KR102434994B1 - 인공지능을 이용한 건축현장 모니터링 시스템 및 방법 - Google Patents

인공지능을 이용한 건축현장 모니터링 시스템 및 방법 Download PDF

Info

Publication number
KR102434994B1
KR102434994B1 KR1020200071211A KR20200071211A KR102434994B1 KR 102434994 B1 KR102434994 B1 KR 102434994B1 KR 1020200071211 A KR1020200071211 A KR 1020200071211A KR 20200071211 A KR20200071211 A KR 20200071211A KR 102434994 B1 KR102434994 B1 KR 102434994B1
Authority
KR
South Korea
Prior art keywords
construction site
information
vibration
image information
monitoring system
Prior art date
Application number
KR1020200071211A
Other languages
English (en)
Other versions
KR20210154322A (ko
Inventor
권장우
Original Assignee
인하대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 인하대학교 산학협력단 filed Critical 인하대학교 산학협력단
Priority to KR1020200071211A priority Critical patent/KR102434994B1/ko
Publication of KR20210154322A publication Critical patent/KR20210154322A/ko
Application granted granted Critical
Publication of KR102434994B1 publication Critical patent/KR102434994B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G06K9/62—
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B3/00—Audible signalling systems; Audible personal calling systems
    • G08B3/10—Audible signalling systems; Audible personal calling systems using electric transmission; using electromagnetic transmission
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Electromagnetism (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

일 실시예에 따른 건축현장 모니터링 시스템에 의해 수행되는 건축현장 모니터링 방법은, 건축현장의 영상 정보를 컴포넌트 진동 영역을 확대하기 위하여 학습된 딥러닝 기반의 학습 모델에 입력하여 객체를 인식하는 단계; 상기 인식된 객체의 움직임에 따른 진동 증폭 정보를 확대하여 출력하는 단계; 및 상기 출력된 진동 증폭 정보에 기초하여 상기 건축현장의 영상 정보로부터 선택된 영역에 대한 상세 진동 증폭 결과를 포함하는 모니터링 정보를 제공하는 단계를 포함할 수 있다.

Description

인공지능을 이용한 건축현장 모니터링 시스템 및 방법{SYSTEM AND METHOD FOR MONITORING CONSTRUCTION SITES USING ARTIFICIAL INTELLIGENCE}
아래의 설명은 건축현장을 모니터링하는 기술에 관한 것이다.
일반적으로 대형빌딩 등과 같은 건물들은 지진 또는 진동을 유발하는 유발요소로 인하여, 항상 진동문제를 겪고 있다. 이러한 진동은 건물 구조물의 안전에 직접적인 영향을 주는 바, 보다 구체적으로 건물 구조물의 강성을 약하게 하는 문제를 가져오며, 또한 이러한 진동이 심해지면 건물 구조물의 붕괴를 유발할 수도 있는 등 상당히 심각한 문제를 가져올 수 있다. 따라서, 현재 대부분의 대형빌딩과 같은 건물을 신축하는 경우에는, 건물의 진동을 지속적 또는 주기적으로 측정하여 진동을 관찰하도록 함으로써 건물의 붕괴위험을 사전에 예측하고, 이를 예방할 수 있도록 하는 연구 및 개발이 행해지고 있다.
통상, 이러한 기술을 진동모니터링(Vibration Monitoring) 기술이라고 하는데, 진동모니터링 기술을 통하여 건물이 진동으로 인해 붕괴되는 것을 사전에 감지하여 붕괴위험이 있는 건물 내의 사람들이 미리 안전하게 대피할 수 있도록 하는 등 안전사고를 예방할 수 있도록 하고 있다.
종래에는 진동을 유발하는 장소에 고가의 진동가속도계(Vibration Accelerometer) 등의 센서를 부착하여 두고, 이 센서에서 전달되는 신호를 신호처리장치 또는 신호처리가 가능한 컴퓨터와 연결하여 구성한 진동모니터링 시스템을 구축하여, 상술한 바와 같은 건물의 진동모니터링을 행하고 있다. 또한, 이러한 진동모니터링 기술은 주로 건물에 부착되는 센서에서 데이터를 획득하고, 이들 데이터를 변환하여 건물의 손상도 평가를 위한 데이터를 분석하는 과정으로 이루어지고 있다.
건축현장의 영상 정보를 인공지능을 이용하여 객체를 인식하고, 인식된 객체의 움직임을 증폭(motion amplification)하여 객체의 움직임에 따른 위험을 감지하는 건축현장을 모니터링하는 방법 및 시스템을 제공할 수 있다.
건축현장 모니터링 시스템에 의해 수행되는 건축현장 모니터링 방법은, 건축현장의 영상 정보를 컴포넌트 진동 영역을 확대하기 위하여 학습된 딥러닝 기반의 학습 모델에 입력하여 객체를 인식하는 단계; 상기 인식된 객체의 움직임에 따른 진동 증폭 정보를 확대하여 출력하는 단계; 및 상기 출력된 진동 증폭 정보에 기초하여 상기 건축현장의 영상 정보로부터 선택된 영역에 대한 상세 진동 증폭 결과를 포함하는 모니터링 정보를 제공하는 단계를 포함할 수 있다.
상기 인식하는 단계는, 상기 건축현장의 영상 정보를 상기 학습된 딥러닝 기반의 학습 모델에 입력하여 학습시킴에 따라 주파수 변화 정보가 확대되는 객체와 관련된 객체 영역을 획득하는 단계를 포함할 수 있다.
상기 출력하는 단계는, 상기 인식된 객체의 주파수 데이터를 감지하고, 상기 감지된 주파수 데이터의 움직임 변화에 기초하여 상기 인식된 객체의 진동 증폭 정보를 확대하는 단계를 포함할 수 있다.
상기 출력하는 단계는, 상기 건축현장의 영상 정보로부터 획득된 진동 증폭 정보에 대응하는 객체의 위치 정보를 인지하고, 상기 인지된 객체의 위치 정보에 대한 위험을 감지하는 단계를 포함할 수 있다.
상기 출력하는 단계는, 상기 건축현장의 영상 정보로부터 상기 객체에 대응하는 어노테이션을 생성하고, 상기 생성된 어노테이션에 상기 획득된 진동 증폭 정보와 관련하여 상기 건축현장의 영상 정보의 객체에 대한 주파수 값을 제공하는 단계를 포함할 수 있다.
상기 획득하는 단계는, 상기 객체 단위의 컴포넌트에 진동이 발생하는 진동 영역을 확대하기 위한 딥러닝 기반의 학습 모델을 구축하고, 건축현장의 학습 영상 정보로부터 컴포넌트에서 진동이 발생하는 진동 영역을 확대하기 위한 주파수 변화 정보를 이용하여 상기 구축된 학습 모델을 학습시키는 단계를 포함할 수 있다.
건축현장 모니터링 시스템은, 건축현장의 영상 정보를 컴포넌트 진동 영역을 확대하기 위하여 학습된 딥러닝 기반의 학습 모델에 입력하여 진동 증폭 정보를 획득하는 획득부; 상기 인식된 객체의 움직임에 따른 진동 증폭 정보를 확대하여 출력하는 출력부; 및 상기 출력된 진동 증폭 정보에 기초하여 상기 건축현장의 영상 정보로부터 선택된 영역에 대한 상세 진동 증폭 결과를 포함하는 모니터링 정보를 제공하는 모니터링부를 포함할 수 있다.
상기 인식부는, 상기 건축현장의 영상 정보를 상기 학습된 딥러닝 기반의 학습 모델에 입력하여 학습시킴에 따라 주파수 변화 정보가 확대되는 객체와 관련된 객체 영역을 획득할 수 있다.
상기 출력부는, 상기 인식된 객체의 주파수 데이터를 감지하고, 상기 감지된 주파수 데이터의 움직임 변화에 기초하여 상기 인식된 객체의 진동 증폭 정보를 확대할 수 있다.
상기 출력부는, 상기 건축현장의 영상 정보로부터 획득된 진동 증폭 정보에 대응하는 객체의 위치 정보를 인지하고, 상기 인지된 객체의 위치 정보에 대한 위험을 감지할 수 있다.
상기 출력부는, 상기 건축현장의 영상 정보로부터 상기 객체에 대응하는 어노테이션을 생성하고, 상기 생성된 어노테이션에 상기 획득된 진동 증폭 정보와 관련하여 상기 건축현장의 영상 정보의 객체에 대한 주파수 값을 제공할 수 있다.
상기 인식부는, 상기 객체 단위의 컴포넌트에 진동이 발생하는 진동 영역을 확대하기 위한 딥러닝 기반의 학습 모델을 구축하고, 건축현장의 학습 영상 정보로부터 컴포넌트에서 진동이 발생하는 진동 영역을 확대하기 위한 주파수 변화 정보를 이용하여 상기 구축된 학습 모델을 학습시킬 수 있다.
카메라를 통해 입력된 영상 내의 객체의 움직임을 학습 모델을 통해 증폭하여 움직임이 많은 객체의 위치 정보를 인식할 수 있다.
움직임이 많은 객체의 위치에 대한 위험을 자동으로 감지할 수 있다.
도 1은 일 실시예에 따른 모니터링 시스템에서 인공지능을 이용한 건축현장을 모니터링하는 동작을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 모니터링 시스템의 구성을 설명하기 위한 블록도이다.
도 3은 일 실시예에 따른 모니터링 시스템에서 건축현장을 모니터링하는 방법을 설명하기 위한 흐름도이다.
도 4는 일 실시예에 따른 모니터링 시스템에서 컴포넌트를 객체 단위로 인식하는 것을 설명하기 위한 예이다.
도 5 및 도 6은 일 실시예에 따른 모니터링 시스템에서 건축현장의 영상 정보에 진동 증폭 정보의 결과를 제공하는 예이다.
이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.
도 1은 일 실시예에 따른 모니터링 시스템에서 인공지능을 이용한 건축현장을 모니터링하는 동작을 설명하기 위한 도면이다.
모니터링 시스템은 인공지능을 이용하여 건축현장을 모니터링할 수 있다. 일례로, 건축현장에 적어도 하나 이상의 카메라(110)가 설치되어 있을 수 있다. 이때, 모니터링 시스템(100)은 건축현장을 촬영하는 카메라(110)의 동작 시간을 설정할 수 있고, 설정된 동작 시간 동안만 카메라가 동작되도록 제어할 수 있다. 예를 들면, 카메라는 근무 시간(예를 들면, 9~6시) 동안 전원이(On)되어 건축현장을 실시간으로 촬영할 수 있다. 또한, 건축현장의 구조물의 움직임을 인식하기 위한 적어도 하나 이상의 센서(예를 들면, 진동 센서, 회전 센서, 감지 센서, 자이로스코프, 모션 센서, 자자계 센서, 가속도 센서, 레이저 센서 등)가 건축현장/건축현장의 구조물에 부착될 수 있다. 모니터링 시스템은 건축 현장의 구조물에 부착된 센서를 이용하여 주파수 데이터를 획득할 수 있다. 모니터링 시스템은 획득된 주파수 데이터를 이용하여 건축 현장의 구조물에 진동이 발생하는지 여부를 감지할 수 있다. 예를 들면, 모니터링 시스템은 건축현장에 존재하는 모터, 터빈 또는 모터, 터빈 주변에 센서를 부착하여 주파수 데이터를 획득할 수 있다.
모니터링 시스템은 카메라(110)를 통해 촬영된 건축현장의 영상 정보를 이용하여 건축현장을 모니터링할 수 있다. 예를 들면, 모니터링 시스템(110)은 카메라(110)와 센서를 이용하여 모니터링된 건축현장의 정보(예를 들면, 촬영되는 영역의 높이 정보, 촬영되는 각도 정보, 촬영되는 영역에 존재하는 작업자의 수, 촬영되는 영역의 철근 수/두께 등)을 제공할 수 있다.
모니터링 시스템은 건축현장의 영상 정보에 대한 전처리 과정을 수행할 수 있다. 모니터링 시스템은 학습 모델이 진동 증폭 정보를 획득을 위한 학습을 수행할 수 있도록 기 설정된 기준에 기반한 영상 정보로 편집 및 가공할 수 있다.
모니터링 시스템은 건축현장의 영상 정보를 컴포넌트 진동 영역을 확대하기 위하여 학습된 딥러닝 기반의 학습 모델에 입력하여 객체를 인식할 수 있다. 학습 모델은, RNN, CNN, LSTM 등 다양한 딥러닝 기반의 네트워크로 구성된 학습 모델일 수 있으며, 건축현장의 학습 영상 정보로부터 인식된 객체 단위의 컴포넌트에서 진동이 발생하는 진동 영역을 확대하기 위한 주파수 정보 또는 주파수 변화 정보를 이용하여 학습된 학습 모델인 것일 수 있다. 모니터링 시스템은 건축현장의 영상 정보를 딥러닝 기반의 학습 모델에 입력함에 따라 진동이 발생하는 부분을 객체로 인식할 수 있다.
도 4를 참고하면, 모니터링 시스템은 건축현장의 영상 정보에 존재하는 컴포넌트를 객체 단위로 인식할 수 있다. 모니터링 시스템(100)은 건축현장의 영상 정보에서 진동을 발생시킬 수 있는 설비 등의 컴포넌트를 객체 단위로 인식할 수 있다. 예를 들면, 모니터링 시스템은 건축현장의 영상 정보에 존재하는 모터, 터빈 등의 컴포넌트를 객체로 인식할 수 있다. 이때, 모니터링 시스템은 촬영된 건축현장의 영상 정보를 딥러닝 기반의 학습 모델에 입력함에 따라 영상 정보에 존재하는 컴포넌트를 객체로 인식할 수 있다. 예를 들면, 모니터링 시스템은 촬영된 건축현장의 영상 정보에 존재하는 모터, 터빈 등의 컴포넌트를 객체로 인식할 수 있다. 또는, 모니터링 시스템은 촬영된 건축현장의 영상 정보에 기 저장된 컴포넌트와의 비교를 통하여 건축현장의 영상 정보에 존재하는 컴포넌트를 객체로 인식할 수도 있다.
예를 들면, 모니터링 시스템은 2차원 고속 푸리에 변환을 이용하여 건축현장의 영상 정보로부터 발생되는 신호 정보를 주파수 정보로 변환할 수 있다. 모니터링 시스템은 건축현장의 영상 정보를 학습된 딥러닝 기반의 학습 모델에 입력하여 학습시킴에 따라 진동이 발생하는 객체를 포함하는 객체 영역을 획득할 수 있다.
이때, 사전에, 모니터링 시스템은 건축현장의 학습 영상 정보를 이용하여 학습 모델을 학습시킬 수 있다. 모니터링 시스템은 객체 단위의 컴포넌트에 진동이 발생하는 진동 영역을 확대하기 위한 딥러닝 기반의 학습 모델을 구축하고, 건축현장의 학습 영상 정보로부터 컴포넌트에서 진동이 발생하는 진동 영역을 확대하기 위한 주파수 (변화) 정보를 이용하여 구축된 학습 모델을 학습시킬 수 있다. 이와 같이, 모니터링 시스템은 시계열 기반의 건축현장의 영상 정보를 학습 모델의 입력 데이터로 입력할 수 있다.
모니터링 시스템은 인식된 객체의 움직임에 따른 진동 증폭 정보를 확대하여 출력할 수 있다. 모니터링 시스템은 인식된 객체의 주파수 데이터를 감지하고, 감지된 주파수 데이터의 움직임 변화에 기초하여 인식된 객체의 진동 증폭 정보를 확대할 수 있다. 예를 들면, 모니터링 시스템은 딥러닝 기반의 학습 모델을 통해 건축현장의 영상 정보를 분석하여 특정 주파수를 감지할 수 있다. 모니터링 시스템은 감지된 특정 주파수를 증폭하여 움직임이 발생하는 영역을 확대하여 출력할 수 있다. 모니터링 시스템은 건축현장의 영상 정보로부터 획득된 진동 증폭 정보에 대응하는 객체의 위치 정보를 인지하고, 인지된 객체의 위치 정보에 대한 위험을 감지할 수 있다. 모니터링 시스템은 건축현장의 영상 정보로부터 객체에 대응하는 어노테이션을 생성하고, 생성된 어노테이션에 획득된 진동 증폭 정보와 관련하여 건축현장의 영상 정보의 객체에 대한 주파수 값을 제공할 수 있다.
모니터링 시스템은 건축현장의 영상 정보를 학습 모델을 통해 학습시킴에 따라 인식된 객체 정보에 기초하여 자동으로 건축현장의 위험을 감지할 수 있다. 예를 들면, 모니터링 시스템은 객체의 움직임이 많은 위치(위치 정보)를 인지할 수 있고, 인지된 객체의 움직임이 많은 위치와 관련된 영역을 위험 영역으로 감지할 수 있다. 모니터링 시스템은 건축현장의 영상 정보에서 객체의 움직임이 많은 위치에 위험 정보를 표시할 수 있다. 예를 들면, 모니터링 시스템은 객체의 움직임이 많은 위치의 위치 정보를 좌표 정보로 표시할 수 있다.
일례로, 모니터링 시스템은 건축현장의 영상 정보의 객체에 대한 주파수 값을 제공함과 동시에 기 설정된 기준에 기초하여 객체에 대한 주파수 값이 위험한 지 아닌지 여부를 포함하는 위험 정보를 함께 표시할 수 있다. 모니터링 시스템은 객체에 대한 주파수 값이 위험한 것으로 판단됨에 따라 실시간으로 위험 부분에 해당하는 객체의 건축현장에 존재하는 작업자에게 위험 정보를 알릴 수 있다. 이에, 작업자가 즉시 대피하거나 또는, 조심히 작업을 할 수 있도록 도움을 제공할 수 있다. 도 5를 참고하면, 모니터링 시스템에서 객체에 진동이 발생하는 진동 영역이 확대됨에 따라 위험 부분을 표시할 수 있다. 모니터링 시스템은 해당하는 혹시 모를 상황에 대비하여, 위험 부분에 해당하는 객체 근처에 존재하는 작업자에게 음성으로 대피 경로를 안내할 수도 있다. 예를 들면, 모니터링 시스템은 작업자의 전자 기기(예를 들면, 휴대폰)로 대피 경로를 안내할 수도 있다. 또한, 모니터링 시스템은 위험 부분에 해당하는 객체를 보강하도록 안내 정보를 표시 및 통보할 수 있다(130).
도 6을 참고하면, 모니터링 시스템은 건축현장의 영상 정보로부터 선택된 영역에 대한 진동을 증폭하여 제공할 수 있다. 예를 들면, 모니터링 시스템은 건설 현장의 영상 정보에서 사용자로부터 지지대들이 특정됨에 따라, 특정된 지지대들의 움직임을 증폭하여 표시할 수 있다. 도 6에 도시된 바와 같이, 모니터링 시스템은 인식된 객체의 움직임에 따른 진동 증폭 정보를 확대한 영상 정보를 출력할 수 있고, 출력한 영상 정보에 사용자로부터 특정 영역이 선택됨에 따라 보다 확대된 영상 정보를 제공할 수 있다. 모니터링 시스템은 출력된 진동 증폭 정보의 결과에 기초하여 건축현장의 영상 정보로부터 선택된 영역에 대한 상세 진동 증폭 결과를 포함하는 모니터링 정보를 제공할 수 있다. 모니터링 시스템은 진동 증폭 정보를 포함하는 건축현장의 영상 정보를 제공할 수 있다. 사용자 또는 관리자는 진동 증폭 정보를 포함하는 건축현장의 영상 정보로부터 보다 자세한 결과를 원하는 부분이 선택될 수 있다. 모니터링 시스템은 선택된 건축현장의 영상 정보의 움직임을 확대하여 표시할 수 있다. 이때, 사용자 또는 관리자로부터 보다 자세한 결과를 원하는 부분의 영역이 선택 또는 드래그 될 수 있다. 모니터링 시스템은 선택된 영역에 대한 상세 진동 증폭 결과를 포함하는 영상 정보를 제공할 수 있다. 모니터링 시스템은 선택된 영역을 확대한 영상 정보를 제공할 수 있다. 이에, 사용자는 위험이 감지되는 영역을 보다 상세하게 확인할 수 있어, 위험에 대비할 수 있다. 모니터링 시스템은 선택된 영역을 확대한 영상 정보를 통해 위험 부분에 대한 현재 상태를 표시할 수 있다. 예를 들면, 모니터링 시스템은 진동 증폭 결과와 관련하여 객체와 관련된 영역에 대한 위험 여부를 통보할 수 있다. 또한, 모니터링 시스템은 위험 여부뿐만 아니라 위험 정도에 따라 위험도를 구분하여 출력할 수도 있다. 또한, 모니터링 시스템은 선택된 영역이 선택됨에 따라 선택된 영역에 해당하는 진동 증폭 정보를 분석한 분석 결과를 모니터링 정보로 제공할 수 있다.
일 실시예에 따른 모니터링 시스템은 건설현장 외벽의 위험을 보다 정확하게 감지할 수 있다. 모니터링 시스템은 딥러닝 기반의 학습 모델을 이용하여 건설현장을 모니터링함으로써 미세한 흔들림에도 건축현장의 위험을 감지할 수 잇다.
도 2는 일 실시예에 따른 모니터링 시스템의 구성을 설명하기 위한 블록도이고, 도 3은 일 실시예에 따른 모니터링 시스템에서 건축현장을 모니터링하는 방법을 설명하기 위한 흐름도이다.
모니터링 시스템(100)은 인식부(210), 출력부(220) 및 모니터링부(230)를 포함할 수 있다. 이러한 모니터링 시스템(100)의 구성요소들은 모니터링 시스템(200)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 모니터링 시스템(100) 및 모니터링 시스템(100)의 구성요소들은 도 3의 모니터링 방법이 포함하는 단계들(310 내지 330)을 수행하도록 모니터링 시스템을 제어할 수 있다. 이때, 모니터링 시스템(100) 및 모니터링 시스템(100)의 구성요소들은 메모리가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.
프로세서는 모니터링 방법을 위한 프로그램의 파일에 저장된 프로그램 코드를 메모리에 로딩할 수 있다. 예를 들면, 모니터링 시스템에서 프로그램이 실행되면, 프로세서는 운영체제의 제어에 따라 프로그램의 파일로부터 프로그램 코드를 메모리에 로딩하도록 모니터링 시스템을 제어할 수 있다. 이때, 모니터링 시스템(100) 및 모니터링 시스템(100)이 포함하는 인식부(210), 출력부(220) 및 모니터링부(230) 각각은 메모리에 로딩된 프로그램 코드 중 대응하는 부분의 명령을 실행하여 이후 단계들(310 내지 330)을 실행하기 위한 모니터링 시스템(100)의 서로 다른 기능적 표현들일 수 있다.
단계(310)에서 인식부(210)는 건축현장의 영상 정보를 컴포넌트 진동 영역을 확대하기 위하여 학습된 딥러닝 기반의 학습 모델에 입력하여 객체를 인식할 수 있다. 인식부(210)는 건축현장의 영상 정보를 학습된 딥러닝 기반의 학습 모델에 입력하여 학습시킴에 따라 주파수 변화 정보가 확대되는 객체와 관련된 객체 영역을 획득할 수 있다. 인식부(210)는 객체 단위의 컴포넌트에 진동이 발생하는 진동 영역을 확대하기 위한 딥러닝 기반의 학습 모델을 구축하고, 건축현장의 학습 영상 정보로부터 컴포넌트에서 진동이 발생하는 진동 영역을 확대하기 위한 주파수 변화 정보를 이용하여 구축된 학습 모델을 학습시킬 수 있다.
단계(320)에서 출력부(220)는 인식된 객체의 움직임에 따른 진동 증폭 정보를 확대하여 출력할 수 있다. 출력부(220)는 인식된 객체의 주파수 데이터를 감지하고, 감지된 주파수 데이터의 움직임 변화에 기초하여 상기 인식된 객체의 진동 증폭 정보를 확대할 수 있다. 출력부(220)는 건축현장의 영상 정보로부터 획득된 진동 증폭 정보에 대응하는 객체의 위치 정보를 인지하고, 인지된 객체의 위치 정보에 대한 위험을 감지할 수 있다. 출력부(220)는 건축현장의 영상 정보로부터 객체에 대응하는 어노테이션을 생성하고, 생성된 어노테이션에 상기 획득된 진동 증폭 정보와 관련하여 건축현장의 영상 정보의 객체에 대한 주파수 값을 제공할 수 있다.
단계(330)에서 모니터링부(230)는 출력된 진동 증폭 정보의 결과에 기초하여 건축현장의 영상 정보로부터 선택된 영역에 대한 상세 진동 증폭 결과를 포함하는 모니터링 정보를 제공할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (12)

  1. 건축현장 모니터링 시스템에 의해 수행되는 건축현장 모니터링 방법에 있어서,
    건축현장의 영상 정보를 컴포넌트 진동 영역을 확대하기 위하여 주파수 변화 정보를 이용하여 학습된 딥러닝 기반의 학습 모델에 입력하여 객체를 인식하는 단계;
    상기 인식된 객체의 움직임에 따른 진동을 증폭한 정보를 출력하는 단계; 및
    상기 출력된 진동을 증폭한 정보에 기초하여 상기 건축현장의 영상 정보로부터 선택된 영역에 대한 상세 진동 증폭 결과를 포함하는 모니터링 정보를 제공하는 단계
    를 포함하고,
    상기 인식하는 단계는,
    적어도 하나 이상의 카메라에 설정된 동작 시간 동안 건축현장의 촬영을 통해 건축현장의 영상 정보를 획득하고, 상기 획득된 건축현장의 영상 정보를 상기 학습된 딥러닝 기반의 학습 모델에 입력함에 따라 주파수 변화 정보가 감지되는 객체와 관련된 객체 영역을 획득하는 단계
    를 포함하고,
    상기 출력하는 단계는,
    상기 인식된 객체의 주파수 데이터를 감지하고, 상기 감지된 주파수 데이터의 움직임 변화에 기초하여 상기 인식된 객체의 진동을 증폭한 정보를 제공하는 단계
    를 포함하고,
    상기 제공하는 단계는,
    상기 건축현장의 영상 정보로부터 객체에 대응하는 어노테이션을 생성하고, 상기 생성된 어노테이션에 상기 출력된 진동을 증폭한 정보와 관련하여 건축현장의 영상 정보의 객체에 대한 주파수 값을 제공하고, 상기 객체에 대한 주파수 값을 제공함과 동시에 기 설정된 기준에 기초하여 상기 객체에 대한 주파수 값이 위험한 지 아닌지 여부를 포함하는 위험 정보를 함께 표시하고, 상기 객체에 대한 주파수 값이 위험한 것으로 판단됨에 따라 객체 근처에 존재하는 작업자에게 대피 경로를 음성으로 안내하고, 상기 객체를 보강하도록 안내 정보를 통보하는 단계
    를 포함하는 건축현장 모니터링 방법.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 출력하는 단계는,
    상기 건축현장의 영상 정보로부터 획득된 진동을 증폭한 정보에 대응하는 객체의 위치 정보를 인지하고, 상기 인지된 객체의 위치 정보에 대한 위험을 감지하는 단계
    를 포함하는 건축현장 모니터링 방법.
  5. 삭제
  6. 제1항에 있어서,
    상기 인식하는 단계는,
    객체 단위의 컴포넌트에 진동이 발생하는 진동 영역을 확대하기 위한 딥러닝 기반의 학습 모델을 구축하고, 건축현장의 학습 영상 정보로부터 컴포넌트에서 진동이 발생하는 진동 영역을 확대하기 위한 주파수 변화 정보를 이용하여 상기 구축된 학습 모델을 학습시키는 단계
    를 포함하는 건축현장 모니터링 방법.
  7. 건축현장 모니터링 시스템에 있어서,
    건축현장의 영상 정보를 컴포넌트 진동 영역을 확대하기 위하여 주파수 변화 정보를 이용하여 학습된 딥러닝 기반의 학습 모델에 입력하여 객체를 인식하는 인식부;
    상기 인식된 객체의 움직임에 따른 진동을 증폭한 정보를 출력하는 출력부; 및
    상기 출력된 진동을 증폭한 정보에 기초하여 상기 건축현장의 영상 정보로부터 선택된 영역에 대한 상세 진동 증폭 결과를 포함하는 모니터링 정보를 제공하는 모니터링부
    를 포함하고,
    상기 인식부는,
    적어도 하나 이상의 카메라에 설정된 동작 시간 동안 건축현장의 촬영을 통해 건축현장의 영상 정보를 획득하고, 상기 획득된 건축현장의 영상 정보를 상기 학습된 딥러닝 기반의 학습 모델에 입력함에 따라 주파수 변화 정보가 감지되는 객체와 관련된 객체 영역을 획득하는 것을 포함하고,
    상기 출력부는,
    상기 인식된 객체의 주파수 데이터를 감지하고, 상기 감지된 주파수 데이터의 움직임 변화에 기초하여 상기 인식된 객체의 진동을 증폭한 정보를 제공하는 것을 포함하고,
    상기 모니터링부는,
    상기 건축현장의 영상 정보로부터 객체에 대응하는 어노테이션을 생성하고, 상기 생성된 어노테이션에 상기 출력된 진동을 증폭한 정보와 관련하여 건축현장의 영상 정보의 객체에 대한 주파수 값을 제공하고, 상기 객체에 대한 주파수 값을 제공함과 동시에 기 설정된 기준에 기초하여 상기 객체에 대한 주파수 값이 위험한 지 아닌지 여부를 포함하는 위험 정보를 함께 표시하고, 상기 객체에 대한 주파수 값이 위험한 것으로 판단됨에 따라 객체 근처에 존재하는 작업자에게 대피 경로를 음성으로 안내하고, 상기 객체를 보강하도록 안내 정보를 통보하는
    모니터링 시스템.
  8. 삭제
  9. 삭제
  10. 제7항에 있어서,
    상기 출력부는,
    상기 건축현장의 영상 정보로부터 획득된 진동을 증폭한 정보에 대응하는 객체의 위치 정보를 인지하고, 상기 인지된 객체의 위치 정보에 대한 위험을 감지하는
    것을 특징으로 하는 모니터링 시스템.
  11. 삭제
  12. 제7항에 있어서,
    상기 인식부는,
    객체 단위의 컴포넌트에 진동이 발생하는 진동 영역을 확대하기 위한 딥러닝 기반의 학습 모델을 구축하고, 건축현장의 학습 영상 정보로부터 컴포넌트에서 진동이 발생하는 진동 영역을 확대하기 위한 주파수 변화 정보를 이용하여 상기 구축된 학습 모델을 학습시키는
    것을 특징으로 하는 모니터링 시스템.
KR1020200071211A 2020-06-12 2020-06-12 인공지능을 이용한 건축현장 모니터링 시스템 및 방법 KR102434994B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200071211A KR102434994B1 (ko) 2020-06-12 2020-06-12 인공지능을 이용한 건축현장 모니터링 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200071211A KR102434994B1 (ko) 2020-06-12 2020-06-12 인공지능을 이용한 건축현장 모니터링 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20210154322A KR20210154322A (ko) 2021-12-21
KR102434994B1 true KR102434994B1 (ko) 2022-08-22

Family

ID=79165338

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200071211A KR102434994B1 (ko) 2020-06-12 2020-06-12 인공지능을 이용한 건축현장 모니터링 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102434994B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102601759B1 (ko) * 2023-07-12 2023-11-14 주식회사 성원 안전 관리 시스템 운용을 위한 이기종 기기 간 통합 방법 및 이를 위한 서버

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101291616B1 (ko) * 2011-12-29 2013-08-01 동명대학교산학협력단 영상변화율 가중치를 적용한 다중 영상 모니터링 시스템

Also Published As

Publication number Publication date
KR20210154322A (ko) 2021-12-21

Similar Documents

Publication Publication Date Title
JP6494331B2 (ja) ロボット制御装置およびロボット制御方法
JP6306236B2 (ja) 奥行きセンサーの使用による装置のタッチフリー操作
JP6729545B2 (ja) 作業支援装置、作業支援方法及び作業支援プログラム
EP2885777B1 (en) Surveillance system
JP6959495B2 (ja) 情報処理装置、情報処理方法、プログラム
JP2005250990A (ja) 作業支援装置
KR101821692B1 (ko) 이미지 수집 방법 및 장치
JP6841608B2 (ja) 振る舞い検知システム
KR102434994B1 (ko) 인공지능을 이용한 건축현장 모니터링 시스템 및 방법
KR20230124801A (ko) 중대재해 방지를 위한 건설 현장 모니터링 시스템
JP6270488B2 (ja) オペレータ監視制御装置およびオペレータ監視制御方法
US20110304730A1 (en) Pan, tilt, and zoom camera and method for aiming ptz camera
US11341774B2 (en) Information processing apparatus, data generation method, and non-transitory computer readable medium storing program
JP6758237B2 (ja) 情報処理装置、情報処理方法、及び、プログラム
JP7251407B2 (ja) センサ設置支援装置、センサ設置支援方法およびプログラム
KR102177460B1 (ko) 사물인터넷을 기반으로 선박 접안 시 항만 시설의 손상을 예방하는 방법 및 시스템
CN116524539A (zh) 一种信号工与驾驶员交互风险的协同感知方法
KR101834279B1 (ko) 지연 특징 추출을 이용하여 얼굴을 검출하기 위한 이미지 처리 방법 및 시스템
KR101665232B1 (ko) 블랙박스 시스템에서 가속도 센서를 이용한 잘못 인식된 이벤트 영상 처리 방법
JP2021060784A (ja) 物体検知装置、システム、方法、及びプログラム
JPWO2018092699A1 (ja) 制御システム、制御方法およびプログラム
JP6341108B2 (ja) 撮像パラメータ決定装置、携帯端末装置、撮像パラメータ決定システム、撮像パラメータ決定方法および撮像パラメータ決定プログラム
CN111453573B (zh) 一种基于电梯的安全检测方法及装置
US20230316570A1 (en) Target detection device, target detection method, and target detection program
KR102499070B1 (ko) 인공신경망을 이용한 심근 세포 모니터링 방법 및 그 장치

Legal Events

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