사용자 단말(미도시)과 컴퓨팅 장치(210)가 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 컴퓨팅 장치(210)가 외부 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일 예로, 컴퓨팅 장치(210)의 프로세서(214)의 제어에 따라 제공되는 제어 신호, 명령, 데이터 등이 통신부(216)와 네트워크를 거쳐 사용자 단말 및/또는 외부 시스템의 통신부를 통해 사용자 단말 및/또는 외부 시스템으로 전송될 수 있다. 예를 들어, 사용자 단말 및/또는 외부 시스템은 컴퓨팅 장치(210)로부터 수신된 가오리부가 포함된 영상, 결정된 가오리부의 각도 및/또는 색상에 따른 면적 등을 전달받을 수 있다.The communication unit 216 may provide a configuration or function for the user terminal (not shown) and the computing device 210 to communicate with each other through a network, and the computing device 210 may be an external system (eg, a separate cloud system, etc.) ) and may provide a configuration or function to communicate with For example, a control signal, command, data, etc. provided under the control of the processor 214 of the computing device 210 are transmitted to the user terminal and/or through the communication unit of the user terminal and/or external system via the communication unit 216 and the network. Alternatively, it may be transmitted to an external system. For example, the user terminal and/or the external system may receive an image including the stingray part received from the computing device 210 , and an area according to the determined angle and/or color of the stingray part.

또한, 컴퓨팅 장치(210)의 입출력 인터페이스(218)는 컴퓨팅 장치(210)와 연결되거나 컴퓨팅 장치(210)가 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 2에서는 입출력 인터페이스(218)가 프로세서(214)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(218)가 프로세서(214)에 포함되도록 구성될 수 있다. 컴퓨팅 장치(210)는 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다.In addition, the input/output interface 218 of the computing device 210 may be a means for interfacing with a device (not shown) for input or output that the computing device 210 may include or may include. . Although the input/output interface 218 is illustrated as an element configured separately from the processor 214 in FIG. 2 , the present invention is not limited thereto, and the input/output interface 218 may be configured to be included in the processor 214 . Computing device 210 may include more components than those of FIG. 2 . However, there is no need to clearly show most of the prior art components.

컴퓨팅 장치(210)의 프로세서(214)는 복수의 사용자 단말 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 일 실시예에 따르면, 프로세서(214)는 사용자 단말 및/또는 외부 시스템으로부터 가오리부를 포함하는 참조 영상 및/또는 가오리부의 면적, 각도 등에 대한 정보를 수신할 수도 있다. 이 경우, 프로세서(214)는 수신된 참조 영상 및 정보를 기초로 촬영되는 가오리부의 색상 별 면적을 산출 및/또는 가오리부의 각도를 산출할 수 있다. 산출된 가오리부의 면적 및/또는 각도는 이진 분류 모델을 통해 가오리부의 상태(예를 들어, 정상 또는 이상)를 결정하는데 이용될 수 있다. 추가적으로 또는 대안적으로, 인공신경망 모델은 결정된 상태에 대한 신뢰도를 더 출력하도록 구성될 수 있다. 이 경우, 예를 들어, 출력된 신뢰도는 임계치와 비교하여 케이블 포설 장치 및/또는 가이드부를 통과하는 가오리부 및 케이블의 오작동 여부를 결정할 수 있다. 또한, 결정된 가오리부의 상태 및/또는 스코어에 따라 이미지 센서의 위치, 각도 등이 조정되도록 제어될 수 있다.The processor 214 of the computing device 210 may be configured to manage, process, and/or store information and/or data received from a plurality of user terminals and/or a plurality of external systems. According to an embodiment, the processor 214 may receive a reference image including the stingray part and/or information on the area, angle, etc. of the stingray part from the user terminal and/or an external system. In this case, the processor 214 may calculate the area for each color of the stingray part photographed based on the received reference image and information and/or calculate the angle of the stingray part. The calculated area and/or angle of the stingray part may be used to determine a state (eg, normal or abnormal) of the stingray part through the binary classification model. Additionally or alternatively, the neural network model may be configured to further output a confidence level for the determined state. In this case, for example, the output reliability may be compared with a threshold to determine whether a stingray unit and a cable passing through the cable laying device and/or the guide unit malfunction. In addition, the position and angle of the image sensor may be controlled to be adjusted according to the determined state and/or score of the stingray part.

도 3은 본 개시의 일 실시예에 따른 케이블 포설 시, 인공신경망 기반으로 케이블의 이상을 검출하는 장치의 메모리(212)를 나타내는 블록도(300)이다. 메모리(212)는, 영상 관리부(310), 정상 작동 데이터(320) 및/또는 오작동 데이터(330)를 포함할 수 있다. 영상 관리부(310)는, 참조 영상 데이터(312) 및/또는 타겟 영상 데이터(314)를 포함할 수 있다. 실시간으로 촬영된 참조 영상 데이터(312) 또는 타겟 영상 데이터(314)는 메모리(212)의 영상 관리부(310)에 저장할 수 있다. 추가적으로 또는 대안적으로, 참조 영상 데이터(312)는 기존에 촬영된 참조 영상 데이터를 포함할 수 있고, 타겟 영상 데이터(314)는 기존에 촬영된 타겟 영상 데이터를 포함할 수 있다. 메모리(212)는, 인공신경망 모델의 학습 데이터로서, 정상 작동 데이터(320) 및/또는 오작동 데이터(330)를 분류하여 저장할 수 있다.3 is a block diagram 300 illustrating a memory 212 of an apparatus for detecting an abnormality in a cable based on an artificial neural network when a cable is installed according to an embodiment of the present disclosure. The memory 212 may include the image manager 310 , normal operation data 320 , and/or malfunction data 330 . The image manager 310 may include reference image data 312 and/or target image data 314 . The reference image data 312 or the target image data 314 captured in real time may be stored in the image manager 310 of the memory 212 . Additionally or alternatively, the reference image data 312 may include previously photographed reference image data, and the target image data 314 may include previously photographed target image data. The memory 212 may classify and store the normal operation data 320 and/or the malfunction data 330 as training data of the artificial neural network model.

일 실시예에서, 도 2를 참조하면, 메모리(212)는 이미지 센서를 통해 실시간으로 촬영되는 영상을 컴퓨팅 장치(210)의 입출력 장치(220) 및/또는 통신부(216)를 통해 메모리(212)로 저장될 수 있다. 추가적으로 또는 대안적으로, 미리 저장된 참조 영상 데이터(312) 및 타겟 영상 데이터(314)는 컴퓨팅 장치(210)에 직접 연결 가능한 기록 매체를 통해 메모리(212)에 이동될 수 있다. 실시간으로 촬영되어 메모리(212)에 저장된 참조 영상 데이터(312) 또는 타겟 영상 데이터(314) 및/또는 미리 저장된 참조 영상 데이터(312) 또는 타겟 영상 데이터(314)는 인공신경망 모델의 학습 또는 추론 시 사용될 수 있다. 예를 들어, 정상 작동 데이터(320) 및 오작동 데이터(330)는 인공신경망 모델의 학습 시 분류되어 메모리(212)에 저장될 수 있다. 정상 작동 데이터(320)는 인공신경망 모델을 통해 학습된 영상 관리부(310)의 데이터 중 케이블 포설 장치가 정상 작동할 때의 가오리부(미도시)의 색상, 각도 및/또는 모양 등을 포함할 수 있다. 오작동 데이터(330)는 인공신경망 모델을 통해 학습된 영상 관리부(310)의 데이터 중 케이블 포설 장치가 오작동할 때의 가오리부의 색상, 각도 및/또는 모양 등을 포함할 수 있다.In one embodiment, referring to FIG. 2 , the memory 212 transmits an image captured in real time through an image sensor to the memory 212 through the input/output device 220 and/or the communication unit 216 of the computing device 210 . can be stored as Additionally or alternatively, the pre-stored reference image data 312 and the target image data 314 may be moved to the memory 212 through a recording medium directly connectable to the computing device 210 . Reference image data 312 or target image data 314 captured in real time and stored in the memory 212 and/or reference image data 312 or target image data 314 stored in advance are used when learning or inferring an artificial neural network model. can be used For example, the normal operation data 320 and the malfunction data 330 may be classified and stored in the memory 212 when the artificial neural network model is trained. The normal operation data 320 may include the color, angle, and/or shape of the stingray part (not shown) when the cable laying device operates normally among the data of the image management unit 310 learned through the artificial neural network model. there is. The malfunction data 330 may include the color, angle, and/or shape of the stingray when the cable laying device malfunctions among data of the image manager 310 learned through the artificial neural network model.

한편, 메모리(212)는 정상 작동 데이터(320) 및 오작동 데이터(330)를 포함하도록 도시하고 있지만, 이에 한정하지 않으며, 오작동 데이터(330)는 인공신경망 모델을 통해 분류되어 저장될 수 있다. 예를 들어, 참조 영상 데이터 및/또는 타겟 영상 데이터(312, 314)의 이상 유무에 대한 스코어에 따라 임계치가 변경될 수 있으며, 이러한 임계치의 변경에 따라, 정상 작동 데이터(320) 및/또는 오작동 데이터(330)의 분류가 변경되어 저장될 수 있다. Meanwhile, the memory 212 is illustrated to include the normal operation data 320 and the malfunction data 330 , but is not limited thereto, and the malfunction data 330 may be classified and stored through an artificial neural network model. For example, the threshold value may be changed according to the score for the abnormality of the reference image data and/or the target image data 312 and 314 , and according to the change of the threshold value, the normal operation data 320 and/or malfunction The classification of the data 330 may be changed and stored.

도 4는 본 개시의 일 실시예에 따른 케이블 포설 시, 인공신경망 기반으로 케이블의 이상을 검출하는 장치의 데이터 처리 모듈(410)의 학습 또는 추론 과정(400)을 나타낸 도면이다. 도 3을 참조하면, 데이터 처리 모듈(410)은, 메모리(212)에 저장된 정보를 기반하여 케이블 포설 장치의 정상 작동 데이터 또는 오작동 데이터를 추출하도록 학습된 인공신경망 모델(412)을 이용할 수 있다. 또한, 데이터 처리 모듈(410)은, 도시되지 않았으나, 데이터 학습 및 데이터 추론 모듈로 나누어서 구현될 수 있다. 인공신경망 모델(412)은, 외부 컴퓨팅 장치(서버)에 의해 학습되어 추론 시 도 2에 도시된 프로세서(214)에 의해 실행될 수 있도록 업로드될 수 있다. 또한, 참조 영상 데이터(312)는 인공신경망 모델(412)에 입력되어, 인공신경망 모델(412)의 학습에 사용될 수 있다. 이와 유사하게, 타겟 영상 데이터(314)는 인공신경망 모델(412)을 통한 이상 유무를 추론 시 사용될 수 있다. 예를 들어, 인공신경망 모델(412)은 수신된 영상에 응답하여, 수신된 영상 내에 포함된 가오리부의 특징을 기초로 케이블의 이상 여부를 판정하도록 구성된 이진 분류 모델을 포함할 수 있다. 예를 들어, 가오리부의 특징으로부터 케이블이 정상적으로 포설되고 있다고 판정되면, 인공신경망 모델(412)을 통해 정상(413)을 나타내는 '1'이 출력될 수 있다. 이와 달리, 가오리부의 특징으로부터 케이블이 비정상적으로 포설되고 있다고 판정되면 인공신경망 모델(412)을 통해 비정상(414)을 나타내는 '0'이 출력될 수 있다. 그리고 나서, 이진 분류 모델을 통해 이상 여부를 판정한 판별데이터(413, 414)는 메모리(212)로 저장될 수 있다.4 is a diagram illustrating a learning or inference process 400 of the data processing module 410 of an apparatus for detecting an abnormality in a cable based on an artificial neural network when a cable is installed according to an embodiment of the present disclosure. Referring to FIG. 3 , the data processing module 410 may use the artificial neural network model 412 trained to extract normal operation data or malfunction data of the cable laying device based on information stored in the memory 212 . In addition, although not shown, the data processing module 410 may be implemented by dividing it into a data learning and data inference module. The artificial neural network model 412 may be learned by an external computing device (server) and uploaded to be executed by the processor 214 shown in FIG. 2 during inference. In addition, the reference image data 312 may be input to the artificial neural network model 412 and used for learning the artificial neural network model 412 . Similarly, the target image data 314 may be used when inferring whether there is an abnormality through the artificial neural network model 412 . For example, the artificial neural network model 412 may include a binary classification model configured to determine whether a cable is abnormal based on a characteristic of a stingray part included in the received image in response to the received image. For example, if it is determined from the characteristics of the stingray part that the cable is normally laid, '1' indicating the normal 413 may be output through the artificial neural network model 412 . On the other hand, if it is determined that the cable is being installed abnormally from the characteristics of the stingray part, '0' indicating the abnormality 414 may be output through the artificial neural network model 412 . Then, the determination data 413 and 414 for determining whether an abnormality is determined through the binary classification model may be stored in the memory 212 .

일 실시예로, 적어도 하나의 프로세서는, 촬영된 영상 내에서 가오리부를 탐지하고, 가오리부가 탐지된 경우, 가오리부를 포함한 영상 내의 가오리부의 특징을 분석하고, 분석된 가오리부의 특징을 기초로 케이블의 이상 여부를 판정할 수도 있다. 또한, 적어도 하나의 프로세서(예를 들어, 데이터 처리 모듈)는, 참조 영상에 응답하여, 참조 영상 내에 포함된 가오리부의 특징에 기초하여 결정된 케이블의 이상 여부에 대한 결과값을 추론하도록 학습될 수 있다. 또한, 수신된 영상에 포함된 가오리부의 특징에 기초하여 케이블의 이상 여부를 판정하도록 구성될 수 있다. 여기서, 가오리부의 특징은, 수신된 영상에 포함된 가오리부의 색상, 각도, 면적 또는 모양 중 적어도 하나를 포함할 수 있다.In an embodiment, the at least one processor detects a stingray part in the captured image, and when the stingray part is detected, analyzes a characteristic of the stingray part in the image including the stingray part, and an abnormality of the cable based on the analyzed characteristic of the stingray part You can also decide whether In addition, at least one processor (eg, a data processing module) may be trained to infer a result value of whether or not the cable is abnormal, which is determined based on the characteristics of the stingray part included in the reference image, in response to the reference image. . In addition, it may be configured to determine whether the cable is abnormal based on the characteristics of the stingray part included in the received image. Here, the characteristic of the stingray part may include at least one of a color, an angle, an area, and a shape of the stingray part included in the received image.

일 실시예에 있어서, 영상 내 미리 결정된 이미지 내에서 연속적으로 가오리부의 특징(예를 들어, 영상에 포함된 가오리의 각도(일정 기준의 면 또는 선으로부터의 각도), 가오리부의 색상, 색상에 따른 가오리부의 면적, 가오리부의 모양 등)에 따라 케이블이 비정상적으로 포설되고 있다고 판정되는 경우에, 케이블의 이상이라고 판정될 수 있다. 예를 들어, 가이드부를 거쳐 나가는 가오리부가 이미지 센서를 통해 촬영되는 경우, 가오리부가 가이드부로부터 지정된 범위 내에 배치될 때, 가오리부를 포함하여 촬영되는 영상 중 연속적으로 가오리부의 특징의 이상 여부가 판정될 수 있다. 가오리부의 특징이 이상(비정상)으로 판정될 경우, 가이드부의 모터가 중지되거나 사용자에게 알림이 통지될 수 있다. 이와 달리, 가오리부를 포함하여 촬영되는 영상 중 연속적으로 가오리부의 특징이 이상(비정상)으로 판정된 후에 연속적으로 정상으로 판정되면 정상 작동으로 판정될 수 있다.In an embodiment, the characteristics of the rays continuously within a predetermined image in the image (eg, the angle of the rays included in the image (angles from a plane or line of a certain standard), the color of the rays, the rays according to the color When it is determined that the cable is being laid abnormally according to the area of the part, the shape of the stingray part, etc.), it may be determined that the cable is abnormal. For example, when the stingray part passing through the guide part is photographed through the image sensor, when the stingray part is disposed within a specified range from the guide part, it may be determined whether the characteristic of the stingray part is continuously abnormal among images captured including the stingray part. there is. When the characteristic of the stingray part is determined to be abnormal (abnormal), the motor of the guide part may be stopped or a notification may be notified to the user. On the other hand, if the characteristics of the stingray part are continuously determined to be abnormal (abnormal) among images captured including the stingray part and are continuously determined to be normal, the operation may be determined to be normal.

다른 일 실시예로, 영상 내 미리 결정된 이미지 내의 지정된 범위 중 가이드부로부터 가장 멀어질 때, 하나 이상의 이미지에서 가오리부의 특징에 따라 비정상적으로 판정되면 인공신경망을 통해 케이블의 이상이라는 결과값이 출력될 수 있다. 예를 들어, 이미지 센서가 가오리부와 가이드부의 사이 거리를 1m 내지 10m를 촬영한다고 가정하면, 가오리부와 가이드부의 사이 거리 1m 내지 9m에서 가오리부의 특징이 비정상이라고 판정되고, 그 이후에 가오리부가 가이드부로부터 가장 멀어질 때(예를 들어, 9m 내지 10m) 가오리부의 특징이 정상이라고 판정되는 경우, 케이블 포설 장치는 정상 작동으로 판정될 수 있다.In another embodiment, when it is farthest from the guide part among the specified ranges within the predetermined image in the image, if it is determined abnormally according to the characteristics of the stingray part in one or more images, a result value of cable abnormality may be output through the artificial neural network. there is. For example, assuming that the image sensor captures a distance between the stingray and the guide of 1 m to 10 m, it is determined that the characteristic of the stingray is abnormal at a distance of 1 m to 9 m between the stingray and the guide, after which the stingray is guided If the characteristic of the stingray part is judged to be normal when it is furthest away from the part (eg, 9 m to 10 m), the cable laying apparatus may be judged to be in normal operation.

또 다른 일 실시예로, 적어도 하나의 프로세서는 케이블이 이상 작동으로 판정될 경우, 작업자의 단말에게 알림을 송신하거나, 모터를 제어하여 복수의 회전 가능한 메인 롤러의 회전을 정지하도록 구성될 수 있다.In another embodiment, the at least one processor may be configured to, when it is determined that the cable operates abnormally, to transmit a notification to the operator's terminal or to control the motor to stop the rotation of the plurality of rotatable main rollers.

추가적으로 또는 대안적으로, 인공신경망 모델(412)은, 입력된 영상에 응답하여, 입력된 영상 내에 포함된 가오리부의 특징에 기초하여 결정된 케이블의 이상 여부에 대한 결과값 및 이러한 결과값에 대한 신뢰도를 출력하도록 구성될 수 있다. 예를 들어, 케이블의 이상 여부에 대한 결과값이 정상 판별로 결정되고, 정상 판별에 대한 신뢰도가 0.8이고 신뢰도에 대한 미리 결정된 임계치가 0.6이라고 가정하면, 출력된 정상 판별의 결과값의 신뢰도가 인정된다고 판정될 수 있다. 이와 달리, 정상 판별에 대한 신뢰도가 미리 결정된 임계치가 0.6 미만이면, 출력된 정상 판별의 결과값의 신뢰도는 불인정된다고 판정될 수 있다. 한편, 도 4에서는 판별데이터(413, 414)가 2개로 도시되었지만, 이에 한정하지 않으며, 상이한 수의 판별데이터(413, 414)가 구성될 수도 있다.Additionally or alternatively, the artificial neural network model 412, in response to the input image, determines the result of the cable abnormality determined based on the characteristics of the stingray part included in the input image, and the reliability of the result. It can be configured to output. For example, assuming that the result value of the cable abnormality is determined as normal determination, the reliability of the normal determination is 0.8, and the predetermined threshold for reliability is 0.6, the reliability of the output value of the normal determination is recognized can be judged to be On the other hand, if the reliability for the normal determination is less than a predetermined threshold value of 0.6, it may be determined that the reliability of the outputted value of the normal determination is disapproved. Meanwhile, although two determination data 413 and 414 are shown in FIG. 4 , the present invention is not limited thereto, and different numbers of determination data 413 and 414 may be configured.

도 5는 본 개시의 일 실시예에 따른 가오리부(110)와 케이블(120) 및 슈벨(118)의 연결 상태를 확대한 도면(500)이다. 도시된 바와 같이, 가오리부(110)는, 무게추(115), 링크(116), 슈벨(118), 고리부(122) 및 케이블(120)과 연결될 수 있다. 가오리부(110)는, 삼각 형태로 구성되고, 하나의 모서리 근방에 하나의 홀(117)이 형성되고, 하나의 모서리와 대향하는 영역의 일부에 적어도 하나의 홀(119)이 형성될 수 있다. 예를 들어, 도시된 바와 같이, 적어도 하나의 홀(119)은 복수의 홀을 포함할 수 있다. 가오리부(110)는, 상부면(112) 및 하부면(114)의 색상이 서로 상이하게 구성될 수 있는데, 예를 들어, 상부면(112)은 제1 색상, 하부면(114)은 제2 색상으로 구성될 수 있다. 여기서, 제1 색상 및 제2 색상은 서로 구분될 수 상이한 색상일 수 있는데, 예를 들어, 제1 색상은 빨간색, 제2 색상은 파란색일 수 있으나, 이에 한정되지 않는다. 가오리부(110)의 적어도 하나의 홀(119)에는 고리부(122) 및 고리부(122)에 연결된 케이블(120)이 구성될 수 있다.5 is an enlarged view 500 of the connection state of the stingray part 110, the cable 120, and the shoebel 118 according to an embodiment of the present disclosure. As shown, the stingray part 110 may be connected to the weight 115 , the link 116 , the shoebel 118 , the hook part 122 and the cable 120 . The stingray unit 110 may have a triangular shape, and one hole 117 may be formed near one corner, and at least one hole 119 may be formed in a portion of an area opposite to one corner. . For example, as illustrated, the at least one hole 119 may include a plurality of holes. The stingray unit 110, the upper surface 112 and the lower surface 114 may be configured to have different colors, for example, the upper surface 112 is a first color, and the lower surface 114 is a second color. It can consist of 2 colors. Here, the first color and the second color may be different colors that can be distinguished from each other. For example, the first color may be red and the second color may be blue, but is not limited thereto. At least one hole 119 of the stingray unit 110 may be configured with a ring portion 122 and a cable 120 connected to the ring portion 122 .

가오리부(110)의 하나의 홀(117)에는 무게추(115)가 구성될 수 있으며, 무게추(115)는 고리부(122)에 연결된 케이블(120)의 무게로 인해 가오리부(110)의 방향 및 무게 중심을 잡아주는 역할을 할 수 있다. 도시된 바와 같이, 슈벨(118)은, 가오리부(110)의 하나의 모서리 근방의 하나의 홀(117)에 연결될 수 있고, 가오리부(110)의 각도에 따라 회전이 가능하도록 구성될 수 있지만, 이에 한정하지 않으며, 예를 들어, 슈벨(118)의 일단에 링크(116) 및 무게추(115)를 순차적으로 연결할 수 있다. 또한, 고리부(122)는, 케이블(120)을 가오리부(110)의 적어도 하나의 홀(119)에 연결시키도록 구성될 수 있다. 또한, 도 5에서는, 가오리부(110)의 하나의 모서리 근방의 홀이 하나라고 도시되어 있으나, 이에 한정되지 않고, 연결되는 구성의 모양에 따라 복수의 홀로 구성될 수 있다.A weight 115 may be configured in one hole 117 of the stingray part 110 , and the weight 115 is the stingray part 110 due to the weight of the cable 120 connected to the hook part 122 . It can serve to hold the direction and center of gravity of As shown, the scooter 118 may be connected to one hole 117 near one edge of the stingray unit 110 and may be configured to be rotatable according to the angle of the stingray unit 110 , but , but is not limited thereto, and for example, the link 116 and the weight 115 may be sequentially connected to one end of the shoebel 118 . In addition, the ring portion 122 may be configured to connect the cable 120 to the at least one hole 119 of the stingray portion 110 . In addition, although it is illustrated in FIG. 5 that there is one hole near one corner of the stingray unit 110, the present invention is not limited thereto, and a plurality of holes may be formed according to the shape of the connected configuration.

일 실시예로, 슈벨(118)의 일단은 링크(116), 무게추(115), 가오리부(110), 고리부(122) 및 케이블(120)이 순차적으로 연결되어 케이블 포설 작업을 실시할 수 있다. 여기서, 슈벨(118)은, 일측에 위치한 가오리부(110)의 각도가 틀어짐에 따라 케이블이 엉키거나, 가오리부(110)가 뒤집히는 것을 방지하도록, 타단이 가오리부(110)의 회전 방향의 반대로 회전할 수 있다. 이에 따라, 가오리부(110)의 불필요한 회전이 방지될 수 있다.In one embodiment, one end of the scooter 118 is a link 116, a weight 115, a stingray part 110, a hook part 122 and a cable 120 are sequentially connected to perform a cable installation operation. can Here, the scooter 118 has the other end opposite to the direction of rotation of the stingray part 110 so as to prevent the cable from getting tangled or the stingray part 110 from being overturned as the angle of the stingray part 110 located on one side is twisted. can rotate Accordingly, unnecessary rotation of the stingray unit 110 may be prevented.

도 5에서는 슈벨(118), 링크(116), 무게추(115), 가오리부(110), 고리부(122) 및 케이블(120)이 순차적으로 연결되는 것으로 도시하였지만, 이에 한정하지 않는다. 예를 들어, 이러한 구성들 중 적어도 하나가 포함되지 않거나, 연결 순서가 상이할 수도 있다.In FIG. 5 , the shoebel 118 , the link 116 , the weight 115 , the stingray part 110 , the hook part 122 and the cable 120 are sequentially connected to each other, but the present invention is not limited thereto. For example, at least one of these components may not be included, or the connection order may be different.

도 6은 본 개시의 일 실시예에 따라 가오리부(110)의 제1 색상의 면적에 따른 각도를 계산하는 과정을 나타내는 도면(600)이다. 도 6은, 케이블 포설 작업 시, 가오리부(110)가 기울어짐에 따라 가오리부(110)의 상부면(112)의 면적의 상태 또는 그러한 면적이 변하는 과정을 나타낼 수 있다. 적어도 하나의 프로세서는 수신된 영상에 포함된 가오리부(110)의 제1 색상 또는 제2 색상의 적어도 하나의 면적을 산출하고, 산출된 면적을 기초로 케이블의 이상 여부를 판정하도록 구성될 수 있다.6 is a diagram 600 illustrating a process of calculating an angle according to an area of the first color of the stingray part 110 according to an embodiment of the present disclosure. 6 may represent a state of the area of the upper surface 112 of the stingray unit 110 as the stingray unit 110 is inclined or a process in which the area changes during the cable laying operation. The at least one processor may be configured to calculate at least one area of the first color or the second color of the stingray unit 110 included in the received image, and determine whether the cable is abnormal based on the calculated area. .

일 실시예로, 가오리부(110)의 상부면(112) 및 하부면(114)의 색상이 서로 상이하게 구성되어, 일면이 제1 색상으로 구성되고, 배면은 제2 색상으로 구성될 수 있다. 예를 들어, 가오리부(110)의 상부면의 빨간색, 하부면은 파란색으로 구성되어 상부면(112) 및 하부면(114)의 색상이 구분될 수 있도록 색상이 상이할 수 있다. In one embodiment, the color of the upper surface 112 and the lower surface 114 of the stingray unit 110 is configured to be different from each other, so that one surface may be configured in a first color and the rear surface may be configured in a second color. . For example, red and lower surfaces of the upper surface of the stingray part 110 may be configured in blue, and thus the colors of the upper surface 112 and the lower surface 114 may be different from each other.

일 실시예로, 가오리부(110)의 하부면(114)이 바닥면과 접촉(610)하여 가오리부(110)의 상부면(112)의 제1 색상의 면적은 최대 면적일 수 있다. 다른 실시예로, 케이블 포설 장치가 작동할 경우, 가오리부(110)가 일측으로 기울어졌을 때, 가오리부(110) 일측에 대향되는 타측의 하부면(114)이 바닥면과 n°만큼 떨어진 경우(620)일 수 있다. 이 때, 가오리부(110)의 하부면(114)은 바닥면과 일정각도 떨어진 상태일 수 있다. 가오리부(110)가 일측으로 기울어짐으로써 촬영되는 가오리부(110)의 상부면(112)의 면적은 가오리부(110)의 하부면(114)이 바닥면과 접촉(610)한 면적보다 좁아질 수 있다. 마지막으로, 케이블 포설 장치가 작동할 시, 가오리부(110) 일측에 대향되는 타측의 하부면(114)이 바닥면과 n+m°만큼 떨어진 경우(630), 촬영되는 가오리부(110)의 상부면(112)의 면적은 가오리부(110)의 하부면(114)이 바닥면과 n°만큼 떨어진 경우(620)보다 면적이 좁을 수 있다. 또 다른 예로, 가오리부(110)의 상부면(112)의 최대 면적과 최소 면적을 산출하여, 판별데이터를 출력할 수 있다. 출력된 판별데이터를 기반으로 신뢰도를 산출하여 임계치와 비교하여 정상 작동 또는 오작동 데이터로 구분하여, 케이블 포설 시, 케이블의 이상을 검출할 수도 있다.In an embodiment, the area of the first color of the upper surface 112 of the stingray unit 110 may be the maximum area because the lower surface 114 of the stingray unit 110 may be in contact with the bottom surface 610 . In another embodiment, when the cable laying device operates, when the stingray part 110 is inclined to one side, the lower surface 114 of the other side opposite to one side of the stingray part 110 is separated from the floor by n° (620). At this time, the lower surface 114 of the stingray part 110 may be in a state separated from the floor surface by a predetermined angle. The area of the upper surface 112 of the stingray unit 110 photographed by the stingray unit 110 being inclined to one side is narrower than the area of the lower surface 114 of the stingray unit 110 contacting 610 with the bottom surface. can get Finally, when the cable laying device operates, when the lower surface 114 of the other side opposite to one side of the stingray part 110 is separated from the floor by n + m° (630), the stingray part 110 to be photographed The area of the upper surface 112 may be smaller than that of the case 620 when the lower surface 114 of the stingray part 110 is separated from the bottom surface by n°. As another example, the maximum area and the minimum area of the upper surface 112 of the stingray part 110 may be calculated, and discrimination data may be output. Reliability is calculated based on the output discrimination data and compared with a threshold to classify the data into normal operation or malfunction data, and it is also possible to detect abnormalities in the cable when installing the cable.

다른 일 실시예로, 도 4를 참조하면, 영상 관리부(310)는 참조 영상 데이터 및/또는 타겟 영상 데이터를 기반으로 데이터 처리 모듈(410)을 통해 가오리부(110)의 면적에 따른 판별데이터(413, 414)를 출력할 수 있다. 예를 들어, 가오리부(110)의 하부면(114)이 바닥면과 접촉(610)한 경우를 정상 작동 데이터로 학습할 수 있으며, 가오리부(110) 일측에 대향되는 타측의 하부면(114)이 바닥면과 n+m°만큼 떨어진 경우(630)는 인공신경망을 통해 오작동 데이터로 학습될 수 있다. 한편, 정상 작동 데이터 및 오작동 데이터의 기준은 상부면(112)의 색상에 따른 면적 및 각도로 설명하였지만, 이에 한정하지 않으며, 가오리부(110)의 모양에 따라 정상 작동 데이터 및 오작동 데이터를 분류 및 학습할 수도 있다. 또한, 분류 및 학습된 정상 작동 데이터 및 오작동 데이터는 참조 영상 데이터로 저장되어 케이블 포설 시, 케이블의 이상 여부를 검출할 수 있다. 다른 예로, 가오리부(110) 일측에 대향되는 타측의 하부면(114)이 일정 각도만큼 떨어질 경우, 가오리부(110)의 타측면의 길이에 따라 판별데이터(413, 414)를 출력할 수 있는 등 다양한 방법을 사용할 수 있다. 한편, 도 6은 케이블 및 슈벨 등이 가오리부(110)에 연결되지 않는 것으로 도시하였지만, 이에 한정하지 않는다.In another embodiment, referring to FIG. 4 , the image management unit 310 determines data according to the area of the stingray unit 110 through the data processing module 410 based on the reference image data and/or the target image data ( 413, 414) can be output. For example, the case where the lower surface 114 of the stingray part 110 contacts the bottom surface 610 may be learned as normal operation data, and the lower surface 114 of the other side opposite to one side of the stingray part 110 may be learned. ) is separated from the floor by n + m° ( 630 ), it can be learned as malfunction data through an artificial neural network. On the other hand, the standard of the normal operation data and the malfunction data has been described as the area and angle according to the color of the upper surface 112, but is not limited thereto, and the normal operation data and the malfunction data are classified and You can also learn In addition, the classified and learned normal operation data and malfunction data are stored as reference image data to detect an abnormality in the cable when the cable is installed. As another example, when the lower surface 114 of the other side opposite to one side of the stingray unit 110 falls by a certain angle, the determination data 413 and 414 can be output according to the length of the other side of the stingray unit 110. Various methods can be used. Meanwhile, although FIG. 6 illustrates that cables and shoebels are not connected to the stingray unit 110, the present invention is not limited thereto.

도 7은 본 개시의 일 실시예에 따라 체인롤러(740)를 통해 이동하는 가오리부(110)의 기준 마커(744, 746)와 체인롤러(740)의 롤러부(742)의 각도를 계산하는 과정을 나타내는 도면(700)이다. 도시된 바와 같이, 제1 기준 마커(744)는 가오리부(110)의 일측면의 일부분에 표시될 수 있으며, 제2 기준 마커(746)는 가오리부(110)의 일측면과 대향되는 타측면의 일부분에 표시될 수 있다. 가오리부(110)가 체인롤러(740)의 롤러부(742)를 통해 이동할 경우, 롤러부(742)와 제1 기준 마커(744)의 각도에 따라 판별데이터를 분류하고, 판별데이터의 신뢰도를 임계치에 비교하여 학습할 수 있다.7 is a diagram for calculating the angle between the reference markers 744 and 746 of the stingray part 110 moving through the chain roller 740 and the roller part 742 of the chain roller 740 according to an embodiment of the present disclosure. It is a diagram 700 showing the process. As illustrated, the first fiducial marker 744 may be displayed on a portion of one side of the stingray unit 110 , and the second fiducial marker 746 is the other side opposite to one side of the stingray unit 110 . may be displayed in a portion of When the stingray part 110 moves through the roller part 742 of the chain roller 740, the discrimination data is classified according to the angle of the roller part 742 and the first reference marker 744, and the reliability of the discrimination data is increased. You can learn by comparing it to a threshold.

일 실시예로, 가오리부(110)가 체인롤러(740)를 통해 이동할 경우, 가오리부(110)의 제1 기준 마커(744) 또는 제2 기준 마커(746) 중 적어도 하나와 롤러부(742)의 각도를 계산할 수 있다. 예를 들어, 가오리부(110)의 하부면이 바닥면 또는 롤러부(742)와 접촉한 경우(710), 제1 기준 마커(744) 및 롤러부(742)의 각도는 a°일 수 있다. 예를 들어, 제1 기준 마커(744) 및 롤러부(742)의 각도가 a°일 경우, 케이블 포설 장치가 정상 작동하는 것으로 학습할 수 있다. 가오리부(110)의 제1 기준 마커(744) 및 롤러부(742)의 각도가 a+b°일 경우(720), 가오리부(110)의 하부면 중 일측이 바닥면과 일정거리 떨어진 것으로 인식할 수 있다. 또한, 제1 기준 마커(744) 및 롤러부(742)의 각도가 a+b+c°일 경우(730), 제1 기준 마커(744) 및 롤러부(742)의 각도가 a+b°일 경우(720)보다 가오리부(110)의 기울어진 각도가 큰 것으로 인식될 수 있다. 한편, 도 7에서는 제1 기준 마커(744) 및 롤러부(742)의 각도를 계산하는 것으로 도시하였지만, 이에 한정하지 않으며, 제2 기준 마커(746) 및 롤러부(742)의 각도를 통해 계산할 수도 있다.In one embodiment, when the stingray unit 110 moves through the chain roller 740 , at least one of the first reference marker 744 or the second reference marker 746 and the roller unit 742 of the stingray unit 110 . ) can be calculated. For example, when the lower surface of the stingray unit 110 is in contact with the bottom surface or the roller unit 742 710 , the angle between the first reference marker 744 and the roller unit 742 may be a°. . For example, when the angle of the first reference marker 744 and the roller 742 is a°, it can be learned that the cable laying device operates normally. When the angle of the first reference marker 744 and the roller 742 of the stingray unit 110 is a+b° (720), one side of the lower surface of the stingray unit 110 is separated from the floor by a certain distance. can recognize In addition, when the angle of the first reference marker 744 and the roller part 742 is a+b+c° (730), the angle of the first reference marker 744 and the roller part 742 is a+b° It may be recognized that the inclined angle of the stingray part 110 is greater than that of the case 720 . Meanwhile, in FIG. 7 , the angles of the first reference marker 744 and the roller 742 are calculated, but the present invention is not limited thereto. may be

일 실시예로, 도 4를 참조하면, 제1 기준 마커(744) 및 롤러부(742)의 각도에 따라 판별데이터(413, 414)를 산출하도록 인공신경망 모델(412)을 학습할 수 있다. 일 예로, 적어도 하나의 프로세서는 가오리부(110)가 포함된 참조 영상 데이터(예를 들어, 하나 이상의 이미지 등)를 통해 가오리부(110)의 특징을 학습할 수 있다. 이 때, 가오리부(110)의 특징은 영상에 포함된 가오리부(110)의 각도(예를 들어, 일정 기준의 면 또는 선으로부터의 각도 등), 색상, 인식되는 색상에 따른 면적, 가오리부(110)의 모양 등일 수 있다. 그리고 나서, 학습된 가오리부(110)의 특징을 통해 타겟 영상 데이터에 포함된 가오리부(110)의 특징을 비교하여 판별데이터(413, 414)를 산출할 수 있다. 다른 예로, 제1 기준 마커(744) 및 롤러부(742)의 이상 상태를 구분하는 임계치가 150°로 가정하면, 제1 기준 마커(744) 및 롤러부(742)의 각도가 a°(예를 들어, 90°)일 경우, 가오리부(110)가 바닥면과 맞닿아 이동하는 경우(710)로 인식되고, 정상적으로 작동되는 것으로 인식될 수 있다. 반면, 제1 기준 마커(744) 및 롤러부(742)의 각도가 a+b+c°(예를 들어, 90°+30°+40°)일 경우(730), 가오리부(110)가 바닥부와 떨어진 각도가 크다고 인식되어 케이블 포설 시, 케이블이 이상 상태가 되는 것으로 인식할 수 있다. 한편, 실시예에서 a°는 90°, a+b+c°는 160°라고 기술하였지만, 이에 한정하지 않으며, 참조 영상 데이터를 통한 가오리부(110)의 특징에 대한 값은 데이터 학습 모듈을 통해 도출될 수 있다.As an embodiment, referring to FIG. 4 , the artificial neural network model 412 may be trained to calculate discrimination data 413 and 414 according to the angles of the first reference marker 744 and the roller 742 . For example, the at least one processor may learn the characteristics of the stingray unit 110 through reference image data (eg, one or more images, etc.) including the stingray unit 110 . At this time, the characteristics of the stingray part 110 include the angle (eg, an angle from a plane or line of a certain standard), color, area according to the recognized color, and the stingray part included in the image. It may be in the shape of (110) and the like. Then, discrimination data 413 and 414 may be calculated by comparing the characteristics of the stingray unit 110 included in the target image data through the learned characteristics of the stingray unit 110 . As another example, assuming that the threshold for discriminating the abnormal state of the first reference marker 744 and the roller unit 742 is 150°, the angle of the first reference marker 744 and the roller unit 742 is a° (eg For example, 90°), it may be recognized that the stingray part 110 moves in contact with the floor 710 , and that it operates normally. On the other hand, when the angle of the first reference marker 744 and the roller 742 is a+b+c° (eg, 90°+30°+40°) (730), the stingray unit 110 is It is recognized that the angle away from the floor is large, so that when the cable is installed, it can be recognized that the cable is in an abnormal state. Meanwhile, in the embodiment, a° is 90° and a+b+c° is 160°, but the present invention is not limited thereto. can be derived.

추가적으로 또는 대안적으로, 가오리부(110)의 산출된 판별데이터를 통해 신뢰도가 산출되어, 임계값(예를 들어, 0.5)과 비교하여 판별데이터의 신뢰도를 산출할 수 있다. 이진 분류 모델을 통해 산출된 판별데이터의 산출 값(예를 들어, 0 또는 1)으로 정상 또는 이상으로 분류할 수 있다. 분류된 정상 판별데이터 또는 이상 판별데이터의 신뢰도가 추가적으로 학습될 수 있다. 예를 들어, 정상 판별데이터의 신뢰도가 0.8이고, 신뢰도에 대한 미리 결정된 임계치가 0.6이라고 가정하면, 출력된 정상 판별데이터의 결과값의 신뢰도가 인정된다고 판정될 수 있다. 역으로, 정상 판별데이터에 대한 신뢰도가 미리 결정된 임계치 0.6 미만이면, 출력된 정상 판별데이터의 결과값의 신뢰도는 불인정된다고 판정될 수 있다. 한편, 판별데이터의 신뢰도의 값이 0.8, 0.6으로, 임계치를 0.6으로 기술하였지만, 이에 한정하지 않으며, 이와 상이한 수치일 수 있다.Additionally or alternatively, the reliability may be calculated through the calculated discrimination data of the stingray unit 110, and the reliability of the discrimination data may be calculated by comparing it with a threshold value (eg, 0.5). It can be classified as normal or abnormal by the calculated value (eg, 0 or 1) of the discriminant data calculated through the binary classification model. Reliability of the classified normal determination data or abnormal determination data may be additionally learned. For example, assuming that the reliability of the normal discrimination data is 0.8 and the predetermined threshold for the reliability is 0.6, it may be determined that the reliability of the result value of the output normal discrimination data is acceptable. Conversely, if the reliability of the normal discrimination data is less than the predetermined threshold value of 0.6, it may be determined that the reliability of the result value of the output normal discrimination data is disapproved. On the other hand, although the reliability values of the discrimination data were described as 0.8 and 0.6 and the threshold value as 0.6, the present invention is not limited thereto, and may be a different numerical value.

도 8은 본 개시의 일 실시예에 따른 케이블 포설 시, 인공신경망 기반으로 케이블의 이상을 검출하는 과정을 나타내는 흐름도이다. 일 실시예에서, 인공신경망 기반으로 케이블의 이상을 검출하는 과정(800)은 프로세서(예를 들어, 컴퓨팅 장치의 프로세서)에 의해 수행될 수 있다. 도시된 바와 같이, 인공신경망 기반으로 케이블의 이상을 검출하는 과정(800)은, 영상 데이터를 수집(810)하는 것으로 개시될 수 있다. 이 때, 영상 데이터는 참조 영상 데이터로, 인공신경망 학습할 수 있는 가오리부를 포함하는 영상 데이터일 수 있다. 그 후, 프로세서는 수집된 영상 데이터에 포함된 가오리부를 나타내는 특징과 연관된 판별데이터를 산출하고(820), 산출된 판별데이터 및 산출된 판별데이터의 신뢰도를 산출하고, 출력된 판별데이터에 기초하여 신뢰도의 임계치를 조정할 수 있다(830). 그 후, 프로세서는 임계치에 기초하여 정상 데이터 또는 이상 데이터를 분류된 학습 데이터를 이용하여 기계학습 모델을 학습할 수 있다(840). 예를 들어, 영상 데이터의 정상 데이터가 스코어 0.8이고, 임계치는 0.6일 경우, 정상 데이터의 신뢰도 수준을 구분하고, 구분된 정상 데이터를 이용하여 기계학습 모델을 학습할 수 있다. 역으로, 영상 데이터의 이상 데이터가 스코어 0.3이고, 임계치는 0.6일 경우, 신뢰도 수준을 구분하고, 구분된 이상 데이터를 이용하여 기계학습 모델을 학습할 수 있다. 그 후, 학습된 기계학습 모델을 이용하여 실시간 촬영되는 영상 데이터에서의 이상 여부를 판별할 수 있다(850).8 is a flowchart illustrating a process of detecting an abnormality in a cable based on an artificial neural network when a cable is installed according to an embodiment of the present disclosure. In an embodiment, the process 800 of detecting an abnormality in the cable based on the artificial neural network may be performed by a processor (eg, a processor of a computing device). As shown, the process 800 of detecting an abnormality in the cable based on the artificial neural network may begin by collecting 810 image data. In this case, the image data is reference image data, and may be image data including a stingray that can be trained by an artificial neural network. Thereafter, the processor calculates discrimination data associated with a feature representing the stingray part included in the collected image data ( 820 ), calculates the reliability of the calculated discrimination data and the calculated discrimination data, and based on the output discrimination data, the reliability It is possible to adjust the threshold of (830). Thereafter, the processor may learn the machine learning model by using the training data classified as normal data or abnormal data based on the threshold ( 840 ). For example, when the normal data of the image data has a score of 0.8 and the threshold value is 0.6, the reliability level of the normal data may be classified, and the machine learning model may be trained using the divided normal data. Conversely, when the abnormality data of the image data has a score of 0.3 and the threshold value is 0.6, the reliability level may be distinguished, and the machine learning model may be trained using the divided abnormal data. Thereafter, it is possible to determine whether there is an abnormality in the image data captured in real time by using the learned machine learning model ( 850 ).

일반적으로, 본 명세서에 설명된 케이블 포설 시, 인공신경망 기반 케이블의 이상을 검출하는 장치는, 무선 전화기, 셀룰러 전화기, 랩탑 컴퓨터, 무선 멀티미디어 디바이스, 무선 통신 PC (personal computer) 카드, PDA, 외부 모뎀이나 내부 모뎀, 무선 채널을 통해 통신하는 디바이스 등과 같은 다양한 타입들의 디바이스들을 나타낼 수도 있다. 디바이스는, 액세스 단말기 (access terminal; AT), 액세스 유닛, 가입자 유닛, 이동국, 모바일 디바이스, 모바일 유닛, 모바일 전화기, 모바일, 원격국, 원격 단말, 원격 유닛, 유저 디바이스, 유저 장비(user equipment), 핸드헬드 디바이스 등과 같은 다양한 이름들을 가질 수도 있다. 본 명세서에 설명된 임의의 디바이스는 명령들 및 데이터를 저장하기 위한 메모리, 뿐만 아니라 하드웨어, 소프트웨어, 펌웨어, 또는 이들의 조합들을 가질 수도 있다.In general, the apparatus for detecting abnormalities in the artificial neural network-based cable when the cable is laid as described herein includes a wireless phone, a cellular phone, a laptop computer, a wireless multimedia device, a wireless communication personal computer (PC) card, a PDA, and an external modem. However, it may represent various types of devices, such as an internal modem, a device that communicates through a wireless channel, and the like. A device may include an access terminal (AT), an access unit, a subscriber unit, a mobile station, a mobile device, a mobile unit, a mobile telephone, a mobile, a remote station, a remote terminal, a remote unit, a user device, user equipment, It may have various names, such as a handheld device and the like. Any device described herein may have memory for storing instructions and data, as well as hardware, software, firmware, or combinations thereof.

본 명세서에 기술된 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본 명세서의 개시와 연계하여 설명된 다양한 예시 적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 당업자들은 더 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호교환성을 명확하게 설명하기 위해, 다양한 예시 적인 컴포넌트들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능성의 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는 지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 제약들에 따라 달라진다. 당업자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현 결정들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.The techniques described herein may be implemented by various means. For example, these techniques may be implemented in hardware, firmware, software, or a combination thereof. Those skilled in the art will further appreciate that the various illustrative logical blocks, modules, circuits, and algorithm steps described in connection with the disclosure herein may be implemented as electronic hardware, computer software, or combinations of both. To clearly illustrate this interchangeability of hardware and software, various illustrative components, blocks, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented as hardware or software depends upon the particular application and design constraints imposed on the overall system. Skilled artisans may implement the described functionality in varying ways for each particular application, but such implementation decisions should not be interpreted as causing a departure from the scope of the present disclosure.

하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들 (digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들 (field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 명세서에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.In a hardware implementation, the processing units used to perform the techniques include one or more ASICs, DSPs, digital signal processing devices (DSPDs), programmable logic devices (PLDs). ), field programmable gate arrays (FPGAs), processors, controllers, microcontrollers, microprocessors, electronic devices, other electronic units designed to perform the functions described herein. , a computer, or a combination thereof.

따라서, 본 명세서의 개시와 연계하여 설명된 다양한 예시 적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본 명세서에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안에서, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 그러한 구성의 조합으로써 구현될 수도 있다.Accordingly, the various illustrative logic blocks, modules, and circuits described in connection with the disclosure herein may include general purpose processors, DSPs, ASICs, FPGAs or other programmable logic devices, discrete gate or transistor logic, discrete hardware components, or may be implemented or performed in any combination of those designed to perform the functions described herein. A general purpose processor may be a microprocessor, but in the alternative, the processor may be any conventional processor, controller, microcontroller, or state machine. A processor may also be implemented as a combination of computing devices, eg, a combination of a DSP and a microprocessor, a plurality of microprocessors, one or more microprocessors in conjunction with a DSP core, or any other such configuration.

펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리 (random access memory; RAM), 판독 전용 메모리 (read-only memory; ROM), 불휘발성 RAM (non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM (erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크 (compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로써 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 명세서에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.For firmware and/or software implementations, the techniques may include random access memory (RAM), read-only memory (ROM), non-volatile random access memory (NVRAM), PROM ( on computer-readable media such as programmable read-only memory), erasable programmable read-only memory (EPROM), electrically erasable PROM (EEPROM), flash memory, compact disc (CD), magnetic or optical data storage devices, etc. It may be implemented as stored instructions. The instructions may be executable by one or more processors and may cause the processor(s) to perform certain aspects of the functionality described herein.

소프트웨어로 구현되면, 상기 기능들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독 가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.If implemented in software, the functions may be stored on or transmitted over as one or more instructions or code on a computer-readable medium. Computer-readable media includes both computer storage media and communication media including any medium that facilitates transfer of a computer program from one place to another. Storage media may be any available media that can be accessed by a computer. By way of non-limiting example, such computer readable medium may contain RAM, ROM, EEPROM, CD-ROM or other optical disk storage, magnetic disk storage or other magnetic storage devices, or desired program code in the form of instructions or data structures. may include any other medium that can be used for transport or storage to a computer and can be accessed by a computer. Also, any connection is properly termed a computer-readable medium.

예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본 명세서에서 사용된 디스크(disk) 와 디스크 (disc)는, CD, 레이저 디스크, 광 디스크, DVD (digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks) 은 보통 자기적으로 데이터를 재생하고, 반면 디스크들 (discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.For example, if the software is transmitted from a website, server, or other remote source using coaxial cable, fiber optic cable, twisted pair, digital subscriber line (DSL), or wireless technologies such as infrared, wireless, and microwave, the coaxial cable , fiber optic cable, twisted pair, digital subscriber line, or wireless technologies such as infrared, radio, and microwave are included within the definition of medium. As used herein, disk and disk include CD, laser disk, optical disk, digital versatile disc (DVD), floppy disk, and Blu-ray disk, where disks are usually Data is reproduced magnetically, whereas discs reproduce data optically using a laser. Combinations of the above should also be included within the scope of computer-readable media.

소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시 적인 저장 매체는, 프로세스가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 커플링 될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 컴포넌트들로써 존재할 수도 있다.A software module may reside in RAM memory, flash memory, ROM memory, EPROM memory, EEPROM memory, registers, hard disk, a removable disk, a CD-ROM, or any other form of storage medium known in the art. An exemplary storage medium may be coupled to the processor such that the process can read information from, or write information to, the storage medium. Alternatively, the storage medium may be integrated into the processor. The processor and storage medium may reside within the ASIC. The ASIC may exist in the user terminal. Alternatively, the processor and the storage medium may exist as separate components in the user terminal.

본 개시의 앞선 설명은 당업자들이 본 개시를 행하거나 이용하는 것을 가능하게 하기 위해 제공된다. 본 개시의 다양한 수정예들이 당업자들에게 쉽게 자명할 것이고, 본 명세서에 정의된 일반적인 원리들은 본 개시의 취지 또는 범위를 벗어나지 않으면서 다양한 변형예들에 적용될 수도 있다. 따라서, 본 개시는 본 명세서에 설명된 예들에 제한되도록 의도된 것이 아니고, 본 명세서에 개시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위가 부여되도록 의도된다.The previous description of the disclosure is provided to enable any person skilled in the art to make or use the disclosure. Various modifications to the disclosure will be readily apparent to those skilled in the art, and the generic principles defined herein may be applied to various modifications without departing from the spirit or scope of the disclosure. Accordingly, this disclosure is not intended to be limited to the examples set forth herein, but is to be accorded the widest scope consistent with the principles and novel features disclosed herein.

비록 예시 적인 구현예들이 하나 이상의 독립형 컴퓨터 시스템의 맥락에서 현재 개시된 주제의 양태들을 활용하는 것을 언급할 수도 있으나, 본 주제는 그렇게 제한되지 않고, 오히려 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 현재 개시된 주제의 양상들은 복수의 프로세싱 칩들이나 디바이스들에서 또는 그 들에 걸쳐 구현될 수도 있고, 스토리지는 복수의 디바이스들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 디바이스들은 PC들, 네트워크 서버들, 및 핸드헬드 디바이스들을 포함할 수도 있다.Although example implementations may refer to utilizing aspects of the presently disclosed subject matter in the context of one or more standalone computer systems, the subject matter is not so limited, but rather in connection with any computing environment, such as a network or distributed computing environment. may be implemented. Still further, aspects of the presently disclosed subject matter may be implemented in or across a plurality of processing chips or devices, and storage may be similarly affected across the plurality of devices. Such devices may include PCs, network servers, and handheld devices.

비록 본 주제가 구조적 특징들 및/또는 방법론적 작용들에 특정한 언어로 설명되었으나, 첨부된 청구항들에서 정의된 주제가 위에서 설명된 특정 특징들 또는 작용들로 반드시 제한되는 것은 아님이 이해될 것이다. 오히려, 위에서 설명된 특정 특징들 및 작용들은 청구항들을 구현하는 예시 적인 형태로서 설명된다.Although subject matter has been described in language specific to structural features and/or methodological acts, it will be understood that the subject matter defined in the appended claims is not necessarily limited to the specific features or acts set forth above. Rather, the specific features and acts described above are set forth as example forms of implementing the claims.

이 명세서에서 언급된 방법은 특정 실시예들을 통하여 설명되었지만, 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 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 실시예들을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.Although the method mentioned in this specification has been described through specific embodiments, it may be implemented as computer-readable code on a computer-readable recording medium. The computer-readable recording medium includes all types of recording devices in which data readable by a computer system is stored. Examples of computer-readable recording media include ROM, RAM, CD-ROM, magnetic tape, floppy disk, and optical data storage device. In addition, the computer-readable recording medium is distributed in a computer system connected through a network, so that the computer-readable code can be stored and executed in a distributed manner. And, functional programs, codes, and code segments for implementing the embodiments can be easily inferred by programmers in the art to which the present invention pertains.

본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다는 점을 알아야 할 것이다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.Although the present disclosure has been described with reference to some embodiments herein, it should be understood that various modifications and changes can be made without departing from the scope of the present disclosure as understood by those skilled in the art to which the present invention pertains. something to do. Further, such modifications and variations are intended to fall within the scope of the claims appended hereto.

110: 가오리부 112: 가오리부 상부면
114: 가오리부 하부면 115: 무게추
116: 링크 117: 하나의 홀
118: 슈벨 119: 적어도 하나의 홀
120: 케이블 122: 고리부
130: 가이드부 132: 메인 롤러
134: 제어 컨트롤러 136: 이미지센서
212: 저장부 214: 프로세서
216: 통신부 218: 입출력 장치
220: 입출력 인터페이스 310: 이미지 센서 데이터
312: 참조 영상 데이터 314: 타겟 영상 데이터
320: 정상 작동 데이터 330: 오작동 데이터
410: 데이터 처리 모듈 412: 인공신경망 모델
413, 414: 판별데이터 740: 체인 롤러
742: 롤러부 744: 제1 기준 마커
746: 제2 기준 마커110: stingray portion 112: upper surface of the stingray portion
114: stingray lower surface 115: weight
116: link 117: one hole
118: chevel 119: at least one hole
120: cable 122: hook portion
130: guide part 132: main roller
134: control controller 136: image sensor
212: storage unit 214: processor
216: communication unit 218: input/output device
220: input/output interface 310: image sensor data
312: reference image data 314: target image data
320: normal operation data 330: malfunction data
410: data processing module 412: artificial neural network model
413, 414: discrimination data 740: chain roller
742: roller unit 744: first reference marker
746: second fiducial marker

Claims (10)

케이블의 포설 시, 인공신경망 기반으로 케이블의 이상(anomaly)을 검출하는 장치에 있어서,
모터에 의해 구동되고, 복수의 회전 가능한 메인 롤러 사이로 케이블이 이동하도록 구성된 가이드부;
삼각 형태로 구성되고, 하나의 모서리 근방에 하나의 홀이 형성되고 상기 하나의 모서리와 대향하는 영역의 일부에 적어도 하나의 홀이 형성되고, 일면이 제1 색상으로 구성되고, 상기 일면의 배면은 상기 제1 색상과 상이한 제2 색상으로 구성된 가오리부; 및
상기 가오리부가 포함된 영상을 수신하고, 상기 수신된 영상에 포함된 상기 가오리부의 특징을 분석하여, 상기 분석된 가오리부의 특징을 기초로, 상기 케이블의 이상 여부를 판정하도록 구성된 적어도 하나의 프로세서를 포함한 컴퓨팅 장치
를 포함하고,
상기 가오리부의 특징은, 상기 수신된 영상에 포함된 가오리부의 색상, 각도, 면적 또는 모양 중 적어도 하나를 포함하는, 케이블의 이상을 검출하는 장치.
In a device for detecting cable anomalies based on an artificial neural network when installing cables,
a guide part driven by a motor and configured to move the cable between the plurality of rotatable main rollers;
Consists of a triangular shape, one hole is formed near one corner, and at least one hole is formed in a part of an area opposite to the one corner, one surface is configured in a first color, and the rear surface of the one surface is a stingray part configured in a second color different from the first color; and
At least one processor configured to receive an image including the stingray unit, analyze the characteristics of the stingray unit included in the received image, and determine whether the cable is abnormal based on the analyzed characteristics of the stingray unit computing device
including,
The characteristic of the stingray portion includes at least one of a color, an angle, an area, or a shape of the stingray portion included in the received image, an apparatus for detecting abnormality in a cable.
 제1항에 있어서,
상기 가이드부를 통해 상기 케이블이 포설될 때 상기 가오리부가 포함된 영상을 촬영하도록 구성된 적어도 하나의 이미지 센서
를 더 포함하는, 케이블의 이상을 검출하는 장치.
According to claim 1,
At least one image sensor configured to capture an image including the stingray part when the cable is laid through the guide part
Further comprising, an apparatus for detecting an abnormality in the cable.
 제2항에 있어서,
상기 적어도 하나의 프로세서는, 상기 촬영된 영상 내에서 상기 가오리부를 탐지하고, 상기 가오리부가 탐지된 경우, 상기 가오리부를 포함한 영상 내의 상기 가오리부의 특징을 분석하고 상기 분석된 가오리부의 특징을 기초로 상기 케이블의 이상 여부를 판정하도록 더 구성된,
케이블의 이상을 검출하는 장치.
3. The method of claim 2,
The at least one processor detects the stingray part in the captured image, and when the stingray part is detected, analyzes a characteristic of the stingray part in the image including the stingray part, and based on the analyzed characteristic of the stingray part, the cable further configured to determine whether the
A device that detects abnormalities in cables.
 제1항에 있어서,
상기 적어도 하나의 프로세서는, 참조 영상에 응답하여, 상기 참조 영상 내에 포함된 가오리부의 특징에 기초하여 결정된 케이블의 이상 여부에 대한 결과값을 추론하도록 학습된 인공신경망 모델을 이용하여, 상기 수신된 영상에 포함된 가오리부의 특징에 기초하여 상기 케이블의 이상 여부를 판정하도록 더 구성된,
케이블의 이상을 검출하는 장치.
According to claim 1,
The at least one processor, in response to the reference image, uses an artificial neural network model trained to infer a result value of whether or not a cable is abnormal, which is determined based on the characteristics of the stingray part included in the reference image, using the received image. Further configured to determine whether the cable is abnormal based on the characteristics of the stingray part included in the
A device that detects abnormalities in cables.
 제4항에 있어서,
상기 인공신경망 모델은 상기 수신된 영상에 대해 상기 케이블의 정상 또는 이상을 분류하도록 학습된 이진 분류 모델(binary classification model)을 포함하는, 케이블의 이상을 검출하는 장치.
5. The method of claim 4,
The apparatus for detecting an abnormality of a cable, wherein the artificial neural network model includes a binary classification model trained to classify normal or abnormal of the cable with respect to the received image.
 삭제delete 케이블의 포설 시, 인공신경망 기반으로 케이블의 이상(anomaly)을 검출하는 장치에 있어서,
모터에 의해 구동되고, 복수의 회전 가능한 메인 롤러 사이로 케이블이 이동하도록 구성된 가이드부;
삼각 형태로 구성되고, 하나의 모서리 근방에 하나의 홀이 형성되고 상기 하나의 모서리와 대향하는 영역의 일부에 적어도 하나의 홀이 형성되고, 일면이 제1 색상으로 구성되고, 상기 일면의 배면은 상기 제1 색상과 상이한 제2 색상으로 구성된 가오리부; 및
상기 가오리부가 포함된 영상을 수신하고, 상기 수신된 영상에 포함된 상기 가오리부의 특징을 분석하여, 상기 분석된 가오리부의 특징을 기초로, 상기 케이블의 이상 여부를 판정하도록 구성된 적어도 하나의 프로세서를 포함한 컴퓨팅 장치
를 포함하고,
상기 적어도 하나의 프로세서는, 상기 수신된 영상에 포함된 상기 가오리부의 제1 색상 또는 제2 색상의 적어도 하나의 면적을 산출하고, 상기 산출된 면적을 기초로 상기 케이블의 이상 여부를 판정하도록 더 구성되는,
케이블의 이상을 검출하는 장치.
In a device for detecting cable anomalies based on an artificial neural network when installing cables,
a guide part driven by a motor and configured to move the cable between the plurality of rotatable main rollers;
Consists of a triangular shape, one hole is formed near one corner, and at least one hole is formed in a part of an area opposite to the one corner, one surface is configured in a first color, and the rear surface of the one surface is a stingray part configured in a second color different from the first color; and
At least one processor configured to receive an image including the stingray unit, analyze the characteristics of the stingray unit included in the received image, and determine whether the cable is abnormal based on the analyzed characteristics of the stingray unit computing device
including,
The at least one processor is further configured to calculate at least one area of the first color or the second color of the stingray part included in the received image, and determine whether the cable is abnormal based on the calculated area felled,
A device that detects abnormalities in cables.
 제1항에 있어서,
상기 적어도 하나의 프로세서는,
체인롤러의 롤러부에 대한 상기 가오리부의 양 측면 내의 두 기준 마커 중 하나의 각도를 산출하고, 상기 산출된 각도를 기초로 상기 케이블의 이상 여부를 판정하도록 더 구성된, 케이블의 이상을 검출하는 장치.
According to claim 1,
The at least one processor,
An apparatus for detecting abnormality in a cable, further configured to calculate an angle of one of two reference markers in both sides of the stingray part with respect to the roller part of the chain roller, and to determine whether the cable is abnormal based on the calculated angle.
 제1항에 있어서,
상기 적어도 하나의 프로세서는, 상기 케이블의 이상이라고 판정된 경우, 작업자 단말에게 알림을 송신하거나, 상기 모터를 제어하여 상기 복수의 회전 가능한 메인 롤러의 회전을 정지하도록 구성된, 케이블의 이상을 검출하는 장치.
According to claim 1,
The at least one processor is configured to, when it is determined that the cable is abnormal, to transmit a notification to an operator terminal or to control the motor to stop rotation of the plurality of rotatable main rollers, a device for detecting abnormality in the cable .
 제1항에 있어서,
상기 가오리부의 상기 하나의 모서리 근방의 하나의 홀에 연결되고, 상기 가오리부의 각도에 따라 회전이 가능하도록 구성된 슈벨; 및
상기 케이블을 상기 가오리부의 적어도 하나의 홀에 연결시키도록 구성된 고리부
를 더 포함하는, 케이블의 이상을 검출하는 장치.

According to claim 1,
a shovel connected to one hole near the one corner of the stingray part and configured to be rotatable according to the angle of the stingray part; and
a hook portion configured to connect the cable to at least one hole in the stingray portion
Further comprising, an apparatus for detecting an abnormality in the cable.
KR1020210071498A 2021-06-02 2021-06-02 Apparatus for detecting anomaly of cable in case of laying cable based on artificial intelligence network KR102370913B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210071498A KR102370913B1 (en) 2021-06-02 2021-06-02 Apparatus for detecting anomaly of cable in case of laying cable based on artificial intelligence network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210071498A KR102370913B1 (en) 2021-06-02 2021-06-02 Apparatus for detecting anomaly of cable in case of laying cable based on artificial intelligence network

Publications (1)

Publication Number Publication Date
KR102370913B1 true KR102370913B1 (en) 2022-03-04

Family

ID=80813715

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210071498A KR102370913B1 (en) 2021-06-02 2021-06-02 Apparatus for detecting anomaly of cable in case of laying cable based on artificial intelligence network

Country Status (1)

Country Link
KR (1) KR102370913B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116990722A (en) * 2023-08-16 2023-11-03 盐城市华悦汽车部件有限公司 Wire harness detection device capable of rapidly detecting connectivity
CN117934481A (en) * 2024-03-25 2024-04-26 国网浙江省电力有限公司宁波供电公司 Power transmission cable state identification processing method and system based on artificial intelligence

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160001105A (en) * 2014-06-26 2016-01-06 임용호 The pulling method and apparatus cable in underground wiring pipe
CN112052732A (en) * 2020-07-31 2020-12-08 陕西瑞海工程智慧数据科技有限公司 Method and device for automatically alarming cable abnormity

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160001105A (en) * 2014-06-26 2016-01-06 임용호 The pulling method and apparatus cable in underground wiring pipe
CN112052732A (en) * 2020-07-31 2020-12-08 陕西瑞海工程智慧数据科技有限公司 Method and device for automatically alarming cable abnormity

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116990722A (en) * 2023-08-16 2023-11-03 盐城市华悦汽车部件有限公司 Wire harness detection device capable of rapidly detecting connectivity
CN116990722B (en) * 2023-08-16 2024-01-26 盐城市华悦汽车部件有限公司 Wire harness detection device capable of rapidly detecting connectivity
CN117934481A (en) * 2024-03-25 2024-04-26 国网浙江省电力有限公司宁波供电公司 Power transmission cable state identification processing method and system based on artificial intelligence

Similar Documents

Publication Publication Date Title
KR102370913B1 (en) Apparatus for detecting anomaly of cable in case of laying cable based on artificial intelligence network
US10011976B1 (en) System and method for work tool recognition
CN110166462B (en) Access control method, system, electronic device and computer storage medium
CN110347153A (en) A kind of Boundary Recognition method, system and mobile robot
CN102673979B (en) Method and device for judging deviation of conveying belt
CN103606236A (en) Real time safety monitoring system based on distribution type optical fiber invasion alarm unit
CN107578012A (en) A kind of drive assist system based on clustering algorithm selection sensitizing range
CN107222726B (en) Early warning method for preventing external damage of electric power facility
CN112202840A (en) Coal mine fire alarm system and method based on edge calculation mode and storage medium
WO2024014627A1 (en) Integrated platform for smart river management
CN112282819B (en) Comprehensive mining working face personnel target safety monitoring method and system based on vision
CN105260716A (en) Fault indicator state identification method and fault indicator state identification device
CN109684900B (en) Method and apparatus for outputting color information
CN114320469B (en) Cloud-edge intelligence-based underground hazard source detection method
CN114360184A (en) Multi-device linkage cable channel external damage prevention monitoring method and system
US20180018525A1 (en) System and method for auto-commissioning an intelligent video system with feedback
CN113990101A (en) Method, system and processing device for detecting vehicles in no-parking area
US20220383625A1 (en) A system and method for detecting a protective product on the screen of electronic devices
CN112991438A (en) Coal and gangue detection and identification system, intelligent coal discharge system and model training method
CN116538025A (en) Wind-powered electricity generation wheel hub intelligence system of patrolling and examining based on AR equipment
CN214409649U (en) Coal spontaneous combustion monitoring and predicting system based on infrared radiation characteristics
CN114898277A (en) Method, device, storage medium and processor for identifying pipeline security risk
CN106711865A (en) Cable digging tool
CN103679055A (en) Information processing method, information processing device and electronic equipment
CN110263759A (en) Protection against electric shock system, method and apparatus

Legal Events

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