KR102501918B1 - Training Method and System of Artificial Intelligence for Diagnosis of Tendon Damages, and Diagnosis System and Method of Tendon using AI - Google Patents
Training Method and System of Artificial Intelligence for Diagnosis of Tendon Damages, and Diagnosis System and Method of Tendon using AI Download PDFInfo
- Publication number
- KR102501918B1 KR102501918B1 KR1020220169250A KR20220169250A KR102501918B1 KR 102501918 B1 KR102501918 B1 KR 102501918B1 KR 1020220169250 A KR1020220169250 A KR 1020220169250A KR 20220169250 A KR20220169250 A KR 20220169250A KR 102501918 B1 KR102501918 B1 KR 102501918B1
- Authority
- KR
- South Korea
- Prior art keywords
- tendon
- damage
- artificial intelligence
- diagnosis
- learning
- Prior art date
Links
- 210000002435 tendon Anatomy 0.000 title claims abstract description 221
- 238000003745 diagnosis Methods 0.000 title claims abstract description 130
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 title claims description 4
- 238000005259 measurement Methods 0.000 claims abstract description 45
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 abstract description 8
- 230000001939 inductive effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007519 figuring Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
Description
본 발명은 케이블 교량에 설치된 케이블을 이루거나, 기타 다른 형식의 교량이나 거더에서 긴장력을 도입하기 위하여 배치되는 텐던의 손상을 진단하는 손상진단 방법과 손상진단 시스템, 그리고 이러한 텐던 손상의 진단을 인공지능 기반으로 수행하기 위한 인공지능 학습방법과 이에 의해 학습되어 구축된 인공지능 시스템에 관한 것으로서, 구체적으로는 유도전압 측정에 기반한 텐던진단장치를 이용하여 텐던의 손상 여부를 진단함에 있어서, 딥러닝 방식의 AI(Artificial Intelligence)를 활용하여 텐던의 손상여부를 파악하는 텐던의 손상진단을 수행하되, 텐던 또는 텐던을 모사한 실험체에 마그네틱 텐던진단장치를 실제로 설치하여 취득할 수 있는 원본 학습데이터의 수(數)가 인공지능 학습에 불충분할지라도 신뢰성 있는 진단 결과를 도출할 수 있도록 인공지능 학습을 수행하게 되는 <텐던 손상 진단을 위한 인공지능 학습방법>과, 이러한 인공지능 학습이 이루어진 <인공지능 시스템>, 그리고 이러한 인공지능 학습방법 및 인공지능 시스템을 이용하여 텐던의 손상을 진단하게 되는 <텐던 손상진단 방법>과 <텐던 손상진단 시스템>에 대한 것이다. The present invention is a damage diagnosis method and damage diagnosis system for diagnosing damage to tendons arranged to form cables installed on cable bridges or to introduce tension in other types of bridges or girders, and artificial intelligence for diagnosing such tendon damage It relates to an artificial intelligence learning method for performing based on and an artificial intelligence system learned and built by this, specifically, in diagnosing damage to tendons using a tendon diagnosis device based on induced voltage measurement, deep learning method The number of original learning data that can be acquired by actually installing the magnetic tendon diagnosis device in the tendon or a specimen that simulates the tendon while performing the diagnosis of tendon damage to determine whether the tendon is damaged using AI (Artificial Intelligence) ) is insufficient for artificial intelligence learning, artificial intelligence learning is performed so that reliable diagnostic results can be derived, and <artificial intelligence learning method for diagnosing tendon damage>, and <artificial intelligence system> with such artificial intelligence learning, And <tendon damage diagnosis method> and <tendon damage diagnosis system> for diagnosing tendon damage using such an artificial intelligence learning method and artificial intelligence system.
사장교, 현수교 등과 같은 케이블 교량에 설치된 케이블을 이루거나 또는 기타 다른 형식의 교량이나 거더에 긴장력을 도입하기 위한 텐던(tendon/ 강재 긴장재)의 부식 내지 손상 여부 등을 파악하기 위한 기술로서, 대한민국 등록특허 제10-2178721호를 통해서는 유도전압 측정을 이용한 텐던의 손상 탐지 기술에 제안되어 있으며, 대한민국 등록특허 제10-2275062호, 제10-2292726호, 제10-2312616호 등을 통해서는 이러한 기술에 기반한 구체적인 텐던진단장치가 제안되어 있다. 도 1에는 대한민국 등록특허 제10-2275062호의 텐던진단장치에 대한 개략도가 도시되어 있고, 도 2에는 대한민국 등록특허 제10-2292726호의 텐던진단장치에 대한 개략도가 도시되어 있다. 해외의 관련 기술로는 일본 공개특허 특개2020-183897호가 있다. A technology for identifying corrosion or damage of tendons (tendons/steel tension members) for forming cables installed in cable bridges such as cable-stayed bridges and suspension bridges or introducing tension to other types of bridges or girders, Korean registered patent No. 10-2178721 proposes a technique for detecting damage to tendons using induced voltage measurement, and Korean Patent Nos. 10-2275062, 10-2292726, and 10-2312616 disclose such techniques. A specific tendon diagnosis device based on this has been proposed. FIG. 1 shows a schematic view of a tendon diagnosis device of Korean Patent Registration No. 10-2275062, and FIG. 2 shows a schematic diagram of a tendon diagnosis device of Korean Patent Registration No. 10-2292726. As an overseas related technology, there is Japanese Unexamined Patent Publication No. 2020-183897.
위 대한민국 등록특허 제10-2275062호, 제10-2292726호 및 제10-2312616호에서 제안하고 있는 텐던진단장치는 기본적으로 공통적인 구성을 가지고 있으며, 케이블 교량에 설치된 케이블을 이루는 텐던은 물론이고, 기타 다른 형식의 교량이나 거더의 내부 또는 외부에 배치되어 긴장력을 도입하기 위한 텐던에 대하여 부식, 불량 등의 손상을 탐지하여 그 상태를 진단하는 것이다. 따라서 청구범위를 포함하는 본 명세서에서 "텐던"은 사장교, 현수교 등과 같은 케이블 교량에 설치된 케이블을 이루는 텐던 뿐만 아니라, 기타 다른 형식의 교량이나 거더에 구비되어 긴장력이 도입되는 텐던을 모두 포함하는 의미로 이해되어야 한다. 또한 본 명세서에서 "손상"은 텐던의 부식, 불량, 절단 등의 다양한 이상 상태를 모두 포함하는 의미로 이해되어야 한다. 그리고 후술하는 바와 같이 본 발명에서는 위 대한민국 등록특허 제10-2275062호, 제10-2292726호 및 제10-2312616호의 텐던진단장치에 의해 측정된 결과를 이용할 수 있다. 따라서 본 발명이 적용되는 마그네틱 텐던진단장치는 대한민국 등록특허 제10-2275062호, 제10-2292726호 및 제10-2312616호에서 제안하고 있는 텐던진단장치 내지 이와 동일한 측정원리를 가지는 장치를 의미하는 것으로 이해되어야 한다. The tendon diagnostic devices proposed in Korean Patent Registration Nos. 10-2275062, 10-2292726, and 10-2312616 have a basically common configuration, as well as tendons constituting cables installed on cable bridges, It is to diagnose the condition by detecting damage such as corrosion and defects on the tendon for introducing tension placed inside or outside of other types of bridges or girders. Therefore, in this specification including the claims, "tendon" means not only tendons constituting cables installed in cable bridges such as cable-stayed bridges and suspension bridges, but also tendons provided in other types of bridges or girders to introduce tension. It should be understood. In addition, in this specification, "damage" should be understood as meaning including all of various abnormal conditions such as corrosion, failure, and cutting of the tendon. And as will be described later, in the present invention, the results measured by the tendon diagnostic devices of the above Korean Patent Registration Nos. 10-2275062, 10-2292726 and 10-2312616 can be used. Therefore, the magnetic tendon diagnostic device to which the present invention is applied refers to a tendon diagnostic device proposed in Korean Patent Registration Nos. 10-2275062, 10-2292726 and 10-2312616 or a device having the same measuring principle It should be understood.
상기한 텐던진단장치에서는, 텐던 시편을 따라 이동하면서 측정점마다 자기장의 변화에 따른 유도전압을 측정하고, 유도전압 측정값을 단차 형태의 그래프로 표현할 수 있는 수학적 함수를 도출하여, "텐던의 유도전압 이론값"과 "텐던의 유도전압 실제 측정값"을 대비하여 이들 간의 오차를 최소화시킬수 있는 손상계수를 산출함으로써, 이를 토대로 텐던의 손상 발생 여부, 손상 정도 및 손상 발생 위치를 파악하는 방식을 이용하고 있고, 위와 같은 종래의 방식은 매우 유용한 진단 결과를 제시한다. In the tendon diagnosis device described above, the induced voltage according to the change in the magnetic field is measured at each measurement point while moving along the tendon specimen, and a mathematical function that can express the measured value of the induced voltage as a graph in the form of a step is derived, By comparing the "theoretical value" and "the actual measured value of the induced voltage of the tendon", the damage coefficient that can minimize the error between them is calculated, and based on this, it is used to determine whether the tendon is damaged, the degree of damage, and the location of the damage. , and the above conventional method presents very useful diagnostic results.
최근의 기술 발전 추세에서는, 취득된 데이터에 대하여 딥러닝 방식의 인공지능 즉, AI를 활용하여 원하는 판단 결과를 도출하는 기술이 주목받고 있다. 이러한 기술의 일예로서는 인공지능 학습 모델을 이용하여 덕트의 공동을 탐지하는 매우 유용한 기술인 대한민국 등록특허 제10-2241879호 등이 존재한다. 마그네틱 텐던진단장치에 의해 취득된 데이터에 대해서도 위와 같은 딥러닝 방식의 AI를 활용하여 텐던의 손상여부에 대한 신뢰성 있는 진단 결과를 도출하려면 충분한 량의 학습데이터가 확보될 필요가 있다. 그러나 비용이나 시간적인 제약, 교량 등의 시설물을 관리하는 관리주체의 협조 부족 등으로 인하여 실제 교량에 구비된 텐던에 마그네틱 텐던진단장치를 실제로 설치하여 데이터를 취득할 수 있는 경우의 수에는 한계가 있다. 또한 실제 교량이나 거더 등의 구조물에 구비된 텐던에 대한 실측 데이터를 취득하더라도 사용 중인 텐던의 실제 손상 여부를 확인하는 것이 불가능하므로 학습데이터로서 활용이 사실상 어렵다. 따라서 딥러닝 방식의 AI를 활용한 텐던진단 결과를 도출하기 위해서는 제한된 실험 데이터를 활용하여 학습을 수행해야 하지만 실험 데이터로는 충분한 학습데이터를 확보하기가 어렵다. 특히 현장의 텐던을 대신하여 텐던을 모사한 실험체에 마그네틱 텐던진단장치를 설치하여 데이터를 취득하더라도, 이러한 텐던을 모사한 실험체 역시 제작에는 상당한 비용과 시간이 소요되고, 실제 마그네틱 텐던진단장치를 설치하여 데이터를 취득할 수 있는 경우의 수에도 한계가 존재할 수밖에 없다. 결국 실제 텐던이나 또는 텐던을 모사한 실험체에 마그네틱 텐던진단장치를 설치하여 데이터를 취득하는 방법에 의해서는, 딥러닝 방식의 AI를 활용한 텐던진단 결과를 도출할 수 있을 만큼의 충분한 학습데이터를 확보하는데 현실적으로 큰 어려움이 있는 것이다. In the recent trend of technological development, a technique of deriving a desired judgment result by using deep learning artificial intelligence, that is, AI, for acquired data is attracting attention. As an example of such technology, there is a very useful technology for detecting a cavity of a duct using an artificial intelligence learning model, such as Republic of Korea Patent Registration No. 10-2241879. For the data acquired by the magnetic tendon diagnosis device, it is necessary to secure a sufficient amount of learning data in order to derive a reliable diagnosis result on whether or not the tendon is damaged by using the AI of the deep learning method as described above. However, there is a limit to the number of cases in which data can be acquired by actually installing the magnetic tendon diagnosis device on the tendon provided on the actual bridge due to cost or time constraints, and lack of cooperation from the management body that manages the facilities such as bridges. . In addition, even if actually measured data on tendons provided in structures such as bridges or girders is obtained, it is impossible to determine whether or not the tendons are actually damaged, so it is practically difficult to utilize them as learning data. Therefore, in order to derive tendon diagnosis results using deep learning-type AI, learning must be performed using limited experimental data, but it is difficult to secure sufficient learning data with experimental data. In particular, even if data are obtained by installing a magnetic tendon diagnosis device on a tendon-simulating test object instead of a tendon in the field, considerable cost and time are required to manufacture the test object that simulates such a tendon, There are bound to be limits to the number of cases in which data can be acquired. In the end, by installing a magnetic tendon diagnosis device on an actual tendon or a test subject that mimics a tendon to obtain data, sufficient learning data can be obtained to derive tendon diagnosis results using deep learning AI. It is a real difficulty in doing so.
본 발명은 위에서 설명한 종래 기술의 어려움과 문제점을 해소하기 위하여 개발된 것으로서, 마그네틱 텐던진단장치에 의해 취득된 데이터에 대하여 딥러닝 방식의 AI를 활용하여 텐던의 손상여부에 대한 신뢰성 있는 진단 결과를 도출함에 있어서, 실물 텐던 또는 텐던을 모사한 실험체에 마그네틱 텐던진단장치를 실제로 설치하여 취득할 수 있는 원본 학습데이터의 수가 불충분하여 AI 학습에 필요한 정도에 미치지 못하게 되는 한계를 극복할 수 있는 기술을 제공하는 것을 목적으로 한다. The present invention was developed to solve the difficulties and problems of the prior art described above, and uses AI of deep learning method for the data acquired by the magnetic tendon diagnosis device to derive reliable diagnosis results for damage to the tendon In doing so, the number of original learning data that can be acquired by actually installing a magnetic tendon diagnosis device on a real tendon or a test object that simulates a tendon is insufficient, which is to provide a technology that can overcome the limitations of falling short of the required level for AI learning. aims to
즉, 본 발명은 실물 텐던 또는 텐던을 모사한 실험체에 마그네틱 텐던진단장치를 실제로 설치하여 취득할 수 있는 원본 학습데이터의 수가 불충분할지라도, 마그네틱 텐던진단장치에 의해 취득된 데이터에 대하여 딥러닝 방식의 AI를 활용하여 텐던의 손상여부에 대한 신뢰성 있는 진단 결과를 도출할 수 있게 하는 기술을 제공하는 것을 목적으로 하는 것이다. That is, although the number of original learning data that can be obtained by actually installing the magnetic tendon diagnosis device on a real tendon or a test subject that simulates the tendon is insufficient, the deep learning method for the data acquired by the magnetic tendon diagnosis device Its purpose is to provide a technology that can derive reliable diagnostic results for tendon damage using AI.
위와 같은 과제를 달성하기 위하여 본 발명에서는, 실측 대상 텐던의 진단구간에 대한 마그네틱 텐던진단장치의 텐던 스캔을 통해서 진단구간 측정위치에 따른 측정값의 원본 학습데이터를 취득하는 단계(단계 S1); 상기 원본 학습데이터에서 진단구간 내에 존재하는 텐던 손상 위치를 모두 계수한 하여 손상위치의 총수를 파악하고, 1부터 손상위치의 총수까지의 각 자연수에 해당하는 개수의 텐던 손상위치가 진단구간 내에서 서로 이웃하게 존재하는 경우를 추출하는 단계(단계 S2); 추출된 손상위치의 개수와 연속배치 형태가 조합된 경우의 각각에 대하여, 진단 구간 전체에서 각각의 경우에 해당하는 손상만이 존재하고 그 존재 위치가 각각 상이한 형태의 추가 학습데이터를 생성하는 단계(단계 S3); 및 상기 단계 S1을 통해서 취득한 원본 학습데이터와 상기 단계 S3에 의해 생성한 추가 학습데이터를 이용하여 딥러닝에 기반한 인공지능 학습을 수행하는 단계(단계 S4)를 포함하는 것을 특징으로 하는 텐던의 손상진단을 위한 인공지능 학습방법이 제공된다. In order to achieve the above object, in the present invention, acquiring original learning data of measurement values according to the measurement position of the diagnosis section through the tendon scan of the magnetic tendon diagnostic device for the diagnosis section of the tendon to be measured (step S1); In the original learning data, all tendon damage locations existing within the diagnosis section are counted to determine the total number of damage locations, and the number of tendon damage locations corresponding to each natural number from 1 to the total number of damage locations is mutually determined within the diagnosis section. Extracting cases that exist next to each other (step S2); For each of the cases in which the number of extracted damage locations and the continuous arrangement form are combined, only the damage corresponding to each case exists in the entire diagnosis section and generating additional learning data of different types of existence locations ( Step S3); And performing artificial intelligence learning based on deep learning using the original training data acquired through the step S1 and the additional learning data generated by the step S3 (step S4). An artificial intelligence learning method for
또한 본 발명에서는 상기한 목적을 달성하기 위하여, 실측 대상 텐던의 진단구간에 대한 마그네틱 텐던진단장치의 텐던 스캔을 통해서 진단구간 측정위치에 따른 측정값을 수신하여 원본 학습데이터를 취득하는 원본 학습데이터 취득모듈; 상기 원본 학습데이터에서 진단구간 내에 존재하는 텐던 손상 위치를 모두 계수한 하여 손상위치의 총수를 파악하고, 1부터 손상위치의 총수까지의 각 자연수에 해당하는 개수의 텐던 손상위치가 진단구간 내에서 서로 이웃하게 존재하는 경우를 추출하는 손상위치 개수/연속배치 형태 조합 추출모듈; 추출된 손상위치의 개수와 연속배치 형태가 조합된 경우의 각각에 대하여, 진단 구간 전체에서 각각의 경우에 해당하는 손상만이 존재하고 그 존재 위치가 각각 상이한 형태의 추가 학습데이터를 생성하는 추가 학습데이터 생성모듈; 및 취득한 원본 학습데이터와 생성된 추가 학습데이터를 이용하여 딥러닝에 기반한 인공지능 학습을 수행하는 인공지능 학습모듈을 포함하는 것을 특징으로 하는 텐던의 손상진단을 위한 인공지능 학습시스템이 제공된다. In addition, in the present invention, in order to achieve the above object, through the tendon scan of the magnetic tendon diagnostic device for the diagnostic section of the tendon to be measured, the original learning data acquisition to obtain the original learning data by receiving the measured value according to the measurement position of the diagnostic section module; In the original learning data, all tendon damage locations existing within the diagnosis section are counted to determine the total number of damage locations, and the number of tendon damage locations corresponding to each natural number from 1 to the total number of damage locations is mutually determined within the diagnosis section. Damage location number/sequential arrangement type combination extraction module for extracting cases that exist next to each other; For each of the cases in which the number of extracted damage locations and the continuous arrangement form are combined, only damage corresponding to each case exists in the entire diagnosis section, and additional learning that generates additional learning data of different types of existence locations. data generation module; And an artificial intelligence learning module for performing artificial intelligence learning based on deep learning using the acquired original learning data and the generated additional learning data. An artificial intelligence learning system for diagnosing tendon damage is provided.
또한 본 발명에서는 상기한 목적을 달성하기 위하여, 텐던에 대한 손상 여부를 진단하는 방법으로서, 상기한 본 발명에 따라 텐던의 손상진단을 위한 인공지능 학습방법에 따라 학습이 이루어진 인공지능 시스템을 이용하는데; 진단 대상 텐던에 대한 현장 실측에 의한 분석대상 데이터의 취득 단계(단계 A); 및 상기한 학습이 이루어진 인공지능 시스템을 이용하여, 상기 취득된 분석대상 데이터를 분석함으로써 진단구간 내의 텐던 손상 위치를 모두 계수하는 손상 진단 단계(단계 B)를 포함하는 것을 특징으로 하는 텐던의 손상진단 방법이 제공되며, 더 나아가, 교량의 텐던에 대한 손상 여부를 진단하는 시스템으로서, 상기한 본 발명에 따라 학습이 이루어진 인공지능 시스템을 포함하며; 진단 대상 텐던에 대한 현장 실측에 의해 취득된 분석대상 데이터를 수신하는 현장 실측 데이터 수신 모듈; 및 취득된 현장 실측 데이터에 대하여 상기 인공지능 시스템을 실행시켜서 손상 개소의 개수를 계수하여 텐던의 손상여부를 파악하는 손상 판단 모듈을 더 포함하는 것을 특징으로 하는 텐던의 손상진단 시스템이 제공된다. In addition, in the present invention, in order to achieve the above object, as a method for diagnosing damage to the tendon, an artificial intelligence system learned according to the artificial intelligence learning method for diagnosing damage to the tendon according to the present invention is used. ; Acquisition of analysis target data by on-site measurement of a tendon to be diagnosed (step A); and a damage diagnosis step (step B) of counting all tendon damage locations within a diagnosis section by analyzing the acquired data to be analyzed using an artificial intelligence system in which the above learning has been performed. Tendon damage diagnosis comprising: A method is provided, and furthermore, a system for diagnosing damage to the tendon of a bridge, including an artificial intelligence system learned according to the present invention described above; a field measurement data receiving module for receiving analysis target data obtained by field measurement of a tendon to be diagnosed; and a damage determination module configured to determine whether or not the tendon is damaged by counting the number of damaged areas by executing the artificial intelligence system on the acquired field measurement data.
본 발명에 의하면, 마그네틱 텐던진단장치에 의해 취득된 데이터에 대하여 딥러닝 방식의 AI(인공지능) 시스템을 활용하여 텐던의 손상여부에 대한 신뢰성 있는 진단 결과를 도출함에 있어서, 텐던 또는 텐던을 모사한 실험체에 마그네틱 텐던진단장치를 실제로 설치하여 취득할 수 있는 원본 학습데이터의 수가 적을 지라도, 원본 학습데이터에 기반한 추가적인 학습데이터를 더 생성하여 인공지능 학습을 수행하게 되는 바, 충분한 정도로 인공지능 학습이 이루어지게 되고, 본 발명에 따라 학습된 인공지능 시스템을 통해서 텐던의 손상여부에 대한 신뢰성 있는 진단 결과를 도출할 수 있게 되는 효과가 발휘된다. According to the present invention, in deriving a reliable diagnosis result on whether or not a tendon is damaged by using a deep learning AI (artificial intelligence) system for data acquired by a magnetic tendon diagnosis device, a tendon or a tendon that mimics Even if the number of original learning data that can be acquired by actually installing the magnetic tendon diagnosis device in the test object is small, artificial intelligence learning is performed by generating additional learning data based on the original learning data, so artificial intelligence learning is achieved to a sufficient extent. And, through the artificial intelligence system learned according to the present invention, the effect of being able to derive reliable diagnostic results for whether or not the tendon is damaged is exhibited.
도 1 및 도 2는 각각 본 발명에서 이용하는 종래 기술에 따른 텐던진단장치에 대한 개략도이다.
도 3은 본 발명에 따른 텐던의 손상진단을 위한 인공지능 학습방법의 각 단계를 보여주는 개략적인 흐름도이다.
도 4는 본 발명에 따른 텐던의 손상진단을 위한 인공지능 학습시스템의 구성을 보여주는 개략도이다.
도 5는 진단구간 측정위치에 따른 측정값의 원본 학습데이터의 일예에 대한 개략적인 그래프도이다.
도 6은 1개의 텐던 손상위치가 진단구간 내에 존재하는 모든 경우를 도 5에 추가적으로 더 표현한 그래프도이다.
도 7은 2개의 텐던 손상위치가 진단구간 내에 존재하는 모든 경우를 도 5에 추가적으로 더 표현한 그래프도이다.
도 8은 5개의 텐던 손상위치가 진단구간 내에 존재하는 모든 경우를 도 5에 추가적으로 더 표현한 그래프도이다.
도 9는 6개의 텐던 손상위치가 진단구간 내에 존재하는 모든 경우를 도 5에 추가적으로 더 표현한 그래프도이다.
도 10 및 도 11는 각각 1개의 텐던 손상위치가 진단구간 내에 이웃하게 존재하는 경우를 이용하여 추가 학습데이터를 생성한 것의 예를 보여주는 도 5에 대응되는 그래프도이다.
도 12 및 도 13은 각각 2개의 텐던 손상위치가 진단구간 내에 이웃하게 존재하는 경우를 이용하여 추가 학습데이터를 생성한 것의 예를 보여주는 도 5에 대응되는 그래프도이다.
도 14 및 도 15는 각각 5개의 텐던 손상위치가 진단구간 내에 이웃하게 존재하는 경우를 이용하여 추가 학습데이터를 생성한 것의 예를 보여주는 도 5에 대응되는 그래프도이다.
도 16은 본 발명에 따른 텐던의 손상진단 시스템의 구성을 보여주는 개략도이다.
도 17은 본 발명에 따른 텐던의 손상진단 방법의 각 단계를 보여주는 개략적인 흐름도이다. 1 and 2 is a schematic diagram of a tendon diagnostic device according to the prior art used in the present invention, respectively.
Figure 3 is a schematic flow chart showing each step of the artificial intelligence learning method for diagnosing damage to tendons according to the present invention.
4 is a schematic diagram showing the configuration of an artificial intelligence learning system for diagnosing damage to a tendon according to the present invention.
5 is a schematic graph diagram of an example of original learning data of measurement values according to measurement positions of diagnosis sections.
FIG. 6 is a graph showing all cases in which one tendon damage location is present in a diagnosis section in addition to FIG. 5 .
FIG. 7 is a graph showing all cases in which two tendon damage locations exist within a diagnosis section in addition to FIG. 5 .
FIG. 8 is a graph showing all cases in which five tendon damage locations are present in a diagnosis section in addition to FIG. 5 .
FIG. 9 is a graph showing all cases in which six tendon damage locations are present in a diagnosis section, in addition to FIG. 5 .
10 and 11 are graphs corresponding to FIG. 5 showing an example of generating additional learning data using a case in which one tendon damage location is located adjacent to a diagnosis section.
12 and 13 are graphs corresponding to FIG. 5 showing an example of generating additional learning data using a case in which two tendon damage locations are adjacent to each other within a diagnosis section.
14 and 15 are graphs corresponding to FIG. 5 showing an example of generating additional learning data using a case in which five tendon damage locations are adjacent to each other within a diagnosis section.
16 is a schematic diagram showing the configuration of a system for diagnosing damage to a tendon according to the present invention.
17 is a schematic flowchart showing each step of a method for diagnosing damage to a tendon according to the present invention.
이하, 본 발명의 바람직한 실시예를 첨부한 도면을 참조하여 설명한다. 본 발명은 도면의 실시예를 참고로 설명되었으나 이는 하나의 실시예로서 설명되는 것이며, 이것에 의해 본 발명의 기술적 사상과 그 핵심 구성 및 작용이 제한되지 않는다. 본 명세서에서는 편의상 교량에 사용되는 실제 텐던과, 이러한 텐던을 모사한 실험체의 모두를 통칭하여 "실측 대상 텐던"이라고 기재한다. Hereinafter, preferred embodiments of the present invention will be described with reference to the accompanying drawings. The present invention has been described with reference to the embodiments of the drawings, but this is described as one embodiment, whereby the technical spirit of the present invention and its core configuration and operation are not limited. In this specification, for convenience, all of the actual tendons used in bridges and specimens simulating these tendons are collectively referred to as “tensions to be measured”.
도 3에는 본 발명에 따른 텐던의 손상진단을 위한 인공지능 학습방법의 각 단계를 보여주는 개략적인 흐름도가 도시되어 있고, 도 4에는 본 발명에 따른 텐던의 손상진단을 위한 인공지능 학습시스템의 구성을 보여주는 개략도가 도시되어 있다. 3 is a schematic flowchart showing each step of the artificial intelligence learning method for diagnosing damage to a tendon according to the present invention, and FIG. 4 shows the configuration of an artificial intelligence learning system for diagnosing damage to a tendon according to the present invention. A schematic diagram is shown.
구체적으로 본 발명에 따른 <텐던의 손상진단을 위한 인공지능 학습시스템>(100)은 원본 학습데이터 취득모듈(1), 손상위치 개수/연속배치 형태 조합 추출모듈(2), 추가 학습데이터 생성모듈(3) 및 인공지능 학습모듈(4)을 포함하여 구성된다, Specifically, the <artificial intelligence learning system for diagnosing damage to a tendon> 100 according to the present invention includes an original learning data acquisition module (1), a module for extracting a combination of the number of damage locations/continuous arrangement (2), and an additional learning data generation module. (3) and artificial intelligence learning module (4),
그리고 본 발명에 따른 <텐던의 손상진단을 위한 인공지능 학습방법>은 구체적으로 아래의 방법 단계를 순차적으로 포함한다. And <artificial intelligence learning method for diagnosing damage to a tendon> according to the present invention specifically includes the following method steps sequentially.
1) 마그네틱 텐던진단장치를 이용한 실측 대상 텐던으로부터의 원본 학습데이터 취득 단계(단계 S1)1) Acquisition of original learning data from the tendon to be measured using a magnetic tendon diagnosis device (step S1)
실측 대상 텐던에 마그네틱 텐던진단장치를 실제로 설치하여 원본 학습데이터를 취득한다. 앞서 언급한 것처럼 본 발명이 적용되는 마그네틱 텐던진단장치는 대한민국 등록특허 제10-2275062호, 제10-2292726호 및 제10-2312616호에서 제안하고 있는 텐던진단장치 내지 이와 동일한 측정원리를 가지는 장치를 의미하는 바, 위 대한민국 등록특허 제10-2275062호, 제10-2292726호 및 제10-2312616호의 텐던진단장치에 의해 측정된 결과가 원본 학습데이터에 해당할 수 있다. The original learning data is acquired by actually installing the magnetic tendon diagnosis device on the tendon to be measured. As mentioned above, the magnetic tendon diagnosis device to which the present invention is applied is a tendon diagnosis device proposed in Korean Patent Registration Nos. 10-2275062, 10-2292726 and 10-2312616 or a device having the same measurement principle This means that the results measured by the tendon diagnostic devices of Korean Patent Registration Nos. 10-2275062, 10-2292726 and 10-2312616 may correspond to the original learning data.
구체적으로 마그네틱 텐던진단장치를 실측 대상 텐던에 설치하고, 텐던의 연장된 방향("이동측정방향")을 따라 사전에 설정된 구간("진단구간")에서 마그네틱 텐던진단장치를 이동시키면서 마그네틱 텐던진단장치에 구비된 1차 코일에 교류를 인가하고 2차 코일에 의해서는 유도전압을 측정하는 <텐던 스캔 작업>을 수행한다. 이러한 텐던 스캔 작업의 결과로 취득된 <진단구간 내의 측정위치에 따른 측정값>은 "원본 학습데이터 취득모듈(1)"로 수집되어 취합되고, 원본 학습데이터 취득모듈(1)에서는 수집된 측정값의 데이터 즉, <진단구간 내의 측정위치에 따른 측정값>의 데이터에 대해, 잡음 등을 제거하는 필터링 작업 등의 신호처리 작업을 수행하며, 그에 따라 <진단구간 측정위치에 따른 측정값의 원본 학습데이터>를 취득하게 된다. 여기서 마그네틱 텐던진단장치를 이용한 이러한 텐던 스캔 작업의 결과로 취득된 측정값은 "유도전류 값"일 수 있으나, 유도전류 값을 다른 물리량의 형태로 변환한 값이거나 또는 유도전류 값과 균등한 또다른 물리량일 수도 있다. Specifically, the magnetic tendon diagnosis device is installed on the tendon to be measured, and the magnetic tendon diagnosis device is moved while moving the magnetic tendon diagnosis device in a pre-set section ("diagnosis section") along the extended direction of the tendon ("movement measurement direction"). An alternating current is applied to the primary coil provided in and a <tendon scan operation> is performed to measure the induced voltage by the secondary coil. The <measurement value according to the measurement position in the diagnosis section> acquired as a result of this tendon scan work is collected and collected by the "original learning data acquisition module (1)", and the measurement value collected in the original learning data acquisition module (1) Signal processing such as filtering to remove noise is performed on the data of <measurement value according to the measurement position in the diagnosis section>, and accordingly, the original learning of the measurement value according to the measurement position in the diagnosis section is performed. data> is acquired. Here, the measured value obtained as a result of the tendon scan operation using the magnetic tendon diagnosis device may be an "induced current value", but may be a value obtained by converting the induced current value into another physical quantity, or another value equivalent to the induced current value. It may be a physical quantity.
2) 원본 학습데이터로부터 손상위치의 개수와 손상위치의 연속배치 형태가 조합된 경우를 추출하는 단계(단계 S2)2) Extracting the case where the number of damaged locations and the continuous arrangement of damaged locations is combined from the original learning data (step S2)
상기한 단계 S1을 수행하여 취득한 <진단구간 측정위치에 따른 측정값의 원본 학습데이터>는 도 5에 도시된 것과 같이, 가로축은 진단구간을 나타내고 세로축은 측정값을 나타내는 그래프도로서 표현될 수 있다. 도 5의 그래프도에서 오목한 극소점에 해당하는 위치가 "텐던 손상위치"에 해당하게 된다. 즉, <진단구간 측정위치에 따른 측정값의 원본 학습데이터>를 상기한 형태의 그래프도로 표현한다고 가정하였을 때, 텐던으로부터의 측정값이 그래프도 상의 극소점으로 표현되는 측정위치가 진단구간에서의 <텐던 손상위치>에 해당하는 것이다. 따라서 진단구간 내에 존재하는 텐던 손상위치의 개수를 모두 세어서 계수한 숫자가 <손상위치의 총수(總數)>가 된다. 비록 위에서는 그래프도(圖)를 예시하여 <진단구간 측정위치에 따른 측정값의 원본 학습데이터>로부터 텐던 손상위치를 파악하고, 손상위치의 총수를 계수하는 것으로 설명하였으나, 다양한 방법에 의해 텐던 손상위치의 파악과 손상위치의 총수 파악을 진행할 수 있다. The <original learning data of measurement values according to the measurement location of the diagnosis section> acquired by performing the above step S1 can be expressed as a graph in which the horizontal axis indicates the diagnosis section and the vertical axis indicates the measured value, as shown in FIG. . In the graph of FIG. 5, the position corresponding to the concave minimum point corresponds to the "tendon damage position". That is, assuming that the <original learning data of measured values according to the measurement position of the diagnosis section> is expressed in the above-described graph, the measurement position where the measured value from the tendon is expressed as a minimum point on the graph is It corresponds to the <tendon damage location>. Therefore, the number obtained by counting all the number of tendon damage sites existing in the diagnosis section becomes the <total number of damage sites>. Although the graph above was exemplified and explained as identifying the tendon damage location from <original learning data of measurement values according to the measurement location of the diagnosis section> and counting the total number of damage locations, tendon damage by various methods It is possible to determine the location and the total number of damaged locations.
이와 같이 진단구간 측정위치에 따른 측정값의 원본 학습데이터에 대하여 <텐던 손상위치>의 파악 및 <손상위치의 총수>의 계수가 이루어지면, 1부터 손상위치의 총수까지의 각 자연수에 해당하는 개수의 텐던 손상위치가 진단구간 내에서 서로 이웃하게 존재하는 경우를 파악하여 손상위치의 개수와 연속배치 형태가 조합된 다양한 경우를 추출한다. 즉, 손상위치의 총수가 N이라고 하면, 1과 N을 포함하여 1부터 N까지 각각의 자연수에 해당하는 개수의 텐던 손상위치가 진단구간 내에서 서로 이웃하게 존재하게 되는 다양한 조합의 경우를 만들어내는 것이다. 이 때 가능한 모든 경우를 다 파악하여 추출하는 것이 바람직하다. In this way, if the identification of <tendon damage location> and the counting of <the total number of damage locations> are made for the original learning data of the measured value according to the measurement location of the diagnosis section, the number corresponding to each natural number from 1 to the total number of damage locations By figuring out the cases where the tendon damage locations of are located next to each other within the diagnosis section, various cases in which the number of damage locations and the type of continuous arrangement are combined are extracted. That is, if the total number of damage locations is N, the number of tendon damage locations corresponding to each natural number from 1 to N, including 1 and N, exists next to each other within the diagnosis section. will be. At this time, it is desirable to identify and extract all possible cases.
예를 들어, 도 5에서 원문자①부터 원문자⑥로 각각 표시된 총 6개의 텐던 손상위치가 진단구간 내에 존재하는 경우, 손상위치의 총수는 6이 되는데, 이러한 예시에서는 1부터 6까지의 각각의 자연수에 해당하는 개수의 텐던 손상위치가 진단구간 내에 서로 이웃하게 존재하는 모든 경우를 만들어낸다. For example, in FIG. 5, when a total of 6 tendon damage locations, each indicated by
우선 자연수 1에 해당하는 개수의 텐던 손상위치가 진단구간 내에 서로 이웃하게 존재하는 모든 경우는 6개가 된다. 도 6에는 도 5의 도면에 추가적으로 자연수 1에 해당하는 개수의 텐던 손상위치가 진단구간 내에 존재하는 모든 경우를 각각 1-①, 1-②, 1-③, 1-④, 1-⑤ 및 1-⑥의 형태로 기재하여 더 추가 도시한 그래프도가 도시되어 있다. First of all, all cases in which the number of tendon damage locations corresponding to the
다음으로 자연수 2에 해당하는 개수의 텐던 손상위치가 진단구간 내에 서로 이웃하게 존재하는 모든 경우는 5개가 된다. 도 7에는 도 5의 도면에 추가적으로 자연수 2에 해당하는 개수 즉, 2개의 텐던 손상위치가 진단구간 내에 서로 이웃하게 존재하는 모든 경우를 각각 2-①,② / 2-②,③ / 2-③,④ / 2-④,⑤ / 2-⑤,⑥의 형태로 기재하여 더 추가 도시한 그래프도가 도시되어 있다. 여기서 예를 들어 2-②,③라고 기재하였을 때, 앞의 2는 2개의 텐던 손상위치가 진단구간 내에 서로 이웃하게 존재한다는 의미이고, 뒤에 ②,③라고 기재한 것은 도 6에서 원문자②의 손상 위치와, 원문자③의 손상 위치가 서로 이웃하게 존재한다는 의미이다. Next, all cases in which the number of tendon damage locations corresponding to the
자연수 3에 해당하는 개수 즉, 3개의 텐던 손상위치가 진단구간 내에 서로 이웃하게 존재하는 모든 경우는 4개가 되며, 자연수 4에 해당하는 개수 즉, 4개의 텐던 손상위치가 진단구간 내에 서로 이웃하게 존재하는 모든 경우는 2개가 된다. 그리고 자연수 5에 해당하는 개수 즉, 5개의 텐던 손상위치가 진단구간 내에 서로 이웃하게 존재하는 모든 경우는 2개가 되며, 자연수 6에 해당하는 개수 즉, 6개의 텐던 손상위치가 진단구간 내에 서로 이웃하게 존재하는 모든 경우는 1개가 된다. 도 8에는 도 5의 도면에 추가적으로 5개의 텐던 손상위치가 진단구간 내에 서로 이웃하게 존재하는 모든 경우를 각각 5-①,②,③,④,⑤ / 5-②,③,④,⑤,⑥의 형태로 기재하여 더 추가 도시한 그래프도가 도시되어 있고, 도 9에는 도 5의 도면에 추가적으로 6개의 텐던 손상위치가 진단구간 내에 서로 이웃하게 존재하는 모든 경우를 각각 6-①,②,③,④,⑤⑥의 형태로 기재하여 더 추가 도시한 그래프도가 도시되어 있다. 편의상 3개의 텐던 손상위치가 진단구간 내에 서로 이웃하게 존재하는 모든 경우와, 4개의 텐던 손상위치가 진단구간 내에 서로 이웃하게 존재하는 모든 경우를 보여주는 도 5 내지 도 8에 대응되는 그래프도의 도시는 생략하였다. All cases in which the number corresponding to the
이와 같은 단계 S2를 수행하게 되면, 원본 학습데이터로부터 1부터 손상위치의 총수까지의 자연수 각각에 해당하는 개수의 텐던 손상위치가 진단구간 내에서 서로 이웃하게 존재하는 모든 경우가 추출되는데, 이러한 손상위치의 개수와 연속배치 형태가 조합된 모든 경우를 추출하는 일련의 과정은 "손상위치 개수/연속배치 형태 조합 추출모듈(2)"에서 수행된다. When this step S2 is performed, all cases in which the number of tendon damage locations corresponding to each of the natural numbers from 1 to the total number of damage locations from the original training data exist adjacent to each other within the diagnosis section are extracted. These damage locations A series of processes of extracting all cases in which the number of and the continuous arrangement form are combined is performed in the “extracting
3) 추출된 손상위치의 개수와 연속배치 형태가 조합된 경우를 이용한 추가 학습데이터의 생성 단계(단계 S3)3) Generation of additional learning data using the case where the number of extracted damage locations and the continuous arrangement form are combined (step S3)
상기한 단계 S2의 수행에 의해 손상위치의 개수와 연속배치 형태가 조합된 경우가 추출되면, 후속하여 "추가 학습데이터 생성모듈(3)"에서는, 추출된 조합의 모든 경우 각각에 대하여, 진단구간 전체에서 각각의 경우에 해당하는 손상만이 존재하는 형태, 그리고 더 나아가 그 존재 위치가 각각 상이한 <추가 학습데이터>를 생성하게 된다. When the cases in which the number of damaged locations and the continuous arrangement form are combined are extracted by performing the above step S2, subsequently, in the "additional learning
도 10 및 도 11에는 각각 자연수 1에 해당하는 개수 즉, 1개의 텐던 손상위치가 진단구간 내에 이웃하게 존재하는 경우를 이용하여 추가 학습데이터를 생성한 것의 예를 보여주는 도 5에 대응되는 그래프도가 도시되어 있는데, 도 10 및 도 11에는 각각 1개의 텐던 손상위치가 진단구간 내에 존재하는 경우 중에서 도 5의 원문자①로 표시된 손상만이 진단구간 내에서 각각 다른 위치에 존재하는 형태의 추가 학습데이터를 생성한 것이 도시되어 있다. 도면에 도시된 것처럼 해당 개수의 텐던 손상위치만이 진단구간 내의 각각 다른 위치에 존재하고 진단구간의 나머지 구간은 수평한 형태의 그래프도가 그려질 수 있는 데이터를 "추가 학습데이터"로서 생성하는 것이다. 10 and 11 each show a graph corresponding to FIG. 5 showing an example of generating additional learning data using the case where the number corresponding to the
이와 마찬가지로 2개의 텐던 손상위치가 진단구간 내에 이웃하게 존재하는 경우를 이용해서도 추가 학습데이터를 생성하게 되는데, 도 12 및 도 13에는 각각 2개의 텐던 손상위치가 진단구간 내에 존재하는 경우를 이용하되 텐던 손상위치가 각각 상이한 형태의 추가 학습데이터를 생성한 것이 그래프도로서 도시되어 있고, 도 14 및 도 15에는 각각 5개의 텐던 손상위치가 진단구간 내에 존재하는 경우를 이용하되 텐던 손상위치가 각각 상이한 형태의 추가 학습데이터를 생성한 것이 그래프도로서 도시되어 있 있다. Similarly, additional learning data is generated even when two tendon damage locations are present adjacently within the diagnosis section. In FIGS. 12 and 13, the case where two tendon damage locations exist within the diagnosis section is used Generating additional learning data in different types of tendon damage locations is shown as a graph, and in FIGS. 14 and 15, a case in which five tendon damage locations exist within the diagnosis section is used, but the tendon damage locations are different. Generating the additional learning data in the form is shown as a graph.
위와 동일한 방식으로 다른 개수의 텐던 손상위치가 진단구간 내에 이웃하게 존재하는 경우를 이용해서도 추가 학습데이터를 생성하게 되고, 이러한 과정을 손상위치의 총수까지의 자연수에 해당하는 개수의 텐던 손상위치가 진단구간 내에 이웃하게 존재하는 경우까지 적용하여 각각 추가 학습데이터를 생성하게 된다. In the same way as above, additional learning data is generated even when a different number of tendon damage locations exist adjacently within the diagnosis section, and through this process, the number of tendon damage locations corresponding to the natural number up to the total number of damage locations Additional learning data is generated by applying up to cases that exist next to each other within the diagnosis section.
4) 원본 학습데이터와 추가 학습데이터를 이용한 딥러닝 활용 인공지능 학습 수행 단계(단계 S4)4) Performing artificial intelligence learning using deep learning using original learning data and additional learning data (step S4)
상기한 단계 S3의 수행 결과로 추가 학습데이터가 생성되면, 후속하여 "인공지능 학습모듈(4)"에서는 애초에 실측 대상 텐던에 대한 실제 측정에 의해 취득한 원본 학습데이터와 상기한 추가 학습데이터를 이용하여, 딥러닝에 기반한 인공지능 학습을 수행하게 된다. 이 때, 딥러닝 기법으로서 심층 신경망(Deep Neural Network; DNN), 얕은 신경망(Shallow Neural Network; SNN) 등을 활용할 수 있는데, 그 중에서도 SNN을 활용하는 것이 바람직하다. If additional learning data is generated as a result of performing step S3 described above, subsequently, in the "artificial
위에서 설명한 것처럼 본 발명에 따른 <텐던 손상 진단을 위한 인공지능 시스템>(100)은 원본 학습데이터 취득모듈(1), 손상위치 개수/연속배치 형태 조합 추출모듈(2), 추가 학습데이터 생성모듈(3) 및 인공지능 학습모듈(4)을 포함하여 구성되고, 본 발명에 따른 <텐던 손상 진단을 위한 인공지능 학습방법>에서는 위에서 설명한 단계 S1에서부터 단계 S4를 포함하는 구성을 가지고 있으므로, 비록 텐던 또는 텐던을 모사한 실험체에 마그네틱 텐던진단장치를 실제로 설치하여 취득할 수 있는 원본 학습데이터의 수가 종래 방식의 AI 학습에 필요한 정도에 미치지 못할 정도로 불충분하더라도, 텐던의 손상여부에 대한 신뢰성 있는 진단 결과를 도출할 수 있을 만큼 인공지능 학습이 이루어질 수 있게 되는 효과를 발휘하게 된다. As described above, the <artificial intelligence system for diagnosing tendon damage> (100) according to the present invention includes an original learning data acquisition module (1), a damage location number/continuous arrangement shape combination extraction module (2), and an additional learning data generation module ( 3) and artificial
본 발명에 따른 텐던의 손상진단 방법 및 텐던의 손상진단 시스템에서는, 손상 여부를 진단하려는 텐던("진단 대상 텐던")에 대해 현장 실측을 통해서 데이터를 취득하고, 상기한 본 발명의 인공지능 학습방법에 의해 학습이 이루어진 인공지능 시스템("학습된 인공지능 시스템")을 이용하여 취득된 현장 데이터를 분석함으로써, 해당 텐던에 대한 손상 여부를 진단하게 된다. In the method for diagnosing damage to a tendon and the system for diagnosing damage to a tendon according to the present invention, data is acquired through on-site measurement for a tendon ("diagnostic target tendon") to be diagnosed for damage, and the artificial intelligence learning method of the present invention described above By analyzing field data obtained using an artificial intelligence system learned by ("learned artificial intelligence system"), damage to the tendon is diagnosed.
구체적으로 텐던의 손상진단 시스템은 상기한 본 발명의 인공지능 학습방법에 따라 학습이 이루어진 인공지능 시스템(학습된 인공지능 시스템)을 포함하며, 이에 더하여 진단 대상 텐던에 대한 현장 실측에 의해 취득된 분석대상 데이터를 수신하는 <현장 실측 데이터 수신 모듈>(D1)과, 취득된 현장 실측 데이터에 대하여 상기한 <학습된 인공지능 학습시스템>을 실행시켜서 텐던의 손상 진단 여부를 파악(손상 개소의 개수를 계수)하는 <손상 판단 모듈>(D2)을 더 포함하는 구성을 가진다. 도 16에는 본 발명에 따른 텐던의 손상진단 시스템의 성을 보여주는 개략도가 도시되어 있다. Specifically, the tendon damage diagnosis system includes an artificial intelligence system (learned artificial intelligence system) in which learning is made according to the artificial intelligence learning method of the present invention described above, and in addition, analysis obtained by on-site measurement of the tendon to be diagnosed <Field Measurement Data Receiving Module> (D1) for receiving target data and <Learned AI Learning System> for the acquired field measurement data are executed to determine whether or not damage to the tendon is diagnosed (the number of damaged areas is measured). count) has a configuration that further includes a <damage determination module> (D2). 16 is a schematic diagram showing the nature of the system for diagnosing damage to a tendon according to the present invention.
도 17에는 본 발명에 따른 텐던의 손상진단 방법의 각 단계를 보여주는 개략적인 흐름도가 도시되어 있는데, 본 발명에 따른 텐던의 손상진단 방법에서는, 위에서 설명한 "학습된 인공지능 시스템"을 이용하게 된다. 구체적으로 본 발명에 따른 텐던의 손상진단 방법은 아래의 과정을 포함한다. 17 is a schematic flowchart showing each step of the method for diagnosing damage to a tendon according to the present invention. In the method for diagnosing damage to a tendon according to the present invention, the "learned artificial intelligence system" described above is used. Specifically, the method for diagnosing damage to a tendon according to the present invention includes the following process.
A) 진단 대상 텐던에 대한 현장 실측에 의한 분석대상 데이터 취득 단계(단계 A)A) Acquisition of data to be analyzed by on-site measurement of the tendon to be diagnosed (Step A)
손상 여부를 진단하려는 텐던 즉, 진단 대상 텐던에 마그네틱 텐던진단장치를 설치하고, 사전에 정해진 진단구간에서 <텐던 스캔 작업>을 수행하여, <진단구간 내의 측정위치에 따른 측정값>을 분석대상 데이터로서 취득한다. 취득된 분석대상 데이터는 <현장 실측 데이터 수신 모듈>로 전송된다.The magnetic tendon diagnosis device is installed on the tendon to be diagnosed for damage, that is, the tendon to be diagnosed, and <Tendon scan operation> is performed in the pre-determined diagnosis section, and <measured values according to the measurement position within the diagnosis section> are analyzed. acquire as The acquired data to be analyzed is transmitted to the <Field Measurement Data Receiving Module>.
B) 취득된 분석대상 데이터에 대한 학습된 인공지능 시스템 분석에 의한 손상 진단 단계(단계 B)B) Damage diagnosis step by analyzing the learned artificial intelligence system for the acquired data to be analyzed (step B)
위 단계 A를 통해서 취득된 분석대상 데이터 즉, 진단 대상 텐던으로부터 취득된 <진단구간 내의 측정위치에 따른 측정값>에 대하여, 본 발명의 인공지능 학습방법에 따라 학습된 인공지능 시스템을 이용하여 진단구간 내의 텐던 손상 위치를 모두 계수하게 된다. 즉, 텐던에 손상이 발생하였는지의 여부, 그리고 더 나아가 몇 개의 개소에 손상이 발생하였는지를 파악하게 되는 것이다. 이러한 텐던의 손상 진단 단계는 <손상 판단 모듈>에서 수행된다. Diagnosis using the artificial intelligence system learned according to the artificial intelligence learning method of the present invention for the data to be analyzed obtained through step A above, that is, the <measured value according to the measurement position in the diagnosis section> obtained from the tendon to be diagnosed All tendon damage locations within the interval are counted. That is, it is to determine whether or not damage has occurred to the tendon, and furthermore, how many parts have been damaged. This tendon damage diagnosis step is performed in the <damage determination module>.
위에서 살펴본 것처럼 본 발명에서는 마그네틱 텐던진단장치에 의해 취득된 데이터에 대하여 딥러닝 방식의 AI(인공지능) 시스템을 활용하여 텐던의 손상여부에 대한 신뢰성 있는 진단 결과를 도출함에 있어서, 텐던 또는 텐던을 모사한 실험체에 마그네틱 텐던진단장치를 실제로 설치하여 취득할 수 있는 원본 학습데이터의 수가 적을 지라도, 원본 학습데이터에 기반한 추가적인 학습데이터를 더 생성하여 인공지능 학습을 수행하게 되는 바, 충분한 정도로 인공지능 학습이 이루어지게 되고, 본 발명에 따라 학습된 인공지능 시스템을 통해서 텐던의 손상여부에 대한 신뢰성 있는 진단 결과를 도출할 수 있게 되는 효과가 발휘된다. As described above, in the present invention, in deriving a reliable diagnosis result on whether or not a tendon is damaged by using a deep learning AI (artificial intelligence) system for data acquired by the magnetic tendon diagnosis device, the tendon or tendon is simulated Even if the number of original learning data that can be acquired by actually installing the magnetic tendon diagnosis device in one specimen is small, artificial intelligence learning is performed by generating additional learning data based on the original learning data. This is done, and through the artificial intelligence system learned according to the present invention, the effect of being able to derive reliable diagnostic results for whether or not the tendon is damaged is exhibited.
참고로, 본 명세서에서는 본 발명과 관련하여 다수의 실시예, 및 특징을 설명함에 있어서, '모듈' 등의 용어는 일반적으로 컴퓨터 관련 엔터티(computer-related entity)를 의미할 수 있는데, 예를 들어, 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어 등을 의미할 수 있다.For reference, in this specification, in describing a number of embodiments and features in relation to the present invention, terms such as 'module' may generally mean a computer-related entity, for example , hardware, combination of hardware and software, software, etc.
특히, 청구범위를 포함한 본 명세서의 개시내용에서 동일 참조 부호는 동일 구성 요소를 지칭하며, 본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명은 생략되었다. 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들(실행 엔진)에 의해 수행될 수도 있으며, 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성할 수 있다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 그리고 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명되는 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다. 또한, 각 블록 또는 각 단계는 특정된 논리적 기능들을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈 또는 코드의 일부를 나타낼 수 있으며, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능하다. 예를 들면, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하며, 또한 그 블록들 또는 단계들이 필요에 따라 해당하는 기능의 역순으로 수행되는 것도 가능하다. 특히 본 명세서에서 사용되는 '모듈'이라는 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.In particular, in the disclosure of the present specification including the claims, the same reference numerals refer to the same components, and detailed descriptions of known functions or configurations are omitted in describing the embodiments of the present invention. Combinations of each block of the accompanying block diagram and each step of the flowchart may be performed by computer program instructions (execution engine), and these computer program instructions are executed by a processor of a general-purpose computer, special-purpose computer, or other programmable data processing equipment. Since it can be mounted, the instructions executed through a processor of a computer or other programmable data processing equipment can create means for performing the functions described in each block of the block diagram or each step of the flowchart. These computer program instructions may also be stored in a computer usable or computer readable memory that can be directed to a computer or other programmable data processing equipment to implement functionality in a particular way, such that the computer usable or computer readable memory The instructions stored in are also capable of producing an article of manufacture containing instruction means for performing the functions described in each block of the block diagram or each step of the flow chart. And since the computer program instructions can also be loaded on a computer or other programmable data processing equipment, a series of operating steps are performed on the computer or other programmable data processing equipment to create a computer-executed process to create a computer or other programmable data processing equipment. It is also possible that the instructions performing the data processing equipment provide steps for executing the functions described in each block of the block diagram and each step of the flow chart. Additionally, each block or each step may represent a module or portion of code that includes one or more executable instructions for executing specified logical functions, and in some alternative embodiments the functionality referred to in the blocks or steps. It is also possible that these occur out of sequence. For example, two blocks or steps shown in succession may in fact be performed substantially concurrently, or the blocks or steps may be performed in the reverse order of their corresponding functions, if necessary. In particular, the term 'module' used in this specification refers to a unit that processes at least one function or operation, and may be implemented as hardware or software, or a combination of hardware and software.
Claims (5)
상기 원본 학습데이터에서 진단구간 내에 존재하는 텐던 손상위치의 개수를 모두 세어서 계수함으로써 손상위치의 총수를 파악하고, 1부터 손상위치의 총수까지의 각 자연수에 해당하는 개수의 텐던 손상위치가 진단구간 내에서 서로 이웃하게 존재하는 경우를 추출하는 단계(단계 S2);
추출된 손상위치의 개수와 연속배치 형태가 조합된 경우의 각각에 대하여, 진단 구간 전체에서 각각의 경우에 해당하는 손상만이 존재하고 그 존재 위치가 각각 상이한 형태의 추가 학습데이터를 생성하는 단계(단계 S3); 및
상기 단계 S1을 통해서 취득한 원본 학습데이터와 상기 단계 S3에 의해 생성한 추가 학습데이터를 이용하여 딥러닝에 기반한 인공지능 학습을 수행하는 단계(단계 S4)를 포함하는 것을 특징으로 하는 텐던의 손상진단을 위한 인공지능 학습방법. Acquiring original learning data of measurement values according to the measurement position of the diagnosis section through the tendon scan of the magnetic tendon diagnosis device for the diagnosis section of the tendon to be actually measured (step S1);
In the original learning data, the total number of damage locations is determined by counting all the numbers of tendon damage locations existing within the diagnosis section, and the number of tendon damage locations corresponding to each natural number from 1 to the total number of damage locations is the diagnosis section. extracting cases that exist adjacent to each other within (step S2);
For each of the cases in which the number of extracted damage locations and the continuous arrangement form are combined, only the damage corresponding to each case exists in the entire diagnosis section and generating additional learning data of different types of existence locations ( Step S3); and
Performing artificial intelligence learning based on deep learning using the original learning data acquired through step S1 and the additional learning data generated by step S3 (step S4). Artificial intelligence learning method for
상기 측정값은 마그네틱 텐던진단장치를 이용하여 텐던을 스캔한 결과로 취득된 유도전류 값인 것을 특징으로 하는 텐던의 손상진단을 위한 인공지능 학습방법. According to claim 1,
The measured value is an artificial intelligence learning method for diagnosing damage to a tendon, characterized in that the induced current value obtained as a result of scanning the tendon using a magnetic tendon diagnosis device.
상기 원본 학습데이터에서 진단구간 내에 존재하는 텐던 손상위치의 개수를 모두 세어서 계수함으로써 손상위치의 총수를 파악하고, 1부터 손상위치의 총수까지의 각 자연수에 해당하는 개수의 텐던 손상위치가 진단구간 내에서 서로 이웃하게 존재하는 경우를 추출하는 손상위치 개수/연속배치 형태 조합 추출모듈(2);
추출된 손상위치의 개수와 연속배치 형태가 조합된 경우의 각각에 대하여, 진단 구간 전체에서 각각의 경우에 해당하는 손상만이 존재하고 그 존재 위치가 각각 상이한 형태의 추가 학습데이터를 생성하는 추가 학습데이터 생성모듈(3); 및
취득한 원본 학습데이터와 생성된 추가 학습데이터를 이용하여 딥러닝에 기반한 인공지능 학습을 수행하는 인공지능 학습모듈(4)을 포함하는 것을 특징으로 하는 텐던의 손상진단을 위한 인공지능 학습시스템. An original learning data acquisition module (1) for acquiring original learning data by receiving measured values according to the measurement position of the diagnosis section through the tendon scan of the magnetic tendon diagnosis device for the diagnosis section of the tendon to be measured;
In the original training data, the total number of damage locations is determined by counting and counting all the numbers of tendon damage locations existing within the diagnosis section, and the number of tendon damage locations corresponding to each natural number from 1 to the total number of damage locations is the diagnosis section a damage location number/contiguous arrangement type combination extraction module (2) for extracting cases that exist adjacent to each other within;
For each of the cases in which the number of extracted damage locations and the continuous arrangement form are combined, only damage corresponding to each case exists in the entire diagnosis section, and additional learning that generates additional learning data of different types of existence locations. Data generation module (3); and
An artificial intelligence learning system for diagnosing damage to a tendon, characterized in that it includes an artificial intelligence learning module (4) that performs artificial intelligence learning based on deep learning using the acquired original learning data and generated additional learning data.
청구항 1항의 텐던의 손상진단을 위한 인공지능 학습방법에 따라 학습이 이루어진 인공지능 시스템을 이용하는데;
진단 대상 텐던에 대한 현장 실측에 의한 분석대상 데이터 취득 단계(단계 A); 및
상기한 학습이 이루어진 인공지능 시스템을 이용하여, 상기 취득된 분석대상 데이터를 분석함으로써 진단구간 내의 텐던 손상위치의 개수를 모두 세어서 계수하는 손상 진단 단계(단계 B)를 포함하는 것을 특징으로 하는 텐던의 손상진단 방법.As a method for diagnosing damage to the tendon,
Using an artificial intelligence system that has been learned according to the artificial intelligence learning method for diagnosing damage to a tendon of claim 1;
Acquisition of analysis target data by on-site measurement of the tendon to be diagnosed (step A); and
A damage diagnosis step (step B) of counting and counting all the number of tendon damage locations in the diagnosis section by analyzing the acquired data to be analyzed using an artificial intelligence system in which the above learning has been performed Tendon characterized in that it comprises damage diagnosis method.
청구항 1항의 텐던의 손상진단을 위한 인공지능 학습방법에 따라 학습이 이루어진 인공지능 시스템을 포함하며;
진단 대상 텐던에 대한 현장 실측에 의해 취득된 분석대상 데이터를 수신하는 현장 실측 데이터 수신 모듈; 및
취득된 현장 실측 데이터에 대하여 상기 인공지능 시스템을 실행시켜서 손상 개소의 개수를 계수하여 텐던의 손상여부를 파악하는 손상 판단 모듈을 더 포함하는 것을 특징으로 하는 텐던의 손상진단 시스템.As a system for diagnosing damage to the tendon,
It includes an artificial intelligence system in which learning has been performed according to the artificial intelligence learning method for diagnosing damage to a tendon of claim 1;
a field measurement data receiving module for receiving analysis target data obtained by field measurement of a tendon to be diagnosed; and
Tendon damage diagnosis system, characterized in that it further comprises a damage determination module for determining whether the tendon is damaged by counting the number of damaged parts by executing the artificial intelligence system for the acquired field measurement data.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220169250A KR102501918B1 (en) | 2022-12-07 | 2022-12-07 | Training Method and System of Artificial Intelligence for Diagnosis of Tendon Damages, and Diagnosis System and Method of Tendon using AI |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220169250A KR102501918B1 (en) | 2022-12-07 | 2022-12-07 | Training Method and System of Artificial Intelligence for Diagnosis of Tendon Damages, and Diagnosis System and Method of Tendon using AI |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102501918B1 true KR102501918B1 (en) | 2023-02-21 |
Family
ID=85328494
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220169250A KR102501918B1 (en) | 2022-12-07 | 2022-12-07 | Training Method and System of Artificial Intelligence for Diagnosis of Tendon Damages, and Diagnosis System and Method of Tendon using AI |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102501918B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102631756B1 (en) | 2023-08-22 | 2024-02-01 | 한국건설기술연구원 | Apparatus for Monitoring Status of Tendon having Radial Search Coil, System and Method for Monitoring Bridge Cable |
| KR102663746B1 (en) | 2023-11-06 | 2024-05-08 | 한국건설기술연구원 | Training Method and System of Artificial Intelligence for Diagnosis of Tendon Damages, and Method and System for Generating Training Data Using Artificial Intelligence |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019194552A (en) * | 2018-05-02 | 2019-11-07 | 三菱電機株式会社 | Wire rope inspection device and method |
| CN111091533A (en) * | 2019-11-13 | 2020-05-01 | 江苏大学 | Battery piece EL defect detection method based on improved SSD algorithm |
| KR102158192B1 (en) * | 2018-11-20 | 2020-09-22 | 인하대학교 산학협력단 | Damage Detection Approach for Tendon of Prestressed Concrete PSC Bridge Based on Auto-Encoder |
| JP2020183897A (en) | 2019-05-08 | 2020-11-12 | 東京製綱株式会社 | Autonomous travelling unit, inspection system and inspection method |
| KR102178721B1 (en) | 2020-08-24 | 2020-11-13 | 한국건설기술연구원 | Apparatus and Method for Detecting Damage of Tendon with Measuring Induced-voltage |
| KR20210037199A (en) * | 2019-09-27 | 2021-04-06 | 한국전력공사 | Apparatus for dividing, tagging an image and for detecting defect of facilities using the same |
| KR102241879B1 (en) | 2019-12-03 | 2021-04-20 | 한국건설기술연구원 | Duct Void Detection System and Learning Apparatus of Duct Void Detection Model Using Artificial Intelligence Learning Model |
| KR102275062B1 (en) | 2020-10-20 | 2021-07-08 | 한국건설기술연구원 | Apparatus for Monitoring Status of Tendon, System and Method for Detecting Damage of Tendon using such Apparatus |
| KR102292726B1 (en) | 2021-07-01 | 2021-08-25 | 한국건설기술연구원 | Apparatus for Monitoring Status of Tendon, System and Method for Monitoring Bridge Cable |
| KR102312616B1 (en) | 2021-07-01 | 2021-10-15 | 한국건설기술연구원 | System and Method for Monitoring Bridge Cable |
| KR20220086088A (en) * | 2020-12-16 | 2022-06-23 | 세종대학교산학협력단 | Method and apparatus for monitoring of bridge structure damage using graph neural network |
-
2022
- 2022-12-07 KR KR1020220169250A patent/KR102501918B1/en active IP Right Grant
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019194552A (en) * | 2018-05-02 | 2019-11-07 | 三菱電機株式会社 | Wire rope inspection device and method |
| KR102158192B1 (en) * | 2018-11-20 | 2020-09-22 | 인하대학교 산학협력단 | Damage Detection Approach for Tendon of Prestressed Concrete PSC Bridge Based on Auto-Encoder |
| JP2020183897A (en) | 2019-05-08 | 2020-11-12 | 東京製綱株式会社 | Autonomous travelling unit, inspection system and inspection method |
| KR20210037199A (en) * | 2019-09-27 | 2021-04-06 | 한국전력공사 | Apparatus for dividing, tagging an image and for detecting defect of facilities using the same |
| CN111091533A (en) * | 2019-11-13 | 2020-05-01 | 江苏大学 | Battery piece EL defect detection method based on improved SSD algorithm |
| KR102241879B1 (en) | 2019-12-03 | 2021-04-20 | 한국건설기술연구원 | Duct Void Detection System and Learning Apparatus of Duct Void Detection Model Using Artificial Intelligence Learning Model |
| KR102178721B1 (en) | 2020-08-24 | 2020-11-13 | 한국건설기술연구원 | Apparatus and Method for Detecting Damage of Tendon with Measuring Induced-voltage |
| KR102275062B1 (en) | 2020-10-20 | 2021-07-08 | 한국건설기술연구원 | Apparatus for Monitoring Status of Tendon, System and Method for Detecting Damage of Tendon using such Apparatus |
| KR20220086088A (en) * | 2020-12-16 | 2022-06-23 | 세종대학교산학협력단 | Method and apparatus for monitoring of bridge structure damage using graph neural network |
| KR102292726B1 (en) | 2021-07-01 | 2021-08-25 | 한국건설기술연구원 | Apparatus for Monitoring Status of Tendon, System and Method for Monitoring Bridge Cable |
| KR102312616B1 (en) | 2021-07-01 | 2021-10-15 | 한국건설기술연구원 | System and Method for Monitoring Bridge Cable |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102631756B1 (en) | 2023-08-22 | 2024-02-01 | 한국건설기술연구원 | Apparatus for Monitoring Status of Tendon having Radial Search Coil, System and Method for Monitoring Bridge Cable |
| KR102663746B1 (en) | 2023-11-06 | 2024-05-08 | 한국건설기술연구원 | Training Method and System of Artificial Intelligence for Diagnosis of Tendon Damages, and Method and System for Generating Training Data Using Artificial Intelligence |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102501918B1 (en) | Training Method and System of Artificial Intelligence for Diagnosis of Tendon Damages, and Diagnosis System and Method of Tendon using AI | |
| CN104536883B (en) | A kind of static defect detection method and its system | |
| KR102241879B1 (en) | Duct Void Detection System and Learning Apparatus of Duct Void Detection Model Using Artificial Intelligence Learning Model | |
| CN112147221B (en) | Steel rail screw hole crack identification method and system based on ultrasonic flaw detector data | |
| CN117636073B (en) | Concrete defect detection method, device and storage medium | |
| CN108918679A (en) | Based on elastic wave and the prefabricated post sleeve of machine learning grouting lossless detection method | |
| CN115371651A (en) | House building quality evaluation method and system | |
| CN107977679A (en) | Method based on frequency response function and operation response characteristic diagnosis of complex device initial failure | |
| Moreno-Gomez et al. | Fractal dimension analysis for assessing the health condition of a truss structure using vibration signals | |
| CN115346034B (en) | Robot remote diagnosis and maintenance method and system based on 5G network | |
| KR20110083952A (en) | Pipe vibration estimation method | |
| Waqar et al. | Modeling the effect of implementation of artificial intelligence powered image analysis and pattern recognition algorithms in concrete industry | |
| CN114417941B (en) | Crankshaft fault detection method and system | |
| Hamdan et al. | A knowledge-based Approach for the Assessment of Damages to Constructions | |
| Wenner et al. | smartBRIDGE Hamburg: A digital twin to optimise infrastructure maintenance | |
| CN114383834B (en) | Ocean engineering structure micro damage judging method | |
| CN113516179A (en) | Method and system for identifying water leakage performance of underground infrastructure | |
| KR102663746B1 (en) | Training Method and System of Artificial Intelligence for Diagnosis of Tendon Damages, and Method and System for Generating Training Data Using Artificial Intelligence | |
| CN116228761B (en) | Steel structure rigidity damage evaluation method and system | |
| JP2004219180A (en) | Irradiation deterioration diagnostic method of nuclear reactor incore equipment and its system | |
| Habbal et al. | Cracks Detection using Artificial Intelligence to Enhance Inspection Efficiency and Analyze the Critical Defects | |
| Petryna et al. | Fault detection and state evaluation of rotor blades | |
| Grosse et al. | Some developments in the field of non‐destructive testing‐new devices and techniques, industrial training and academic education | |
| Anjum et al. | Civil structural health monitoring and machine learning: a comprehensive review | |
| Chen et al. | Cluster Analysis with Grey Comprehensive Correlation Coefficient for Prediction of Bridge Damage |
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 |