KR102563346B1 - 구조물 건전성 모니터링 시스템 및 이를 이용한 모니터링 방법 - Google Patents

Abstract

본 발명은 외력에 따른 구조물의 건전성(Structural Health)을 영상을 촬영하는 촬영장치를 이용하여 평가하도록 하여 구조물 변위를 측정하는 장치를 별도로 설치하지 않고도 구조물의 건전성을 측정할 수 있는 실시간으로 모니터링할 수 있도록 하여 구조물의 건전성을 예측할 수 있는 구조물 건전성 모니터링 시스템 및 이를 이용한 모니터링 방법을 제공하고자 한다.

Description

구조물 건전성 모니터링 시스템 및 이를 이용한 모니터링 방법{SYSTEM FOR MONITORING OF STRUCTURAL AND METHOD　ITHEREOF}

본 발명은 구조물 건전성 모니터링 시스템 및 이를 이용한 모니터링 방법에 관한 것으로, 보다 자세하게는 구조물의 건전성(Structural Health)을 실시간으로 모니터링할 수 있는 구조물 건전성 모니터링 시스템 및 이를 이용한 모니터링 방법에 관한 것이다.

이하에서 기술되는 내용은 본 발명의 실시 예와 관련되는 배경 정보를 제공할 목적으로 기재된 것일 뿐이고, 기술되는 내용들이 당연하게 종래기술을 구성하는 것은 아니다.

건설된 대형 구조물과 시설물들은 설계 및 시공 과정에서의 결함 또는 설계 당시에 고려하지 못하였던 각종 요인으로 인하여 구조 손상이 발생되며, 이러한 구조물들의 사용 기간이 경과함에 따라 점차 노후화됨으로써 그 안전성이 크게 위협을 받고 있다. 예를 들면, 심각한 정도의 구조 손상이 발생한 구조물의 경우, 설계 당시에 계획되었던 설계 사용 연한에 크게 못 미칠 정도로 사용 연한의 단축을 초래하는 경우도 빈번히 발생하고 있다. 이에 따라 건축 구조물의 장기적인 안전성 및 작동성을 확보하기 위한 노력이 절실히 요구되고 있다. 특히, 건물, 교량, 댐 등과 같은 대형 구조물은 각종 운영 하중, 외부 물체에 의한 충격, 지진, 풍하중, 파랑 하중, 부식 등에 지속적으로 노출되어 있기 때문에 이들로부터 구조물의 안전을 확보하는 문제는 경제, 사회적으로 지대한 관심의 현안이 되고 있다. 이러한 대형 구조물들의 정확한 안전 진단을 위해서는 적절한 실험 계측을 통한 구조물 변위의 모니터링, 구조물 손상을 역학적으로 분석하는 기술 및 구조물 손상을 모델화하는 해석 기술을 통한 진단 기술이 요구된다.

구조 건전성 모니터링(SHM: structural health monitoring)은 비파괴 검사를 이용하여 구조물의 구조적 손상을 모니터링하는 방법으로 토목 공학 분야에서 많은 관심을 받고 있다. 예를 들어, 구조물이 자연적 또는 인위적인 해저드(hazard)의해 여기(excited)되었을 때, 구조물의 강성과 댐핑과 같은 속성들은 변하게 된다. 이를, 센서를 통해 관측된 구조물의 변화들은 SHM 시스템에 전달되고, SHM 시스템은 사전에 대처할 수 있도록 손상 정도와 위치 등을 특정하여 실시간으로 제공한다.

그러나, 개시된 구조 건전성 모니터링은 주로 센서를 기반으로 하며, 센서에 기 저장된 기준 레벨과 비교하기 위해 측정 구조물에 센서가 직접 접촉해야 한다는 한계가 있다. 더불어, 구조물이 대형화 될수록 설치하는 센서의 개수가 증가해야 구조 건전성 평가가 이루어질 수 있다. 이에 따라 보다 정확한 구조 건전성 평가를 위해서는 센서 설치 비용이 증가한다는 한계가 있다.

이에 따라 대형화된 구조물의 건전성을 평가할 수 있으며, 직접 설치를 최소화하여 구조물의 건전성을 모니터링할 수 있는 기술이 필요한 실정이다.

전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

본 발명의 일 과제는, 건전성을 모니터링하기 위한 장치를 구조물에 직접 설치하지 않고도 구조물의 건전성을 모니터링할 수 있도록 한다.

또한, 본 발명의 일 과제는 인공지능을 이용하여 구조물의 건전성을 평가할 수 있도록 하는데 있다.

또한, 본 발명의 일 과제는 외부 하중에 의해 구조물에 손상이 발생했는지를 판단하기 위해 구조 해석을 할 필요가 없으며 설치 및 유지 보수 비용을 최소화할 수 있도록 하는데 있다.

본 발명의 목적은 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 청구범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.

본 발명의 실시 예에 따른 구조물의 건전성을 모니터링하는 방법은, 건전성(Structural Health)을 모니터링하기 위한 구조물을 촬영한 영상으로부터 상기 구조물의 건전성을 예측하기 위한 일련의 유효 프레임을 추출하고, 상기 일련의 유효 프레임에 대한 광학 흐름(Optical flow)을 추정한 후, 상기 광학 흐름에 기반하여 상기 일련의 유효 프레임에 나타난 구조물의 건전성을 결정하기 위한 코드를 저장하는 과정으로 이루어질 수 있다.

구체적으로, 유효 프레임을 추출할 때, 상기 구조물을 촬영한 3차원 이미지를 2차원 이미지로 보정할 수 있다.

이미지 보정 시, 상기 3차원 이미지에서 임의의 좌표를 선택하고, 상기 임의의 좌표를 기준으로 상기 2 차원 이미지에 투영되는 투영 좌표를 생성하는 과정으로 보정할 수 있다.

투영 좌표를 생성 이후에, 상기 2차원 이미지의 스케일, 호모그래피 행렬을 이용한 변환 행렬 및 상기 2차원 이미지의 픽셀을 이용하여 추출한 이미지 좌표를 순차적으로 곱하여 실제 좌표를 추출할 수 있다.

건전성 결정 시 실제 좌표를 가우시안 필터(Gaussian Kernel)에 적용하며,

상기 가우시안 필터(Gaussian Kernel)는, (여기서, w와 h는 이미지의 너비와 높이이며, 는 실수 x를 입력값(input)으로 취하고 x보다 작거나 같은 가장 큰 정수를 출력값(output)으로 제공하는 플로어 함수(floor function)인)로 정의할 수 있다.

투영 좌표를 가우시안 필터에 적용할 때, 상기 구조물의 건전성(d)은 로 계산될 수 있다(여기서, X_i와 X_o는 이미지 픽셀의 현재 위치 좌표 및 원본 위치좌표이고, *은 요소 별 곱셈 연산자인).

유효 프레임 추출 시, 2차원 이미지에서 특징점(feature detection)을 기반으로 하는 투영 좌표를 추출하고, 구조물 건전성 결정 시, 기 저장된 기준 좌표와 상기 투영 좌표를 비교하여 상기 투영 좌표의 이동을 판단하는 과정을 통해 이루어질 수 있다.

더불어, 유효 프레임 추출 시, 2차원 이미지의 포커스 후방에 위치한 이미지는 가중치를 낮추고, 상기 2차원 이미지의 포커스 전방에 위치한 이미지는 가중치를 높일 수 있다.

광학 흐름을 추정할 때, 상기 유효 프레임의 흔들림을 보정하고, 흔들임이 보정된 상기 유효 프레임들을 미리 훈련된 광학 흐름 추정 예측 모델에 입력하는 과정으로 수행될 수 있다.

광학 흐름 추정 예측 모델에 입력하는 과정에서 상기 구조물의 건전성을 추출하기 위해 서로 다른 유효 프레임을 적층하고 9개의 합성곱(Convolution layer)이 있는 네트워크(Generic Network)를 통과하고, 네트워크 통과는 광학 흐름 추정 예측 모델 중 플로우 넷-S(FlowNet-S), 플로우 넷-C(FlowNet-C) 및 FlowNet2 중 적어도 어느 하나를 이용하여 수행될 수 있다.

한편, 본 발명의 실시 예에 따른 구조물의 건전성을 모니터링하는 시스템은, 적어도 하나의 프로세서 및 상기 프로세서와 동작 가능하게 연결되고, 상기 프로세서에서 수행되는 적어도 하나의 코드를 저장하는 메모리를 포함하고, 상기 메모리는 상기 프로세서를 통해 실행될 때, 상기 프로세서로 하여금, 건정성(Structural Health)을 모니터링하기 위한 구조물을 촬영한 동영상으로부터 상기 구조물의 건전성을 예측하기 위한 일련의 유효 프레임을 추출하고, 상기 일련의 유효 프레임에 대한 광학 흐름(Optical flow)을 추정한 후, 상기 광학 흐름에 기반하여 상기 일련의 유효 프레임에 나타난 구조물의 건전성을 결정하기 위한 코드를 저장할 수 있다.

전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.

본 발명에 의하면, 변위가 발생할 수 있는 구조물을 촬영하고, 촬영한 구조물의 이미지를 학습 데이터로 생성한 뒤, 생성된 학습 데이터를 학습하고, 구조물을 촬영한 이미지를 구조물 변위 예측 모델에 입력하여 구조물의 건정성을 모니터링할 수 있도록 한다.

즉, 구조물 변위를 측정하는 장치를 구조물에 별도로 설치하지 않고도 구조물의 건전성을 추정할 수 있게 되어 구조물 건전성 평가를 위한 설치 비용을 효과적으로 절감할 수 있다.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 실시 예에 따른 구조물 변위 모니터링 시스템의 환경을 도시한 도면이다.
도 2는 본 발명의 실시 예에 따른 서버 구성을 도시한 도면이다.
도 3은 본 발명의 실시 예에 따른 구조물 변위 모니터링 시스템을 이용하여 구조물 변위 모니터링 과정을 도시한 도면이다.
도 4는 본 발명의 실시 예에 따라 구조물을 모니터링하는 예를 도시한 도면이다.
도 5 및 도 6은 본 발명의 실시 예에 따라 구조물을 촬영한 이미지 프레임을 통해 구조물 변위를 확인하는 예를 도시한 도면이다.
도 7은 본 발명의 실시 예에 따른 광학 흐름의 예를 도시한 도면이다.
도 8은 본 발명의 실시 예에 따라 구조물의 거동을 계산하는 과정을 도시한 도면이다.
도 9는 본 발명의 실시 예에 따라 구조물의 건전성 측정 및 평가하는 과정을 개략적으로 도시한 도면이다.

이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 여기에서 설명하는 실시 예들에 한정되지 않는다. 이하 실시 예에서는 본 발명을 명확하게 설명하기 위해서 설명과 직접적인 관계가 없는 부분을 생략하지만, 본 발명의 사상이 적용된 장치 또는 시스템을 구현함에 있어서, 이와 같이 생략된 구성이 불필요함을 의미하는 것은 아니다. 아울러, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조번호를 사용한다.

이하의 설명에서 제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 되며, 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 또한, 이하의 설명에서 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

이하의 설명에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

도 1은 본 발명의 실시 예에 따른 구조물 변위 모니터링 시스템의 환경을 도시한 도면이다.

도 1을 참고하면, 본 발명의 실시 예에 따른 구조물 변위를 모니터링하는 시스템은 교량, 대형 건물 등의 구조물을 촬영하고, 촬영한 영상이나 이미지를 기초로 구조물의 변위를 측정하여 구조물의 변위가 발생한 경우 구조물을 관리하는 관리자나 촬영장치 등의 장치와 통신 연결된 단말로 변위를 알려 구조물의 상태를 확인할 수 있도록 한다.

이를 위해 구조물 변위 모니터링 시스템(10)은, 촬영장치(100), 서버(200), 단말(equipment)(300)이 네트워크(400)를 통해 통신 연결되어 있다.

구체적으로, 촬영장치(100)는 카메라, CCTV 등과 같이 교량, 대형 건물 등의 구조물을 실시간으로 촬영할 수 있는 장치 중 하나일 수 있으며, 본 발명의 실시 예에서는 CCTV인 예를 들어 설명하기로 한다.

이러한 촬영장치(100)는 구조물과 소정의 거리를 두고 설치될 수 있으며, 적어도 두 대 이상의 촬영장치(100)가 구조물을 중심으로 구조물을 다르게 촬영할 수 있는 위치에 설치되어 다양한 변위 변화를 확인할 수 있도록 한다.

촬영장치(100)는 촬영 모드에서 정지영상 또는 동영상 등의 화상 프레임을 획득한다. 획득한 화상 프레임은 촬영장치(100)에 포함된 메모리(미도시)에 저장되거나 서버(200)로 전송되어 서버(200)의 메모리(240)에 저장될 수 있다.

서버(200)는 본 발명의 실시 예에서 설명되는 구조물의 변위를 모니터링하기 위한 각종 서비스를 제공한다. 구체적으로 서버(200)는 촬영장치(100)가 촬영한 구조물 영상이나 이미지에서 구조물의 위치가 변화하였는지를 판단할 수 있는 유효한 이미지 프레임을 인공지능을 이용하여 추출할 수 있다. 또한, 서버(200)는 추출된 유효 프레임을 기초로 구조물의 변위 정도(거동 변화)를 계산할 수 있으며, 계산된 결과를 단말(300)로 전송할 수도 있다. 이하 인공지능에 관하여는 후술하기로 한다.

단말(300)은 촬영장치(100)에서 촬영한 구조물 영상에 기반하여 구조물 건전성 결과를 확인할 수 있는 장치이다. 예를 들어, 단말(300)은 휴대단말, 노트북, 태블릿 PC 등과 같은 장치 중 하나일 수 있으며, 단말(300)의 종류는 한정되지 않는다. 단말(300)을 통해 구조물 건전성 결과를 확인할 수 있게 되므로 구조물 관리자는 보다 빠르고 쉽게 구조물 건전성 결과에 대응하는 관리가 이루어질 수 있다.

이러한 단말(100)은 네트워크(400)를 통해 서버(200)로 데이터를 전송하고 수신할 수 있다. 구체적으로 단말(100)과 서버(200)는 네트워크(400)를 통해 모바일 브로드밴드(Enhanced Mobile Broadband, eMBB), URLLC(Ultra-reliable and low latency communications) 및 mMTC(Massive Machine-type communications) 중에서 적어도 하나의 서비스를 이용하여 데이터를 통신할 수 있도록 구성될 수 있다.

여기서, eMBB(Enhanced Mobile Broadband)는 모바일 브로드밴드 서비스로, 이를 통해 멀티미디어 콘텐츠, 무선데이터 액세스 등이 제공된다. 또한, 폭발적으로 증가하고 있는 모바일 트래픽을 수용하기 위한 핫스팟 (hot spot)과 광대역 커버리지 등 보다 향상된 모바일 서비스가 eMBB를 통해 제공될 수 있다. 핫스팟을 통해 사용자 이동성이 작고 밀도가 높은 지역으로 대용량 트래픽이 수용될 수 있다. 광대역 커버리지를 통해 넓고 안정적인 무선 환경과 사용자 이동성이 보장될 수 있다.

URLLC(Ultra-reliable and low latency communications) 서비스는 데이터 송수신의 신뢰성과 전송 지연 측면에서 기존 LTE 보다 훨씬 엄격한 요구사항을 정의하고 있으며, 산업 현장의 생산 프로세스 자동화, 원격 진료, 원격 수술, 운송, 안전 등을 위한 5G 서비스가 여기에 해당한다.

mMTC(Massive Machine-type communications)는 비교적 작은 양의 데이터 전송이 요구되는 전송지연에 민감하지 않은 서비스이다. 센서 등과 같이 일반 휴대폰 보다 훨씬 더 많은 수의 단말기들이 동시에 무선액세스 네트워크에 mMTC에 의해 접속할 수 있다. 이 경우, 단말기의 통신모듈 가격은 저렴해야 하고, 배터리 교체나 재충전 없이 수년 동안 동작할 수 있도록 향상된 전력 효율 및 전력 절감 기술이 요구된다.

네트워크(400)는 유선 및 무선 네트워크, 예를 들어 LAN(local area network), WAN(wide area network), 인터넷(internet), 인트라넷(intranet) 및 엑스트라넷(extranet), 그리고 모바일 네트워크, 예를 들어 셀룰러, 3G, LTE, 5G, WiFi 네트워크, 애드혹 네트워크 및 이들의 조합을 비롯한 임의의 적절한 통신 네트워크 일 수 있다.

네트워크(400)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(400)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(400)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다.

한편, 본 발명의 실시 예에 따른 구조물 변위 모니터링 시스템(10)을 이용하여 구조물 변위 여부를 추출할 때, 인공지능(artificial intelligence, AI)을 이용하여 구조물 변위 변화를 추출할 수 있다.

이를 위해, 서버(200)는 인공 지능 모델과 관련하여 각종 인공 지능 모델을 생성하고, 이를 학습시키며, 이를 평가하고, 이를 완성하고, 그리고 사용자의 개인 데이터를 이용하여 이를 업데이트 하는 과정에서 로컬 영역과 서버(200)에 저장된 각종 인고지능 알고리즘과 관련된 프로그램을 이용할 수도 있다.

또한, 서버(200)는 각종 인공 지능 모델의 훈련에 필요한 학습 데이터를 수집하고, 수집된 데이터를 이용하여 인공지능 모델을 훈련시키는 역할을 할 수 있다. 서버(200)를 통해 훈련된 각종 인공 지능 모델이 평가를 통해 완성되면 단말(300)이 완성된 인공지능 모델을 이용하거나, 인공지능 모델 자체가 주체가 되어 구조물이 거동한 변위를 추출하는 과정이 수행될 수 있다.

예를 들어 인공지능(AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.

구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.

용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.

기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.

의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.

베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.

서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.

인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.

인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.

구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.

인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.

인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.

일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.

또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.

입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.

한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.

한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.

인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.

한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.

다음은 인공 신경망의 학습 방식에 대하여 설명한다.

인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.

지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.

그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.

지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.

여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.

또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.

이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.

한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.

인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.

비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.

구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.

비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.

본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.

비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.

생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.

이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.

또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.

그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.

오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.

이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.

또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.

한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.

준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.

준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.

강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.

마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.

예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.

하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.

예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.

손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.

손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.

교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.

머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.

경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.

모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.

이때, 스텝 사이즈는 학습률을 의미할 수 있다.

경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.

확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.

Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.

인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.

통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.

본 발명의 실시 예에 따라 변위 변화를 통해 구조물의 거동을 추출하는 인공지능 모델과 관련하여 각종 인공 지능 모델을 생성하고, 이를 학습시키고, 이를 평가하고, 이를 완성하고, 그리고 사용자의 개인 데이터를 이용하여 이를 업데이트 하는 과정에서 로컬 영역과 서버(200)에 저장된 각종 인공지능 알고리즘과 관련된 프로그램을 이용할 수 있다.

도 2는 본 발명의 실시 예에 따른 서버 구성을 도시한 도면이다.

도 2를 참고하면, 서버(200)는 통신부(210), 데이터 획득부(220), 러닝 프로세서(230), 메모리(240) 및 프로세서(260)를 포함한다.

통신부(210)는 단말(300) 및 촬영장치(100)와 통신 연결될 수 있는 구성이다. 구체적으로 통신부(210)는 촬영장치(100)에서 촬영한 구조물 영상을 수신하고, 수신한 영상을 통해 구조물 거동이 변화하였는지에 대한 결과를 단말(300)로 송신할 수 있다.

데이터 획득부(220)는 모델 학습을 위한 입력 데이터를 획득할 수 있다. 이러한 데이터 획득부(220)는 가공되지 않는 입력 데이터를 획득할 수 있으며, 이 경우 프로세서(260) 또는 러닝 프로세서(230)에서 획득한 입력 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있도록 한다.

여기서, 입력 데이터에 대한 전처리는 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미한다.

러닝 프로세서(230)는 훈련된 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습하는 장치이다.

구체적으로 러닝 프로세서(230)는 앞서 설명한 다양한 학습 기법을 이용하여 구조물의 건전성 여부를 결정할 수 있는 이미지를 추출할 수 있는 인공 신경망을 반복적으로 학습시킴으로써, 인공 신경망의 최적화된 모델 파라미터들을 결정할 수 있다.

본 발명의 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을 학습 모델 또는 학습된 모델(a trained model)이라 칭할 수 있다. 이때, 학습 모델은 훈련 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있다.

또한, 러닝 프로세서(230)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정, 및 기계 학습 알고리즘 및 기술을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다.

그리고 러닝 프로세서(230)는 일반적으로 감독 또는 감독되지 않은 학습, 데이터 마이닝, 예측 분석 또는 다른 머신에서 사용하기 위해 데이터를 식별, 색인화, 카테고리화, 조작, 저장, 검색 및 출력하기 위해 데이터를 하나 이상의 데이터베이스에 저장되도록 구성될 수 있다. 여기서, 데이터베이스는 메모리(240), 단말(300)의 메모리 등과 같이 액세스 가능한 다른 원격 메모리를 이용하여 구현될 수도 있다.

이러한 러닝 프로세서(230)에 저장된 정보는 다양하고 상이한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용하여 프로세서(260) 또는 하나 이상의 다른 제어기에 의해 이용될 수 있다.

이러한, 알고리즘의 예로는, k-최근 인접 시스템, 퍼지 논리 (예: 가능성 이론), 신경 회로망, 볼츠만 기계, 벡터 양자화, 펄스 신경망, 지원 벡터 기계, 최대 마진 분류기, 힐 클라이밍, 유도 논리 시스템 베이지안 네트워크, 페리트넷 (예: 유한 상태 머신, 밀리 머신, 무어 유한 상태 머신), 분류기 트리 (예: 퍼셉트론 트리, 지원 벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판독 모델 및 시스템, 인공 융합, 센서 융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화 된 계획 등을 포함한다.

메모리(240)는 촬영장치(100)에서 촬영한 영상 데이터를 저장할 수 있으며, 이외에 서버(200)에서 수행하는 다양한 기능을 지원하는 데이터를 저장한다.

예를 들어 메모리(240)는 촬영장치(100)에서 촬영한 영상 데이터를 통해 구조물의 위치가 변경되었는지를 확인할 수 있는 유효 프레임을 추출하는 명령어, 추출된 유효 프레임을 기초로 구조물의 변위를 판단할 수 있는 명령어, 러닝 프로세서(230)가 동작하기 위한 데이터 등을 저장할 수 있다.

이러한 메모리(240)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수도 있다.

이때, 메모리(240)는 데이터 획득부(220)에서 획득한 입력 데이터, 모델 학습을 위한 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 더 저장할 수도 있다.

이와 같이 메모리(240)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐 아니라 가공되지 않은 입력 데이터 그 자체가 될 수도 있다.

이러한 메모리(240)는 모델 저장부(241)와 데이터 베이스(242) 등을 포함할 수 있다.

모델 저장부(241)는 러닝 프로세서(230)를 통해 학습 중이거나 학습된 모델(또는 인공 신경망, 241a)을 저장하며, 학습을 통하여 모델이 업데이트되면 업데이트된 모델을 저장할 수 있다.

모델 저장부(241)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.

도 2에 도시된 인공신경망(241a)은 복수의 은닉층을 포함하는 인공 신경망의 하나의 예시일 뿐이며, 본 발명의 인공 신경망이 이에 한정되는 것은 아니다.

또한 인공신경망(241a)은 하드웨어 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 인공 신경망(241a) 일부 또는 전부가 소프트웨어로 구현되는 경우, 인공 신경망(241a)을 구성하는 하나 이상의 명령어는 메모리(240)에 저장될 수 있다.

데이터 베이스(242)는 데이터 획득부(220)에서 획득한 영상 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장한다.

이러한 데이터 베이스(242)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.

프로세서(260)는 앞서 설명된 응용 프로그램과 관련한 동작 이외에 통상적으로 서버(200)의 전반적인 동작을 제어할 수 있다. 프로세서(260)는 앞서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

또한, 프로세서(260)는 데이터 분석 및 기계 학습 알고리즘을 사용하여 결정되거나, 생성된 정보에 기초하여 서버(200)의 적어도 하나의 실행 가능한 동작을 결정 또는 예측할 수 있다. 이를 위해 프로세서(260)는 러닝 프로세서(230)의 데이터를 요청하거나 검색하고 수신할 수 있으며, 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나 바람직한 것으로 판단되는 동작하도록 서버(200)를 제어할 수도 있다.

프로세서(260)는 지능적 에뮬레이션(즉, 지식 기반 시스템, 추론 시스템 및 지식 획득 시스템)을 구현하는 다양한 기능을 수행 할 수 있다. 이는 적응 시스템, 기계 학습 시스템, 인공 신경망 등을 포함하는, 다양한 유형의 시스템(예컨대, 퍼지 논리 시스템)에 적용될 수 있다.

또한, 프로세서(260)는 촬영장치(100)에서 촬영한 구조물 영상 정보를 수집하여 메모리(240)에 저장할 수 있다. 프로세서(260)에 저장된 구조물 영상 정보와 기 저장된 사용 사용 히스토리 정보 및 예측 모델링을 사용하여 특정 기능을 실행하기 위한 최상의 매치를 결정하게 된다.

프로세서(260)는 특정 동작이 수행되는 경우, 데이터 분석 및 기계 학습 알고리즘 및 기법을 통해 특정 동작의 실행을 나타내는 이력 정보를 분석하고, 분석된 정보에 기초하여 이전에 학습 한 정보의 업데이트를 수행 할 수 있다.

따라서 프로세서(260)는 러닝 프로세서(230)와 함께 업데이트 된 정보에 기초하여 데이터 분석 및 기계 학습 알고리즘 및 기법의 미래 성능의 정확성을 향상시킬 수 있다.

도 3은 본 발명의 실시 예에 따른 구조물 변위 모니터링 시스템을 이용하여 구조물 변위 모니터링 과정을 도시한 도면이고, 도 4는 본 발명의 실시 예에 따라 구조물을 모니터링하는 예를 도시한 도면이며, 도 5 및 도 6은 본 발명의 실시 예에 따라 구조물을 촬영한 이미지 프레임을 통해 구조물 변위를 확인하는 예를 도시한 도면이고, 도 7은 본 발명의 실시 예에 따른 광학 흐름의 예를 도시한 도면이며, 도 8은 본 발명의 실시 예에 따라 구조물의 거동을 계산하는 과정을 도시한 도면이다.

도 3 및 도 4에 도시된 바와 같이, 구조물 변위 모니터링 과정은, 교량, 대형 건물 등의 구조물을 촬영하고, 촬영된 영상에서 구조물의 변위가 변화하였는지를 판단할 수 있는 유효 프레임을 추출한다(단계 S110).

구체적으로 변위가 발생하였는지를 판단하기 위한 구조물을 촬영장치(100)를 이용하여 촬영할 수 있다. 촬영장치(100)를 통해 촬영된 영상은 촬영장치(100) 또는 서버(200)에서 이미지를 보정하며, 보정된 이미지를 기반으로 구조물의 건전성을 결정할 수 있도록 한다. 이하 본 발명의 실시 예에서 이미지 보정은 서버(200)를 통해 수행되는 예를 들어 설명하기로 한다.

설명한 바와 같이, 촬영장치(100)는 구조물을 3차원 이미지로 촬영하게 된다. 이렇게 촬영된 3차원 이미지는 구조물의 형상을 나타내는 것일 뿐 구조물의 변위를 나타내지는 못한다. 따라서, 촬영된 3차원 이미지를 2차원 이미지로 보정해야 구조물의 변위를 변화를 계산할 수 있다.

이미지 변환 과정을 살펴보면, 촬영된 3차원 이미지에는 구조물, 주변 환경 등 다양한 이미지를 포함된다. 이중, 이미지 변환 과정은 구조물을 표시할 수 있는 점들을 2차원 이미지로 투영하는 과정을 의미한다. 즉, 이미지 변환은 3차원으로 촬영된 이미지에 포함된 실제 좌표 중 임의의 좌표를 2차원 평면 이미지에 투영하여 투영 좌표를 생성하는 것이다. 이러한 좌표 투영은 호모그래피 행렬을 통해 변환할 수 있고, 이와 같은 이미지 변환을 카메라 캘리브레이션이라고 한다. 이때, 촬영장치(100)가 영상을 촬영할 때의 조건인 렌즈, 구조물과의 거리, 구조물을 촬영하는 각도 등을 제거해야 보다 정확하게 이미지 변환이 이루어질 수 있다.

캘리브레이션 과정은 예를 들어 보정계수법(scale factor), 전체 투영행렬(Full Projection Matrix), 평면 호모그래피 행렬 전환법(Planar Homography matrix Transforms, PHT) 등의 방법 중 어느 하나를 이용할 수 있으며, 본 발명의 실시 예는 호모그래피 행렬 전환법(PHT)을 이용하여 3차원 영상에서 2차원 이미지를 획득하는 예를 들기로 한다.

여기서, 호모그래피 행렬 전환법은 다음의 식으로 표현된다.

식 (1)

여기서, X는 실제 좌표라고 할 수 있으며, x는 2차원 이미지에서 추출한 좌표인 투영 좌표를 의미한다. 또한, H는 3x3 행렬인 호모그래피 행렬 중 하나이며, s는 이미지 스케일을 의미한다.

호모그래피 행렬 전환법은 카메라 렌즈의 축과 대상 구조물의 축이 평행하지 않아도 원본 이미지를 재 투영하여 이미지를 왜곡 없이 투영할 수 있는 특징이 있다. 구체적으로, 도 5를 참고하면 PHT는 3차원 이미지에 임의의 4 개의 좌표를 선택하여(도 5 (a)의 a, b, c 및 d 참조), 2차원 이미지로 투영된 투영 좌표(SC_도 6 (a) 참고)가 생성될 수 있도록 한다(도 5 (b)의 a, b, c 및 d 참조).

이때, 식 (1)에서 2차원 이미지로 투영된 투영 좌표(SC)는 x이며, 실제 좌표(X)와 호모그래피 행렬(H)의 역행렬 및 이미지 스케일(S)의 역함수의 곱으로 계산될 수 있다.

여기서, 투영 좌표(SC) x는 다음의 식으로 표현된다.

식 (2)

여기서, I_ij 는 3차원 이미지의 픽셀(i, j)의 그레이스케일 값(gray value_명암값)을 의미하며, m과 n은 촬영하는 구조물에서 관심 영역(Region of interest; RoI)를 의미한다.

또한, 이미지 스케일은 실제 물체의 사이즈와 이미지 사이즈 비율, 카메라에서 측정 대상까지의 거리와 초점거리의 비율 등을 의미할 수 있다.

이와 같이, 3차원 이미지의 임의의 좌표에서 2차원 이미지의 투영 좌표(SC)를 추출할 때, 구조물에서 변위가 발생하였는지를 추측할 수 있는 유효 프레임을 결정할 수 있다.

결정되는 유효 프레임은 특징점(feature detection)에 대한 딥러닝 설계를 기반으로 결정될 수 있다. 예컨대 도 6을 참고하면 구조물을 설계할 때, 구조물의 정위치를 기준할 수 있는 기준 좌표(BC)가 설정될 수 있다. 기준 좌표(BC)를 기준으로 보정된 2차원 이미지에서 도출한 투영 좌표(SC)가 기준 좌표(BC)에서 벗어난 2차원 이미지를 유효 프레임으로 결정할 수 있다(도 6의 (a)).

즉, 구조물의 거동 여부는 기준 좌표(BC)를 기준으로 구조물의 움직임을 측정하는 것이며, 구조물의 가장자리와 같이 이미지 상에서 주변환경과 구조물을 구분할 수 있는 점들로 정의될 수 있다. 또한, 유효 프레임은 기준 좌표(BC)로부터 시간에 따라 발생하는 움직임을 비교하여 투영 좌표(SC)가 기준 좌표(BC)에서 벗어난 경우의 이미지를 의미할 수 있다.

설명한 바와 같이 정의된 기준 좌표(BC) 기준으로 2차원 이미지로 투영된 투영 좌표(SC)를 기준 좌표(BC)와 비교하여 구조물의 거동 여부를 판단할 수 있으며, 거동이 발생한 프레임만을 유효 프레임으로 인식할 수 있다(도 6의 (b)). 이러한 인식한 유효 프레임은 실시간으로 유효 좌표로 확인할 수 있다(도 6의 (c)).

이때, 유효 좌표는 앞서 획득한 투영 좌표(SC) 중에서 움직임이 발생한 좌표를 연결하여 구조물의 거동을 웨이블릿(wavelet)으로 변환한 것을 의미한다.

여기서, 유효 프레임을 결정하기 위해 2차원 이미지 포커스 후방에 위치한 이미지는 가중치를 낮추고 2차원 이미지 포커스 전방에 위치한 이미지는 가중치를 높여 유효 프레임을 결정할 수 있다. 즉, 초점에 가까운 데이터에 가중치를 부여함으로써 이미지 노이즈를 줄일 수 있다.

이때, 유효 프레임을 결정하기 위한 딥러닝 알고리즘은 Convolutional Neural Networks(CNN), Boltzmann Machines, Belief Network, Recurrent Neural Networks, Auto-encoders, GANs(Generative Adversarial Networks)와 같은 딥러닝 알고리즘을 활용할 수 있다. 여기서 CNN 다음에 최대풀링계층(Max Pooling layer)과 드랍아웃 비율이 다른 드랍아웃계층(Drop-out layer)은 기록된 거동을 분류하고 전이학습계층(Transfer learning System, FC)을 활용하여 거동을 식별할 수 있다.

이와 같이 촬영된 영상에서 유효 프레임을 추출하면 유효 프레임에 대한 광학 흐름(Optical flow)을 추정할 수 있다(단계 S120).

광학 흐름이란, 촬영된 영상 내 구조물과 배경이 구분될 수 있는 구조물의 가장자리에서의 움직임을 추정하는 것을 의미한다. 도 7을 참고하면 움직이는 물체가 있을 때, 시간 t에서 좌표 (x, y)에 위치한 물체가 이후의 시간 t+1에서 위치할 좌표를 추정하도록 영상에서 인접한 이미지에 나타나는 명암의 변화를 고려하여 물체의 움직임을 추정할 수 있는 알고리즘이다. 광학 흐름을 추정하기 위한 유효 프레임은 3차원의 3차원 이미지에서 추출한 2차원의 2차원 이미지를 통해 수행될 수 있으며, 딥러닝 알고리즘을 통해 추정할 수 있다.

유효 프레임에 대한 광학 흐름을 추정하는 딥러닝 알고리즘으로는 예를 들어, FlowNet 또는 FlowNet2을 이용할 수 있다. FlowNet 또는 FlowNet2는, 앞서 유효 좌표를 통해 구조물의 거동을 웨이블릿(wavelet)으로 변환된 서로 다른 유효 프레임을 적층하고 9개의 합성곱 계층(Convolution layer)이 있는 일반 네트워크(Generic Network)를 통과하면서 네트워크가 구조물의 거동 정보를 추출하기 위해 이미지 쌍(pair)을 처리하는 방법을 스스로 결정할 수 있도록 하는 알고리즘이다.

여기서 적층하는 서로 다른 유효 프레임은 시간흐름에 따른 연속적인 이미지일 수 있으며, 다르게는 서로 대응되는 연속 이미지일 수 있다.

FlowNet-S에서는 첫 번째 계층은 사이즈의 CNN 필터(Kernel)를 가지며, 두 번째, 세 번째 계층의 필터는 , 네 번째부터 아홉 번째 필터는 의 사이즈를 갖는다. 각각의 계층의 차원은 다음과 같이 conv1 ( ), conv2 ( ), conv3 ( ), conv3_1 ( ), conv4 ( ), conv4_1 ( ), conv5 ( ), conv5_1 ( ), conv6 ( )로 구성된다. 마지막으로, Coarse feature map의 개선작업을 추가하여 해상도를 원본 이미지에 가깝게 올려주어 광학 흐름 예측이 수행될 수 있도록 한다.

구체적으로, FlowNet-S는 투영 좌표(SC)의 정확도를 개선할 수 있다. 이미지의 해상도에 따라 구조물 가장자리를 형성하는 라인이 부정확할 수 있는데, 이를 FlowNet-S를 통해 배경과 구조물의 경계를 확실하게 구분하도록 하며, 투영 좌표(SC)가 보다 명확하게 투영될 수 있도록 하여 광학 흐름이 보다 정확하게 추정될 수 있도록 한다.

FlowNet-C는 두 개의 이미지를 직접 적층하는 대신에, 먼저 두 이미지를 세 개의 합성곱 계층(Convolution layer)에 개별적으로 공급한 후 correlation layer와 함께 결합한다. 남은 6개의 합성곱 계층 이후에 개선작업이 추가되면서 유효 프레임의 광학 흐름이 산출될 수 있다.

FlowNet2는 FlowNet을 기반으로 앞서 설명한 FlowNet-C와 FlowNet-S를 적층하고 작은 거동에 특화된 sub-network를 통합하여 기존의 FlowNet의 정확도와 속도를 향상한다는 효과가 있다.

구체적으로, 3차원 이미지로부터 획득한 유효 프레임에 FlowNet(or FlowNet2 등)을 적용할 경우, 획득한 유효 프레임에서의 투영 좌표(SC) 결과 신뢰성이 향상될 수 있다.

이와 같이 유효 프레임에 대한 광학 흐름을 추정하면, 추정된 광학 흐름에 기반하여 유효 프레임에 나타난 구조물의 건전성을 결정할 수 있다(단계 S130).

구조물의 건전성을 결정하기 전에, 추출된 유효 프레임에 흔들림이 있는지에 따라 흔들림을 보정할 수 있다. 촬영장치(100)로 구조물을 촬영하는 과정에서 지면의 진동이나 바람과 같은 촬영장치(100)가 설치된 환경적 요인에 의하여 촬영장치(100)에 흔들림이 발생할 수 있다. 이러한 촬영장치(100)의 흔들림은 구조물 거동과 혼재될 수 있으며, 이로 인해 구조물 건전성을 산출하는 과정에서 오차로 유발될 수 있다. 따라서 촬영장치(100) 흔들림 오차를 제거하기 위해 촬영장치(100)에 촬영장치(100)의 거동을 측정할 수 있는 거동측정센서를 설치할 수 있다.

또한, 촬영장치(100)에는 잡음을 가지는 영상(이미지)의 잡음을 제거하고, 영상 내 패턴을 인식하기 위한 프로그램 중 하나인 웨이블릿 필터(wavelet filter)가 포함되어 구조물의 거동에 대한 신호를 개선할 수 있다.

결론적으로, 촬영장치(100)를 이용하여 촬영하는 경우, 주변 환경의 변화(예: 지진, 바람 등)에 의해 촬영장치(100)가 흔들릴 수 있다. 따라서, 촬영장치(100)가 촬영한 이미지에 구조물의 거동뿐 아니라 촬영장치(100)의 흔들림이 포함되어 촬영될 수 있는 것이다. 이때, 촬영장치(100)에 웨이블릿 필터를 설치하고, 설치된 웨이블릿 필터를 통해 촬영장치(100)의 움직임만을 제거할 수 있도록 하여 구조물의 건전성을 판단할 수 있는 유효 프레임을 획득할 수 있도록 한다.

이와 같이 2차원 이미지로 표현된 유효 프레임의 흔들림을 보정한 후, 2차원 이미지에서 실제 좌표를 추출하기 위해 다시 호모그래피 행렬 전환법을 이용하여 실제 좌표를 변환할 수 있다.

여기서, 실제 좌표(X)는 2차원 이미지의 스케일, 호모그래피 행렬을 이용한 변환 행렬 및 2차원 이미지의 픽셀을 이용하여 추출한 이미지 좌표를 순차적으로 곱하여 도출할 수 있다.

식 (1) 참고

즉, 실제 좌표를 추출하기 위해 3차원 영상에 호모그래피 행렬 전환법을 적용하여 2차원 이미지를 추출한다. 추출한 2차원 이미지에 다시 호모그래피 행렬 전환법을 적용하여 실제 좌표를 추출할 수 있도록 하는 것이다.

도 8에 도시된 바와 같이, 구조물의 변위가 발생하는 관심 영역에 위치한 구조물의 영상을 촬영한다. 촬영된 영상은 3차원 이므로 이미지 캘리브레이션 중 호모그래피 행렬 전환법을 3차원 영상에 적용하여 움직임을 대변할 수 있는 투영 좌표(SC)의 시간에 대한 변화값을 획득할 수 있다(도 8의 (a) 참고: 이미지 변환_캘리브레이션).

획득한 투영 좌표(SC)를 호모그래피 행렬에 다시 대입하여 실제 구조물을 나타내는 실제 좌표로 변환하게 된다(도 8의 (b) 참고).

이후, 이미지 캘리브레이션으로 추출한 투영 좌표(SC)와 실제 좌표 사이의 거리를 계산하여 실제 구조물이 거동한 변위를 계산하도록 한다. 이때, 실제 구조물의 거동 변위는 가우시안 필터(Gaussian Kernel)에 적용할 수 있다(도 8의 (c) 참고).

가우시안 필터(Gaussian Kernel)란 다음의 식으로 표현된다.

식 (3)

여기서, w와 h는 이미지의 너비와 높이이며, 는 실수 x를 입력값(input)으로 취하고 x보다 작거나 같은 가장 큰 정수를 출력값(output)으로 제공하는 플로어 함수(floor function)일 수 있다.

정리하면, 2차원의 이미지에서 추출한 투영 좌표(SC)를 통해 거동이 발생한 유효 좌표를 추출하고, 유효 좌표가 추출된 이미지만을 유효 프레임으로 설정할 수 있다. 이러한 유효 프레임 설정은 전체 영상(이미지)에서 필요한 영역만을 추출하는 것이므로 구조물 거동을 확인하고자 하는 영상의 크기(사이즈)를 최소화할 수 있다.

특히, 유효프레임으로 추출한 구조물이 거동하는 프레임만 있는 이미지에서 구조물의 거동을 보다 정확하게 추적할 수 있게 된다. 앞서 설명한 바와 같이, 촬영된 영상 내 구조물과 배경이 구분될 수 있는 구조물의 가장자리에서의 움직임을 추정하는 것을 의미하는 광학 흐름을 통해 획득한 구조물의 움직임은 구조물 가장자리에서의 움직임일 수 있다.

이때, 구조물의 건전성(d)은 보다 구체적으로 다음의 식으로 계산될 수 있다.

식 (4)

여기서, X_i와 X_o는 이미지 픽셀의 현재 위치 좌표 및 원본 위치좌표이고, *은 요소 별 곱셈 연산자인일 수 있다.

구체적으로, X_o : 실제 구조물을 촬영한 이미지의 프레임에서 좌표(Original coordinate)를 의미하고, X_i : 실제 구조물을 촬영한 이미지의 i번째 프레임에서 좌표를 의미할 수 있다.

따라서, X_o-X_i 는 변위 벡터를 의미할 수 있다.

이와 같이 구조물의 건전성을 계산하면, 계산된 구조물의 건전성을 평가할 수 있다. 이하 도면을 참고하면 계산된 구조물의 건전성을 평가하는 과정을 살펴보기로 한다.

도 9는 본 발명의 실시 예에 따라 구조물의 건전성 측정 및 평가하는 과정을 개략적으로 도시한 도면이다.

도 9를 참고하면, 딥 러닝 알고리즘을 이용하여 촬영된 이미지를 기반으로 구조물의 거동을 측정할 수 있다. 이때, 웨이블릿 분석(Wavelet Analysis)을 적용하여 시간 및 주파수 영역에서 구조물의 거동을 추정할 수 있다. 웨이블릿이란, 0을 중심으로 급격한 증가와 감속을 반속하는 파동을 의미한다. 이와 유사하게 웨이블릿 분석이란, 기준 좌표(BC)를 기준으로 투영 좌표(SC)가 기준 좌표(BC)에서 벗어난 경우를 분석하는 것을 의미한다.

구체적으로, 촬영장치(100)를 통해 촬영한 영상은 이미지 처리가 실행될 수 있다. 이미지 처리를 통해 구조물의 구조적 문제와 구조물의 거동을 학습하기 위한 구조물의 특징, 결함 등에 대한 데이터를 획득할 수 있다.

이후, 처리된 이미지에서 유효 프레임을 추출하고, 추출한 유효 프레임에서 광학 흐름을 추정하여 구조물의 건전성을 계산하는 것이다.

이상과 같이 건전성이 발생할 수 있는 구조물을 촬영하고, 딥러닝 알고리즘을 이용하여 촬영된 영상을 통해 구조물의 건전성을 모니터링할 수 있도록 한다. 이때, 구조물에 구조물 변위를 측정하는 장치를 별도로 설치하지 않고도 구조물의 건전성을 측정할 수 있으므로 구조물 건전성을 평가하기 위한 장치 설치 비용을 효과적으로 절감할 수 있다.

또한, 본 발명의 구조물 변위 모니터링은 인공지능 기술을 이용하여 구조물 변위를 예측할 수 있다. 이로써, 구조물의 변위를 보다 빠르게 측정할 수 있어 구조물에 발생 가능한 문제를 미연에 방지할 수 있다.

이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.

한편, 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.

본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 단계들은 적당한 순서로 행해질 수 있다. 반드시 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 또한, 본 발명에 따른 방법들에 포함된 단계들은 프로세서 또는 해당 단계의 기능을 수행하기 위한 모듈들을 통해서 수행될 수 있다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

따라서, 본 발명의 사상은 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (10)

1. 구조물의 건전성(Structural Health)을 모니터링하는 방법으로서,
   건정성을 모니터링하기 위한 구조물을 촬영한 영상으로부터 상기 구조물의 건전성을 예측하기 위한 일련의 유효 프레임을 추출하는 단계;
   상기 일련의 유효 프레임에 대한 광학 흐름(Optical flow)을 추정하는 단계; 및
   상기 광학 흐름에 기반하여 상기 일련의 유효 프레임에 나타난 구조물의 건전성을 결정하는 단계를 포함하고,
   상기 추출하는 단계는,
   상기 구조물을 촬영한 3차원 이미지를 2차원 이미지로 보정하는 단계를 포함하고,
   상기 보정하는 단계는,
   상기 3차원 이미지에서 임의의 좌표를 선택하는 단계;
   상기 임의의 좌표를 기준으로 상기 2 차원 이미지에 투영되는 투영 좌표를 생성하는 단계; 및
   상기 2차원 이미지의 스케일, 호모그래피 행렬을 이용한 변환 행렬 및 상기 투영 좌표를 순차적으로 곱하여 실제 좌표를 추출하는 단계를 포함하며,
   상기 결정하는 단계는,
   상기 실제 좌표를 가우시안 필터(Gaussian Kernel)에 적용하는 단계를 포함하고,
   상기 가우시안 필터(Gaussian Kernel)는,
   (여기서, w와 h는 이미지의 너비와 높이이며, 는 실수 x를 입력값(input)으로 취하고 x보다 작거나 같은 가장 큰 정수를 출력값(output)으로 제공하는 플로어 함수(floor function)인
   구조물 건전성 모니터링 방법.
   
2. 삭제
3. 삭제
4. 삭제
5. 제1항에 있어서,
   상기 적용하는 단계는,
   상기 구조물의 건전성(d)는 로 계산되는,
   (여기서, X_i와 X_o는 이미지 픽셀의 현재 위치 좌표 및 원본 위치좌표이고, *은 요소 별 곱셈 연산자인)
   구조물 건전성 모니터링 방법.
   
6. 제1항에 있어서,
   상기 추출하는 단계는,
   상기 2차원 이미지에서 특징점(feature detection)을 기반으로 하는 투영 좌표를 추출하는 단계를 포함하고,
   상기 결정하는 단계는,
   기 저장된 기준 좌표와 상기 투영 좌표를 비교하여 상기 투영 좌표의 이동을 판단하는 단계를 포함하는,
   구조물 건전성 모니터링 방법.
   
7. 제6항에 있어서,
   상기 추출하는 단계는,
   상기 2차원 이미지의 포커스 후방에 위치한 이미지는 가중치를 낮추고, 상기 2차원 이미지의 포커스 전방에 위치한 이미지는 가중치를 높이는 단계를 포함하는,
   구조물 건전성 모니터링 방법.
   
8. 제1항에 있어서,
   상기 추정하는 단계는,
   상기 유효 프레임의 흔들림을 보정하는 단계; 및
   흔들림이 보정된 상기 유효 프레임들을 미리 훈련된 광학 흐름 추정 예측 모델에 입력하는 단계를 포함하는,
   구조물 건전성 모니터링 방법.
   
9. 제8항에 있어서,
   상기 입력하는 단계는,
   상기 구조물의 건전성을 추출하기 위해 서로 다른 유효 프레임을 적층하고 9개의 합성곱(Convolution layer)이 있는 네트워크(Generic Network)를 통과하는 단계를 포함하고,
   상기 통과하는 단계는,
   상기 광학 흐름 추정 예측 모델 중 플로우 넷-S(FlowNet-S), 플로우 넷-C(FlowNet-C) 및 FlowNet2 중 적어도 어느 하나를 이용하는,
   구조물 건전성 모니터링 방법.
   
10. 구조물의 건전성을 모니터링하는 시스템으로서,
    적어도 하나의 프로세서; 및
    상기 프로세서와 동작 가능하게 연결되고, 상기 프로세서에서 수행되는 적어도 하나의 코드를 저장하는 메모리를 포함하고,
    상기 메모리는 상기 프로세서를 통해 실행될 때, 상기 프로세서로 하여금,
    건정성(Structural Health)을 모니터링하기 위한 구조물을 촬영한 동영상으로부터 상기 구조물의 건전성을 예측하기 위한 일련의 유효 프레임을 추출하고, 상기 일련의 유효 프레임에 대한 광학 흐름(Optical flow)을 추정한 후, 상기 광학 흐름에 기반하여 상기 일련의 유효 프레임에 나타난 구조물의 건전성을 결정하기 위한 코드를 저장하고,
    상기 유효 프레임 추출 시, 상기 구조물을 촬영한 3차원 이미지를 2차원 이미지로 보정하고, 상기 이미지 보정 시, 상기 3차원 이미지에서 임의의 좌표를 선택하고, 상기 임의의 좌표를 기준으로 상기 2 차원 이미지에 투영되는 투영 좌표를 생성한 후 상기 2차원 이미지의 스케일, 호모그래피 행렬을 이용한 변환 행렬 및 상기 투영 좌표를 순차적으로 곱하여 실제 좌표를 추출하며, 상기 구조물의 건전성은 상기 실제 좌표를 가우시안 필터(Gaussian Kernel)에 적용하여 결정하되, 상기 가우시안 필터(Gaussian Kernel)는,
    (여기서, w와 h는 이미지의 너비와 높이이며, 는 실수 x를 입력값(input)으로 취하고 x보다 작거나 같은 가장 큰 정수를 출력값(output)으로 제공하는 플로어 함수(floor function)인,
    구조물 건전성 모니터링 시스템.
    
    

Images