KR102562220B1

KR102562220B1 - 머신러닝을 이용한 3D 형상 기반 비표준 Name 모델 자동 탐지 시스템

Info

Publication number: KR102562220B1
Application number: KR1020220040130A
Authority: KR
Inventors: 김성민; 전재민
Original assignee: 주식회사 현대미포조선
Priority date: 2022-03-31
Filing date: 2022-03-31
Publication date: 2023-08-01

Abstract

본 발명은 머신러닝을 이용한 3D 형상 기반 비표준 Name 모델 자동 탐지 시스템에 관한 것이다. 본 발명에 따르면, 머신러닝을 이용한 3D 형상 기반 비표준 Name 모델 자동 탐지 시스템에 있어서, 선박 설계 CAD 상에 3D 모델 로딩 시 상기 3D 모델에 포함된 각 아이템 별로 상기 아이템의 속성과 관련된 복수의 독립 변수를 추출하는 추출부와, 상기 아이템에 대해 추출된 복수의 독립 변수를 기 학습된 분류 모델에 적용하여 상기 아이템의 모델링 타입을 복수 타입 중 어느 하나로 분류하는 분류부, 및 상기 3D 모델 내의 각 아이템 별로 사용자에 의해 기 입력된 모델링 타입 정보와 상기 분류 모델에 의한 분류 값을 비교하여, 상기 기 입력된 모델링 타입 정보를 그대로 유지하거나 상기 분류 모델에 의한 분류 값으로 수정하는 제어부를 포함하는 3D 형상 기반 비표준 Name 모델 자동 탐지 시스템을 제공한다.
본 발명에 따르면, 3D 도면에서 추출되는 복수의 독립 변수를 머신러닝을 기반으로 분석하여 그에 대한 종속 변수인 아이템별 모델링 타입을 자동으로 결정해 줌으로써 3D 모델링을 통한 Item 체계 분류 작업의 정확도 및 신뢰성을 높일 수 있다.

Description

머신러닝을 이용한 3D 형상 기반 비표준 Name 모델 자동 탐지 시스템{System for automatically detecting 3D shape-based non-standard name model using machine learning}

본 발명은 머신러닝을 이용한 3D 형상 기반 비표준 Name 모델 자동 탐지 시스템에 관한 것으로서, 보다 상세하게는 3D CAD 모델에서 추출되는 복수의 독립 변수를 머신러닝을 기반으로 분석하여 그에 대한 종속 변수에 해당하는 아이템 타입을 자동으로 결정해줄 수 있는 머신러닝을 이용한 3D 형상 기반 비표준 Name 모델 자동 탐지 시스템에 관한 것이다.

3D CAD에서 약속된 Rule을 정의하고 이에 기반한 Logic을 이용하여 설계 결과를 검증하는 기존 설계 검증 프로그램은 설계 실패를 방지하는데 기여해왔지만, 사전 정의된 Rule를 벗어나는 경우에는 검증이 불가한 경우가 많았다.

또한, 설계 Rule이 복잡해질 경우 프로그램 개발이 복잡해지고 비용이 증가하여 유지 보수하기 어려운 단점이 존재한다. 아울러, 개발 복잡도로 인하여 설계 Rule에 의한 검증 프로그램에서 이를 제대로 반영하지 않을 경우 Human Error 가능성이 상존하는 문제점이 있다.

따라서, 3D 모델링을 통한 Item 체계 분류 시, 설계 표준이 프로그램에 반영되지 못한 경우 설계 실패로 이어질 가능성이 존재하므로 이를 제대로 검증하고 해결할 수 있는 시스템이 요구된다.

본 발명의 배경이 되는 기술은 한국공개특허 제10-2013-0060709호(2013.06.10 공개)에 개시되어 있다.

본 발명은 3D CAD 모델에서 추출되는 복수의 독립 변수를 머신러닝을 기반으로 분석하여 그에 대한 종속 변수에 해당하는 아이템 타입을 자동으로 결정해줄 수 있는 머신러닝을 이용한 3D 형상 기반 비표준 Name 모델 자동 탐지 시스템을 제공하는데 목적이 있다.

본 발명은, 머신러닝을 이용한 3D 형상 기반 비표준 Name 모델 자동 탐지 시스템에 있어서, 선박 설계 CAD 상에 3D 모델 로딩 시 상기 3D 모델에 포함된 각 아이템 별로 상기 아이템의 속성과 관련된 복수의 독립 변수를 추출하는 추출부와, 상기 아이템에 대해 추출된 복수의 독립 변수를 기 학습된 분류 모델에 적용하여 상기 아이템의 모델링 타입을 복수 타입 중 어느 하나로 분류하는 분류부, 및 상기 3D 모델 내의 각 아이템 별로 사용자에 의해 기 입력된 모델링 타입 정보와 상기 분류 모델에 의한 분류 값을 비교하여, 상기 기 입력된 모델링 타입 정보를 그대로 유지하거나 상기 분류 모델에 의한 분류 값으로 수정하는 제어부를 포함하는 3D 형상 기반 비표준 Name 모델 자동 탐지 시스템을 제공한다.

또한, 상기 3D 형상 기반 비표준 Name 모델 자동 탐지 시스템은, 상기 3D 모델 내 아이템에 대한 모델링 타입 정보를 사용자로부터 입력받는 입력부를 더 포함할 수 있다.

또한, 상기 3D 형상 기반 비표준 Name 모델 자동 탐지 시스템은, 기존 실적선의 3D 모델링 데이터로부터 각 아이템 별로 수집한 복수의 독립 변수 및 그에 대응된 모델링 타입을 머신 러닝 학습하여 상기 분류 모델을 사전 구축하는 학습부를 더 포함할 수 있다.

또한, 상기 학습부는, 상기 복수의 독립 변수 중에서 상기 종속 변수에 미치는 영향도가 기준치 이상에 해당하는 복수의 유효 변수를 선별하고 선별된 유효 변수들을 기반으로 상기 분류 모델을 재구성할 수 있다.

또한, 상기 분류부는, 상기 복수의 독립 변수를 분류 모델에 적용하여 도출한 클래스별 정확도 확률을 기초로 확률이 가장 높은 클래스에 해당한 모델링 타입을 분류 값으로 제공하고, 상기 제어부는, 상기 분류 값의 정확도 확률이 임계값 이상인 경우, 해당 아이템에 대해 기 입력된 모델링 타입 정보가 상기 분류 모델에 의해 도출된 분류 값과 일치하는지 여부에 따라 상기 기 입력된 모델링 타입 정보를 유지하거나 상기 분류 값으로 자동 수정하고, 상기 임계값 미만이면 사용자 재확인을 요청하는 리포트를 출력할 수 있다.

본 발명에 따르면, 3D CAD 모델에서 추출되는 복수의 독립 변수를 머신러닝을 기반으로 분석하여 그에 대한 종속 변수인 아이템별 모델링 타입을 자동으로 결정해 줌으로써 3D 모델링을 통한 Item 체계 분류 작업의 정확도 및 신뢰성을 높일 수 있다.

아울러, 본 발명의 경우, 머신 러닝 분석에 의해 도출된 결과 값을 확률 기반으로 검증하여 정확도가 임계값 이상이면 기존 사용자가 입력한 아이템 타입 값과 비교한 결과에 따라 사용자 입력 값을 유지하거나 머신 러닝 분석 결과 값으로 자동 수정하고, 정확도가 임계값 미만이면 판단 유보를 통해 사용자 재확인을 요청할 수 있다.

도 1은 본 발명의 실시예에 따른 머신러닝을 이용한 3D 형상 기반 비표준 Name 모델 자동 탐지 시스템의 구성을 설명한 도면이다.
도 2는 본 발명의 실시예에서 3D 모델의 로딩 시 아이템으로부터 추출한 독립 변수들과 이들에 의해 결정되는 종속 변수인 아이템 타입을 예시한 도면이다.
도 3은 본 발명의 실시예에 따른 머신러닝 기반의 모델 자동 탐지 및 분류 예시를 설명한 도면이다.
도 4는 본 발명의 실시예에 따른 머신러닝 기반의 AI 모델을 통한 설계 검증의 개념을 설명한 도면이다.
도 5는 본 발명의 실시예를 위한 분류 모델의 학습 개념을 설명한 도면이다.
도 6은 본 발명의 실시예에 독립 변수들을 정규화하는 과정을 설명한 도면이다.
도 7은 본 발명의 실시예에서 유효한 변수들을 이용하여 분류 모델을 재구성하는 개념을 설명한 도면이다.
도 8은 도 1의 시스템을 통한 비표준 Name 모델 자동 탐지 방법을 설명한 도면이다.

그러면 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

도 1은 본 발명의 실시예에 따른 머신러닝을 이용한 3D 형상 기반 비표준 Name 모델 자동 탐지 시스템의 구성을 설명한 도면이다.

도 1에 나타낸 것과 같이, 본 발명의 실시예에 따른 머신러닝을 이용한 3D 형상 기반 비표준 Name 모델 자동 탐지 시스템(100)은 추출부(110), 분류부(120), 제어부(160)를 포함하며, 입력부(130), 출력부(140) 및 학습부(150)를 더 포함할 수 있다. 여기서 각 부(110~150)의 동작과 각 부 간의 데이터 흐름은 제어부(160)에 의해 제어될 수 있다.

3D 형상 기반 비표준 Name 모델 자동 탐지 시스템(100)은 컴퓨터 등과 같은 사용자 단말에 실행되는 응용 프로그램으로 구현될 수 있으며 선박용 캐드 툴에 소프트웨어적으로 내장될 수 있다.

추출부(110)는 선박 설계 CAD 상에 3D 모델 로딩 시 3D 모델에 포함된 각 아이템 별로 상기 아이템의 속성과 관련된 복수의 독립 변수를 추출한다. 추출부(110)는 3D 모델 목록 내에서 대상이 되는 3D 모델이 사용자에 의해 선택되어 로딩되면 해당 3D 모델 내 아이템으로부터 복수의 독립 변수를 추출한다.

추출부(110)는 3D 모델 내 해당 아이템의 속성에 해당한 특징들이 독립 변수로 추출된다. 3D 모델에는 적어도 하나의 아이템이 모델링되어 있으며 이하에서는 설명의 편의상 설계된 3D 모델에 한 개의 아이템이 모델링된 것을 예시한다.

본 발명의 실시예에서 선박 설계 CAD는 3D 기반의 선박 설계 툴인 Aveva Marine(AM)을 예시로 한다. 물론 본 발명의 실시예에는 반드시 이에 한정되지 않으며, 기 공지된 다양한 설계 툴 중에서 선택적으로 활용될 수 있다.

일반적으로 AM 툴은 Aveva PML(Programmable Macro Language)라는 프로그래밍 언어를 사용하여 AM 상 3D 모델의 각 Item 종류별로 Item의 여러 속성들을 추출한다.

분류부(120)는 아이템에 대해 추출된 복수의 독립 변수를 기 학습된 머신 러닝 기반의 분류 모델에 적용하여, 해당 아이템의 모델링 타입을 복수 타입 중 어느 하나로 분류한다.

여기서, 아이템의 모델링 타입이란, 아이템의 분류 타입(코드)에 해당한다. 3D 모델 내 아이템은 추출된 독립 변수들을 기반으로 복수의 타입(Tray류, F.B류, F.B.S류, PFB류 등) 중 어느 하나로 분류될 수 있다.

도 2는 본 발명의 실시예에서 3D 모델의 로딩 시 아이템으로부터 추출한 독립 변수들과 이들에 의해 결정되는 종속 변수인 아이템 타입을 예시적으로 설명한 도면이다.

추출부(110)는 도 2의 좌측 그림과 같이, CAD 파일 로딩 시에 로딩한 3D 모델 내 해당 도면 아이템으로부터 복수의 독립 변수를 추출할 수 있다.

예를 들면, 추출부(110)는 3D 모델에 포함된 아이템(예: 앵글, 스틸바)으로부터 해당 아이템에 대한 복수의 독립 변수를 추출하는데, AM 캐트 툴에서 3D 도면 로딩 시에 PML이라는 프로그래밍 언어를 통하여 3D 도면 내 해당 아이템에 대한 속성, 형상 등에 관련한 36종의 독립 변수를 추출한다.

이렇게 아이템에서 추출되는 독립 변수들은 아이템이 속하는 타입(종류)을 분류(결정)하는 요소로, 아이템의 타입은 이들 독립 변수들에 의해 결정되는 종속 변수가 된다.

도 2의 우측 그림에는 총 13가지의 아이템의 타입(Item 분류)과, 해당 타입에 대한 분류 코드(모델링 Type 분류)를 함께 나타낸 것이다. 예를 들어, 종속 변수로부터 판단된 아이템 타입이 Cable Tray 류이면 분류 코드는 CT가 된다. 물론, 아이템의 분류 가능한 종류는 반드시 이에 한정되지 않으며, 보다 다양한 종류과 코드로 분류될 수 있다.

기존에는 도면의 해당 아이템에 대응하여 추출된 34종의 독립 변수를 참조하여 사용자가 직접 아이템 타입을 13개의 타입 중 어느 한 타입으로 분류하고 그에 대한 분류 코드를 수기로 등록하였다.

본 발명의 실시예는 머신러닝 기반의 분류 모델에 의한 분류 값의 정확도 확률에 따라, 사용자가 입력한 아이템 타입 정보를 그대로 유지하거나, 분류 모델에서 제공한 분류 값으로 수정할 수 있다.

출력부(140)는 3D 모델 로딩 시에 추출된 해당 아이템에 관한 독립 변수들을 화면에 출력하여 제공할 수 있다. 물론 출력부(140)는 제어부(160)를 통한 머신 러닝 분류 및 검증 결과, 각종 리포트 등을 출력하여 제공할 수 있다.

입력부(130)는 3D 모델 내 아이템에 대한 모델링 타입 정보를 사용자로부터 입력받고 이를 제어부(160)로 제공할 수 있다. 사용자는 화면에 출력된 해당 아이템에 대한 복수의 독립변수 값들을 참조하여 해당 아이템의 모델링 타입을 판단하여 입력할 수 있다. 입력된 정보는 해당 아이템에 매칭 저장될 수 있다. 입력부(130)는 사용자 단말과 연동하는 키보드, 마우스, 터치 화면 등의 입력 수단을 활용하여 각종 정보 및 데이터를 사용자로부터 선택 또는 설정받을 수 있다.

제어부(160)는 3D 모델 내의 각 아이템 별로 사용자에 의해 기 입력된 모델링 타입 정보와 머신 러닝 기반의 분류 모델에 의한 분류 값을 비교하여, 기 입력된 모델링 타입 정보를 그대로 유지하거나, 분류 모델에 의한 분류 값으로 수정한다.

여기서, 분류부(120)는 복수의 독립 변수를 분류 모델에 적용하여 도출되는 각 클래스 별 정확도 확률을 기초로, 확률이 가장 높은 클래스에 해당한 모델링 타입을 분류 값으로 제공한다.

예를 들어, 해당 아이템에서 추출한 34종의 독립변수가 입력되면 분류 모델은 이로부터 13개의 클래스 각각의 확률 값을 제공하며, 분류부(120)는 이중에서 가장 높은 확률 값을 갖는 클래스를 최종 분류 결과로 제공한다. 만일, 도 2에 나타낸 분류 가능한 13개의 클래스 중 2번째 클래스 'FB'가 가장 높은 확률값으로 도출된 경우 해당 아이템의 타입을 'FB'로 분류한다.

여기서 제어부(160)는 분류 모델에 의한 분류 값의 정확도 확률(%)이 기 설정된 임계값(예: 90%) 이상인 경우, 해당 아이템에 대해 기 입력된 모델링 타입 정보가 분류 모델에 의해 도출된 분류 값과 일치하면 기 입력된 모델링 타입 정보를 유지하고, 일치하지 않으면 분류 값으로 자동 수정할 수 있다.

또한, 제어부(160)는 분류 모델에 의한 분류 값의 정확도 확률(%)이 임계값 미만이면, 사용자 재확인을 요청하는 리포트를 출력부(140)를 통해 출력할 수 있다. 여기서, 사용자 재확인 요청 리포트는 엑셀파일 등으로 제공할 수도 있고 도면 상에 알람 등의 형태로 제공할 수도 있다.

도 3은 본 발명의 실시예에 따른 머신러닝 기반의 모델 자동 탐지 및 분류 예시를 설명한 도면이다.

도 3은 총 4개의 아이템에 대한 아이템 타입 분류 결과 예시로서, 각 아이템에 대해 아이템 분류 결과를 메모 형태로 표시하여 제공하고 있다.

이때, 사용자가 입력한 정보가 그대로 유지된 경우, 수정된 경우, 사용자 확인이 필요한 경우로 구분될 수 있다. 또한, 각각에 대한 인공지능 조치 결과는 하단 그림과 같이 엑셀 리포트 형태로 제공될 수 있다.

예를 들어, 상단의 1번 아이템에는 [EE52P_ES_S03 -> EE52P_LS_03(90%)]로 표시되어 있는데, 여기서 EE52P_ES_03은 EE52P 구역의 ES(Electric Seat류) Item 종류를 의미하고, 03은 3번째(넘버링)를 의미한다. 이때 화살표 앞 부분은 사용자 입력 정보에 기반한 결과이고 뒷 부분은 인공지능에 의해 수정된 결과에 해당한다.

이때, ES는 사용자가 입력부(130)를 통해 직접 입력한 모델링 타입 값이고, LS는 인공지능 기반의 분류 모델에서 자동 분류한 모델링 타입 값이며 90%는 그에 대한 정확도 확률을 의미한다.

이와 같이, 분류 값의 정확도 확률이 90% 이상일 때는 사용자에 의해 입력된 정보와 인공지능 분류 값을 비교하여 두 값이 상이하면 인공지능 분류 값으로 대체하도록 한다. 3번 아이템 역시 이와 같은 형태를 가진다. 물론, 분류 값의 정확도 확률이 90% 이상이면서 두 값이 서로 일치할 때는 4번 아이템과 같이 수정 없이 그대로 유지하도록 한다.

다만, 2번 아이템은 분류 값의 정확도 확률이 90% 미만인 경우로, 해당 아이템에 대해서는 다른 색상으로 표시하고 사용자 확인 요망 메시지를 함께 표시하도록 한다. 물론, 제어부(160)는 로딩한 도면 내 각 아이템 별 탐지 분류 결과는 한번에 엑셀 파일의 보고서 형태로 가공하여 제공할 수 있다.

본 발명의 실시예에서 분류 모델은 학습부(150)에 의해 사전 구축될 수 있다. 학습부(150)는 아이템으로부터 추출된 복수의 독립 변수를 입력받아 아이템의 모데링 타입을 예측하기 위한 분류 모델을 학습시킬 수 있다. 이러한 분류 모델은 과거 실적 호선의 누적 데이터를 바탕으로 머신 러닝 기반의 알고리즘을 통하여 학습부(150)에서 사전 학습될 수 있다.

이를 위해, 학습부(150)는 기존 실적선의 3D 모델링 데이터로부터 각 아이템 별로 수집한 복수의 독립 변수 및 그에 대응된 모델링 타입(정답값)을 머신 러닝 학습하여 분류 모델을 사전 구축한다.

도 4는 본 발명의 실시예에 따른 머신러닝 기반의 AI 모델을 통한 설계 검증의 개념을 설명한 도면이다.

여기서 도 4의 좌측 그림은 기존의 룰 기반의 설계 검증을 나타내고, 우측 그림은 본 발명의 실시예에 적용된 머신 러닝 기반 설계 검증 기법의 개념을 나타낸다. 즉 본 발명은 3D CAD인 AM에서 누적된 설계 3D 모델링 데이를 추출하여 머신 러닝 기반의 설계 비표준 Name 모델을 자동 탐지하는 시스템을 제안한다.

구체적으로, 본 발명의 실시예의 경우, 머신러닝을 통한 분류 모델의 학습을 위해 과거 실적선에 대한 복수의 3D 모델의 데이터가 활용된다. 이때, N개의 3D 모델에 대한 학습에 필요한 입출력 데이터인 N개의 데이터셋이 인공 지능을 위한 학습 데이터로 사용될 수 있다.

학습부(150)는 3D 모델의 해당 아이템에 대한 복수의 독립 변수를 입력 값으로 하고 아이템의 모델링 타입(종속 변수)을 출력 값으로 하여 분류 모델을 지도 학습시킬 수 있다. 이와 같이 분류 모델의 학습에는 N개의 3D 모델에 대응한 N개의 데이터 셋이 활용된 것을 알 수 있다. 분류 모델은 입력 데이터와 출력 데이터 간의 관계를 인공 지능을 이용한 머신 러닝을 기반으로 학습될 수 있다.

이에 따르면, 실적선 3D 모델링을 활용하여 숨겨진 패턴(룰을 벗어난 비표준 모델의 Name 분류 체계)을 탐색하고 데이터 마이닝할 수 있으며, 기존의 룰 기반 설계 검증 프로그램에서 해결할 수 없었던 문제들, 예를 들어 사전 정의된 Rule를 벗어난 모델에 대한 아이템 Name 분류 및 검증이 어려운 문제를 인공지능 모델의 확률 기반으로 검증할 수 있다.

도 5는 본 발명의 실시예를 위한 분류 모델의 학습 개념을 설명한 도면이다.

도 5와 같이, 학습부(150)는 서로 다른 모델링 타입(Item Type)을 갖는 다양한 3D 모델에 대한 독립 변수와 종속 변수 간의 관계를 학습하여 분류 모델을 구축할 수 있다.

이때, 학습 알고리즘으로는 Neural Networks, SVM(Support Vector Machines), RF(Random Forest), Gradient Boosting, XGBoost 등이 활용될 수 있다.

다양한 머신러닝 분류 방법론을 적용하여 최적의 알고리즘 선정할 수 있으며, Validation(검증)을 통하여 K-fold Cross Validation으로 수집된 데이터에 대한 의존성(Overfitting Problem)을 최소화할 수 있다.

본 발명의 실시예에서는 아래 표 1과 같이 성능이 가장 우수한 Gradient Boosting 기법을 최적 알고리즘으로 선정할 수 있다.

Method	Gradient Boosting	Random Forest	Support Vector Machines	XGBoost	Neural Networks
Accuracy	95.45 %	92.84 %	79.35 %	…	…

도 6은 본 발명의 실시예에 독립 변수들을 정규화하는 과정을 설명한 도면이다. 도 6에서와 같이, 종속변수(타입 분류)에 영향을 미치는 독립 변수들은 사전에 0과 1 사이의 값으로 정규화된다. 이와 같이 독립변수들은 학습 전에 모두 일정 범위 이내의 스케일로 변환(Scalization)될 수 있다. 여기서 독립 변수들의 종류(항목)는 선박 크기, 종류 등에 따라 달라질 수 있다.

도 7은 본 발명의 실시예에서 유효한 변수들을 이용하여 분류 모델을 재구성하는 개념을 설명한 도면이다.

도 7과 같이, 학습부(150)는 세로축에 나타낸 복수의 독립 변수(feature) 중에서 종속 변수에 미치는 영향도가 기준치(threshole) 이상에 해당하는 복수의 유효 변수를 선별(Feature selection)하고 선별된 유효 변수들을 기반으로 분류 모델을 재구성할 수 있다.

Machine Learning 방법론 중 Ensemble 계열 방법론(Randon Forest, Gradient Boosting, XGboost)으로 Model Fitting 시, 특징의 중요도(Feature Importance)를 구해서 영향도 측정할 수 있다.

도 7의 경우, 34종의 독립 변수들 중에서 영향도가 높은 상위 10종의 특징들을 선별한 것을 예시한다. 이에 따라, 미미한 영향도를 미치는 22개의 변수를 제거하고 10개의 변수들(예: Weight, 선각화 여부, Angle Cutting Length, Equal Angle 개수, Flatbar 개수, Panel 개수, Fixing 개수, Item Volume, Item Surface)만을 이용하여 분류 모델을 재구성할 수 있다.

도 8은 도 1의 시스템을 통한 비표준 Name 모델 자동 탐지 방법을 설명한 도면이다.

우선, AM 캐드에 3D 모델이 로딩되면(S1), 추출부(110)는 3D 모델 내 아이템의 속성과 관련한 복수의 독립 변수를 추출하고(S2), 추출한 결과를 출력부(140) 및 분류부(120)로 전달한다.

출력부(140)는 아이템에 대해 추출된 독립 변수를 화면의 지정 영역에 출력할 수 있고 해당 아이템과 매칭하여 제공할 수 있다. 그리고, 입력부(130)는 출력 정보를 참조한 사용자로부터 해당 3D 모델 내 해당 아이템에 관한 모델링 타입 정보를 입력받는다. 그리고 입력된 데이터를 제어부(160)로 전달한다.

다음, 분류부(120)는 추출부(110)로부터 전달받은 복수의 독립 변수를 기 학습된 머신러닝 기반의 분류 모델에 적용하여 아이템의 모델링 타입을 분류한다(S3). 분류부(120)는 분류 결과를 제어부(160)로 제공한다. 이때 분류부(120)는 각 클래스 별로 도출되는 확률 값을 바탕으로 분류 결과를 제공할 수 있다.

이후, 제어부(160)는 사용자에 의해 기 입력된 모델링 타입 정보와 분류 모델에 의한 분류 값을 비교하여 분류 결과를 검증한다(S4). 여기서 분류 결과의 정확도 확률을 바탕으로 확률 기반으로 분류 결과를 검증한다. 그리고, 검증 결과에 따라, 사용자 입력 정보를 그대로 유지하거나, 분류 모델에 의한 분류 값으로 수정할 수도 있고, 사용자 확인을 요청할 수 있다. 또한 제어부(160)는 검증 결과 및 각종 보고서를 출력부(140)를 통해 출력할 수 있다.

이상과 같은 본 발명에 따르면, 3D 도면에서 추출되는 복수의 독립 변수를 머신러닝을 기반으로 분석하여 그에 대한 종속 변수인 아이템별 모델링 타입을 자동으로 결정해 줌으로써 3D 모델링을 통한 Item 체계 분류 작업의 정확도 및 신뢰성을 높일 수 있다.

본 발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.

100: 비표준 Name 모델 자동 탐지 시스템
110: 추출부 120: 분류부
130: 입력부 140: 출력부
150: 학습부 160: 제어부

Claims

머신러닝을 이용한 3D 형상 기반 비표준 Name 모델 자동 탐지 시스템에 있어서,
기존 실적선의 3D 모델링 데이터로부터 각 아이템 별로 수집한 복수의 독립 변수 및 그에 대응된 모델링 타입을 머신 러닝 학습하여 분류 모델을 사전 구축하는 학습부;
선박 설계 CAD 상에 3D 모델 로딩 시 상기 3D 모델에 포함된 각 아이템 별로 상기 아이템의 속성과 관련된 복수의 독립 변수를 추출하는 추출부;
상기 아이템에 대해 추출된 복수의 독립 변수를 기 학습된 상기 분류 모델에 적용하여 상기 복수의 독립 변수에 의해 결정되는 종속 변수인 상기 아이템의 모델링 타입을 복수 타입 중 어느 하나로 분류하되, 상기 복수의 독립 변수를 분류 모델에 적용하여 도출한 클래스별 정확도 확률을 기초로 확률이 가장 높은 클래스에 해당한 모델링 타입을 분류 값으로 제공하는 분류부; 및
상기 3D 모델 내의 각 아이템 별로 사용자에 의해 기 입력된 모델링 타입 정보와 상기 분류 모델에 의한 분류 값을 비교하여, 상기 기 입력된 모델링 타입 정보를 그대로 유지하거나 상기 분류 모델에 의한 분류 값으로 수정하는 제어부를 포함하며,
상기 제어부는,
상기 분류 값의 정확도 확률이 임계값 이상인 경우, 해당 아이템에 대해 기 입력된 모델링 타입 정보가 상기 분류 모델에 의해 도출된 분류 값과 일치하는지 여부에 따라 상기 기 입력된 모델링 타입 정보를 유지하거나 상기 분류 값으로 자동 수정하고, 상기 임계값 미만이면 사용자 재확인을 요청하는 리포트를 출력하는 3D 형상 기반 비표준 Name 모델 자동 탐지 시스템.
청구항 1에 있어서,
상기 3D 모델 내 아이템에 대한 모델링 타입 정보를 사용자로부터 입력받는 입력부를 더 포함하는 3D 형상 기반 비표준 Name 모델 자동 탐지 시스템.
삭제
청구항 1에 있어서,
상기 학습부는,
상기 복수의 독립 변수 중에서 상기 종속 변수에 미치는 영향도가 기준치 이상에 해당하는 복수의 유효 변수를 선별하고 선별된 유효 변수들을 기반으로 상기 분류 모델을 재구성하는 3D 형상 기반 비표준 Name 모델 자동 탐지 시스템.
삭제