KR102479672B1

KR102479672B1 - 차량의 파손 영역을 검출하기 위한 방법

Info

Publication number: KR102479672B1
Application number: KR1020220022789A
Authority: KR
Inventors: 조재영; 김보성
Original assignee: 주식회사 오토피디아
Priority date: 2021-11-30
Filing date: 2022-02-22
Publication date: 2022-12-21

Abstract

본 개시의 몇몇 실시예에 따른 실시예들에 따라 하나 이상의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 차량의 손상 영역을 검출하기 위한 방법이 개시된다. 상기 방법은, 차량 이미지를 입력으로 하는 사전학습된 특징 추출 모듈을 사용하여, 상기 차량 이미지에 대한 시맨틱 특징(semantic feature)을 추출하는 단계; 상기 시맨틱 특징을 입력으로 하는 사전학습된 제 1 세그멘테이션 모듈을 사용하여, 상기 차량 이미지 내에서의 손상 타입을 식별하는 단계; 상기 시맨틱 특징을 입력으로 하는 사전학습된 제 2 세그멘테이션 모듈을 사용하여, 상기 차량 이미지 내에서의 차량 부위를 식별하는 단계; 및 상기 손상 영역 및 상기 차량 부위에 적어도 부분적으로 기초하여, 상기 차량 이미지에 대한 손상 결과를 생성하는 단계를 포함할 수 있다.

Description

차량의 파손 영역을 검출하기 위한 방법{METHOD FOR DETECTING DAMAGE AREA OF VEHICLE}

본 개시는 인공지능 기술 분야에 관한 것으로, 보다 구체적으로 인공 지능 기술에 기반하여 차량의 파손 영역 및/또는 부품 정보를 제공하기 위한 기법에 관한 것이다.

차량 사고가 발생하는 경우 파손된 차량을 공업사로 이동시키고 공업사 내에서 차량을 실제로 확인하여 수리 견적을 제시하는 오프라인 방식이 일반적이다.

IT 기술의 발전으로, 차량에 대한 사진 및 사고 또는 사고부위에 대한 설명자료를 통해 수리 견적을 확인할 수 있게 하는 온라인 플랫폼이 생겨나고 있다. 이러한 온라인 플랫폼을 통해, 차량의 파손 혹은 손상이 발생하였을 때, 운전자들이 정비사들에게 컨택하여, 차량에 대한 사진을 전달하고 사고에 대한 내용을 설명하는 방식으로 수리 견적을 문의할 수 있다. 수리 견적을 문의하는 것에 응답하여, 정비사들은 차량 사진과 사고 설명 내용을 확인하고, 수리에 대한 견적 내용을 직접 작성하여 운전자에게 해당 견적 내용을 전달하는 방식으로 차량 수리에 대한 견적 확인 절차가 진행되어 왔다.

이처럼 온라인 플랫폼을 통해 수리에 대한 견적을 다소 편리하게 확인할 수 있게 되었다고 하더라도, 정비소의 차량 전문가의 주관적인 기준에 따라 파손 정도가 결정될 수 있으며, 이에 따라 비슷한 파손 정도임에도 불구하고 수리비 견적이 크게 상이해질 수 있는 경우가 종종 발생할 수 있다.

또한, 차량 사고에 대한 운전자의 설명과 사진자료를 전문가 별 주관적인 기준에 따라 판단하게 되면, 실제 차량이 입고되었을 때 실제 수리비용과 차이가 발생할 가능성이 있기 때문에, 이러한 상황은 운전자와 정비소의 전문가 모두에게 불편함을 야기시킬 수 있다.

더불어, 인공지능 기술의 발전과 함께 이미지 처리 기술이 활발히 연구 개발되고 있다. 이러한 이미지 처리 기술이 차량 이미지 분석에 접목될 수 있다는 기술 개발이 시도되고는 있으나, 이러한 기술 개발 내용들은 단순히 인공지능 기술이 차량 이미지 분석에 활용될 수 있다는 컨셉만을 제시하고 있다. 나아가, 기존의 인공지능 기반 차량 이미지 분석 기술들은 차량 이미지를 분석하는데 인공지능 기술을 효율적으로 활용 또는 접목시키고 있지 않기 때문에, 차량 이미지 분석에 대한 정확성이 떨어질 수 있다. 나아가, 기존의 인공지능 기반 차량 이미지 분석 기술들은 차량 이미지를 분석하는데 인공지능 기술이 효율적으로 활용 또는 접목되고 있지 않게 됨에 따라 컴퓨팅 리소스에 대한 불필요한 소모가 이루어질 수 있다.

한국 등록특허공보 제10-2097120호

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 컴퓨팅 리소스를 효율적으로 사용하는 방식으로 차량 부위별 손상을 식별하기 위함이다. 본 개시의 일 실시예는 컴퓨팅 리소스를 효율적으로 사용하는 방식으로 차량의 부품 정보를 제공하기 위함이다.

본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따라, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 차량의 손상을 검출하기 위한 방법이 개시된다. 상기 방법은, 차량 이미지를 입력으로 하는 사전학습된 특징 추출 모듈을 사용하여, 상기 차량 이미지에 대한 시맨틱 특징(semantic feature)을 추출하는 단계; 상기 시맨틱 특징을 입력으로 하는 사전학습된 제 1 세그멘테이션 모듈을 사용하여, 상기 차량 이미지 내에서의 손상 타입을 식별하는 단계; 상기 시맨틱 특징을 입력으로 하는 사전학습된 제 2 세그멘테이션 모듈을 사용하여, 상기 차량 이미지 내에서의 차량 부위를 식별하는 단계; 및 상기 손상 타입 및 상기 차량 부위에 적어도 부분적으로 기초하여, 상기 차량 이미지에 대한 손상 결과를 생성하는 단계를 포함할 수 있다.

본 개시의 일 실시예에 따라, 상기 특징 추출 모듈은, 상기 제 1 세그멘테이션 모듈 및 상기 제 2 세그멘테이션 모듈과 함께 학습되는 공통 학습 과정이 수행되기 이전에, 자기지도 학습(self-supervised learning) 방식에 기초하여 독립적으로 사전학습될 수 있다.

일 실시예에서, 상기 특징 추출 모듈의 사전학습은 디코더 모듈과 함께 수행될 수 있다. 상기 특징 추출 모듈은 제 1 원본 차량 이미지의 일부분이 마스킹된 학습용 차량 이미지로부터 제 1 시맨틱 특징을 생성할 수 있다. 상기 디코더 모듈은 상기 제 1 시맨틱 특징으로부터 상기 제 1 원본 차량 이미지와 대응되는 제 2 원본 차량 이미지를 복원할 수 있다. 상기 제 1 원본 차량 이미지와 상기 제 2 원본 차량 이미지 간의 손실 함수에 기초하여 상기 사전학습이 수행될 수 있다.

일 실시예에서, 상기 제 1 세그멘테이션 모듈은, 상기 차량 이미지에서 손상 타입을 나타내는 손상 타입 클래스에 대한 제 1 정량적인 정보를 출력할 수 있다.

일 실시예에서, 제 1 세그멘테이션 모듈은, 상기 차량 이미지 내의 픽셀 단위로, 제 1 손상 타입 클래스의 제 1 확률값 및 제 2 손상 타입 클래스의 제 2 확률값을 출력하는 멀티 레이블(multi label) 기반의 시맨틱 세그멘테이션을 수행할 수 있다.

일 실시예에서, 상기 방법은 상기 시맨틱 특징을 입력으로 하는 사전학습된 차량 인식 모듈을 사용하여, 상기 차량 이미지 내에서의 대표 차량을 결정하는 단계를 더 포함할 수 있다. 여기서 제 1 세그멘테이션 모듈은 상기 시맨틱 특징 및 상기 결정된 대표 차량의 정보를 입력으로 하고, 그리고 제 2 세그멘테이션 모듈은 상기 시맨틱 특징 및 상기 결정된 대표 차량의 정보를 입력으로 할 수 있다.

일 실시예에서, 차량 이미지 내에서의 대표 차량을 결정하는 단계는, 상기 차량 이미지 내에서 사전결정된 임계 면적 미만의 차량을 필터링함으로써 상기 차량 이미지 내에서의 상기 대표 차량을 결정하는 단계를 포함할 수 있다.

일 실시예에서, 차량 이미지 내에서의 대표 차량을 결정하는 단계는: 상기 차량 인식 모듈에 의해 인식된 차량이 없는 경우, 재촬영 시도를 결정하는 단계; 및 상기 차량 인식 모듈에 의해 인식된 차량이 2대 이상인 경우, 상기 차량 이미지에 존재하는 차량들 각각의 경계면을 포함하는 바운딩 박스를 생성함으로써 사용자의 수동 선택을 유도하거나, 또는 상기 차량들 중 상기 차량 이미지 내에서 차지하는 면적이 가장 큰 차량을 대표 차량으로 자동적으로 결정하는 단계를 포함할 수 있다.

일 실시예에서, 상기 제 2 세그멘테이션 모듈은, 상기 차량 이미지 내에 존재하는 차량 부위에 대한 좌표 정보, 상기 차량 이미지 내에 존재하는 차량 경계면에 대한 좌표 정보, 및 상기 차량 이미지에서 차량 부위가 무엇인지를 나타내는 차량 부위 클래스에 대한 제 2 정량적인 정보를 출력할 수 있다.

상기 제 2 세그멘테이션 모듈은, 상기 특징 추출 모듈의 중간 레이어 및 마지막 레이어로부터 출력된 이미지 피처 맵을 포함하는 상기 시맨틱 특징을 입력으로 하여 인스턴스 세그멘테이션을 수행함으로써, 하나 이상의 차량 부위 인스턴스를 식별할 수 있다.

일 실시예에서, 상기 손상 타입 및 상기 차량 부위에 적어도 부분적으로 기초하여, 상기 차량 이미지에 대한 손상 결과를 생성하는 단계는, 후처리 모듈을 사용하여, 사전결정된 차량 부위별 우선순위 값을 상기 제 2 세그멘테이션 모듈의 출력인 차량 부위별 세그멘테이션 맵에 적용함으로써, 우선순위 값이 포함된 차량 부위들을 포함하는 차량 투영 이미지를 생성하는 단계; 및 상기 후처리 모듈을 사용하여, 상기 제 1 세그멘테이션 모듈의 출력인 차량 손상별 세그멘테이션 맵을 상기 차량 투영 이미지와 합침으로써, 차량 손상 세그멘테이션이 적용된 차량 투영 이미지를 포함하는 상기 손상 결과를 생성하는 단계를 포함할 수 있다.

상기 후처리 모듈은, 상기 차량 부위별 세그먼테이션 맵에 대응하는 차량 부위별 행렬에 상기 차량 부위별 우선순위 값을 곱함으로써 상기 차량 부위별 중간값을 생성하고, 그리고 상기 차량 부위별 우선순위 값의 크기에 따른 순서대로 상기 차량 부위별 중간값에 영행렬을 포함하는 배경 행렬을 더하는 방식으로, 차량 부위별 고유 스코어를 가지는 상기 차량 투영 이미지를 생성할 수 있다.

일 실시예에서, 후처리 모듈은, 상기 차량 손상별 세그멘테이션 맵에 대응하는 차량 손상별 행렬에 상기 차량 투영 이미지의 차량 부위별 고유 스코어를 합산하는 방식으로, 복수의 차량 부위들에 걸친 차량 손상을 식별할 수 있다.

일 실시예에서, 컴퓨터 판독가능 저장 매체에 저장되는 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에 의해 실행되는 경우 차량의 손상을 검출하기 위한 방법을 수행할 수 있다. 상기 방법은, 차량 이미지를 입력으로 하는 사전학습된 특징 추출 모듈을 사용하여, 상기 차량 이미지에 대한 시맨틱 특징을 추출하는 단계; 상기 시맨틱 특징을 입력으로 하는 사전학습된 제 1 세그멘테이션 모듈을 사용하여, 상기 차량 이미지 내에서의 손상 타입을 식별하는 단계; 상기 시맨틱 특징을 입력으로 하는 사전학습된 제 2 세그멘테이션 모듈을 사용하여, 상기 차량 이미지 내에서의 차량 부위를 식별하는 단계; 및 상기 손상 타입 및 상기 차량 부위에 적어도 부분적으로 기초하여, 상기 차량 이미지에 대한 손상 결과를 생성하는 단계를 포함할 수 있다.

일 실시예에서, 차량의 손상을 검출하기 위한 컴퓨팅 장치로서, 상기 컴퓨팅 장치는: 하나 이상의 프로세서를 포함하며, 상기 프로세서는: 차량 이미지를 입력으로 하는 사전학습된 특징 추출 모듈을 사용하여, 상기 차량 이미지에 대한 시맨틱 특징을 추출하고, 상기 시맨틱 특징을 입력으로 하는 사전학습된 제 1 세그멘테이션 모듈을 사용하여, 상기 차량 이미지 내에서의 손상 타입을 식별하고, 상기 시맨틱 특징을 입력으로 하는 사전학습된 제 2 세그멘테이션 모듈을 사용하여, 상기 차량 이미지 내에서의 차량 부위를 식별하고, 그리고 상기 손상 타입 및 상기 차량 부위에 적어도 부분적으로 기초하여, 상기 차량 이미지에 대한 손상 결과를 생성할 수 있다.

본 개시의 몇몇 실시예에 따른 기법은 컴퓨팅 리소스를 효율적으로 사용하는 방식으로 차량 부위별 손상을 식별할 수 있다. 본 개시의 몇몇 실시예에 따른 기법은 본 개시의 일 실시예는 컴퓨팅 리소스를 효율적으로 사용하는 방식으로 차량의 부품 정보를 제공할 수 있다.

본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치의 블록도를 예시적으로 나타낸다.
도 2는 본 개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 몇몇 실시예에 따른 차량의 손상 영역을 검출하기 위한 방법을 예시적으로 도시한다.
도 4는 본 개시의 몇몇 실시예에 따른 차량의 손상 영역을 검출하기 위한 방법을 예시적으로 도시한다.
도 5는 본 개시내용의 몇몇 실시예에 따른 차량 인식 모듈을 개략적으로 도시한다.
도 6은 본 개시내용의 몇몇 실시예에 따른 후처리 모듈을 개략적으로 도시한다.
도 7은 본 개시내용의 몇몇 실시예에 따른 차량의 손상 영역을 검출하기 위한 모듈들의 동작 관계를 도시한다.
도 8은 본 개시내용의 몇몇 실시예에 따른 인식 차량 개수에 따른 동작을 예시적으로 도시한다.
도 9는 본 개시의 일 실시예에 따른 차량 부위별 우선순위를 예시적으로 나타낸다.
도 10은 본 개시의 일 실시예에 따른 차량의 부품 정보를 제공하기 위한 예시적인 방법을 도시한다.
도 11은 본 개시의 일 실시예에 따른 차량의 부품 정보를 제공하기 위한 모듈들의 동작들을 예시적으로 도시한다.
도 12는 본 개시의 일 실시예에 따른 차량 인식 모듈을 예시적으로 도시한다.
도 13은 본 개시의 일 실시예에 따른 차량 정보 추출 모듈을 예시적으로 도시한다.
도 14는 본 개시의 일 실시예에 따른 부품 정보 획득 모듈을 예시적으로 도시한다.
도 15는 본 개시의 일 실시예에 따라 차량 부위 인식 모듈에 의해 생성되는 차량의 부위 별 정보를 예시적으로 도시한다.
도 16은 본 개시의 일 실시예에 따라 생성되는 차량 부품 정보를 예시적으로 도시한다.
도 17은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치의 블록도를 예시적으로 나타낸다. 예를 들어, 본 개시내용에서 기술되는 차량의 손상을 검출하기 위한 기법 및/또는 차량의 부품 정보를 제공하기 위한 기법은 도 1에서 도시되는 컴퓨팅 장치(100)에 의해 수행될 수 있다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다. 본 개시내용에서의 컴퓨팅 장치(100)는 프로세싱 능력을 가지고 있는 임의의 형태의 디바이스를 의미할 수 있다. 일례로, 컴퓨팅 장치(100)는 서버일 수 있다. 다른 예시로, 컴퓨팅 장치(100)는 사용자 단말일 수 있다. 이러한 예시들에 따라, 본 개시내용에서 기술되는 차량의 손상을 검출하기 위한 기법 및/또는 차량의 부품 정보를 제공하기 위한 기법은, 컴퓨팅 장치(100)에 의해 포괄되는 서버 및/또는 사용자 단말에 의해 수행될 수 있다.

컴퓨팅 장치(100)는 예를 들어, 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 또는 디바이스 제어기 등과 같은 임의의 타입의 컴퓨터 시스템 또는 컴퓨터 디바이스를 포함할 수 있다. 이러한 컴퓨팅 장치(100)는 임의의 형태의 서버 및/또는 사용자 단말을 포함할 수 있다. 예를 들어, 사용자 단말은 사용자가 소유하고 있는 PC(personal computer), 노트북(note book), 모바일 단말기(mobile terminal), 스마트 폰(smart phone), 태블릿 PC(tablet pc) 등을 포함할 수 있으며, 유/무선 네트워크에 접속할 수 있는 모든 종류의 단말을 포함할 수 있다.

컴퓨팅 장치(100)는 프로세서(110), 저장부(120), 통신부(130)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 처리, 데이터 분석 및/또는 딥러닝을 위한 임의의 형태의 프로세서를 포함할 수 있다. 프로세서(110)는 저장부(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 차량 이미지에서의 부위별 손상을 식별 및 평가하기 위한 방법을 수행할 수 있다. 프로세서(110)는 저장부(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 손상된 차량의 부품 정보를 제공하기 위한 방법을 수행할 수 있다. 추가적인 실시예에서, 프로세서(110)는 저장부(120)에 저장된 컴퓨터 프로그램을 판독하여, 차량 이미지에서의 부위별 손상을 식별하고 부위별 손상에 대응되는 부품 정보(예컨대, 부품 별 가격정보)를 제공하기 위한 방법을 수행할 수 있다.

본 개시의 일 실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 머신러닝 또는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리(예컨대, 입력 데이터에 대한 노이즈 제거 등의 전처리), 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 저장부(120)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 통신부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다. 본 개시내용에서 저장부(120)는 메모리와 상호 교환 가능하게 사용될 수 있다. 예를 들어, 저장부(120)는 제 1 세그멘테이션 모듈, 제 2 세그멘테이션 모듈, 특징 추출 모듈, 디코더 모듈, 및/또는 후처리 모듈을 저장할 수 있다. 예를 들어, 저장부(120)는 차량 인식 모듈, 차량 부위 인식 모듈, 손상 타입 식별 모듈, 후처리 모듈 및 /또는 특징 추출 모듈을 저장할 수 있다. 예를 들어, 저장부(120)는 차량 인식 모듈, 차량 부위 인식 모듈, 차량 정보 추출 모듈, 부품 정보 획득 모듈, 및/또는 부품 정보 생성 모듈을 저장할 수 있다.

본 개시의 일 실시예에 따르면, 저장부(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 저장부(120)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 저장부(120)에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 통신부(130)는 임의의 형태의 데이터 및 신호 등을 송수신할 수 있는 임의의 유무선 통신 네트워크를 사용할 수 있다. 본 개시의 일 실시예에 따른 통신부(130)는 이러한 네트워크를 통해 임의의 형태의 다른 컴퓨팅 장치(예컨대, 사용자 단말)와 통신할 수 있다.

본 개시의 일 실시예에 따른 사용자 단말은 사용자가 소유하고 있는 PC(personal computer), 노트북(note book), 모바일 단말기(mobile terminal), 스마트 폰(smart phone), 태블릿 PC(tablet pc) 등을 포함할 수 있으며, 유/무선 네트워크에 접속할 수 있는 모든 종류의 단말을 포함할 수 있다.

도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 인공지능 기반 모델, 인공지능 모델, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network), 또는 사전학습된 모듈은 서로 대응되는 의미로 사용될 수 있다. 일례로, 본 개시내용에서의 세그멘테이션 모듈, 특징 추출 모듈, 차량 인식 모듈, 차량 부위 인식 모듈, 후처리 모듈 및/또는 손상 타입 식별 모듈은 전술한 인공지능 모델의 범주에 포함될 수 있다. 추가적인 예시에서, 본 개시내용에서의 차량 정보 추출 모듈, 부품 정보 획득 모듈 및/또는 부품 정보 생성 모듈 또한 전술한 인공지능 모델의 범주에 포함될 수도 있다.

본 명세서에서, 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음성의 텍스트 데이터, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 추가적인 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어 있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

일례로, 본 개시내용에서 원본 차량 이미지의 일부분이 마스킹된 학습용 차량 이미지로부터 변환된(또는 복원된) 차량 이미지를 생성하고 그리고 상기 생성된 차량 이미지와 원본 차량 이미지 간의 차이가 최소화될 수 있도록 손실 함수가 업데이트될 수 있다. 위와 같은 방식으로 특징 추출 모듈이 사전학습될 수 있다. 다른 예시로, 본 개시내용에서의 세그멘테이션 모듈들은 출력되는 값과 정답값(라벨링된 값) 간의 차이가 최소화될 수 있도록 손실 함수가 업데이트될 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

본 개시의 일 실시예에 따른 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.

데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.

데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.

비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.

데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 예를 들어, 데이터 구조는 원-핫 인코딩 결과 획득되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 모듈들 및/또는 모델들 중 적어도 일부는 트랜스포머(transformer)에 기반하여 동작할 수 있다. 예를 들어, 제 1 세그멘테이션 모듈(예컨대, 손상 타입을 식별하기 위한 모듈) 및 제 2 세그멘테이션 모듈(예컨대, 차량 부위를 식별하기 위한 모듈)은 이미지로부터 시맨틱 특징을 추출하기 위해서 트랜스포머 기반의 특징 추출 모듈을 활용할 수 있다. 예를 들어, 차량 인식 모듈 및/또는 차량 부위 인식 모듈은 촬영 이미지에 대한 시맨틱 특징을 생성하는 특징 추출 모듈을 활용할 수 있으며, 이러한 특징 추출 모듈은 트랜스포머를 포함할 수 있다.

트랜스포머는 임베딩된 데이터들을 인코딩하는 인코더 및 인코딩된 데이터들을 디코딩하는 디코더로 구성될 수 있다. 트랜스포머는 일련의 데이터(a series of data)들을 수신하여, 인코딩 및 디코딩 단계를 거처 상이한 타입의 일련의 데이터들을 출력하는 구조를 지닐 수 있다. 일 실시예에서, 일련의 데이터들은 트랜스포머가 연산가능한 형태로 가공될 수 있다. 일련의 데이터들을 트랜스포머가 연산가능한 형태로 가공하는 과정은 임베딩 과정을 포함할 수 있다. 데이터 토큰, 임베딩 벡터, 임베딩 토큰등과 같은 표현들은, 트랜스포머가 처리할 수 있는 형태로 임베딩된 데이터들을 지칭하는 것일 수 있다.

트랜스포머가 일련의 데이터들을 인코딩 및 디코딩하기 위하여, 트랜스포머 내의 인코더 및 디코더들을 어텐션(attention) 알고리즘을 활용하여 처리할 수 있다. 어텐션 알고리즘이란 주어진 쿼리(Query)에 대해, 하나 이상의 키(Key)에 대한 유사도를 구하고, 이렇게 주어진 유사도를, 각각의 키(Key)와 대응하는 값(Value)에 반영한 후, 유사도가 반영된 값(Value)들을 가중합하여 어텐션(attention) 값을 계산하는 알고리즘을 의미할 수 있다.

쿼리(Query), 키(Key) 및 값(Value)를 어떻게 설정하느냐에 따라, 다양한 종류의 어텐션 알고리즘이 분류될 수 있다. 예를 들어, 쿼리, 키 및 값을 모두 동일하게 설정하여 어텐션을 구하는 경우, 이는 셀프-어텐션 알고리즘을 의미할 수 있다. 입력된 일련의 데이터들을 병렬로 처리하기 위해, 임베딩 벡터를 차원을 축소하여, 각 분할된 임베딩 벡터에 대해 개별적인 어텐션 헤드를 구하여 어텐션을 구하는 경우, 이는 멀티-헤드(multi-head) 어텐션 알고리즘을 의미할 수 있다.

일 실시예에서, 트랜스포머는 복수의 멀티-헤드 셀프 어텐션 알고리즘 또는 멀티-헤드 인코더-디코더 알고리즘을 수행하는 모듈들로 구성될 수 있다. 일 실시예에서, 트랜스포머는 임베딩 레이어, 정규화 레이어, 소프트맥스(softmax) 레이어 등 어텐션 알고리즘이 아닌 부가적인 구성요소들 또한 포함할 수 있다. 어텐션 알고리즘을 이용하여 트랜스포머를 구성하는 방법은 Vaswani et al., Attention Is All You Need, 2017 NIPS에 개시된 방법을 포함할 수 있으며, 이는 본 명세서에 참조로 통합된다.

트랜스포머는 임베딩된 자연어, 분할된 이미지 데이터, 오디오 파형 등 다양한 데이터 도메인에 적용하여, 일련의 입력 데이터를 일련의 출력 데이터로 변환할 수 있다. 다양한 데이터 도메인을 가진 데이터들을 트랜스포머에 입력가능한 일련의 데이터들로 변환하기 위해, 트랜스포머는 데이터들을 임베딩할 수 있다. 트랜스포머는 일련의 입력 데이터 사이의 상대적 위치관계 또는 위상관계를 표현하는 추가적인 데이터를 처리할 수 있다. 또는 일련의 입력 데이터에 입력 데이터들 사이의 상대적인 위치관계 또는 위상관계를 표현하는 벡터들이 추가적으로 반영되어 일련의 입력 데이터가 임베딩될 수 있다. 일 예에서, 일련의 입력 데이터 사이의 상대적 위치관계는, 자연어 문장 내에서의 어순, 각각의 분할된 이미지의 상대적 위치 관계, 분할된 오디오 파형의 시간 순서 등을 포함할 수 있으나, 이에 제한되지 않는다. 일련의 입력 데이터들 사이의 상대적인 위치관계 또는 위상관계를 표현하는 정보를 추가하는 과정은 위치 인코딩(positional encoding)으로 지칭될 수 있다.

도 3은 본 개시의 몇몇 실시예에 따른 차량의 손상 영역을 검출하기 위한 방법을 예시적으로 도시한다.

도 3의 방법은 예를 들어, 본 개시내용의 컴퓨팅 장치(100)에 의해 수행될 수 있다. 도 3에서 예시되는 단계들에 대한 순서는 설명의 편의를 위해 예시적으로 표현되며, 일례로 단계 320과 단계 330은 서로 병렬적으로 수행될 수 있다.

컴퓨팅 장치(100)는 차량 이미지를 입력으로 하는 사전학습된 특징 추출 모듈을 사용하여, 상기 차량 이미지에 대한 시맨틱 특징(semantic feature)을 추출할 수 있다(310).

본 개시의 일 실시예에서, 차량 이미지는 차량의 적어도 일부분을 포함하는 임의의 형태의 이미지를 의미할 수 있다. 일례로, 차량 이미지는 차량 전체의 외관을 포함하는 2차원 또는 3차원 이미지를 포함할 수 있다. 다른 예시로, 차량 이미지는 차량의 일부분을 포함하는 2차원 또는 3차원 이미지를 포함할 수 있다.

차량의 부위를 식별하거나 또는 차량의 손상 타입을 인식하기 위한 다른 모듈들(예컨대, 제 1 세그멘테이션 모듈 및/또는 제 2 세그멘테이션 모듈)에 대한 학습의 효율성과 정확도를 높이기 위하여, 컴퓨팅 장치(100)는 입력되는 차량 이미지에 대한 의미론적인 특징(시맨틱 특징)을 추출할 수 있다. 시맨틱 특징은 입력되는 이미지에 대한 특징을 표현하는 임의의 형태의 데이터를 의미할 수 있다. 일례로, 시맨틱 특징은 입력되는 이미지에 대응되는 특징맵(feature map)을 의미할 수 있다.

본 개시의 일 실시예에서, 특징 추출 모듈은 자기지도 학습(self-supervised learning) 과정에 의해 학습될 수 있는 인공지능 기반 모델을 의미할 수 있다. 전술한 바와 같이, 특징 추출 모듈은 입력되는 차량 이미지로부터 상기 입력된 차량 이미지의 특징을 표현하기 위한 벡터 등을 출력하는 모듈이다. 이러한 특징 추출 모듈은 일례로 CNN(Convolution Neural Network)을 포함할 수 있으며, 이러한 예시에서 특징 추출 모듈에 의해 특징 맵이 출력될 수 있다. 특징 추출 모듈은 차량의 부위를 식별하거나 또는 차량의 손상 타입을 인식하기 위한 다른 모듈들(예컨대, 제 1 세그멘테이션 모듈 및/또는 제 2 세그멘테이션 모듈)과 함께 학습되는 공통 학습 과정이 수행될 수 있다. 상기 특징 추출 모듈은 이러한 공통 학습 과정수행되기 이전에, 전술한 자기지도 학습방식에 기초하여 독립적으로 사전학습될 수 있다.

컴퓨팅 장치(100)는 시맨틱 특징을 입력으로 하는 사전학습된 제 1 세그멘테이션 모듈을 사용하여 차량 이미지 내에서의 손상 타입을 식별하고(320) 그리고 상기 시맨틱 특징을 입력으로 하는 사전학습된 제 2 세그멘테이션 모듈을 사용하여 차량 이미지 내에서의 차량 부위를 식별할 수 있다(330).

일 실시예에서, 단계 320과 단계 330은 서로 순차적으로 수행될 수 있다. 예를 들어, 단계 320이 먼저 수행되고 단계 330이 후속적으로 수행되거나 혹은 그 반대의 경우 또한 가능하다. 다른 실시예에서, 단계 320과 단계 330은 병렬적으로 혹은 독립적으로 수행될 수 있다.

본 개시의 일 실시예에서, 제 1 세그멘테이션 모듈은 차량 이미지 내에서의 손상 또는 파손 타입(형태)를 식별할 수 있다. 일 실시예에서 제 2 세그멘테이션 모듈은 차량 이미지 내에서 차량 부위를 인식 또는 식별할 수 있다. 본 개시의 일 실시예에서, 제 1 세그멘테이션 모듈과 제 2 세그멘테이션 모듈 각각에 대해 별도의 이미지 특징 추출 모듈을 학습시키는 방식이 아닌, 제 1 세그멘테이션 모듈과 제 2 세그멘테이션 모듈에 공통적으로 활용되는 특징 추출 모듈이 활용될 수 있다. 일 실시예에서, 제 1 세그멘테이션 모듈과 제 2 세그멘테이션 모듈은 특징 추출 모듈에 의해 생성된 출력을 입력으로 사용할 수 있다. 추가적인 실시예에서, 특징 추출 모듈의 마지막 레이어의 출력 뿐만 아니라 중간 레이어의 출력 또한 제 1 세그멘테이션 모듈과 제 2 세그멘테이션 모듈로 전달될 수 있다.

일 실시예에서, 제 1 세그멘테이션 모듈은, 상기 차량 이미지에서 손상 타입을 나타내는 손상 타입 클래스에 대한 제 1 정량적인 정보를 출력할 수 있다. 예를 들어, 차량 이미지에서 어떠한 형태의 손상이 발생했는지를 나타내는 복수의 손상 타입 클래스들이 존재할 수 있다. 제 1 세그멘테이션 모듈은 복수의 손상 타입 클래스들 각각에 대해서 또는 복수의 손상 타입 클래스들 중 일부의 클래스에 대해서, 해당 클래스에 대응될 가능성을 나타내는 정량적인 정보를 출력할 수 있다.

일 실시예에서, 제 1 세그멘테이션 모듈은 차량 이미지 내의 픽셀 단위로, 제 1 손상 타입 클래스의 제 1 확률값 및 제 2 손상 타입 클래스의 제 2 확률값을 출력하는 멀티 레이블(multi label) 기반의 시맨틱 세그멘테이션을 수행할 수 있다. 제 1 세그멘테이션 모듈은 차량 손상별 세그멘테이션 맵을 출력할 수 있다.

일례로, 제 1 세그멘테이션 모듈은 차량 이미지에 대해서 “도장 벗겨짐”, “깨짐”, “찌그러짐”, 및/또는 “긁힘” 등과 같이 손상의 종류를 나타내는 클래스들에 대한 스코어를 출력할 수 있다. 다른 예시로, 제 1 세그멘테이션 모듈은 차량 이미지에 대해서 “앞범퍼 찌그러짐”에 대응되는 클래스, “앞범퍼 도장 벗겨짐”에 대응되는 클래스, “앞조수석 휀다 깨짐”에 대응되는 클래스 등과 같이 특정 차량의 부위와 손상의 타입이 매칭된 클래스들 각각에 대한 정량적인 정보를 출력할 수도 있다.

본 개시의 일 실시예에서, 제 2 세그멘테이션 모듈은, 차량 이미지에 포함된 차량의 부위 또는 부품을 식별하기 위한 정보를 출력할 수 있다. 예를 들어, 제 2 세그멘테이션 모듈은, 차량 이미지 내에 존재하는 차량 부위에 대한 좌표 정보, 차량 이미지 내에 존재하는 차량 경계면에 대한 좌표 정보, 및/또는 차량 이미지에서 차량 부위가 무엇인지를 나타내는 차량 부위 클래스에 대한 정량적인 정보를 출력할 수 있다. 상기 제 2 세그멘테이션 모듈은, 상기 특징 추출 모듈의 중간 레이어 및/또는 마지막 레이어로부터 출력된 이미지 피처 맵을 포함하는 시맨틱 특징을 입력으로 하여 인스턴스(instance) 세그멘테이션을 수행함으로써, 하나 이상의 차량 부위 인스턴스를 식별할 수 있다. 일례로, 제 2 세그멘테이션 모듈은, 차량 이미지에 대해서, 앞도어, 뒤도어, 본네트, 트렁크, 헤드라이트, 사이드미러, 트렁크 측에 장착되는 테일램프, 쿼터패널 측에 장착되는 테일램프, 휠, 앞범퍼, 뒷범퍼, 앞휀더, 뒷휀더, 사이드스텝, 그릴, 및/또는 차량 전체 등을 포함하는 복수의 클래스들 중 적어도 하나의 클래스로 상기 차량 이미지에 대응되는 클래스를 결정할 수 있다. 즉, 제 2 세그멘테이션 모듈은 입력되는 차량 이미지에 대한 부위를 나누어 인식할 수 있다. 제 2 세그멘테이션 모듈은 차량의 각 부위별 인스턴스에 대한 확률을 나타내거나 또는 0과 1로 이루어진 이진행렬로 각 부위별 인스턴스에 대한 값을 나타낼 수 있다. 일례로, 제 2 세그멘테이션 모듈은 차량의 부위별 세그멘테이션 맵을 출력할 수 있다.

본 개시의 일 실시예에서, 컴퓨팅 장치(100)는 손상 타입 및 차량 부위에 적어도 부분적으로 기초하여, 차량 이미지에 대한 손상 결과를 생성할 수 있다(340).

일 실시예에서, 차량 이미지에 대한 손상 결과는 차량의 부위별 손상의 타입 및/또는 차량의 부위별 손상의 강도를 포함할 수 있다. 추가적인 실시예에서, 차량 이미지에 대한 손상 결과는 차량의 부위별 손상의 결과 발생되는 수리비 정보를 더 포함할 수 있다.

일 실시예에서, 컴퓨팅 장치(100)는 후처리 모듈을 사용하여, 사전결정된 차량 부위별 우선순위 값을 제 2 세그멘테이션 모듈의 출력인 차량 부위별 세그멘테이션 맵에 적용함으로써, 우선순위 값이 포함된 차량 부위들을 포함하는 차량 투영 이미지를 생성할 수 있다. 일례로, 앞휀더는 112로, 앞범퍼는 80으로, 헤드라이트는 160으로 그리고/또는 휠은 208로 우선순위 값이 사전에 할당될 수 있다. 후처리 모듈은 이러한 우선순위 값을 사용하여, 제 2 세그멘테이션 모듈의 출력 결과와 조합함으로써 차량의 부위별로 우선순위 값이 반영된 정량적인 값을 출력할 수 있다.

일 실시예에서, 컴퓨팅 장치(100)는 후처리 모듈을 사용하여, 제 1 세그멘테이션 모듈의 출력인 차량 손상별 세그멘테이션 맵을 상기 차량 투영 이미지와 합침으로써, 차량 손상 세그멘테이션이 적용된 차량 투영 이미지를 포함하는 손상 결과를 생성할 수 있다. 후처리 모듈은 제 2 세그멘테이션 모듈의 출력 결과와 우선순위 값을 이용하여 생성된 차량 투영 이미지와 제 1 세그멘테이션 모듈의 출력 결과를 결합함으로써 차량 투영 이미지 상에서 손상 부위 뿐만 아니라 손상 부위에 대한 강도 도는 타입을 출력할 수 있다.

전술한 바와 같이, 본 개시의 일 실시예에 따른 기법은, 차량 손상 인식을 위한 세그멘테이션 모듈과 차량 부위를 인식을 위한 세그멘테이션 모듈이 특징 추출 모듈을 공유하기 때문에, 동일한 수량의 학습 데이터셋을 사용하여 인공신경망을 학습하더라도 손상 인식과 부위 인식에 있어서 특징 추출 모듈을 공유하지 않는 경우에 비해 보다 높은 정확도를 가질 수 있다. 더불어, 본 개시의 일 실시예에 따른 기법은 차량 손상 인식을 위한 세그멘테이션 모델 및 차량 부위 인식을 위한 세그멘테이션 모듈 각각에 대응되는 서로 다른 2개의 특징 추출 모듈을 생성하지 않고, 단일 특징 추출 모듈을 공유하기 때문에, 학습 과정과 추론 과정에서 연산 장치에서 필요한 메모리 사용량이 대략 절반으로 줄어들 수 있을 뿐만 아니라 학습 과정 및 추론 과정에서의 연산량 또한 대략 절반으로 줄어들 수 있다는 기술적 효과가 달성될 수 있다. 전술한 기술적 효과에 따라 하드웨어 관점에서의 성능 향상이 도출될 수 있다.

도 4는 본 개시의 몇몇 실시예에 따른 차량의 손상 영역을 검출하기 위한 방법을 예시적으로 도시한다.

일 실시예에서, 도 4에서 도시되는 방법은 컴퓨팅 장치(100)에 의해 수행될 수 있다. 컴퓨팅 장치(100)는 특징 추출 모듈(420), 제 1 세그멘테이션 모듈(430), 제 2 세그멘테이션 모듈(440), 차량 인식 모듈(500) 및 후처리 모듈(600)을 포함할 수 있다.

차량 이미지(410)가 수신되는 경우, 특징 추출 모듈(420)은 차량 이미지(410)에 대한 시맨틱 특징을 추출할 수 있다.

일 실시예에서, 차량 부위 식별 모듈(제 2 세그멘테이션 모듈)과 차량 손상 타입을 인식하는 모듈(제 1 세그멘테이션 모듈)의 학습을 위해서 입력 이미지로부터 주요한 시맨틱 특징(semantic feature)가 선행적으로 추출되어야 할 필요가 있다. 이러한 시맨틱 특징을 추출하기 위하여 CNN(예를 들어, ResNet, RegNet, EfficientNet 등) 혹은 트랜스포머(예를 들어, ViT, Swin-Transformer, Deformable-Transformer 등) 기반의 특징 추출 모듈(420)이 활용될 수 있다.

본 개시내용의 일 실시예에서, 하나의 특징 추출 모듈을 구성하고 있으며, 이러한 하나의 특징 추출 모듈의 출력이 차량 부위 인식을 위한 제 2 세그멘테이션 모듈(440), 차량 파손 인식을 위한 제 1 세그멘테이션 모듈(430), 및 차량 인식 모듈(500)의 입력으로 활용될 수 있다.

일 실시예에서, 특징 추출 모듈(420)은, 차량 부위 인식을 위한 제 2 세그멘테이션 모듈(440)과 차량 파손 인식을 위한 제 1 세그멘테이션 모듈(430)에 의하여 단순히 추론(inference) 과정에서 공통적으로 활용되는 것이 아니라, 전체적인 아키텍쳐 내에서의 인공신경망 학습 과정에서도 전술한 모듈들과 함께 연결되어 학습될 수 있다.

본 개시내용의 특징 추출 모듈(420)은 제 1 세그멘테이션 모듈(430) 및 제 2 세그멘테이션 모듈(440) 함께 학습되는 학습 과정 이전에 별도로 분리되어 대량의 차량 이미지 데이터셋에 대하여 더 나은 차량 이미지의 특징 추출을 위해 단독으로 학습될 수 있다.

일 실시예에서, 이러한 특징 추출 모듈(420)의 사전 학습은 자기지도 학습 방식(Self-Supervised Learning)에 기초하여 수행될 수 있다. 예를 들어, 특징 추출 모듈(420)의 사전학습은 디코더 모듈과 함께 수행될 수 있다. 상기 특징 추출 모듈(420)은 제 1 원본 차량 이미지의 일부분이 마스킹된 학습용 차량 이미지로부터 제 1 시맨틱 특징을 생성하며, 상기 디코더 모듈은 상기 제 1 시맨틱 특징으로부터 상기 제 1 원본 차량 이미지와 대응되는 제 2 원본 차량 이미지를 복원하며, 그리고 상기 제 1 원본 차량 이미지와 상기 제 2 원본 차량 이미지 간의 손실 함수에 기초하여 상기 특징 추출 모듈(420)의 사전학습이 수행될 수 있다.

일 실시예에서, 사전 학습의 방법의 일례로 자기지도 학습 방식이 활용될 수 있다. 일례로, 본 개시의 일 실시예에 따른 자기지도 학습법은, 주어진 차량 이미지(410)를 n x m개의 직사각형 형태의 영역으로 분할할 수 있다. 여기서 n과 m 은 자연수를 의미할 수 있다. 각각의 분할된 영역을 패치라고 정의했을 때, 컴퓨팅 장치(100)는 전체 n x m개의 패치 중 X% 만큼의 패치 개수에 대해서 (예컨대 검은색으로 표시하여) 정보를 일부 제거한 뒤 이미지 특징 추출 모듈(420)에 입력한다. 여기서 X는 0보다큰 유리수를 의미할 수 있다. 자기지도 학습 방식은 Inverse CNN 인공신경망 혹은 Transformer 기반의 아키텍쳐로 구성된 디코더 모듈에 의해 패치가 마스킹된 이미지를 원본 이미지로 복원하는 손실 함수(Loss Function)에 기반하여 특징 추출 모듈(420)과 디코더 모듈을 함께 학습시킨다. 본 개시의 일 실시예에 따른 예시에서 n x m은 각각 14일 수 있으며 X는 75% 일 수 있으나 구현 양태에 따라 n, m 및 X의 값은 가변적으로 조정될 수 있다.

일 실시예에서, 제 2 세그멘테이션 모듈(440)은 차량 이미지(410) 내에 존재하는 차량 부위에 대한 좌표 정보, 상기 차량 이미지(410) 내에 존재하는 차량 경계면에 대한 좌표 정보, 및 상기 차량 이미지에서 차량 부위가 무엇인지를 나타내는 차량 부위 클래스에 대한 정량적인 정보를 출력할 수 있다. 또한, 제 2 세그멘테이션 모듈(440)은 특징 추출 모듈(420)의 중간 레이어 및/또는 마지막 레이어로부터 출력된 이미지 피처 맵을 포함하는 상기 시맨틱 특징을 입력으로 하여 인스턴스 세그멘테이션을 수행함으로써, 하나 이상의 차량 부위 인스턴스를 식별할 수 있다.

예를 들어, 차량 부위를 인식하기 위한 제 2 세그멘테이션 모듈(440)은 특징 추출 모듈(420)의 중간 레이어 및/또는 마지막 레이어로부터 출력된 정보(예컨대, 이미지 피쳐 맵)을 입력으로 하여, 차량 이미지(410) 내에 존재하는 차량 부위 및 차량 경계면의 좌표 정보와 차량 부위 혹은 차량 카테고리에 속할 할 확률을 출력하는 인스턴스 세그멘테이션(Instance Segmentation)을 수행할 수 있다. 이러한 제 2 세그멘테이션은 제한이 아닌 예시로 Mask R-CNN 및/또는 Cascade Mask R-CNN 모듈을 포함할 수 있다. 본 개시내용의 제 2 세그멘테이션 모듈(440)은 예를 들어, 앞도어, 뒤도어, 본네트, 트렁크, 헤드라이트, 사이드미러, 트렁크 측에 장착되는 테일램프, 쿼터패널 측에 장착되는 테일램프, 휠, 앞범퍼, 뒷범퍼, 앞휀더, 뒷휀더, 사이드스텝, 그릴 및 차량 전체로 차량 이미지(410)의 부위를 나누어 인식할 수 있다. 제 2 세그멘테이션 모듈(440)은 차량의 각 부위별 인스턴스에 대한 확률 세그멘테이션을 출력하거나 혹은 0 혹은 1로 이루어진 이진(binary) 형태의 행렬을 출력할 수 있다.

본 개시의 일 실시예에서, 제 2 세그멘테이션 모듈(440)은 차량 인식 모듈(500)의 출력에 추가적으로 기초하여 동작할 수 있다. 일례로, 제 2 세그멘테이션 모듈(440)은 시맨틱 특징 및 대표 차량의 정보를 입력으로 할 수 있다.

본 개시의 일 실시예에서, 컴퓨팅 장치(100)는 시맨틱 특징을 입력으로 하는 사전학습된 차량 인식 모듈(500)을 사용하여 차량 이미지(410) 내에서 대표 차량을 결정할 수 있다. 일 실시예에서, 차량 인식 모듈(500)은 차량 이미지(410) 내에서 사전결정된 임계 면적 미만의 차량을 필터링함으로써 상기 차량 이미지(410) 내에서의 대표 차량을 결정할 수 있다. 일례로, 차량 인식 모듈(500)은 인식된 차량이 없는 경우, 재촬영 시도를 결정할 수 있다. 차량 인식 모듈(500)은 인식된 차량이 2대 이상인 경우, 상기 차량 이미지(410)에 존재하는 차량들 각각의 경계면을 포함하는 바운딩 박스를 생성함으로써 사용자의 수동 선택을 유도하거나, 또는 상기 차량들 중 상기 차량 이미지(410) 내에서 차지하는 면적이 가장 큰 차량을 대표 차량으로 자동적으로 결정할 수 있다.

전술한 바와 같이, 차량 인식 모듈(500)은 차량 이미지(410) 내에서의 사용자가 의도하는 차량이 무엇인지를 인식 또는 선택하기 위한 모듈을 의미할 수 있다. 즉, 차량 인식 모듈(500)은 차량 이미지(410)에서 대표 차량을 결정할 수 있다. 차량 인식 모듈(500)은 차량 이미지(410) 및/또는 특징 추출 모듈(420)로부터 출력된 시맨틱 특징을 입력받아, 차량 이미지(410) 내에서의 차량을 선택할 수 있다. 차량 인식 모듈(500)의 출력(예컨대, 선택된 차량 이미지에 대한 정보 등)은 제 1 세그멘테이션 모듈(430) 및 제 2 세그멘테이션 모듈(440)로 입력되어, 제 1 세그멘테이션 모듈(430)과 제 2 세그멘테이션 모듈(440)의 동작의 정확성이 높아질 수 있다. 차량 인식 모듈(500)에 대한 구체적인 설명은 도 5에서 후술하기로 한다.

본 개시의 일 실시예에서, 차량 손상을 인식하기 위한 제 1 세그멘테이션 모듈(430)은 특징 추출 모듈(420)의 출력 및/또는 차량 인식 모듈(500)의 출력을 입력으로 받아, 차량 이미지(410) 내에서의 손상 타입을 출력할 수 있다. 예를 들어, 제 1 세그멘테이션 모듈(430)은 시맨틱 특징 및 대표 차량의 정보를 입력으로할 수 있다.

일 실시예에서, 예를 들어, 제 1 세그멘테이션 모듈(430)은 차량 인식 모듈(500)에서 단일 차량이 존재한다고 판별되었을 때 실행될 수 있다. 일 실시예에서, 제 1 세그멘테이션 모듈(430)은 상기 차량 이미지(410)에서 손상 타입을 나타내는 손상 타입 클래스에 대한 정량적인 정보를 출력할 수 있다. 예를 들어, 제 1 세그멘테이션 모듈(430)은 특징 추출 모듈(420)의 중간 및/또는 마지막 레이어로부터 출력된 정보(예컨대, 이미지 피쳐 맵)을 입력으로 하여 각 픽셀 별로 깨짐, 찌그러짐, 스크래치 및/또는 이격 여부가 존재하는지를 0~1 사이의 확률 값으로 출력하는 시맨틱 세그멘테이션 모듈이다.

일 실시예에서, 제 1 세그멘테이션 모듈(430)은 상기 차량 이미지(410) 내의 픽셀 단위로, 제 1 손상 타입 클래스의 제 1 확률값 및 제 2 손상 타입 클래스의 제 2 확률값을 출력하는 멀티 레이블(multi label) 기반의 시맨틱 세그멘테이션을 수행할 수 있다. 예를 들어, 제 1 세그멘테이션 모듈(430)은 최종 시맨틱 세그멘테이션 맵(Semantic Segmentation Map)의 각 픽셀에 대해서 상기 나열한 손상 유형 중 하나로 분류하는 것(multi-class)이 아닌 해당 픽셀에 발생한 각 손상 유형에 대한 확률 값을 모두 출력(multi-label)할 수 있다.

본 개시의 일 실시예에 따라서, 복수의 손상들을 감지하기 위해 개별적인 시맨틱 세그멘테이션 인공신경망들을 별도로 개발할 필요 없이 하나의 모듈(예컨대, 제 1 세그멘테이션 모듈(430)을 사용하여 복수의 손상들이 검출될 수 있다. 예를 들자면, 찌그러짐과 스크래치는 빈번하게 동시에 일어나는 손상이며 두가지 손상이 함께 발생한 픽셀의 출력 결과에서는 두 손상에 모두 확률값이 1에 가까운 값이 출력될 수 있다. 이때 각 픽셀에 대해서 상기 나열한 손상 유형별 확률 값을 출력하기 위해서 일반적으로는 손상 유형 개수만큼의 이진 시맨틱 세그멘테이션(Binary Semantic Segmentation) 모듈들을 별개로 학습시켜야 한다.

본 개시의 일 실시예에서는 제 1 세그멘테이션 모듈(430)이 손상 유형 별 발생 확률 값을 출력하는 마지막 레이어를 제외하고 그 앞단의 인공신경망 레이어까지를 공유하는 형태로 설계되기 때문에, 복수 개의 종류의 손상 유형별 확률 값을 예측하는데 있어 연산량과 지연시간, 그리고 학습 소요시간이 줄어든다는 기술적 효과가 도출될 수 있다. 일례로, 제 1 세그멘테이션 모듈(430)의 마지막 레이어에서는 [W x H x N]의 차원을 갖는 행렬이 출력되며, N 차원을 따라 생성되는 각각의 [W x H] 2차원 행렬에 대해 시그모이드(Sigmoid) 함수를 취하여 0 ~ 1 사이의 확률 값이 출력될 수 있다. 해당 값은 각 픽셀 별로 L1 혹은 L2 손실 함수(Loss Function)에 의해 정답 어노테이션 결과와 오차를 최소화하는 방향으로 학습 과정에서 모델의 가중치를 조정하는데 활용된다. 여기서 W: 가로 픽셀 수, H : 높이 픽셀 수, N : 손상 유형 종류 수를 의미할 수 있다. 제 1 세그멘테이션 모듈(430)에서 출력되는 Semantic Segmentation Map의 해상도 크기는 입력 이미지와 동일한 구조에 국한되지 않으며 운용 환경 상에서 제공되는 하드웨어의 연산 능력 혹은 지연 시간에 따라 더 작은 해상도 크기를 가질 수 있도록 구조가 변경될 수 있다.

본 개시의 일 실시예에서 후처리 모듈(600)은 제 1 세그멘테이션 모듈(430)의 출력 및/또는 제 2 세그멘테이션 모듈(440)의 출력에 적어도 부분적으로 기초하여 결과 정보(470)를 생성할 수 있다.

일 실시예에서, 후처리 모듈(600)은 사전결정된 차량 부위별 우선순위 값을 상기 제 2 세그멘테이션 모듈(440)의 출력인 차량 부위별 세그멘테이션 맵에 적용함으로써, 우선순위 값이 포함된 차량 부위들을 포함하는 차량 투영 이미지를 생성할 수 있다. 예를 들어, 후처리 모듈(600)은, 상기 차량 부위별 세그먼테이션 맵에 대응하는 차량 부위별 행렬에 상기 차량 부위별 우선순위 값을 곱함으로써 상기 차량 부위별 중간값을 생성하고, 그리고 상기 차량 부위별 우선순위 값의 크기에 따른 순서대로 상기 차량 부위별 중간값에 영행렬을 포함하는 배경 행렬을 더하는 방식으로, 차량 부위별 고유 스코어를 가지는 상기 차량 투영 이미지를 생성할 수 있다.

일 실시예에서, 후처리 모듈(600)은 상기 제 1 세그멘테이션 모듈(430)의 출력인 차량 손상별 세그멘테이션 맵을 상기 차량 투영 이미지와 합침으로써, 차량 손상 세그멘테이션이 적용된 차량 투영 이미지를 포함하는 결과 정보(470)를 생성할 수 있다. 예를 들어, 상기 후처리 모듈(600)은, 상기 차량 손상별 세그멘테이션 맵에 대응하는 차량 손상별 행렬에 상기 차량 투영 이미지의 차량 부위별 고유 스코어를 합산하는 방식으로, 복수의 차량 부위들에 걸친 차량 손상을 식별하는 결과 정보(470)를 생성할 수 있다. 후처리 모듈(600)에 대한 구체적인 설명은 도 6에서 후술하기로 한다.

도 5는 본 개시내용의 몇몇 실시예에 따른 차량 인식 모듈(500)을 개략적으로 도시한다.

도 5에서 도시되는 바와 같이, 차량 인식 모듈(500)은 차량 인스턴스 필터링 모듈(510) 및 차량 선택 모듈(520)을 포함할 수 있다.

일 실시예에서, 차량 인스턴스 필터링 모듈(510)은 차량 이미지(410) 내에서 사전결정된 임계 면적 미만의 차량을 필터링함으로써 차량 이미지(410) 내에서 대표 차량이 무엇인지를 결정할 수 있다. 일례로, 차량 인스턴스 필터링 모듈(510)은 특정한 임계 면적 미만의 차량을 차량 이미지(410) 내에서 제거하기 위한 동작을 수행할 수 있다. 차량 인스턴스 필터링 모듈(510)은 인식된 모든 차량들의 인스턴스에 대한 세그멘테이션 맵 상에서 예컨대 0.2의 임계값 보다 작은 면적을 차지하는 차량을 제거할 수 있다. 차량 인스턴스 필터링 모듈(510)은 임의의 방식의 이미지 처리 기술에 의해 차량의 크기를 비교하고 특정 크기 미만의 차량을 제거하도록 동작될 수 있다. 전술한 임계값과 관련하여, 실험적으로 0.2의 임계값 보다 작은 면적을 차지하는 차량들은 필터링 하는 것이 바람직했으며, 해당 값은 설명의 목적으로 기술된 실시 예시일 뿐이며 시스템의 운영 목적에 따라 가변적으로 조정될 수 있다.

본 개시의 추가 실시예에서, 차량 인스턴스 필터링 모듈(510)은 선택적으로 동작될 수 있다. 일례로, 차량 인스턴스 필터링 모듈(510)은 특정 면적 미만의 차량을 이미지에서 자동으로 제거할 수 있으나, 이는 사용자 선택에 따라 동작 여부가 결정될 수 있다. 구현 양태에 따라서, 차량 인식 모듈(500)은 복수개의 차량이 존재한다는 상황을 사용자에게 제공하고, 차량 인스턴스 필터링 모듈(510)의 동작은 사용자의 수동 선택에 의해 대체될 수도 있다.

일 실시예에서, 차량 인식 모듈(500)은 차량 선택 모듈(520)을 포함할 수 있다. 차량 선택 모듈(520)과 관련하여 도 8를 참조하기로 한다. 도 8은 본 개시내용의 몇몇 실시예에 따른 인식 차량 개수에 따른 동작을 예시적으로 도시한다. 도 8의 동작들은 컴퓨팅 장치(100)에 의해 수행될 수 있다. 예를 들어, 도 8의 동작들은 차량 선택 모듈(520)에 의해 수행될 수 있다.

차량 이미지(410) 내에 복수의 차량들이 존재할 때, 특정 차량에 상관 없이 모든 차량들에 대한 손상과 부위 인식을 수행한 결과가 출력될 수도 있다. 이 때문에 사용자가 자동차가 밀집되어 있는 공간(예를 들어, 주차장)에서 촬영된 이미지를 입력 이미지로 넣었을 때 사용자의 의도와 다른 차량의 인식 결과까지 사용자에게 전달될 소지가 있다. 또한, 차량 이미지(410)에 대한 별도의 필터부가 없는 상황에서는, 촬영된 사진 내에 차량이 존재하지 않을 때 차량과 관련된 결과가 출력될 수 있다. 이 때문에 사용자가 차량 외의 물체를 촬영하더라도 차량이 아닌 영역이 오인식될 소지가 있으며 차량 이미지(410) 내에 차량이 존재하지 않을 경우에는 단순히 인식 결과가 없는 것이 아닌 차량이 인식되지 않았으니 재촬영을 권유하는 알림을 전달하는 것이 바람직하다. 또한, 차량이 인식되었다고 하더라도 그 크기가 지나치게 작은 경우 차량 부위나 손상 인식 결과의 정확도 및 신뢰성이 현저히 줄어들 수 있기 때문에 정상적으로 촬영된 차량 이미지가 아닌 것으로 간주될 수 있다.

따라서, 본 개시내용에 일 실시예에 따른 차량 선택 모듈(520)은, 인식된 개별 차량들에 대하여 도 8에서 제시되는 알고리즘을 통해 복수의 차량들이 인식된 경우 또는 차량이 인식되지 않는 상황에서도 차량 부위별 파손을 인식하고 그리고/또는 차량의 부품 정보를 제공하기 위한 기법을 효율적으로 수행하도록 허용할 수 있다.

본 개시의 일 실시예에서, 차량 선택 모듈(520)은 시스템 운영자가 사전 설정한 방식에 따라 크게 2가지 모드로 작동할 수 있다. 일 실시예에서, 차량 인스턴스 필터링 모듈(510)로부터 걸러진 개별 차량 대수에 따라 시스템의 분기를 관장하는 차량 선택 모듈(520)이 고안될 수 있다.

본 개시의 일 실시예에서, 인식된 차량 대수가 0대일 경우(810a), 차량 이미지(410) 상에 차량이 존재하지 않는다고 가정하여 사용자 단말 측에 '인식된 차량이 없습니다. 재촬영을 해보시겠어요?' 라는 질의(820)를 생성할 수 있다. 만약, 사용자가 예(yes)를 선택한 경우, 사용자로부터 새로운 입력 이미지를 선택하게 하거나 혹은 재촬영을 하도록 할 수 있다(830). 재촬영된 이미지는 특징 추출 모듈(420)로 재입력될 수 있다. 만약, 사용자가 아니요(No)를 선택한 경우 본 개시의 일 실시예에 따른 동작이 종료될 수 있다(840).

본 개시의 일 실시예에서, 인식된 차량 대수가 1대인 경우(810b), 차량 선택 모듈(520)은 별다른 처리 없이 제 1 세그멘테이션 모듈(420) 및/또는 제 2 세그멘테이션 모듈(430)로 해당 정보를 전달할 수 있다.

본 개시의 추가적인 실시예에서, 인식된 차량 대수가 1대인 경우(810b), 차량 선택 모듈(520)은 별다른 처리 없이 후처리 모듈(600)로 제 1 세그멘테이션 모듈(420) 및/또는 제 2 세그멘테이션 모듈(430)의 결과를 전달할 수도 있다. 이러한 실시예에서는 제 1 세그멘테이션 모듈(420) 및/또는 제 2 세그멘테이션 모듈(430)의 출력값을 차량 인식 모듈(500)이 보유하고 있을 수 있다.

본 개시의 일 실시예에서, 인식된 차량 대수가 2대 이상일 경우(810c), 차량 선택 모듈(520)은 사용자로 하여금 수동 선택을 요청(850)하거나 혹은 대표 차량을 자동으로 선택(860)할 수 있다.

일 실시예에서, 수동 선택(850) 모드 상에서, 차량 선택 모듈(520)은 사용자 단말 측에 인식된 복수 개의 차량을 보여주고 인식을 원하는 단일 차량을 선택받도록 하기 위한 UI(User Interface)를 생성할 수 있다. 일 실시예에서, 상기 UI는 입력 이미지 위에 차량의 경계면 혹은 경계면을 포함하는 바운딩 박스(Bounding Box)를 중첩시킨(Overlay) UI 화면을 포함할 수 있다. 일 실시예에서, 상기 UI는 인식된 차량 경계면을 포함하는 바운딩 박스 별로 크롭(Crop)된 차량 이미지들의 목록을 표시하는 UI 화면을 포함할 수 있다. 예를 들어, 전술한 바운딩 박스는 차량의 경계면을 포함할 수 있는 최소 크기의 박스를 의미할 수 있다.

일 실시예에서, 차량 선택 모듈(520)은 차량 인스턴스 필터링 모듈(510)의 출력을 활용할 수 있다. 예를 들어, 대표 차량 자동 선택(860) 모드 상에서, 차량 선택 모듈(520)은 차량 인스턴스 필터링 모듈(510)의 출력 결과로부터 개별 차량 중 전체 이미지의 면적 중에서 가장 차지하는 비율이 큰 차량을 대표 차량으로 간주하여 자동으로 선택할 수 있다.

일 실시예에서, 수동 선택(850) 모드에서는 사용자에게 대표 차량 선택을 요청해야 되기 때문에 불필요한 사용자의 개입 및 인식의 지연시간이 발생할 수 있다. 따라서, 차량 선택 모듈(520)은 차량 인스턴스 필터링 모듈(510)의 출력 결과로부터 자동으로 대표 차량을 선택함으로써, 사용자의 개입 없이 차량 이미지(410) 내에서 분석의 대상이 되는 차량을 자동으로 결정할 수 있다.

본 개시의 추가적인 실시예에서, 차량 인스턴스 필터링 모듈(510)은 차량 선택 모듈(520)의 동작 결과를 입력받아 동작될 수도 있다. 예를 들어, 차량 인스턴스 필터링 모듈(510)은 차량 선택 모듈(520)로부터 선택된 대표 차량의 영역 이외의 영역에 존재하는 차량 부위 인스턴스를 자동으로 제거할 수 있다 예를 들어, 차량 인스턴스 필터링 모듈(510)은 각각의 차량 부위 인스턴스들에 대하여, 대표차량의 마스크 맵과 엘리먼트 단위로(element-wise) 곱하기 연산을 수행함으로써, 전체 면적 대비 교집합의 면적의 비율이 특정한 임계값 보다 낮은 값을 가지는 차량 부위 인스턴스를 제거할 수 있다. 이러한 연산은 행렬곱 연산 및 벡터 연산을 포함할 수 있어서, 병렬 연산이 가능한 연산 장치(예컨대, GPU, TPU, IPU 등)에 의해 구현되는 경우 지연 시간이 감소될 수 있다는 장점을 가질 수 있다.

도 6은 본 개시내용의 몇몇 실시예에 따른 후처리 모듈(600)을 개략적으로 도시한다.

본 개시내용의 일 실시예에서 후처리 모듈(600)은 차량 부위 투영 모듈(610), 부위별 손상 분할 모듈(620) 및 손상 경계면 추출 모듈(630)을 포함할 수 있다.

차량 부위 투영 모듈(610)은 대표 차량에 속하는 차량 부위만 추려진 차량 부위 인스턴스 정보를 입력으로 하여 예컨대 [W x H] 크기의 단일 행렬에 부위별 우선순위 값으로 행렬 값을 치환하는 모듈을 의미할 수 있다. 차량 부위 투영 모듈(610)은 제 2 세그멘테이션 모듈(440)의 출력인 차량 부위별 세그멘테이션 맵에 도 9에서 예시되는 차량 부위별 사전결정된 우선순위 값을 적용할 수 있다. 여기서 W와 H는 0보다큰 유리수를 의미할 수 있다.

차량 부위별 사전결정된 우선순위 값과 관련하여, 도 9를 참조하면, 차량의 부위 명칭(920) 단위로 사전결정된 우선순위 값(910)이 맵핑된 맵핑 테이블(900)이 예시적으로 기재된다. 차량 부위 투영 모듈(610)은 맵핑 테이블(900)을 참고하여, 차량 부위별 고유 스코어를 가지는 차량 투영 이미지를 생성할 수 있다.

차량 부위 투영 모듈(610)은 우선순위 값이 적용된 차량 부위들을 포함하는 차량 투영 이미지를 생성할 수 있다. 일례로, 차량 부위 투영 모듈(610)은 제 2 세그멘테이션 모듈(440)의 출력인 차량 부위별 세그먼테이션 맵에 대응하는 차량 부위별 행렬에 도 9에서 예시되는 차량 부위별 우선순위 값을 곱함으로써 차량 부위별 중간값을 생성하고, 그리고 상기 차량 부위별 우선순위 값의 크기에 따른 순서대로 상기 차량 부위별 중간값에 영행렬을 포함하는 배경 행렬을 더하는 방식으로, 차량 부위별 고유 스코어를 가지는 상기 차량 투영 이미지를 생성할 수 있다.

일례로, 차량 부위 투영 모듈(610)은 먼저 [W x H] 크기의 0 값으로 채워진 배경행렬(즉, 0 행렬)을 초기화시킨다. 다음으로 차량 부위 투영 모듈(610)은 0 혹은 1로 이루어져 있는 각 부위별 세그멘테이션 행렬에 부위별 우선순위 값을 곱한 뒤 배경 행렬에 더한다. 즉, 차량 부위 투영 모듈(610)은 제 2 세그멘테이션 모듈(440)로부터 획득된 차량의 부위별 세그멘테이션 행렬을 활용할 수 있다. 차량의 부위별 세그멘테이션 행렬은 차량의 특정 부위 별로 하나의 대응되는 행렬을 포함할 수 있으며, 복수의 부위들 각각에 대한 대응되는 행렬을 포함할 수 있다. 이러한 행렬 내에서 특정 부위에 대응되는 위치에서는 1에 대응되는 값이 존재하며 그렇지 않은 부분의 위치에서는 0에 대응되는 값이 존재할 수 있다. 차량 부위 투영 모듈(610)은 이러한 차량 부위별 행렬 각각에 대해서 우선순위 값을 곱한 값을 배경행렬과 합산할 수 있다. 이에 따라 차량 부위별 고유 스코어를 가지는 차량 투영 이미지가 생성될 수 있다.

일 실시예에서, 차량 부위 투영 모듈(610)은 사전 설정된 차량 부위 별로 투영 우선순위가 낮은 순으로 배경행렬과의 합산을 수행할 수도 있다. 이와 같이 배경 행렬에 대한 투영 우선순위가 지정되어 있지 않을 경우, 예를 들어 차량의 헤드라이트 영역이 앞 범퍼 영역보다 선행적으로 배경 행렬에 더해질 경우, 앞 범퍼 영역이 일반적으로 헤드라이트 영역을 포함하고 있으므로 헤드라이트 영역이 모두 앞 범퍼 영역으로 대체될 수 있다. 따라서, 본 개시의 일 실시예에 따른 차량 부위 투영 모듈(610)은 사전 설정된 차량 부위 별로 투영 우선순위가 낮은 순으로 예컨대 앞범퍼에 대해서 헤드라이트보다 먼저 배경행렬과의 합산을 수행할 수 있다.

보다 구체적으로는 도 9에서의 맵핑 테이블(900)에서 기재된 바와 같은 부위 별 우선 순위에서의 숫자가 낮을 수록 배경 행렬에 먼저 더해질 수 있다 도 9에서 제시되는 우선 순위 값은 예시일뿐이며 일반적으로 더 큰 영역을 가져서 다른 부위의 영역을 포함하는 경우 더 큰 영역을 가진 부위의 우선 순위가 더 낮아지는 조건을 만족하는 선에서 구현 양태에 따라 그 값이 변경될 수 있다.

본 개시의 일 실시예에서, 차량 부위별 고유 스코어를 가지는 차량 투영 이미지는 차량의 부위 별로 특정한 점수가 표시되는 차량 이미지를 의미할 수 있다.

본 개시내용의 일 실시예에 따라 부위별 손상 분할 모듈(620)이 개시된다. 이러한 부위별 손상 분할 모듈은 Damage Splitter의 기능을 수행할 수 있다. 광범위한 손상은 복수 개의 차량 부위들에 걸쳐서 발생할 수 있으며 차량 수리비 및 파손 예측을 위해서는 각각의 부위 별로 손상이 발생한 영역을 분리할 필요가 있다.

객체 감지(Object Detection) 방식으로 손상을 감지하는 경우에는, 손상을 포함하는 바운딩 박스의 형태로 결과가 출력될 것이고, 이러한 바운딩 박스는 손상 영역의 상하좌우 경계면 정보만 존재하기 때문에 복수 개의 차량 부위에 걸쳐서 손상이 발생할 경우 손상 바운딩 박스를 정확히 분할하는 것이 불가능하다는 한계를 지닐 수 있다.

본 개시내용의 일 실시예에서의 부위별 손상 분할 모듈(620)은 차량 부위 세그멘테이션 맵과 각 손상유형 별 세그멘테이션 정보를 엘리먼트 단위(element-wise)의 합산을 통해 분할할 수 있다. 부위별 손상 분할 모듈(620)은 제 1 세그멘테이션 모듈(430)의 출력인 손상유형 별 세그멘테이션 정보와 제 2 세그멘테이션 모듈(440)의 출력인 차량 부위 세그멘테이션 맵에 기초하여, 차량 부위에 대한 손상 영역을 구분지을 수 있다. 지원하는 손상 유형의 종류에 대응되는 개수 만큼 엘리먼트 단위의 행렬 합 연산이 필요할 수 있다. 일 실시예에서, 만약 4가지의 손상 유형이 지원되는 경우 4회의 행렬 합 연산을 수행하여 모든 차량 부위들에 대한 모든 차량 손상 영역을 구분 지을 수 있다.

본 개시의 추가적인 실시예에서, 부위별 손상 분할 모듈(620)은 제 1 세그멘테이션 모듈(430)의 출력인 손상유형 별 세그멘테이션 정보와 차량 부위 투영 모듈(610)의 출력인 차량 투영 이미지 간의 엘리먼트 단위의 합산을 수행함으로써, 각 손상 유형별로 차량 부위에 따라 분할된 손상 세그멘테이션 맵을 생성할 수 있다. 손상 유형의 개수만큼 차량 투영 이미지와 손상 유형별 세그멘테잉션 정보 간의 엘리먼트 단위의 행렬 합 연산이 이루어질 수 있다. 따라서, 제 1 세그멘테이션 모듈(430)의 출력인 손상유형 별 세그멘테이션 정보와 차량 부위 투영 모듈(610)의 출력인 차량 투영 이미지 간의 엘리먼트 단위의 합산을 통해 손상 영역에 대해서는 차량 투영 이미지 상에서 적용된 우선순위 값이 반영된 값에 예컨대 1과 같은 추가 값이 추가될 수 있다. 즉, 부위별 손상 분할 모듈(620)은 제 1 세그멘테이션 모듈(430)의 출력인 차량 손상별 세그멘테이션 맵에 대응하는 차량 손상별 행렬에 차량 부위 투영 모듈(610)의 출력인 차량 투영 이미지의 차량 부위별 고유 스코어를 합산하는 방식으로, 복수의 차량 부위들에 걸친 차량 손상을 식별할 수 있다. 예를 들어, 차량의 앞 도어는 도 9의 맵핑 테이블(900)에서 16의 우선순위 값을 가질 수 있다. 차량의 뒷 도어는 도 9의 맵핑 테이블(900)에서 32의 우선순위 값을 가질 수 있다. 차량의 앞 도어와 뒷 도어에 걸쳐 손상이 발생된 경우, 손상이 발생된 영역 중 앞도어에 포함된 영역은 17의 값을 가지고 손상이 발생된 영역 중 뒷도어에 포함된 영역은 33의 값을 가질 수 있다.

전술한 바와 같이, 부위별 손상 분할 모듈(620)을 통해서 각 손상 유형별로 차량 부위에 따라 분할된 손상 세그멘테이션 맵이 생성될 수 있다.

일 실시예에서 손상 경계면 추출 모듈(630)이 개시된다. 손상 경계면 추출 모듈(630)은 상기 부위별 손상 분할 모듈(620)의 출력 결과를 입력으로 하여 각 손상 영역별 경계면의 좌표 리스트를 추출하기 위한 모듈을 의미할 수 있다. 손상 경계면 추출 모듈(630)은 각 차량 부위 별로 그리고 각 손상 유형 별로 생성된 세그멘테이션 맵에 대하여 각 부위 별 코드 영역대로 픽셀들을 필터링 한 후 임의의 경계선(Contour) 탐색 알고리즘을 바탕으로 경계선들의 리스트를 확보할 수 있다. 이에 따라, 컴퓨팅 장치(100)는 차량 부위에 따라 손상이 어디서부터 어디까지 발생되었는지를 보다 정확한 경계선을 통해 추출할 수 있다.

본 개시의 일 실시예에 따른 후처리 모듈(600)의 동작에 따라 복수의 부위들에 걸쳐 발생된 손상 또는 파손에 대해서도 그 영역이 차량 이미지 내에서 정확하게 표출될 수 있다.

도 7은 본 개시내용의 몇몇 실시예에 따른 차량의 손상 영역을 검출하기 위한 모듈들의 동작 관계를 도시한다.

도 7에서 도시되는 바와 같이 컴퓨팅 장치(100)는 사용자에 의해 촬영된 차량 이미지(710)를 수신할 수 있다. 이러한 차량 이미지(710)는 예를 들어, 손상 또는 파손된 영역을 포함하는 차량의 이미지를 나타낼 수 있다.

일 실시예에서, 특징 추출 모듈(420)은 입력되는 차량 이미지(710)에 대한 시맨틱 특징을 생성하여, 제 1 세그멘테이션 모듈(430), 제 2 세그멘테이션 모듈(440) 및 차량 인식 모듈(500)로 전달할 수 있다. 본 개시의 일 실시예에서, 시맨틱 특징은 시맨틱 특징 맵을 포함할 수 있다. 본 개시의 추가적인 실시예에서, 시맨틱 특징 및 차량 이미지(710)가 함께 제 1 세그멘테이션 모듈(430), 제 2 세그멘테이션 모듈(440) 및 차량 인식 모듈(500)로 전달될 수도 있다.

일 실시예에서, 차량 인식 모듈(500)은 특징 추출 모듈(420)에 의해 생성된 시맨틱 특징에 기초하여 제 1 세그멘테이션 모듈(430) 및 제 2 세그멘테이션 모듈(440)에서 활용될 차량 선택 결과 정보를 생성할 수 있다. 일례로, 차량 선택 결과 정보에서 차량 이미지(710) 중 선택된 차량 이외의 정보는 제거될 수 있다.

일 실시예에서, 제 1 세그멘테이션 모듈(430)은 특징 추출 모듈(420)의 출력과 차량 인식 모듈(500)의 출력에 기초하여 차량 손상에 대한 인식 결과(730)를 출력할 수 있다. 추가적으로, 제 1 세그멘테이션 모듈(430)은 차량 이미지(710)에 추가적으로 기초하여 차량 손상에 대한 인식 결과(730)를 출력할 수 있다.

차량 손상에 대한 인식 결과(730)는 예를 들어 차량의 손상 종류 별 세그멘테이션 맵을 의미할 수 있다. 도 7에서 도시되는 예시와 같이, 차량 손상에 대한 인식 결과(730)는 차량의 손상 타입 별로 생성될 수 있다. 예를 들어, 깨짐에 대한 손상 타입에 대응되는 차량 손상에 대한 인식 결과, 찌그러짐에 대한 손상 타입에 대응되는 차량 손상에 대한 인식 결과 및 도장 벗겨짐에 대한 손상 타입에 대응되는 차량 손상에 대한 인식 결과가 제 1 세그멘테이션 모듈(430)에 의해 생성될 수 있다.

일 실시예에서, 제 2 세그멘테이션 모듈(430)은 특징 추출 모듈(420)의 출력과 차량 인식 모듈(500)의 출력에 기초하여 차량 부위 인식 결과(740)를 출력할 수 있다. 추가적으로, 제 2 세그멘테이션 모듈(440)은 차량 이미지(710)에 추가적으로 기초하여 차량 부위 인식 결과(740)를 출력할 수 있다. 일 실시예에서, 차량 부위 인식 결과(740)에서 도 7에서 도시되는 바와 같이 차량 내에서의 부위(앞범퍼, 안개등, 휀다, 헤드라이트 및/또는 사이드스텝 등)가 서로 구별되도록 표시될 수 있다.

일 실시예에서, 후처리 모듈(600)은 차량 손상 인식 결과(730) 및 차량 부위 인식 결과(740)에 적어도 부분적으로 기초하여, 차량 부위별 차량 손상에 대한 인식 결과(750)를 출력할 수 있다. 추가적으로, 후처리 모듈(600)은 차량 이미지(710)에 추가적으로 기초하여 인식 결과(750)를 생성할 수도 있다. 예를 들어, 인식 결과(750)는 “앞조수석 휀다가 깨짐”, “앞범퍼가 찌그러짐” 또는 “뒷범퍼가 도장이 벗겨짐” 등과 같이, 특정한 부위와 특정한 손상 타입이 맵핑된 형태의 결과를 포함할 수 있다. 추가적인 예시에서, 인식 결과(750)는 “앞범퍼와 뒷범퍼에 걸쳐 찌그러짐”과 같이 2개 이상의 부위들에 걸쳐 발생된 손상에 대한 결과를 포함할 수도 있다.

본 개시의 일 실시예에 따른 기법은, 특징 추출 모듈(420)의 파라미터를 공유함으로써 전체적인 연산의 효율화가 달성되고 컴퓨팅 리소스가 효율적으로 활용될 수 있다. 본 개시의 일 실시예에 따른 기법은, 차량 손상의 인식을 위한 시맨틱 세그멘테이션 정보와 차량 부위의 인식을 위한 인스턴스 세그멘테이션 정보가 특징 추출 모듈(420)을 공유함에 따라 생성될 수 있기 때문에, 동일한 수량의 학습 데이터셋을 사용하여 인공 신경망을 학습하더라도 보다 정확도가 달성될 수 있다.

본 개시의 일 실시예에 따른 기법은, 제 1 세그멘테이션 모듈(430) 및 제 2 세그멘테이션 모듈(440)에 대해서 각각 서로 다른 2개의 특징 추출 모듈을 생성하지 않고 단일한 특징 추출 모듈(420)을 공유하기 때문에, 학습 과정과 추론 과정에서 연산 장치에서 필요한 메모리 사용량이 줄어들 수 있을 뿐만 아니라 학습 과정과 추론 과정에서 필요한 연산이 절반으로 줄어들어 연산 속도가 단축된다는 기술적 효과가 달성될 수 있다.

본 개시의 일 실시예에 따른 기법은 차량 인식 모듈(500)을 활용하여 차량이 없을 때는 후행 모듈(들)의 실행을 중단하고 사용자에게 재촬영을 요구하여 지연시간과 필요한 연산 요구량을 감소시킬 수 있다. 또한, 본 개시의 일 실시예에 따른 기법은 2대 이상의 차량들이 차량 이미지 내에 존재하는 상황에서, 차량의 면적에 기반하여 자동적으로 대표 차량을 선택할 수 있다. 따라서, 사용자가 별도의 차량 선택을 수행하지 않더라도 의도한 대상 차량에 대한 부위 및 손상 파악이 효율적으로 수행될 수 있다.

본 개시의 일 실시예에 따른 기법은 차량 손상에 대한 시맨틱 세그멘테이션 맵과 차량 부위에 대한 인스턴스 세그멘테이션 맵을 효율적으로 결합하는 후처리 모듈(600)을 통하여, 차량에 대한 손상이 복수 개의 차량 부위에 걸쳐서 발생한 경우에도 픽셀 단위로 손상 정보가 도출된 후 차량 부위 정보와 결합되기 때문에, 여러 부위들에 걸친 손상을 각 차량 부위 별로 정확히 분류할 수 있다. 본 개시의 일 실시예에 따른 기법은, 복수의 차량 부위들에 걸쳐진 손상 정보를 부위 별로 분리하는데 있어 차량 부위 투영 모듈(610)과 부위별 손상 분할 모듈(620)을 활용하여 손상 영역 분할에 필요한 연산량을 크게 감소시킬 수 있다.

도 10은 본 개시의 일 실시예에 따른 차량의 부품 정보를 제공하기 위한 예시적인 방법을 도시한다.

도 10의 방법은 예를 들어, 본 개시내용의 컴퓨팅 장치(100)에 의해 수행될 수 있다. 도 10에서 예시되는 단계들에 대한 순서는 설명의 편의를 위해 예시적으로 표현되며, 일례로 단계 1010과 단계 1020은 서로 병렬적으로 수행될 수 있다.

자신의 차량에 손상이 발생했을 때 해당 손상 부위 부품의 가격이 얼마일지 조회하는 것은 일반 사용자들에게는 무척 어려운 일이다. 그 이유는 첫째로 일반 사용자들은 차량의 각 부위가 어떠한 형태로 분할되어 있는지 알기 어렵다는 점이고 둘째로 차량 부위를 구분지을 수 있다고 하더라도 필요한 부품에 대한 코드 정보를 알지 못하여 수리 또는 교체를 위한 부품 가격을 조회하기가 어렵다는 점이다.

본 개시내용의 일 실시예에 따라, 사용자는 차량에 대한 촬영을 진행하고 촬영된 영상을 업로드함으로써, 원하는 차량 부품 정보(예컨대, 가격정보, 재고 정보, 배송 기간 정보 등)를 용이하게 획득할 수 있다.

도 10에서 도시되는 바와 같이, 컴퓨팅 장치(100)는 차량 이미지를 입력으로 하는 사전학습된 차량 부위 인식 모듈을 사용하여 차량 이미지 내에서 차량 부위를 식별할 수 있다(1010).

본 개시의 일 실시예에서, 차량 이미지는 사용자에 의해 촬영된 차량을 포함하는 임의의 형태의 영상을 의미할 수 있다. 손상 또는 파손된 차량에 대한 이미지 또는 복수의 차량들을 포함하고 있는 이미지 등 모두 본 개시내용에서의 차량 이미지의 범주에 포함될 수 있다.

본 개시의 추가적인 실시예에서, 컴퓨팅 장치(100)는 사용자에 의해 입력된 이미지 내에서 사전결정된 임계 면적 미만의 차량을 필터링함으로써 대표차량을 선택하고 그리고 상기 입력된 이미지 내에서의 대표 차량의 경계면을 포함하는 차량 이미지를 생성할 수 있다. 따라서, 이렇게 생성된 차량 이미지가 입력되어 차량 부위 인식 모듈이 차량 이미지 내에서의 부품 또는 부위에 대한 식별을 수행할 수 있다.

본 개시의 일 실시예에서 차량 부위 인식 모듈은 차량의 부위 별로 경계면을 인식할 수 있는 세그멘테이션 모듈을 의미할 수 있다. 일례로, 차량 부위 인식 모듈은 인스턴스 세그멘테이션 모듈을 포함할 수 있다. 차량 부위 인식 모듈은 차량의 특정한 부위의 영역이 어디있는지 그리고 그 영역에 대한 부위 명칭이 무엇인지를 출력할 수 있다. 차량 부위 인식 모듈은 예컨대 도 4에서의 제 2 세그멘테이션 모듈(440)과 대응될 수 있다.

이처럼 차량 부위 인식 모듈은 차량 이미지에 포함된 차량의 부위들을 식별하기 위한 정보를 출력할 수 있다. 예를 들어, 차량 부위 인식 모듈은, 차량 이미지 내에 존재하는 차량 부위에 대한 좌표 정보, 차량 이미지 내에 존재하는 차량 경계면에 대한 좌표 정보, 및/또는 차량 이미지에서 차량 부위가 무엇인지를 나타내는 차량 부위 클래스에 대한 정량적인 정보를 출력할 수 있다.

일 실시예에서, 컴퓨팅 장치(100)는 차량 이미지로부터 차량의 부품에 대한 식별 정보를 생성할 수 있다(1020).

차량 부품에 대한 식별 정보는 단계 1010에서 식별된 차량 부위에 대응되는 부품이 무엇인지를 나타내기 위한 정보를 포함할 수 있다. 일례로, 차량 부품에 대한 식별 정보는 차량의 부품을 식별하기 위한 코드 정보 또는 일련번호 정보를 포함할 수 있다. 예를 들어, 상기 코드 정보 또는 일련번호 정보는 예컨대 제조사에 의해 정해진 정보를 의미할 수 있다. 일례로, 차량의 부품에 대한 식별 정보는 차량 정보에 대응되는 부품의 식별 정보를 의미할 수 있다.

일 실시예에서, 차량 부품에 대한 식별 정보는 차량을 인식하는 것에 의해 획득되는 차량의 식별 정보 및 차량 부위를 인식하는 것에 의해 획득되는 차량 부위에 대한 식별 정보에 기초하여, 획득될 수 있다. 예를 들어, 차량에 대한 인식을 통해 차종, 차대번호, 제조년월일 등에 대한 정보가 획득될 수 있으며 그리고 차량 부위에 대한 인식을 통해 해당 차량의 부품이 무엇인지에 대한 정보가 획득될 수 있다.

일 실시예에서, 컴퓨팅 장치(100)는 차량 부위 및 식별 정보에 기초하여, 차량 이미지에 대한 부품 별 가격 정보를 생성할 수 있다(1030).

일 실시예에서, 컴퓨팅 장치(100)는 차량 부위에 대응하는 부품 정보 및 부품 교체시 필요한 부품의 개수 정보를 결정하고 그리고 부품 정보 및 부품의 개수 정보에 기초하여, 부품 별 가격 정보를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 차량 손상에 따라 교체되어야 할 부품의 정보를 제공할 수 있다. 이러한 경우, 컴퓨팅 장치(100)는 차량 이미지 내에서의 차량의 부품 별 손상 부위 및 타입을 결정하고 손상 부위와 손상 타입에 대응되어 교체되어야 할 부품이 무엇인지 그리고 교체되어야할 부품의 개수가 몇개인지를 결정할 수 있다.

추가적인 실시예에서, 컴퓨팅 장치(100)는 차량 이미지를 입력으로 하는 사전학습된 손상 타입 식별 모듈을 사용하여, 상기 차량 이미지 내에서의 차량의 손상 타입을 나타내는 손상 타입 클래스에 대한 정량적인 정보를 생성할 수도 있다. 여기서 상기 손상 타입 식별 모듈은, 차량 이미지 내의 픽셀 단위로, 제 1 손상 타입 클래스의 제 1 확률값 및 제 2 손상 타입 클래스의 제 2 확률값을 출력하는 멀티 레이블 기반의 시맨틱 세그멘테이션을 수행할 수 있다. 일 실시예에서, 손상 타입 식별 모듈은 상술된 제 1 세그멘테이션 모듈(430)과 대응될 수 있다. 손상 타입 식별 모듈은 특징 추출 모듈로부터 생성된 출력(예컨대, 시맨틱 특징)을 입력으로 하여 차량의 손상 타입이 무엇인지를 식별할 수 있다. 이에 따라, 차량의 손상 타입과 차량의 손상의 위치 정보가 매칭될 수 있으며, 매칭된 차량의 손상 위치 별 손상 타입에 기초하여, 차량에 대한 교체될 또는 수리될 부품에 대한 정보가 정확하게 생성될 수 있다. 손상 타입 모듈에 대한 구체적인 설명은 앞서 설명된 제 1 세그멘테이션 모듈(430)에 대한 설명으로 대체하기로 한다.

기존에는 차량 부위별 부품 정보를 조회하기 위해서는 EPC(Electronic Part Catalog) 시스템 등을 이용하여 사용자가 직접 부품의 계층 구조를 따라 부품 코드를 확인해 나가야 하는 한계점이 존재했으나, 본 개시의 일 실시예에 따라 사용자에 의해 촬영된 이미지 만으로 주요 차량 부품의 코드 및 정보를 손쉽게 확인할 수 있다는 기술적 효과가 달성될 수 있다.

도 11은 본 개시의 일 실시예에 따른 차량의 부품 정보를 제공하기 위한 모듈들의 동작들을 예시적으로 도시한다. 도 11에서 도시되는 모듈들의 동작 및/또는 기능 중 앞서 상술된 특징들에 대해서는 중복을 방지하기 위해 그 설명이 생략될 것이다.

본 개시의 일 실시예에 따라, 컴퓨팅 장치(100)는 입력 이미지(1110)를 수신할 수 있다. 입력 이미지(1110)은 사용자에 의해 촬영된 차량 관련 이미지를 포함할 수 있다.

본 개시의 일 실시예에 따라, 차량 인식 모듈(1200)은 입력된 이미지에서 대표차량이 무엇인지 식별할 수 있다. 일 실시예에서, 차량 인식 모듈(1200)은 입력 이미지(1110) 내에서 사전결정된 임계 면적 미만의 차량을 필터링함으로써 입력 이미지(1110) 내에서의 대표 차량을 결정할 수 있다. 일례로, 차량 인식 모듈(1200)은 인식된 차량이 없는 경우, 재촬영 시도를 결정할 수 있다. 차량 인식 모듈(1200)은 인식된 차량이 2대 이상인 경우, 상기 입력 이미지(1110)에 존재하는 차량들 각각의 경계면을 포함하는 바운딩 박스를 생성함으로써 사용자의 수동 선택을 유도하거나, 또는 상기 차량들 중 상기 입력 이미지(1110) 내에서 차지하는 면적이 가장 큰 차량을 대표 차량으로 자동적으로 결정할 수 있다.

전술한 바와 같이, 차량 인식 모듈(1200)은 입력 이미지(1110) 내에서의 사용자가 의도하는 차량이 무엇인지를 인식 또는 선택하기 위한 모듈을 의미할 수 있다. 즉, 차량 인식 모듈(1200)은 차량 이미지(1110)에서 대표 차량을 결정할 수 있다. 차량 인식 모듈(1200)은 차량 이미지(1110) 내에서의 분석의 대상이 되는 차량을 명확하게 결정함으로써 차량 부위 인식 모듈(1120) 및 차량 정보 추출 모듈(1300)의 동작의 정확성이 담보될 수 있다. 일 실시예에서, 본 개시에서의 차량 인식 모듈(1200)는 앞서 설명된 차량 인식 모듈(500)과 대응될 수 있다.

일 실시예에서, 차량 인식 모듈(1200)의 동작, 구조 및 기능에 대해서 도 12에서 후술하기로 한다.

본 개시의 일 실시예에서, 차량 인식 모듈(1200)은, 특징 추출 모듈(미도시)의 출력과 연결되어 시맨틱 특징(시맨틱 특징)을 포함하는 입력 이미지를 입력 받아 상기 입력 이미지 내에서의 대표 차량의 정보를 포함하는 차량 이미지를 생성할 수 있다.

도 11에서는 도시되지 않았지만, 입력 이미지(1110)는 특징 추출 모듈(미도시)로 전달되어, 특징 추출 모델로부터 입력 이미지(1110)에 대한 시맨틱 특징이 추출될 수 있다. 여기서, 특징 추출 모듈(미도시)은 앞서 설명된 특징 추출 모듈(420)과 대응될 수 있다. 이러한 실시예에서, 입력 이미지(1110)는 특징 추출 모듈로 전달되고, 특징 추출 모듈에 의해 생성된 입력 이미지(1110)에 대한 시맨틱 특징(예컨대, 시맨틱 특징 맵)이 차량 인식 모듈(1220), 차량 부위 인식 모듈(1120) 및/또는 차량 정보 추출 모듈(1300)로 전달될 수 있다. 이처럼, 특징 추출 모듈에 의해 생성된 시맨틱 특징이 다른 모듈들에 공유될 수 있으며, 이에 따라 차량 인식 모듈(1220)의 차량 인식에 대한 정확성, 차량 부위 인식 모듈(1120)의 차량 부위 인식에 대한 정확성 및/또는 차량 정보 추출 모듈(1300)의 차량의 식별정보 추출의 정확성이 상승될 수 있다.

일 실시예에서, 특징 추출 모듈은 차량 부위 인식 모듈(1120) 또는 차량 인식 모듈(1200) 또는 차량 정보 추출 모듈(1300) 중 적어도 하나와 함께 학습되는 공통 학습 과정이 수행되기 이전에, 자기지도 학습(self-supervised learning) 방식에 기초하여 독립적으로 사전학습될 수 있다. 이러한 특징 추출 모듈의 사전학습은 디코더 모듈과 함께 수행될 수 있다. 특징 추출 모듈은 제 1 이미지의 일부분이 마스킹된 학습용 차량 이미지로부터 제 1 시맨틱 특징을 생성하며, 디코더 모듈은 상기 제 1 시맨틱 특징으로부터 상기 제 1 이미지와 대응되는 제 2 이미지를 복원하며, 그리고 상기 제 1 이미지와 상기 제 2 이미지 간의 손실 함수에 기초하여 상기 사전학습이 수행될 수 있다. 특징 추출 모듈에 대한 구체적인 특징들에 대해서는 도 3 내지 도 4에서 상술된 내용을 참조하기로 한다.

본 개시의 일 실시예에서, 차량 부위 인식 모듈(1120)은 모듈은 상기 차량 인식 모듈(1200)과 연결되어 상기 차량 인식 모듈(1200)의 출력을 입력 받아 상기 차량 이미지 내에서의 차량 부위를 식별할 수 있다. 차량 인식 모듈(1200)의 출력이란 예를 들어, 입력된 이미지에서 대표 차량이 무엇인지를 식별하는 정보 및 입력된 이미지의 시맨틱 특징 정보를 포함할 수 있다.

일 실시예에서, 차량 부위 인식 모듈(1120)은 차량의 부품 단위로 세그멘테이션을 수행할 수 있다. 예를 들어, 차량 부위 인식 모듈(1120)은 부품 별 마스크 맵 행렬을 생성할 수 있다. 차량의 특정한 부품과 대응되는 위치에 대해서는 마스크 맵 행렬 상에서 1 또는 다른 특정 값으로 표시되고 부품과 대응되지 않는 위치에 대해서는 마스크 맵 행렬 상에서 0으로 표시될 수 있다.

추가적인 실시예에서, 차량 부위 인식 모듈(1120)은 차량 인식 모듈(1200)로부터의 출력 및 특징 추출 모듈로부터의 출력을 입력으로 하여 부품 정보 생성 모듈(1130)에 입력될 정보를 생성할 수 있다.

일 실시예에서, 차량 부위 인식 모듈(1120)은 이미지 내에서 차량의 부위의 경계면을 인식할 수 있는 인스턴스 세그멘테이션 모듈이며 그리고 상기 차량의 부위에 대한 영역 및 상기 영역이 상기 차량의 부위에 해당할 확률값을 출력할 수 있다. 차량 부위 인식 모듈(1120)은 차량의 부위에 대한 좌표 정보, 및 상기 차량 이미지에서 차량의 부위가 무엇인지를 나타내는 차량 부위 클래스에 대한 정량적인 정보를 출력할 수 있다.

일 실시예에서, 차량 부위 인식 모듈(1120)은 앞서 설명된 제 2 세그멘테이션 모듈(440)과 대응될 수 있다. 따라서, 차량 부위 인식 모듈(1120)에 대한 특징들은 전술한 제 2 세그멘테이션 모듈(440)의 구조, 동작 및 기능과 관련된 설명으로 대체하기로 한다. 차량 부위 인식 모듈(1120) 및 제 2 세그멘테이션 모듈(440)은 상호 교환 가능하게 사용될 수 있다.

본 개시의 추가적인 실시예에서, 도 11에서는 도시되지 않았지만, 컴퓨팅 장치(100)는 차량 이미지를 입력으로 하는 사전학습된 손상 타입 식별 모듈을 사용하여, 차량 이미지 내에서의 차량의 손상 타입을 나타내는 손상 타입 클래스에 대한 정량적인 정보를 생성할 수도 있다. 여기서 손상 타입 식별 모듈은, 차량 이미지 내에서 발생된 차량의 파손 또는 손상의 영역 및/또는 타입을 식별할 수 있다. 예를 들어, 손상 타입 식별 모듈은, 차량 이미지 내의 픽셀 단위로, 제 1 손상 타입 클래스의 제 1 확률값 및 제 2 손상 타입 클래스의 제 2 확률값을 출력하는 멀티 레이블 기반의 시맨틱 세그멘테이션을 수행할 수 있다.

일 실시예에서, 손상 타입 식별 모듈은 상술된 제 1 세그멘테이션 모듈(430)과 상호 교환 가능하게 사용될 수 있다. 따라서, 손상 타입 식별 모듈에 대한 구체적인 설명은 제 1 세그멘테이션 모듈(430)의 상술된 특징들로 대체하기로 한다.

본 개시의 일 실시예에서, 차량 정보 추출 모듈(1300)은 인식된 대표 차량 내에 번호판 객체를 감지할 수 있다. 이러한 번호판 객체에 대한 감지는 임의의 형태의 객체 검출(object detection) 기술을 활용할 수 있다. 차량 정보 추출 모듈(1300)은 광학 문자 인식(예컨대, OCR) 기술을 통해 해당 번호판 객체 내의 차량 번호 인식을 수행할 수 있다. 차량 정보 추출 모듈(1300)은 이때 정상적으로 차량 번호가 인식될 경우 다음 단계로 진행하며, 그렇지 않을 경우 사용자로부터 차량번호를 직접 입력 받을 수 있는 알림 혹은 팝업 혹은 메시지를 생성할 수 있다.

일 실시예에서, 차량 정보 추출 모듈(1300)은 번호판 객체를 인식한 다음에 번호판 객체로부터 차량번호를 결정하고 인식된 차량번호에 기초하여 부품 정보를 획득할 수 있도록 허용할 수 있다.

일 실시예에서, 차량 정보 추출 모듈(1300)은 차량번호를 입력으로 하여 사전에 준비되어 있는 차량번호를 차대번호 DB에 조회하여, 차량 출고 시 부여되는 고유한 정보인 차대번호를 반환할 수 있다.

차량 정보 추출 모듈(1300)에 대해서는 도 13에서 보다 구체적으로 설명될 것이다.

본 개시의 일 실시예에서, 부품 정보 획득 모듈(1400)은 차대번호로부터 디코딩 작업을 거쳐 차대번호 내에 새겨져 있는 차량의 메타 데이터를 추출할 수 있다. 이때 추출되는 메타 데이터로는 차량 제조사, 차종, 차체 타입, 변속기, 엔진코드, 생산연도 등이 포함될 수 있다. 부품 정보 획득 모듈(1400)은 추출된 메타데이터에 기반하여 사전에 확보된 부품정보 DB에 조회하여 주요 차량 부위를 이루고 있는 부품 코드와 교체 시 필요한 부품 코드의 개수를 반환한다. 부품 정보 획득 모듈(1400)은 추출된 메타데이터에 기반하여 차량부위별 부품코드 및 수량 정보를 획득할 수 있다. 예를 들어, 라디에이터 그릴, 앞범퍼, 뒷범퍼, 본네트, 앞휀다, 뒷휀다, 휠, 사이드미러(좌), 사이드미러(우), 헤드라이트, 트렁크 측에 부착된 후미등, 쿼터패널 측에 부착된 후미등, 앞도어, 뒷도어, 트렁크, 및/또는 사이드스텝 등에 해당하는 부품의 코드 및 수량 정보가 획득될 수 있다. 부품 정보 획득 모듈(1400)은 각 차량 부위 별로 교체를 위해 필요한 부품 코드 문자열 및 각각의 부품 코드 별로 교체를 위해 필요한 수량을 획득할 수 있다.

도 11에서는 부품 정보 획득 모듈(1400)이 차량 정보 추출 모듈(1300)의 출력을 입력으로 받는 것을 예시로 들었다. 구현 양태에 따라, 부품 정보 획득 모듈(1400)은 차량 부위 인식 모듈(1120)의 출력 및/또는 차량 정보 추출 모듈(1300)의 출력에 적어도 부분적으로 기초하여, 입력 이미지(1110)에 응답하여 필요한 부품에 대한 정보를 출력할 수 있다. 이처럼, 구현 양태에 따라 부품 정보 획득 모듈(1400)은 필요시 부품 정보 생성 모듈(1130)과 상호 교환 가능하게 사용될 수 있다. 일례로, 부품 정보 획득 모듈(1400) 및 부품 정보 생성 모듈(1130) 중 하나는 다른 하나에 의해 대체될 수도 있다.

본 개시의 일 실시예에서, 부품 정보 생성 모듈(1130)은 차량 부위 인식 모듈(1120)의 출력과 부품 정보 획득 모듈(1400)의 출력에 기초하여 결과 정보(1140)를 생성할 수 있다.

일 실시예에서, 부품 정보 생성 모듈(1130)은 사용자가 입력한 차량 이미지 내에 조회된 차량의 주요 부품별 정보를 생성할 수 있다. 일례로, 부품 정보 생성 모듈(1130)은 차량 부위 인식 모듈(1120)에서 생성된 부품별 마스크 맵 행렬에 대하여 0이 아닌 원소들의 평균 면적 중심 좌표를 구할 수 있다. 즉, 부품 정보 생성 모듈(1130)은 해당 부품에 대한 면적의 중심 좌표를 계산할 수 있다. 부품 정보 생성 모듈(1130)은 인식된 각 차량 부위 인스턴스 별로 해당하는 부품 정보(가격, 할인가, 재고, 예상 배송시간, 해당 부품에 대한 수리 비용) 등을 매칭시킬 수 있다. 예를 들어, 특정한 부품 별로 부품 정보가 생성될 수 있다. 부품 정보 생성 모듈(1130)은 각 차량의 부위 인스턴스 별로 해당하는 부품 정보를 차량 이미지에 중첩시키는 방식으로 결과 정보(1140)를 생성할 수 있다. 예를 들어, 부품 정보 생성 모듈(1130)은 특정 부품에 대한 가격 등을 나타내는 말풍선을 차량 이미지 상에 특정 부품 위치에 중첩시키고 각각의 말풍선들을 해당되는 차량 부위의 면적중심을 가리키는 지시선과 함께 표시하는 결과 정보(1140)를 생성할 수 있다.

일반적으로 자신의 차량에 손상이 발생했을 때 해당 손상 부위 부품의 가격이 얼마일지 조회하는 것이 일반 사용자들에게는 무척 어려울 수 있다. 그 이유로 크게 하기 2가지 요인을 꼽을 수 있는데, 첫째는 일반 사용자들은 차량의 각 부위가 어떤 식으로 분할되어 있는지 알기 어렵다는 점이고 그리고 둘째는 차량 부위를 구분 지을 수 있더라도 부품 가격 조회를 위해 필요한 해당 부품에 대한 부품 코드에 대한 정보를 찾기 어렵다는 점이다. 즉, 제조사가 제작한 전문 도면을 통해서 부품 코드를 식별해야 되기 때문이다. 본 개시내용의 일 실시예에서는 사용자가 가격 조회를 원하는 차량의 이미지와 차량 번호를 자동 혹은 수동으로 입력 받아 각 차량 부위 별 부품 코드 및 가격을 자동으로 조회하는 부품 정보 조회부와 차량 이미지 위에 증강 현실과 같이 각 차량 부위별 부품코드와 가격을 표시하는 표시부로 이루어진 시스템이 제안될 수 있다. 이에 따라 결과적으로 본 개시내용을 통해 사용자는 사진 촬영만으로 차량 부품별 정보(가격, 재고, 예상 배송 기간, 부품수리 비용 등)에 대한 조회가 가능할 수 있다. 본 개시내용을 통해 사용자는 사진 촬영만으로 차량의 손상이 어디에서 발생되었는지 그리고 손상된 부품이 무엇인지를 직관적으로 확인할 수 있으며, 나아가 사용자는 차량의 손상에 대응되는 수리를 위한 부품 별 정보 또한 함께 파악할 수 있다.

본 개시내용의 일 실시예에 따르면 차량 번호만 입력하더라도 해당 차량과 호환되는 주요 차량 부위의 정보를 확인할 수 있다는 기술적 효과가 달성될 수 있다. 본 개시내용의 일 실시예에 따르면, 차량 부위의 구분을 잘 모르는 사용자들에게 입력한 차량 이미지 상에 부품 정보를 함께 시각적으로 보여주므로 교체를 원하는 부위의 금액대와 부품 정보를 바로 확인할 수 있다.

도 12는 본 개시의 일 실시예에 따른 차량 인식 모듈(1200)을 예시적으로 도시한다.

도 12에서 도시되는 바와 같이, 차량 인식 모듈(1200)은 차량 인스턴스 필터링 모듈(1210) 및 차량 면적 비교 모듈(1220)을 포함할 수 있다.

일 실시예에서, 차량 인식 모듈(1200)은 촬영된 이미지 상에서 분석의 대상이 되는 차량이 무엇인지 식별할 수 있다. 즉, 차량 인식 모듈(1200)은 입력된 차량 이미지에 복수 대의 차량이 존재할 때 사용자가 부품 정보를 조회하고자 하는 대표 차량을 자동으로 선택하는 모듈을 의미할 수 있다. 예를 들어, 차량 인식 모듈(1200)은 촬영된 이미지 상에서 복수의 차량들이 존재하는 상황에서 대표 차량을 자동으로 식별하거나 혹은 사용자에게 수동 선택을 유도할 수 있다.

도 12에서의 차량 인식 모듈(1200)의 목적, 기능 및/또는 구조는 도 4 및 도 5에서의 차량 인식 모듈(500)과 서로 대응될 수 있다. 따라서, 도 12에서의 차량 인식 모듈(1200)의 구체적인 특징들과 도 4 및 도 5에서의 차량 인식 모듈(500)의 구체적인 특징들은 상호 참조 가능하다.

일 실시예에서, 차량 인식 모듈(1200)은 차량 인스턴스 필터링 모듈(1210)을 포함할 수 있다. 일례로, 차량 인스턴스 필터링 모듈(1210)은 차량의 윤곽선을 따라서 차량의 경계면을 인식할 수 있는 인스턴스 세그멘테이션 모델을 포함할 수 있다. 본 개시내용에서 인스턴스 세그멘테이션 모델은 예를 들어, Mask R-CNN, Cascade Mask R-CNN 등을 포함할 수 있다. 일 실시예에서, 차량 인스턴스 필터링 모듈(1210)은 촬영 이미지 및/또는 특징 추출부에 의해 생성된 시맨틱 특징을 입력 받아 촬영 이미지 내에 존재하는 차량들 각각에 대하여 해당 차량의 영역을 표시할 수 있다. 예를 들어, 차량 별로 표시되는 차량 영역은 0과 1로 이루어진 마스크 맵 행렬을 포함할 수 있다. 일례로, 마스크 맵 행렬은 [W x H] 차원의 크기를 가질 수 있으며 여기서 W는 마스크 맵의 가로 픽셀 수를 나타내며, H는 마스크 맵의 세로 픽셀 수를 나타낸다. 2차원 이미지를 가정하여 차량의 영역을 표시하는 마스크 맵 행렬이 예시되었으나, 구현의 양태에 따라 3차원 영상이 인입되는 경우 마스크 맵 행렬 또한 [W x H x L]과 같이 영상의 차원에 대응되는 형태로 구성될 수 있다는 점이 당업자에게 명백할 것이다.

이러한 차량 인스턴스 필터링 모듈(1210)은 도 5에서의 차량 인스턴스 필터링 모듈(510)과 대응될 수 있으며, 이들의 특징들은 상호 참조 가능하다.

본 개시의 일 실시예에서, 차량 인식 모듈(1200)은 차량 면적 비교 모듈(1220)을 포함할 수 있다. 차량 면적 비교 모듈(1220)은 차량 인스턴스 필터링 모듈(1210)에 의해 출력되는 차량들 각각에 대한 세그멘테이션 결과에 기초하여, 면적이 가장 넓은 차량을 선택할 수 있다. 예를 들어, 차량 면적 비교 모듈(1220)은 인식된 복수 개의 차량들 중에서 사용자가 부품 정보를 조회하고 싶은 차량은 가장 면적이 큰 차량이라는 가정 하에, 차량 인스턴스 필터링 모듈(1210)에서 출력된 차량별 마스크 맵으로부터 0이 아닌 면적이 가장 넓은 객체를 찾는 모듈을 의미할 수 있다. 추가적인 실시예에서, 차량 면적 비교 모듈(1220)의 동작은 차량 인스턴스 필터링 모듈(1210)에 의해 대체될 수도 있다.

일 실시예에서, 차량 면적 비교 모듈(1220)은 도 5에서의 차량 선택 모듈(520)과 대응될 수 있으며, 이들의 특징들 또한 상호 참조 가능하다.

또한, 도 12에서의 차량 인식 모듈(1200)은 상술된 도 8에서 예시된 바와 같이, 인식된 차량의 개수에 따른 동작 알고리즘을 수행할 수 있다. 일 실시예에서, 차량 인식 모듈(1200)이 인식한 차량이 0대인 경우, 알고리즘의 실행이 종료되거나 혹은 재촬영을 요구하기 위한 정보가 생성될 수 있다. 일 실시예에서, 차량 인식 모듈(1200)이 인식한 차량의 개수가 1대인 경우, 차량 면적 비교 모듈(1220)의 면적 비교 알고리즘이 수행되지 않으며, 인식된 차량에 대한 결과가 다음 단계로 전달될 수 있다. 일 실시예에서, 차량 인식 모듈(1200)이 인식한 차량의 개수가 2대 이상인 경우, 차량별로 획득된 영역 정보들 중에서 면적이 가장 넓은 영역이 선택될 수 있다. 일례로, 차량별 마스크 맵 행렬 내에서 0이 아닌 원소의 개수가 가장 많은 행렬이 선택될 수 있다. 그리고나서, 차량 면적 비교 모듈(1220)은 면적이 가장 넓은 영역에 기초하여 대표 차량 이미지를 생성할 수 있다. 예를 들어, 차량 면적 비교 모듈(1220)은 선택된 대표 차량에 대응되는 마스크 맵 행렬과 입력된 차량 이미지의 행렬을 엘리먼트 단위로 곱하여 대표 차량 영역에 해당하는 부분을 남기고 나머지 부분은 0으로 치환시킴으로써 대표 차량 이미지를 생성할 수 있다.

도 13은 본 개시의 일 실시예에 따른 차량 정보 추출 모듈(1300)을 예시적으로 도시한다.

도 13에서 도시되는 바와 같이, 차량 정보 추출 모듈(1300)은 번호판 객체 인식 모듈(1310) 및 차대 번호 추출 모듈(1320)을 포함할 수 있다.

일 실시예에서, 차량 정보 추출 모듈(1300)의 번호판 객체 인식 모듈(1310)은, 인식된 대표 차량 내에 앞 또는 뒤에 존재하는 번호판 객체를 감지할 수 있다. 예를 들어, 차량 정보 추출 모듈(1300)은 차량 내에서 번호 판을 감지하기 위해 사전학습된 세그멘테이션 모듈 또는 객체 검출 모듈을 포함할 수 있다. 일례로, 번호판 객체 인식 모듈(1310)은 대표 차량의 이미지에 대응되는 행렬에 대하여, 객체 검출 알고리즘을 활용하여 번호판을 포함하는 최소 크기의 바운딩 박스를 생성하고 그리고 생성된 바운딩 박스에 대한 신뢰도 점수를 출력할 수 있다. 번호판 객체 인식 모듈(1310)은 2개 이상의 번호판 객체가 탐지되는 경우 상기 신뢰도 점수에 기초하여 하나의 번호판 객체를 자동으로 선택할 수 있다. 다른 실시예에서, 번호판 객체 인식 모듈(1310)은 2개 이상의 번호판 객체가 탐지되는 경우, 사용자에게 탐지된 번호판 객체들을 제시하고 사용자 선택에 응답하여 특정한 번호판 객체를 결정할 수 있다. 일 실시예에서, 번호판 객체 인식 모듈(1310)은 탐지되는 번호판 객체가 존재하지 않는 경우, 사용자에게 차량번호를 직접 입력하도록 허용하기 위한 요청 정보를 생성할 수 있다.

일 실시예에서, 차량 정보 추출 모듈(1300)의 번호판 객체 인식 모듈(1310)은 차량 이미지에 번호판에 대한 영역이 라벨링된 학습 데이터에 기반하여 사전학습될 수 있다. 다른 예시로, 차량 정보 추출 모듈(1300)의 번호판 객체 인식 모듈(1310)은 특징 추출 모듈에 의해 생성된 차량 이미지에 대한 시맨틱 특징에 적어도 부분적으로 기초하여 학습될 수 있다. 또 다른 예시로, 차량 정보 추출 모듈(1300)의 번호판 객체 인식 모듈(1310)은 차량 이미지 및 시맨틱 특징에 기초하여 사전학습될 수 있다.

일 실시예에서, 차량 정보 추출 모듈(1300)의 차대 번호 추출 모듈(1320)은 번호판 객체 인식 모듈(1310)에서 인식한 번호판 객체에 대응되는 위치 정보(예컨대, 좌표 정보)를 사용하여, 대표 차량 이미지 내에서의 번호판 객체 영역을 확인하고 그리고 OCR 기술을 통해 상기 번호판 객체 영역에 대한 차량 번호를 인식할 수 있다. 추가적으로, 차대 번호 추출 모듈(1320)은 인식된 차량 번호에 대응되는 차대 번호를 추출할 수 있다. 차대 번호에 대한 추출은 차대 번호 DB로 액세스하여 차대 번호 DB를 조회하는 것에 의해 수행될 수 있다. 이에 따라, 차대 번호 추출 모듈(1320)은 OCR 등을 통해 인식된 차량 번호를 사용하여 차량 출고 시 부여되는 고유한 정보인 차대 번호를 추출할 수 있다.

일 실시예에서, 차대 번호 추출 모듈(1320)은 인식된 차량 번호를 검증하여 차량 번호가 정상적인 규격을 가지고 있을 경우, 차량 번호 및/또는 차대 번호를 부품 정보 획득 모듈(1400)로 전달할 수 있다. 만약. 인식된 차량 번호가 규격에 맞지 않는 다면 차대 번호 추출 모듈(1320)은 사용자에게 차량번호를 직접 입력하도록 허용하기 위한 요청 정보를 생성할 수 있다.

전술한 바와 같이, 차량 정보 추출 모듈(1300)은 촬영된 이미지 내에서 차량의 식별정보를 자동으로 검출하기 때문에, 사용자의 노력 없이 부품 정보를 획득하기 위해 전제가 되는 차량의 식별정보가 효율적으로 획득될 수 있다.

도 14는 본 개시의 일 실시예에 따른 부품 정보 획득 모듈(1400)을 예시적으로 도시한다.

도 14에서 도시되는 바와 같이, 부품 정보 획득 모듈(1400)은 메타 데이터 획득 모듈(1410), 부품 코드 조회 모듈(1420), 부품 가격 정보 조회 모듈(1430) 및 부품 가격 정보 생성 모듈(1440)을 포함할 수 있다.

일 실시예에서, 도 14에서의 부품 정보 획득 모듈(1400)은 도 11에서의 부품 정보 생성 모듈(1130)의 동작을 수행할 수도 있다. 이러한 경우, 도 11에서의 부품 정보 획득 모듈(1400)은 차량 부위 인식 모듈(1120)의 결과 및/또는 차량 정보 추출 모듈(1300)의 결과에 기초하여 동작될 수 있다. 추가적인 실시예에서, 부품 정보 획득 모듈(1400)은 차량의 손상 타입 및/또는 손상 영역 정보에 추가로 기초하여 동작될 수 있다.

일 실시예에서, 부품 정보 획득 모듈(1400)은 차량 번호 또는 차대 번호에 대응되는 차량의 부품과 관련된 정보를 획득 및 생성할 수 있다.

일 실시예에서, 메타 데이터 획득 모듈(1410)은 입력된 차대 번호 또는 차량 번호로부터 디코딩 작업을 거쳐 차대 번호 내에 포함되어 있는 차량의 메타데이터를 추출할 수 있다. 일 실시예에서, 메타 데이터는 차량에 할당된 다양한 식별 정보를 포함할 수 있다. 예를 들어, 메타 데이터는 차량 제조사, 차종, 차체 타입, 변속기, 엔진 코드, 및/또는 생산 연도를 포함할 수 있다.

일 실시예에서, 부품 코드 조회 모듈(1420)은 메타 데이터에 기초하여 부품 정보 DB를 조회하고, 그리고 부품 정보 DB에 대한 조회 결과, 해당 차량과 관련된 부품 코드 정보 및 교체시 필요한 부품 코드의 개수 정보를 반환할 수 있다. 부품 코드 조회 모듈(1420)은 차량의 부위별 부품 코드 및 수량 정보를 획득할 수 있다. 본 개시내용에서의 차량의 부위는 예를 들어, 라디에이터 그릴, 앞범퍼, 뒷범퍼, 본네트, 앞휀다, 뒷휀다, 휠, 사이드미러, 헤드라이트, 후미등, 앞도어, 뒷도어, 트렁크 및 사이드스텝 등을 포함할 수 있다. 부품 코드 조회 모듈(1420)은 각 차량의 부위별로 교체를 위해 필요한 부품 코드를 식별하기 위한 문자열과 이에 대한 개수 정보를 반환할 수 있다. 예를 들어, "라디에이터 그릴"에 대응되는 부품들의 코드와 그 개수는 아래와 같이 예시될 수 있다.

라디에이터 그릴 -> "2058880023": 1, "20588802609982": 1, "0008880060" : 2, "0008171016" : 13

위의 예시와 같이 라디에이터 그릴이라는 부위와 관련된 부품들 4개의 코드 번호와 각 부품들의 개수정보가 부품 코드 조회 모듈(1420)에 의해 출력될 수 있다.

추가적인 실시예에서, 부품 코드 조회 모듈(1420)은 차량의 부위별 부품 코드 및 수량 정보 중에서, 차량의 손상과 관련된 부품들에 대응되는 부품 코드 및 수량 정보를 반환할 수도 있다. 또한, 부품 코드 조회 모듈(1420)은 차량의 부위별 부품 코드 및 수량 정보 중에서, 수리가 필요한 부품들에 대응되는 부품 코드 및 수량 정보를 반환할 수도 있다. 손상과 관련된 부품들 및/또는 수리가 필요한 부품들은 차량 손상 인식 모듈 및 차량 부위 인식 모듈에 의해 결정될 수 있다.

일 실시예에서, 부품 가격 정보 조회 모듈(1430)은 차량부위별 부품코드 및 수량 정보를 입력으로 하여 부품코드를 기반으로 사전에 준비되어 있는 부품정보 DB를 조회할 수 있다. 부품 가격 정보 조회 모듈(1430)은 부품 코드에 대응되는 부품에 대한 가격 뿐만 아니라, 부품에 대한 할인가, 재고 및/또는 예상 배송 기간 정보 등을 반환할 수 있다.

예를 들어, 상술된 라디에이터 그릴의 부품에 대한 예시에서, 부품 가격 정보 조회 모듈(1430)은 특정한 부품 코드에 대해서 아래와 같은 정보들을 반환할 수 있다.

"2058880023": { "list_price": 53000, "promotion_price": 50000, "left_inventory": 3, "estimate_delivery_day": 13 }

일 실시예에서, 부품 가격 정보 생성 모듈(1440)은 사용자가 입력한 차량 이미지 내에 조회된 차량의 주요 부품별 정보를 생성할 수 있다. 부품 가격 정보 생성 모듈(1440)은 부품의 가격 뿐만 아니라, 위에서 언급된 할인가, 재고, 예상배송 기간 등 특정한 부품과 관련된 임의의 형태의 추가 정보를 생성할 수 있다.

일 실시예에서, 부품 가격 정보 생성 모듈(1440)은 도 11에서의 부품 정보 생성 모듈(1130)과 상호 교환 가능하게 사용될 수 있다.

일 실시예에서, 부품 가격 정보 생성 모듈(1440)은 차량 부위 인식 모듈(1120)에서 출력된 각각에 부품별 Mask Map 행렬에 대하여 0이 아닌 원소들의 평균 면적 중심 좌표를 연산할 수 있다. 부품 가격 정보 생성 모듈(1440)은 특정한 부품에 대한 면적의 중심 좌표를 연산할 수 있다.

일 실시예에서, 부품 가격 정보 생성 모듈(1440)은 인식된 차량 부위 별로 해당 하는 부품 정보(예컨대, 가격, 할인가, 재고, 예상 배송 시간 등)을 매칭시킬 수 있다.

일 실시예에서, 부품 가격 정보 생성 모듈(1440)은 각각의 차량 부위 별로 해당하는 부품 정보를 담는 임의의 형태의 UI를 생성할 수 있다. 예를 들어, 부품 가격 정보 생성 모듈(1440)은 차량 부위 별로 해당하는 부품 정보를 담는 말풍선을 차량 이미지에 중첩시키는 방식으로 UI 정보를 생성할 수 있다.

일 실시예에서, 부품 가격 정보 생성 모듈(1440)은 사용자에 의해 촬영된 촬영 이미지 상에서의 상기 평균 면적 중심 좌표에 상기 부품에 대한 가격 정보가 증강 현실 형태로 추가되는 결과 이미지를 생성할 수 있다. 증강 현실 형태로 추가되는 결과 이미지는 사용자와의 인터랙션에 따라 출력되는 양태 또는 출력 여부가 가변될 수 있다.

도 15는 본 개시의 일 실시예에 따라 차량 부위 인식 모듈(1120)에 의해 생성되는 차량의 부위 별 정보(1500)를 예시적으로 도시한다.

일 실시예에서, 차량의 부위 별 정보(1500)는 차량의 부위에 대한 경계선을 나타내는 세그멘테이션 결과 정보(1510b, 1520b, 1530b 및 1540b)를 포함할 수 있다.

일 실시예에서, 차량의 부위 별 정보(1500)는 차량의 부위에 대한 식별 정보와 이에 대한 바운딩 박스를 나타내는 결과 정보(1510a, 1520a, 1530a 및 1540a)를 포함할 수 있다.

전술한 바와 같이, 차량 부위 인식 모듈(1120)은 차량의 부위들 각각을 구분지을 수 있으며, 이렇게 구분지은 부위들 각각에 대응되는 적어도 하나의 부품들에 대한 정보가 조회되어, 교체 또는 수리가 필요한 부품에 대한 추가 정보(예컨대, 가격 정보 등)가 출력됨에 따라, 사용자는 교체하고자 하는 부품에 대한 정보를 직관적으로 인식할 수 있다. 나아가, 차량의 부위 별 손상 정보에 기초하여, 수리가 필요한 부위에 대응되는 적어도 하나의 부품들에 대한 추가 정보(예컨대, 가격 정보 등)가 생성될 수 있어서, 사용자는 차량 사고 시 사고난 차량에 대한 촬영 이미지를 업로드하게 되면, 사고 부위, 손상 타입, 손상을 해결하기 위해 교체되어야 할 부품 정보가 직관적으로 표시될 수 있다.

도 16은 본 개시의 일 실시예에 따라 생성되는 차량 부품 정보(1600)를 예시적으로 도시한다.

도 16은 차량 부품 정보(1600)가 촬영된 이미지 상에서 증강 현실의 형태로 출력되는 예시를 도시한다. 증강 현실의 형태로 보여지는 차량의 부품에 대응되는 가격 정보는 일례이며, 가격 정보 뿐만 아니라 부품과 관련된 임의의 형태의 다른 정보 또한 본 개시내용에 포함될 수 있다.

일 실시예에서, 사용자는 증강 현실로 보여지는 부품 정보와 상호작용이 가능하며, 상호작용에 따라 부품 정보의 일부의 출력이 가변될 수 있다.

도 16에서 도시되는 바와 같이, 차량의 특정한 부위 또는 부품에 대응되는 가격 정보가 직관적으로 보여짐에 따라, 사용자는 사고 부위, 손상 타입, 손상을 해결하기 위해 교체되어야 할 부품 정보를 직관적으로 확인할 수 있다.

일 실시예에서, 컴퓨팅 장치(100)는 인식된 차량 부위가 많을 경우 말풍선들이 과도하게 겹칠 여지가 있기 때문에, 이를 해결하기 위해서 인식된 차량 부위 별 부품 정보를 표 혹은 리스트 형태로 표시할 수도 있다.

추가적인 실시예에서, 컴퓨팅 장치(100)는 손상된 차량 부위에 대응하는 부품 정보를 중점적으로 혹은 해당 부품 정보만을 출력함으로써, 사용자에게 필요한 정보만을 디스플레이할 수도 있다.

본 개시의 일 실시예들은 차량 부위의 구분을 잘 모르는 사용자들에게 입력한 차량 이미지 상에 부품 정보를 시각적으로 보여주므로 교체를 원하는 부위의 금액대와 부품 정보를 직관적으로 제공할 수 있다.

본 개시의 일 실시예들은 차량의 손상이 발생되는 경우 해당 손상이 발생된 영역을 포함하는 촬영 이미지를 분석하여 손상에 대한 정보 뿐만 아니라 손상을 해결하기 위해 교체할 부품에 대한 정보를 함께 보여줄 수 있기 때문에, 사용자의 편의성을 극대화시킬 수 있다.

도 17은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

본 개시내용에서의 컴포넌트, 모듈 또는 부(unit)는 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로시져, 프로그램, 컴포넌트, 데이터 구조 등을 포함한다. 또한, 당업자라면 본 개시내용에서 제시되는 방법들이 단일-프로세서 또는 멀티프로세서 컴퓨팅 장치, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 충분히 인식할 것이다.

본 개시내용에서 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘다에 위치할 수 있다.

컴퓨팅 장치는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다.

컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(2002)를 포함하는 본 발명의 여러가지 측면들을 구현하는 예시적인 환경(2000)이 나타내어져 있으며, 컴퓨터(2002)는 처리 장치(2004), 시스템 메모리(2006) 및 시스템 버스(2008)를 포함한다. 본 명세서에서의 컴퓨터(200)는 컴퓨팅 장치와 상호 교환가능하게 사용될 수 있다. 시스템 버스(2008)는 시스템 메모리(2006)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(2004)에 연결시킨다. 처리 장치(2004)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(2004)로서 이용될 수 있다.

시스템 버스(2008)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(2006)는 판독 전용 메모리(ROM)(2010) 및 랜덤 액세스 메모리(RAM)(2012)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(2010)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(2002) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(2012)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(2002)는 또한 내장형 하드 디스크 드라이브(HDD)(2014)(예를 들어, EIDE, SATA), 자기 플로피 디스크 드라이브(FDD)(2016)(예를 들어, 이동식 디스켓(2018)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), SSD 및 광 디스크 드라이브(2020)(예를 들어, CD-ROM 디스크(2022)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(2014), 자기 디스크 드라이브(2016) 및 광 디스크 드라이브(2020)는 각각 하드 디스크 드라이브 인터페이스(2024), 자기 디스크 드라이브 인터페이스(2026) 및 광 드라이브 인터페이스(2028)에 의해 시스템 버스(2008)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(2024)는 예를 들어, USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(2002)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 저장 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 저장 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 발명의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(2030), 하나 이상의 어플리케이션 프로그램(2032), 기타 프로그램 모듈(2034) 및 프로그램 데이터(2036)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(2012)에 저장될 수 있다. 운영 체제, 어플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(2012)에 캐싱될 수 있다. 본 발명이 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(2038) 및 마우스(2040) 등의 포인팅 장치를 통해 컴퓨터(2002)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(2008)에 연결되어 있는 입력 장치 인터페이스(2042)를 통해 처리 장치(2004)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(2044) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(2046) 등의 인터페이스를 통해 시스템 버스(2008)에 연결된다. 모니터(2044)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(2002)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(2048) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(2048)는 워크스테이션, 서버 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(2002)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(2050)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(2052) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(2054)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(2002)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(2056)를 통해 로컬 네트워크(2052)에 연결된다. 어댑터(2056)는 LAN(2052)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(2052)은 또한 무선 어댑터(2056)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(2002)는 모뎀(2058)을 포함할 수 있거나, WAN(2054) 상의 통신 서버에 연결되거나, 또는 인터넷을 통하는 등, WAN(2054)을 통해 통신을 정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(2058)은 직렬 포트 인터페이스(2042)를 통해 시스템 버스(2008)에 연결된다. 네트워크화된 환경에서, 컴퓨터(2002)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(2050)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1602)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시내용의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 본 개시내용의 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

Claims

적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 차량의 손상을 검출하기 위한 방법으로서,
차량 이미지를 입력으로 하는 사전학습된 특징 추출 모듈을 사용하여, 상기 차량 이미지에 대한 시맨틱 특징(semantic feature)을 추출하는 단계;
상기 시맨틱 특징을 입력으로 하는 사전학습된 제 1 세그멘테이션 모듈을 사용하여, 상기 차량 이미지 내에서의 손상 타입을 식별하고 그리고 상기 시맨틱 특징을 입력으로 하는 사전학습된 제 2 세그멘테이션 모듈을 사용하여, 상기 차량 이미지 내에서의 차량 부위를 식별하는 단계;
후처리 모듈을 사용하여, 사전결정된 차량 부위별 우선순위 값을 상기 제 2 세그멘테이션 모듈의 출력인 차량 부위별 세그멘테이션 맵에 적용함으로써, 우선순위 값이 포함된 차량 부위들을 포함하는 차량 투영 이미지를 생성하는 단계; 및
상기 후처리 모듈을 사용하여, 상기 제 1 세그멘테이션 모듈의 출력인 차량 손상별 세그멘테이션 맵을 상기 차량 투영 이미지와 합침으로써, 차량 손상 세그멘테이션이 적용된 차량 투영 이미지를 포함하는 상기 손상 결과를 생성하는 단계;
를 포함하는,
방법.
제 1 항에 있어서,
상기 특징 추출 모듈은,
상기 제 1 세그멘테이션 모듈 및 상기 제 2 세그멘테이션 모듈과 함께 학습되는 공통 학습 과정이 수행되기 이전에, 자기지도 학습(self-supervised learning) 방식에 기초하여 독립적으로 사전학습되는,
방법.
제 2 항에 있어서,
상기 특징 추출 모듈의 사전학습은 디코더 모듈과 함께 수행되며,
상기 특징 추출 모듈은 제 1 원본 차량 이미지의 일부분이 마스킹된 학습용 차량 이미지로부터 제 1 시맨틱 특징을 생성하며,
상기 디코더 모듈은 상기 제 1 시맨틱 특징으로부터 상기 제 1 원본 차량 이미지와 대응되는 제 2 원본 차량 이미지를 복원하며, 그리고
상기 제 1 원본 차량 이미지와 상기 제 2 원본 차량 이미지 간의 손실 함수에 기초하여 상기 특징 추출 모듈의 상기 사전학습이 수행되는,
방법.
제 1 항에 있어서,
상기 제 1 세그멘테이션 모듈은,
상기 차량 이미지에서 손상 타입을 나타내는 손상 타입 클래스에 대한 제 1 정량적인 정보를 출력하는,
방법.
제 4 항에 있어서,
상기 제 1 세그멘테이션 모듈은,
상기 차량 이미지 내의 픽셀 단위로, 제 1 손상 타입 클래스의 제 1 확률값 및 제 2 손상 타입 클래스의 제 2 확률값을 출력하는 멀티 레이블(multi label) 기반의 시맨틱 세그멘테이션을 수행하는,
방법.
제 1 항에 있어서,
상기 시맨틱 특징을 입력으로 하는 사전학습된 차량 인식 모듈을 사용하여, 상기 차량 이미지 내에서의 대표 차량을 결정하는 단계;
를 더 포함하며, 그리고
상기 제 1 세그멘테이션 모듈은 상기 시맨틱 특징 및 상기 결정된 대표 차량의 정보를 입력으로 하고, 그리고
상기 제 2 세그멘테이션 모듈은 상기 시맨틱 특징 및 상기 결정된 대표 차량의 정보를 입력으로 하는,
방법.
제 6 항에 있어서,
상기 차량 이미지 내에서의 대표 차량을 결정하는 단계는,
상기 차량 이미지 내에서 사전결정된 임계 면적 미만의 차량을 필터링함으로써 상기 차량 이미지 내에서의 상기 대표 차량을 결정하는 단계;
를 포함하는,
방법.
제 6 항에 있어서,
상기 차량 이미지 내에서의 대표 차량을 결정하는 단계는:
상기 차량 인식 모듈에 의해 인식된 차량이 없는 경우, 재촬영 시도를 결정하는 단계; 및
상기 차량 인식 모듈에 의해 인식된 차량이 2대 이상인 경우, 상기 차량 이미지에 존재하는 차량들 각각의 경계면을 포함하는 바운딩 박스를 생성함으로써 사용자의 수동 선택을 유도하거나, 또는 상기 차량들 중 상기 차량 이미지 내에서 차지하는 면적이 가장 큰 차량을 대표 차량으로 자동적으로 결정하는 단계;
를 포함하는,
방법.
제 1 항에 있어서,
상기 제 2 세그멘테이션 모듈은,
상기 차량 이미지 내에 존재하는 차량 부위에 대한 좌표 정보, 상기 차량 이미지 내에 존재하는 차량 경계면에 대한 좌표 정보, 및 상기 차량 이미지에서 차량 부위가 무엇인지를 나타내는 차량 부위 클래스에 대한 제 2 정량적인 정보를 출력하는,
방법.
제 9 항에 있어서,
상기 제 2 세그멘테이션 모듈은,
상기 특징 추출 모듈의 중간 레이어 및 마지막 레이어로부터 출력된 이미지 피처 맵을 포함하는 상기 시맨틱 특징을 입력으로 하여 인스턴스 세그멘테이션을 수행함으로써, 하나 이상의 차량 부위 인스턴스를 식별하는,
방법.
삭제
제 1 항에 있어서,
상기 후처리 모듈은,
상기 차량 부위별 세그먼테이션 맵에 대응하는 차량 부위별 행렬에 상기 차량 부위별 우선순위 값을 곱함으로써 차량 부위별 중간값을 생성하고, 그리고 상기 차량 부위별 우선순위 값의 크기에 따른 순서대로 상기 차량 부위별 중간값에 영행렬을 포함하는 배경 행렬을 더하는 방식으로, 차량 부위별 고유 스코어를 가지는 상기 차량 투영 이미지를 생성하는,
방법.
제 1 항에 있어서,
상기 후처리 모듈은, 상기 차량 손상별 세그멘테이션 맵에 대응하는 차량 손상별 행렬에 상기 차량 투영 이미지의 차량 부위별 고유 스코어를 합산하는 방식으로, 복수의 차량 부위들에 걸친 차량 손상을 식별하는,
방법.
컴퓨터 판독가능 저장 매체에 저장되는 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에 의해 실행되는 경우 차량의 손상을 검출하기 위한 방법을 수행하며, 상기 방법은,
차량 이미지를 입력으로 하는 사전학습된 특징 추출 모듈을 사용하여, 상기 차량 이미지에 대한 시맨틱 특징을 추출하는 단계;
상기 시맨틱 특징을 입력으로 하는 사전학습된 제 1 세그멘테이션 모듈을 사용하여, 상기 차량 이미지 내에서의 손상 타입을 식별하는 단계;
상기 시맨틱 특징을 입력으로 하는 사전학습된 제 2 세그멘테이션 모듈을 사용하여, 상기 차량 이미지 내에서의 차량 부위를 식별하는 단계;
후처리 모듈을 사용하여, 사전결정된 차량 부위별 우선순위 값을 상기 제 2 세그멘테이션 모듈의 출력인 차량 부위별 세그멘테이션 맵에 적용함으로써, 우선순위 값이 포함된 차량 부위들을 포함하는 차량 투영 이미지를 생성하는 단계; 및
상기 후처리 모듈을 사용하여, 상기 제 1 세그멘테이션 모듈의 출력인 차량 손상별 세그멘테이션 맵을 상기 차량 투영 이미지와 합침으로써, 차량 손상 세그멘테이션이 적용된 차량 투영 이미지를 포함하는 상기 손상 결과를 생성하는 단계;
를 포함하는,
컴퓨터 판독가능 저장 매체에 저장되는 컴퓨터 프로그램.
차량의 손상을 검출하기 위한 컴퓨팅 장치로서, 상기 컴퓨팅 장치는:
하나 이상의 프로세서를 포함하며, 상기 프로세서는:
차량 이미지를 입력으로 하는 사전학습된 특징 추출 모듈을 사용하여, 상기 차량 이미지에 대한 시맨틱 특징을 추출하고,
상기 시맨틱 특징을 입력으로 하는 사전학습된 제 1 세그멘테이션 모듈을 사용하여, 상기 차량 이미지 내에서의 손상 타입을 식별하고,
상기 시맨틱 특징을 입력으로 하는 사전학습된 제 2 세그멘테이션 모듈을 사용하여, 상기 차량 이미지 내에서의 차량 부위를 식별하고,
후처리 모듈을 사용하여, 사전결정된 차량 부위별 우선순위 값을 상기 제 2 세그멘테이션 모듈의 출력인 차량 부위별 세그멘테이션 맵에 적용함으로써, 우선순위 값이 포함된 차량 부위들을 포함하는 차량 투영 이미지를 생성하고, 그리고
상기 후처리 모듈을 사용하여, 상기 제 1 세그멘테이션 모듈의 출력인 차량 손상별 세그멘테이션 맵을 상기 차량 투영 이미지와 합침으로써, 차량 손상 세그멘테이션이 적용된 차량 투영 이미지를 포함하는 상기 손상 결과를 생성하는,
컴퓨팅 장치.