KR102535780B1 - 디지털 이미지 기반 암반평점값 산출 방법 및 장치 - Google Patents

디지털 이미지 기반 암반평점값 산출 방법 및 장치 Download PDF

Info

Publication number
KR102535780B1
KR102535780B1 KR1020210014659A KR20210014659A KR102535780B1 KR 102535780 B1 KR102535780 B1 KR 102535780B1 KR 1020210014659 A KR1020210014659 A KR 1020210014659A KR 20210014659 A KR20210014659 A KR 20210014659A KR 102535780 B1 KR102535780 B1 KR 102535780B1
Authority
KR
South Korea
Prior art keywords
rock
value
discontinuous
discontinuous surface
image
Prior art date
Application number
KR1020210014659A
Other languages
English (en)
Other versions
KR20220111428A (ko
Inventor
김광염
Original Assignee
한국해양대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국해양대학교 산학협력단 filed Critical 한국해양대학교 산학협력단
Priority to KR1020210014659A priority Critical patent/KR102535780B1/ko
Publication of KR20220111428A publication Critical patent/KR20220111428A/ko
Application granted granted Critical
Publication of KR102535780B1 publication Critical patent/KR102535780B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/40—Investigating hardness or rebound hardness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 디지털 이미지 기반 암반평점값 산출 방법 및 장치에 관한 것으로, 본 발명의 일면에 따른 디지털 이미지 기반 암반평점값 산출 방법은 암반면 이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분하기 위해 미리 정해진 제1 학습 모델을 학습시키는 단계, 평가대상 암반면을 촬영함에 따라 생성되는 평가대상이미지를 입력받는 단계, 제1 학습 모델에 평가대상이미지를 적용하여 평가대상이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분함에 따른 불연속면 표시 이미지를 생성하는 단계, 불연속면 표시 이미지에서 불연속면에 대응되는 픽셀들의 조합들을 검출함에 따라 불연속면 표시 이미지에 속하는 적어도 하나의 불연속면 객체를 인식하는 단계, 인식된 불연속면 객체의 개수를 불연속면 객체들의 길이로 나눔에 따른 빈도값에 기초하여 암질지수값을 산출하는 단계, 암질지수값에 따라 선택되는 암질평점값에 기초하여 평가대상 암반면에 대한 암반평점값을 산출하는 단계를 포함한다.

Description

디지털 이미지 기반 암반평점값 산출 방법 및 장치{METHOD AND APPARATUS FOR CALCULATING A RATING VALUE OF BEDROCK BASED ON DIGITAL IMAGES}
본 발명은 디지털 이미지 기반 암반평점값 산출 방법 및 장치에 관한 것으로, 더욱 상세하게는 암반면에 대한 이미지를 입력받아 암반면의 평가를 위한 암반평점값을 산출할 수 있는 디지털 이미지 기반 암반평점값 산출 방법 및 장치에 관한 것이다.
산림청에 따르면 한국의 산지면적은 전체 국토의 63%로, 국토의 반 이상이 산으로 둘러싸여 있다.이에 따라 빠른 이동을 위한 터널, 도로 개발이 지속적으로 이뤄지고 있다. 또한 경사지에서의 주택, 아파트, 태양광과 같은 발전 설비 건축도 계속 진행되고 있어, 개발 전후의 안전 확보를 위한 암반면 평가 기술의 중요성이 커지고 있다.
암반면(또는 암반사면)은 주요구성물질이 암반으로 구성된 사면을 지칭하며, 파괴형태가 다양하고 복잡하다. 암반면에는 불연속면이 존재하게 되는데, 이러한 불연속면들은 암반면의 안전성에 큰 영향을 끼친다.
이에 암반면의 이미지 분석 또는 3차원 데이터 분석을 통해 암반면을 평가하기 위한 기술들이 제시되고 있다. 이러한 종래의 기술들은 암반면의 형태를 기반으로 암반면을 평가하는 것으로 강도, 밀도와 같은암반면의 다른 속성을 반영한 암반면 평가 기술을 제공하지 못한다는 문제가 있었다.
또한, 미리 저장된 영향인자들과 각 영향인자에 대해 부여된 가중치를 적용하여 지반조건에 따라 지반의 위험을 분류하는 기술이 제시되고 있으나, 이러한 종래의 기술은 영향인자를 기입받는 것을 개시하고 있을 뿐 영향인자를 산출하기 위한 구성은 제시하지 못한다는 한계가 있었다.
즉, 위험 분류의 기준이 되는 점수 산출에 적용되는 영향인자들은 모두 외부로부터 기입되는 것으로, 지반의 위험을 평가하기 위해 평가 대상 지반에 대한 영향인자들을 매번 별도로 조사하고 기입해야 하므로, 사전 준비 과정이 번거롭다는 문제가 있었다.
대한민국 특허출원번호 제10-2018-0044790호 대한민국 특허출원번호 제10-2019-0005692호
본 발명의 목적은 상기 문제점을 해결하기 위한 것으로, 암반면에 대한 디지털 이미지를 이용하여 암반면에 포함된 불연속면을 검출하고, 검출한 불연속면에 기초하여 암반면 평가를 위한 암반평점값을 산출할 수 있는 디지털 이미지 기반 암반평점값 산출 방법 및 장치를 제공하는 것이다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
전술한 목적을 달성하기 위한 본 발명의 일면에 따른 디지털 이미지 기반 암반평점값 산출 방법은 암반면 이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분하기 위해 미리 정해진 제1 학습 모델에 복수 개의 암반면들을 촬영함에 따라 생성되는 복수 개의 암반면 이미지와 복수 개의 암반면 이미지 각각에 속하는 불연속면들을 배경과 구분함에 따른 라벨링 이미지들을 입력하여, 제1 학습 모델을 학습시키는 단계, 평가대상 암반면을 촬영함에 따라 생성되는 평가대상이미지를 입력받는 단계, 제1 학습 모델에 평가대상이미지를 적용함에 따라, 평가대상이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분함에 따른 불연속면 표시 이미지를 생성하는 단계, 불연속면 표시 이미지에서 불연속면에 대응되는 픽셀들의 조합들을 검출함에 따라 불연속면 표시 이미지에 속하는 적어도 하나의 불연속면 객체를 인식하는 단계, 인식된 불연속면 객체의 개수를 불연속면 객체들의 길이로 나눔에 따른 빈도값에 기초하여 암질지수값을 산출하는 단계, 암질지수값에 따라 선택되는 암질평점값에 기초하여 평가대상 암반면에 대한 암반평점값을 산출하는 단계를 포함한다.
본 발명의 다른 면에 따른 디지털 이미지 기반 암반평점값 산출 장치는 암반면 이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분하기 위해 미리 정해진 제1 학습 모델에 복수 개의 암반면들을 촬영함에 따라 생성되는 복수 개의 암반면 이미지와 복수 개의 암반면 이미지 각각에 속하는 불연속면들을 배경과 구분함에 따른 라벨링 이미지들을 입력하여, 제1 학습 모델을 학습시키는 제1 학습부, 평가대상 암반면을 촬영함에 따라 생성되는 평가대상이미지를 입력받는 평가대상이미지 입력부, 제1 학습 모델에 평가대상이미지를 적용함에 따라, 평가대상이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분함에 따른 불연속면 표시 이미지를 생성하는 불연속면 표시 이미지 생성부, 불연속면 표시 이미지에서 불연속면에 대응되는 픽셀들의 조합들을 검출함에 따라 불연속면 표시 이미지에 속하는 적어도 하나의 불연속면 객체를 인식하는 불연속면 객체 인식부, 불연속면 객체 인식부에서 인식한 불연속면 객체의 개수를 불연속면 객체들의 길이로 나눔에 따른 빈도값에 기초하여 암질지수값을 산출하는 암질지수값 산출부 및 암질지수값에 따라 기설정된 복수 개의 암질평점값 중 어느 하나의 암질평점값을 선택하고, 선택한 암질평점값에 기초하여 평가대상 암반면에 대한 암반평점값을 산출하는 암반평점값 산출부를 포함한다.
본 발명에 따르면 암반면에 대한 디지털 이미지를 이용하여 암반면에 포함된 불연속면을 검출하고, 검출한 불연속면에 기초하여 암반면 평가를 위한 암반평점값을 산출할 수 있는 디지털 이미지 기반 암반평점값 산출 방법 및 장치를 제공하는 효과가 있다.
본 발명의 효과는 상기에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일실시예에 따른 디지털 이미지 기반 암반평점값 산출 장치의 블록도이다.
도 2는 본 발명의 다른 실시예에 따른 디지털 이미지 기반 암반평점값 산출 방법의 순서도이다.
도 3은 본 발명의 또 다른 실시예에 따른 디지털 이미지 기반 암반평점값 산출 방법의 순서도이다.
도 4는 본 발명의 또 다른 실시예에 따른 디지털 이미지 기반 암반평점값 산출 방법의 순서도이다.
도 5는 본 발명의 실시예들에 있어서 암질지수값 산출을 설명하기 위한 예시도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것으로서, 본 발명은 청구항의 기재에 의해 정의될 뿐이다. 한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며, 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.
도 1은 본 발명의 일실시예에 따른 디지털 이미지 기반 암반평점값 산출 장치의 블록도이고, 도 2는 본 발명의 다른 실시예에 따른 디지털 이미지 기반 암반평점값 산출 방법의 순서도이며, 도 3은 본 발명의 또 다른 실시예에 따른 디지털 이미지 기반 암반평점값 산출 방법의 순서도이고, 도 4는 본 발명의 또 다른 실시예에 따른 디지털 이미지 기반 암반평점값 산출 방법의 순서도이다.
본 발명의 실시예들에 따른 디지털 이미지 기반 암반평점값 산출 방법은 본 발명의 일 실시예에 따른 디지털 이미지 기반 암반평점값 산출 장치(10)에 의해 수행될 수 있다.
이하 설명의 편의를 위하여 도 1 내지 도 4에 있어서, 기능적으로 일치되는 기능부들의 도면 부호를 일치시켜 설명하고 중복하여 설명하지 않도록 한다.
본 발명의 실시예들에 따른 디지털 이미지 기반 암반평점값 산출 장치(10)는 제1 암반면 이미지 입력부(101), 라벨링 이미지 입력부(103), 제1 학습부(110), 평가대상이미지 입력부(105), 불연속면 표시 이미지 생성부(120), 불연속면 객체 인식부(130), 암질지수값 산출부(140), 간격값 산출부(150), 제2 암반면 이미지 입력부(161), 일축 압축 강도값 입력부(163), 제2 학습부(170), 강도값 출력부(180), 암반평점값 산출부(200)를 포함하는 것일 수 있다.
제1 암반면 이미지 입력부(101)는 복수 개의 암반면들을 촬영함에 따라 생성되는 복수 개의 암반면 이미지를 외부로부터 입력받는 것일 수 있다(S101).
라벨링 이미지 입력부(103)는 제1 암반면 이미지 입력부(101)에서 입력된 복수 개의 암반면 이미지 각각에 속하는 불연속면들을 배경과 구분함에 따라 생성되는 복수 개의 라벨링 이미지를 외부로부터 입력받는 것일 수 있다(S101).
제1 학습부(110)는 암반면 이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분하기 위해 미리 정해진 제1 학습 모델에 제1 암반면 이미지 입력부(101)에서 입력된 복수 개의 암반면 이미지와, 복수 개의 암반면 이미지 각각에 대해 라벨링 이미지 입력부(103)에서 입력되는 복수 개의 라벨링 이미지를 입력하여 제1 학습 모델을 학습시키는 것일 수 있다(S103).
여기서 제1 학습 모델은 R-CNN 신경망 또는 의미적 분할(Semantic segmentation) 신경망일 수 있다.
제1 학습부(110)는 복수 개의 콘볼루션 연산층과 완전 연결층을 구비하는 제1 학습 모델에 제1 암반면 이미지 입력부(101)를 통해 입력되는 복수 개의 암반면 이미지와, 복수 개의 암반면 이미지에 대한 지도학습값으로 라벨링 이미지 입력부(103)로부터 입력되는 복수 개의 라벨링 이미지를 입력하여, 제1 학습 모델의 기설정된 신경망 구조의 파라미터들이 정리되도록 함에 따라 제1 학습 모델을 학습시키는 것일 수 있다(S103).
제1 학습 모델은 암반면 이미지에서 주변 픽셀들간의 차이에 기초하여 불연속면에 대응되는 영역을 추정함에 따라 결과이미지를 생성하고 결과이미지와 암반면 이미지에 대한 라벨링 이미지를 비교하여 미리 정해진 신경망 구조의 파라미터들을 조정함으로써 학습되는 것일 수 있다.
평가대상이미지 입력부(105)는 외부로부터 평가대상 암반면을 촬영함에 따라 생성되는 평가대상이미지를 입력받는 것일 수 있다(S105).
불연속면 표시 이미지 생성부(120)는 제1 학습부(110)에서 미리 학습된 제1 학습 모델에 평가대상이미지 입력부(105)에서 입력받은 평가대상이미지를 적용함에 따라, 평가대상이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분함에 따른 불연속면 표시 이미지를 생성하는 것일 수 있다(S107).
불연속면 표시 이미지 생성부(120)는 제1 학습부(110)에서 미리 학습된 제1 학습 모델의 완전 연결층에 연결되고 평가대상이미지 입력부(105)로부터 입력되는 평가대상이미지를 제2 학습 모델의 완전 연결층에 입력함에 따라 평가대상이미지에 있어서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분함에 따른 불연속면 표시 이미지를 생성하여 출력하는 것일 수 있다(S107).
불연속면 객체 인식부(130)는 불연속면 표시 이미지 생성부(120)에서 생성한 불연속면 표시 이미지에서 불연속면에 대응되는 픽셀들의 조합들을 검출함에 따라 상기 불연속면 표시 이미지에 속하는 적어도 하나의 불연속면 객체를 인식하는 것일 수 있다(S109).
불연속면 객체 인식부(130)는 불연속면 표시 이미지 생성부(120)에서 생성된 불연속면 표시 이미지에서 불연속면에 대응되는 픽셀들의 조합에 따른 적어도 하나의 직선을 검출하고 검출한 직선을 라벨링함에 따라 적어도 하나의 불연속면 객체를 인식하는 것일 수 있다(S109).
불연속면 객체 인식부(130)는 허프(Hough) 변환을 이용하여 불연속면 표시 이미지로부터 불연속면에 대응되는 픽셀들의 조합들에 따른 적어도 하나의 직선을 검출하고 검출한 직선을 라벨링함에 따라 적어도 하나의 불연속면 객체를 인식하는 것일 수 있다(S109).
불연속면 객체 인식부(130)는 불연속면 표시 이미지에서 불연속면에 대응되는 각 픽셀을 기준으로 모든 각도에 대한 서로 다른 기울기값을 가지는 직선들 중 불연속면에 대응되는 픽셀들을 가장 많이 포함하는 기울기값을 가지는 직선을 검출하고, 검출한 직선을 라벨링함에 따라 적어도 하나의 불연속면 객체를 인식하는 것일 수 있다(S109).
암질지수값 산출부(140)는 불연속면 객체 인식부(130)에서 인식한 불연속면 객체의 개수를 불연속면 객체들의 길이로 나눔에 따른 빈도값에 기초하여 암질지수값을 산출하는 것일 수 있다(S201, S211).
암질지수값 산출부(140)는 불연속면 객체 인식부(130)에서 인식한 불연속면 객체들 중 서로 인접한 불연속면 객체를 그룹화함에 따라 적어도 하나의 그룹을 생성하고, 각 그룹에 속하는 불연속면 객체의 개수를 각 그룹에 속하는 불연속면 객체들의 길이로 나눔에 따라 그룹별 빈도값을 산출하며, 그룹변 빈도값을 합산한 값에 기초하여 암질지수값을 산출하는 것일 수 있다(S201, S211)
여기서, 서로 인접한 불연속면 객체란 불연속면 조사를 위한 임의의 스캔라인(scane line)을 형성하였을 때, 동일한 스캔라인 상에 위치하는 불연속면 객체를 의미하는 것일 수 있다.
도 5는 본 발명의 실시예들에 있어서 암질지수값 산출을 설명하기 위한 예시도로, 도 5를 참조하면, 암질지수값 산출부(140)는 불연속면 객체 인식부(130)에서 인식된 불연속면 객체들(701, 702, 703, 704, 705, 706, 711, 712, 713, 714) 중 서로 인접한 불연속면 객체들을 그룹화하는 것일 수 있다.
예를 들어 701, 702, 703, 704, 705, 706을 제 1그룹으로 711, 712, 713, 714를 제2 그룹으로 그룹화하는 것일 수 있다.
이후, 암질지수값 산출부(140)는 각 그룹에 속하는 불연속면 객체의 개수(예를 들어 제1 그룹은 6개, 제2 그룹은 4개)를 각 그룹에 속하는 불연속면 객체들의 길이(l1, l2)로 나눔에 따른 그룹별 빈도값(6/l1, 4/l2)을 합산한 값에 기초하여 평가대상이미지에 대한 암질지수값을 산출하는 것일 수 있다(S201, S211).
암질지수값 산출부(140)는 그룹별 빈도값을 합산한 값을 기설정된 수학식에 반영함에 따라 암질지수값을 산출하는 것일 수 있다(S201, S211).
암질지수값 산출부(140)은 아래의 수학식 1을 이용하여 암질지수값(Rock Quality Designation, RQD)을 산출하는 것일 수 있다(S201, S211).
Figure 112021013406719-pat00001
여기서
Figure 112021013406719-pat00002
는 불연속면 표시 이미지에 대해 불연속면 객체 인식부(130)에서 인식한 적어도 하나의 불연속면 객체들로부터 산출한 빈도값을 합산한 값으로 아래의 수학식 2와 같다.
Figure 112021013406719-pat00003
여기서 n은 그룹화된 그룹의 수를 의미하고, N1, …, Nn은 각 그룹에 속하는 불연속면 객체의 개수를 의미하며, l1, …, ln은 각 그룹에 속하는 불연속면 객체들의 길이를 의미하고, λ1, …, λn은 그룹별 빈도값을 의미한다.
간격값 산출부(150)는 불연속면 객체 인식부(130)에서 인식한 적어도 하나의 불연속면 객체 간의 간격에 기설정된 배율을 적용함에 따라 간격값을 산출하는 것일 수 있다(S211).
여기서 배율은 평가대상 암반면에 대한 평가대상이미지에서 불연속면 객체 간의 간격으로부터 실제 평가대상 암반면에서의 간격을 산출하기 위해 사용자의 입력에 따라 미리 설정되는 것일 수 있다.
제2 암반면 이미지 입력부(161)는 암반면에서 미리 정해진 강도 측정 대상 영역 각각을 촬영함에 따라 생성되는 각 강도 측정 대상 영역에 대한 이미지를 외부로부터 입력받는 것일 수 있다.
일축 압축 강도값 입력부(163)는 암반면에서 미리 정해진 강도 측정 대상 영역 각각에 대한 일축 압축 강도값을 외부로부터 입력받는 것일 수 있다.
제2 학습부(170)는 제2 암반면 이미지 입력부(161)에서 입력되는 암반면의 강도 측정 대상 영역 각각에 대한 이미지와 지도학습값으로 일축 압축 강도값 입력부(163)에서 입력되는 암반면의 강도 측정 대상 영역 각각에 대한 일축 압축 강도값을 미리 정해진 제2 학습 모델에 입력하여, 암반면에 대한 이미지를 입력받아 암반면에 대한 강도값을 출력가능하도록 제2 학습 모델을 미리 학습시키는 것일 수 있다.
제2 학습부(170)는 복수 개의 콘볼루션 연산층과 완전 연결층을 구비한 제2 학습 모델 제2 암반면 이미지 입력부(161)에서 입력되는 암반면의 강도 측정 대상 영역 각각에 대한 이미지와 지도학습값으로 일축 압축 강도값 입력부(163)에서 입력되는 암반면의 강도 측정 대상 영역 각각에 대한 일축 압축 강도값을 입력하여, 제2 학습 모델의 기설정된 신경망 구조의 파라미터들이 정리되도록함에 따라 제2 학습 모델을 미리 학습시키는 것일 수 있다.
강도값 출력부(180)는 암반면에 대한 이미지를 입력받아 암반면에 대한 강도값을 출력가능하도록 미리 학습된 제2 학습 모델에 평가대상이미지입력부(105)에서 입력되는 평가대상이미지를 적용하여 평가대상 암반면에 대한 강도값을 출력하는 것일 수 있다(S203, S223).
암반평점값 산출부(200)는 암질지수값 산출부(140)에서 산출한 암질지수값에 따라 기설정된 복수 개의 암질평점값 중 어느 하나의 암질평점값을 선택하고, 선택한 상기 암질평점값에 기초하여 평가대상 암반면에 대한 암반평점값을 산출하는 것일 수 있다(S205, S215, S225).
아래의 표 1은 복수 개의 암질지수값(RQD)에 대응되는 복수 개의 암질평점값들을 예시로 나타낸 것이다.
RQD(%) 90이상 75이상 90미만 50이상 75미만 25 이상 50 미만 25미만
암질평점값 20 17 13 8 3
암반평점값 산출부(200)는 암질지수값 산출부(140)에서 산출한 암질지수값에 따라 기설정된 복수 개의 암질평점값 중 어느 하나의 암질평점값을 선택하고 선택한 암질평점값과 기설정된 초기값(예를 들어 0)을 합함에 따라 평가대상 암반면에 대한 암반평점값을 산출하는 것일 수 있다.
도 2를 참조하면, 본 발명의 다른 예에서 암반평점값 산출부(200)는 암질지수값 산출부(140)에서 산출한 암질지수값에 따라 기설정된 복수 개의 암질평점값 중 어느 하나의 암질평점값을 선택하고 강도값 출력부(180)에서 출력되는 강도값에 기초하여 기설정된 복수 개의 강도평점값들 중 어느 하나의 강도평점값을 선택하며 선택한 암질평점값과 강도평점값을 합함에 따라 평가대상 암반면에 대한 암반평점값을 산출하는 것일 수 있다(S205).
아래의 표 2은 강도값에 따른 복수 개의 강도평점값들을 예시로 나타낸 것으로, 이에 한정되는 것은 아니다.
강도값(Mpa) 10초과 4초과 10이하 2초과 4이하 2이하
강도평점값 15 12 7 4
도 3을 참조하면, 본 발명의 또 다른 예에서 암반평점값 산출부(200)는 암질지수값 산출부(140)에서 산출한 암질지수값에 따라 기설정된 복수 개의 암질평점값 중 어느 하나의 암질평점값을 선택하고 간격값 산출부(150)에서 산출된 간격값에 기초하여 기설정된 복수 개의 간격평점값 중 어느 하나의 간격평점값을 선택하며 선택한 암질평점값과 간격평점값을 합함에 따라 평가대상 암반면에 대한 암반평점값을 산출하는 것일 수 있다(S215).
아래의 표 3은 복수 개의 간격값에 따른 복수 개의 간격평점값들을 예시로 나타낸 것이다.
간격값(m) 2초과 0.6초과 2이하 0.2초과 0.6이하 0.06이상 0.2이하 0.06 미만
간격평점값 20 15 10 8 5
도 4를 참조하면, 본 발명의 또 다른 예에서 암반평점값 산출부(200)는 암질지수값 산출부(140)에서 산출한 암질지수값에 따라 기설정된 복수 개의 암질평점값 중 어느 하나의 암질평점값을 선택하고 간격값 산출부(150)에서 산출된 간격값에 기초하여 기설정된 복수 개의 간격평점값 중 어느 하나의 간격평점값을 선택하며 강도값 출력부(180)에서 출력되는 강도값에 기초하여 기설정된 복수 개의 강도평점값들 중 어느 하나의 강도평점값을 선택하고 선택한 암질평점값과 간격평점값과 강도평점값을 합함에 따라 평가대상 암반면에 대한 암반평점값을 산출하는 것일 수 있다(S225).
평가대상 암반면에 대해 암반평점값 산출부(190)에서 출력하는 암반평점값이 클 수록 평가대상 암반면이 안정적임을 의미한다.
본 발명의 실시예들에 따른 디지털 이미지 기반 암반평점값 산출 장치(10)에 있어서 암반평점값 산출부(200)는 불연속면에 대한 평가항목인 암질지수값에 기초하여 암반면의 평가를 위한 암반평점값을 산출할 수 있다.
본 발명에 따르면 평가대상이 되는 암반면의 디지털 이미지를 학습 모델에 적용하여 이미지에 포함된 불연속면들을 자동으로 구분하고 구분된 불연속면들을 이용하여 평가대상면에 대한 암질지수값을 산출할 수 있으며, 산출한 암질지수값에 기초하여 암반면의 평가를 위한 암반평점값을 산출할 수 있다.
또한, 암반면의 강도값에 따른 강도평점값과 암반면의 불연속면에 따른 암질평점값 또는 간격평점값을 합하여 암반평점값을 산출함으로써, 암반면에 형성된 불연속면의 형태와 암반면의 강도를 모두 반영한 암반평점값을 산출할 수 있다.
즉, 본 발명의 실시예들에 따르면 평가대상 암반면의 밀도, 경도, 강도와 같은 영향인자들을 조사하지 않고 평가대상 암반면의 이미지를 이용하여 평가대상 암반면의 강도와 같은 내적요소와 불연속면과 같은 외형에 대한 암반평점값을 산출하여, 암반평점값을 통해 평가대상 암반면에 대한 평가가 가능하도록 한다.
본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구의 범위에 의하여 나타내어지며, 특허청구의 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10 : 디지털 이미지 기반 암반평점값 산출 장치
101 : 암반면 이미지 입력부
103 : 라벨링 이미지 입력부
105 : 평가대상이미지 입력부
110 : 제1 학습부
120 : 불연속면 표시 이미지 생성부
130 : 불연속면 객체 인식부
140 : 암질지수값 산출부
150 : 간격값 산출부
161 : 제2 암반면 이미지 입력부
163 : 일축 압축 강도값 입력부
170 : 제2 학습부
180 : 강도값 출력부
200 : 암반평점값 산출부

Claims (8)

  1. 암반면 이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분하기 위해 미리 정해진 제1 학습 모델에 복수 개의 암반면들을 촬영함에 따라 생성되는 복수 개의 암반면 이미지와 상기 복수 개의 암반면 이미지 각각에 속하는 불연속면들을 배경과 구분함에 따른 라벨링 이미지들을 입력하여, 상기 제1 학습 모델을 학습시키는 단계;
    평가대상 암반면을 촬영함에 따라 생성되는 평가대상이미지를 입력받는 단계;
    상기 제1 학습 모델에 상기 평가대상이미지를 적용함에 따라, 상기 평가대상이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분함에 따른 불연속면 표시 이미지를 생성하는 단계;
    상기 불연속면 표시 이미지에서 불연속면에 대응되는 픽셀들의 조합들을 검출함에 따라 상기 불연속면 표시 이미지에 속하는 적어도 하나의 불연속면 객체를 인식하는 단계;
    인식된 불연속면 객체의 개수를 불연속면 객체들의 길이로 나눔에 따른 빈도값에 기초하여 암질지수값을 산출하고, 상기 적어도 하나의 불연속면 객체 간의 간격에 기설정된 배율을 적용함에 따라 간격값을 산출하는 단계;
    암반면의 이미지를 입력받아 암반면에 대한 강도값을 출력 가능하도록 미리 학습된 제2 학습 모델에 상기 평가대상이미지를 적용함에 따라 상기 평가 대상 암반면에 대한 강도값을 출력하는 단계; 및
    기설정된 복수 개의 암질평점값 중 어느 하나의 암질평점값을 상기 암질지수값에 따라 선택하고, 기설정된 복수 개의 간격평점값 중 어느 하나의 간격평점값을 상기 간격값에 따라 선택하며, 기설정된 복수 개의 강도평점값 중 어느 하나의 강도평점값을 상기 강도값에 따라 선택하고, 선택한 상기 암질평점값과 상기 간격평점값과 상기 강도평점값을 합해서 상기 평가대상 암반면에 대한 암반평점값을 산출하는 단계;를 포함하는 디지털 이미지 기반 암반평점값 산출 방법.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 암질지수값을 산출하는 단계는
    아래의 수학식에 의해 암질지수값을 산출하는 것
    인 디지털 이미지 기반 암반평점값 산출 방법.
    [수학식]
    Figure 112021013406719-pat00004

    여기서,
    Figure 112021013406719-pat00005
    는 상기 불연속면 표시 이미지에 속하는 적어도 하나의 불연속면 객체로부터 산출된 빈도값을 합산한 값이다.
  5. 암반면 이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분하기 위해 미리 정해진 제1 학습 모델에 복수 개의 암반면들을 촬영함에 따라 생성되는 복수 개의 암반면 이미지와 상기 복수 개의 암반면 이미지 각각에 속하는 불연속면들을 배경과 구분함에 따른 라벨링 이미지들을 입력하여, 상기 제1 학습 모델을 학습시키는 제1 학습부;
    평가대상 암반면을 촬영함에 따라 생성되는 평가대상이미지를 입력받는 평가대상이미지 입력부;
    상기 제1 학습 모델에 상기 평가대상이미지를 적용함에 따라, 상기 평가대상이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분함에 따른 불연속면 표시 이미지를 생성하는 불연속면 표시 이미지 생성부;
    상기 불연속면 표시 이미지에서 불연속면에 대응되는 픽셀들의 조합들을 검출함에 따라 상기 불연속면 표시 이미지에 속하는 적어도 하나의 불연속면 객체를 인식하는 불연속면 객체 인식부;
    상기 불연속면 객체 인식부에서 인식한 불연속면 객체의 개수를 불연속면 객체들의 길이로 나눔에 따른 빈도값에 기초하여 암질지수값을 산출하는 암질지수값 산출부;
    상기 불연속면 객체 인식부에서 인식한 적어도 하나의 불연속면 객체 간의 간격에 기설정된 배율을 적용함에 따라 간격값을 산출하는 간격값 산출부;
    암반면에서 미리 정해진 강도 측정 대상 영역 각각에 대한 이미지와 일축 압축 강도값을 입력받아, 외부로부터 입력되는 암반면 이미지에 대한 강도값을 출력 가능하도록 미리 학습된 제2 학습 모델에 상기 평가대상이미지를 적용함에 따라 상기 평가 대상 암반면에 대한 강도값을 출력하는 강도값 출력부; 및
    기설정된 복수 개의 암질평점값 중 어느 하나의 암질평점값을 상기 암질지수값에 따라 선택하고, 기설정된 복수 개의 간격평점값 중 어느 하나의 간격평점값을 상기 간격값에 따라 선택하며, 기설정된 복수 개의 강도평점값들 중 어느 하나의 강도평점값을 상기 강도값에 따라 선택하고, 선택한 상기 암질평점값과 상기 간격평점값과 상기 강도평점값을 합해서 상기 평가대상 암반면에 대한 암반평점값을 산출하는 암반평점값 산출부;를 포함하는 디지털 이미지 기반 암반평점값 산출 장치.
  6. 삭제
  7. 삭제
  8. 제5항에 있어서,
    상기 암질지수값 산출부는
    아래의 수학식에 의해 암질지수값을 산출하는 것
    인 디지털 이미지 기반 암반평점값 산출 장치.
    [수학식]
    Figure 112021013406719-pat00006

    여기서,
    Figure 112021013406719-pat00007
    는 상기 불연속면 표시 이미지에 속하는 적어도 하나의 불연속면 객체로부터 산출된 빈도값을 합산한 값이다.
KR1020210014659A 2021-02-02 2021-02-02 디지털 이미지 기반 암반평점값 산출 방법 및 장치 KR102535780B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210014659A KR102535780B1 (ko) 2021-02-02 2021-02-02 디지털 이미지 기반 암반평점값 산출 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210014659A KR102535780B1 (ko) 2021-02-02 2021-02-02 디지털 이미지 기반 암반평점값 산출 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20220111428A KR20220111428A (ko) 2022-08-09
KR102535780B1 true KR102535780B1 (ko) 2023-05-22

Family

ID=82844691

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210014659A KR102535780B1 (ko) 2021-02-02 2021-02-02 디지털 이미지 기반 암반평점값 산출 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102535780B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546116B (zh) * 2022-09-15 2024-08-16 山东大学 全覆盖式岩体不连续面提取与间距计算方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018017570A (ja) * 2016-07-27 2018-02-01 日本システムウエア株式会社 岩盤強度判定装置、岩盤強度判定方法、及び岩盤強度判定プログラム
KR102201211B1 (ko) * 2019-12-06 2021-01-12 주식회사 대림코퍼레이션 인공 지능과 절리 추출을 이용한 터널의 막장면 자동 분석 방법
KR102204442B1 (ko) * 2020-06-29 2021-01-18 케이앤씨컨설턴트 주식회사 모바일 단말을 이용하여 암반 등급을 결정하는 방법 및 그를 이용한 서버

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015187413A1 (en) 2014-06-03 2015-12-10 The Chemours Company Fc, Llc Passivation layer comprising a photocrosslinked fluoropolymer
US10276728B2 (en) 2017-07-07 2019-04-30 Taiwan Semiconductor Manufacturing Co., Ltd. Semiconductor device including non-volatile memory cells

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018017570A (ja) * 2016-07-27 2018-02-01 日本システムウエア株式会社 岩盤強度判定装置、岩盤強度判定方法、及び岩盤強度判定プログラム
KR102201211B1 (ko) * 2019-12-06 2021-01-12 주식회사 대림코퍼레이션 인공 지능과 절리 추출을 이용한 터널의 막장면 자동 분석 방법
KR102204442B1 (ko) * 2020-06-29 2021-01-18 케이앤씨컨설턴트 주식회사 모바일 단말을 이용하여 암반 등급을 결정하는 방법 및 그를 이용한 서버

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
김하영 외 2명, "CNN 기법을 활용한 터널 암판정 예측기술 개발", 한국지반공학회논문집 35(9), 37~45pages, 2019.9월*
박철환 외 2명, "암반등급 분류법들의 비교 연구", 터널과 지하공간: 한국암반공학회지 v.16 no.3=no.62, pp.203-208, 2006.6월*

Also Published As

Publication number Publication date
KR20220111428A (ko) 2022-08-09

Similar Documents

Publication Publication Date Title
Malarvel et al. An improved version of Otsu's method for segmentation of weld defects on X-radiography images
CN109544555B (zh) 基于生成式对抗网络的细小裂缝分割方法
CN104766063B (zh) 一种活体人脸识别方法
CN106780485B (zh) 基于超像素分割和特征学习的sar图像变化检测方法
CN111242837B (zh) 基于生成对抗网络的人脸匿名隐私保护方法
CN105809668B (zh) 基于线扫描三维点云的物体表面变形特征提取方法
US7657090B2 (en) Region detecting method and region detecting apparatus
CN108537782A (zh) 一种基于轮廓提取的建筑物图像匹配与融合的方法
KR102535780B1 (ko) 디지털 이미지 기반 암반평점값 산출 방법 및 장치
CN105844616B (zh) 激光散射斑点辅助下的双目立体匹配算法与装置
CN114612937B (zh) 基于单模态增强的红外与可见光融合行人检测方法
CN110532914A (zh) 基于精细特征学习的建筑物检测方法
CN109141383A (zh) 三维激光扫描仪在地铁隧道检测中的应用方法
CN104517095A (zh) 一种基于深度图像的人头分割方法
CN107843818A (zh) 基于异源图像温升与局部放电特征高压绝缘故障诊断方法
CN109141384A (zh) 对地铁隧道完工后的检测前数据的采集和预处理方法
CN114972759B (zh) 基于分级轮廓代价函数的遥感图像语义分割方法
CN114596290A (zh) 缺陷检测方法及其装置、存储介质、程序产品
CN101013126A (zh) 用计算机预测木质人造板强度的方法
Cai et al. Perception preserving decolorization
KR20190115758A (ko) 모의 위성 영상을 생성하는 장치 및 방법
Wu et al. Defect inspection for underwater structures based on line-structured light and binocular vision
CN111507941B (zh) 一种用于美学质量评价的构图表征学习方法
US10529453B2 (en) Tool that analyzes image data and generates and displays a confidence indicator along with a cancer score
CN107024480A (zh) 一种立体图像采集装置

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