KR102577483B1 - 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템과 그에 따른 영상데이터 관리 방법 - Google Patents

드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템과 그에 따른 영상데이터 관리 방법 Download PDF

Info

Publication number
KR102577483B1
KR102577483B1 KR1020220158287A KR20220158287A KR102577483B1 KR 102577483 B1 KR102577483 B1 KR 102577483B1 KR 1020220158287 A KR1020220158287 A KR 1020220158287A KR 20220158287 A KR20220158287 A KR 20220158287A KR 102577483 B1 KR102577483 B1 KR 102577483B1
Authority
KR
South Korea
Prior art keywords
data
image
building
drone
elevation
Prior art date
Application number
KR1020220158287A
Other languages
English (en)
Inventor
류정림
이상복
노강희
Original Assignee
주식회사 에프엠웍스
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 주식회사 에프엠웍스 filed Critical 주식회사 에프엠웍스
Priority to KR1020220158287A priority Critical patent/KR102577483B1/ko
Application granted granted Critical
Publication of KR102577483B1 publication Critical patent/KR102577483B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0033—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by determining damage, crack or wear
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biochemistry (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

본 발명은 건축물 외피 열화손상에 대한 검사 시스템에 관한 것으로 특히, 드론에 적용되는 고가의 카메라를 저가의 카메라로 대체하고, 검사 대상인 건축물의 각각의 입면별 데이터와 각 입면별 고도에 따른 층별(혹은 일정 높이별) 데이터를 분류하고, 외관조사망도가 존재하는 경우 해당 외관조사망도에 입각하여 분류된 데이터를 매칭하여 관리하며, BIM(Building Information Modeling) 데이터가 있는 건축물일 경우 BIM 모델을 구성하는 외피 객체정보에 그 객체를 외부에서 촬영하기 위한 비행구역 정보를 함께 포함하여 모델 데이터를 생산하도록 하며, 입면별 혹은 층별 영상 데이터를 외관조사망도 혹은 BIM 모델에 따라 분류 및 매칭 영상 데이터를 이용한 외피 열화손상 분석을 통해 검사 대상인 건축물의 열화 손상에 대한 검사를 수행하도록 하는 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템과 그에 따른 영상데이터 관리 방법에 관한 것이다.

Description

드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템과 그에 따른 영상데이터 관리 방법{A drone image management system for deterioration damage to the exterior of a building and an image classification method accordingly}
본 발명은 건축물 외피 열화손상에 대한 검사 시스템에 관한 것으로 특히, 드론에 적용되는 고가의 카메라를 저가의 카메라로 대체하고, 검사 대상인 건축물의 각각의 입면별 데이터와 각 입면별 고도에 따른 층별(혹은 일정 높이별) 데이터를 분류하고, 외관조사망도가 존재하는 경우 해당 외관조사망도에 입각하여 분류된 데이터를 매칭하여 관리하며, BIM(Building Information Modeling) 데이터가 있는 건축물일 경우 BIM 모델을 구성하는 외피 객체정보에 그 객체를 외부에서 촬영하기 위한 비행구역 정보를 함께 포함하여 모델 데이터를 생산하도록 하며, 입면별 혹은 층별 영상 데이터를 외관조사망도 혹은 BIM 모델에 따라 분류 및 매칭 영상 데이터를 이용한 외피 열화손상 분석을 통해 검사 대상인 건축물의 열화 손상에 대한 검사를 수행하도록 하는 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템과 그에 따른 영상데이터 관리 방법에 관한 것이다.
일반적으로, 토목건축물은 시간이 경과하면서 노후화된다. 특히, 콘크리트 구조물에서는 노후화로 인해서 균열, 백태, 박리, 박락 및 파손 등의 손상이 관찰되기 때문에 정기적인 육안관찰 등을 통해서 토목건축물의 건전성 여부를 지속적으로 모니터링 해야한다.
현재 시설물 안전관리 중 외관 조사는 안전상의 문제로 사람이 육안으로 확인 가능한 곳을 기준으로 조사하고 있으며, 시설물 전체에 대한 조사를 진행하기에는 비용, 시간 등의 현실적인 한계로 인해 전수조사가 아닌 표본조사에 근접한 조사를 진행하고 있다.
따라서 건축물 붕괴 등 시설물 안전사고를 근본적으로 예방하기 위해서는 정부 차원에서 시설물 전수조사를 추진해야 한다는 지적이 있으며, '시설물의 안전 및 유지관리에 관한 특별법(시설물법)' 개정으로 소규모 건축물에 대한 안전관리가 강화되고 있지만, 전체 시설물 규모 등을 감안하면 안전관리에 한계가 있으며, 여전히 많은 건축물이 제도권 밖에 있다.
일반적으로 토목건축물의 건전도를 평가하기 위해서 육안관측이 많이 이루어지고 있다. 육안관측은 평가자마다 평가 기준이 상이하여 정확한 건전도를 진단하는데 어려움이 따르게 된다.
특히, 토목건축물의 균열은 건전성 및 안전성을 평가하는데 매우 중요한 요소로서, 그 폭을 정확하게 측정해야 하지만 사용자에 따라서 편차가 발생하기도 한다.
이를 극복하고자 드론이 운용되고 있지만 외피 열화손상을 판단할 수 있는 고해상도 이미지의 경우 드론의 근접촬영으로 수행되기 때문에 조사면적대비 사진의 매수가 매우 많은데, 그로 인해 방만하게 유지 관리되고 있는 데이터의 관리 방법의 필요성이 대두되었다.
부연하여 살펴보면, 통상 1회 비행에서 약 1,000매를 촬영하며 8K 이미지라 가정하는 경우 사진 이미지 1매의 용량이 20MB 이상이다. 따라서 작은 건축물이라 할지라도 정형적인 건축물의 4면을 조사하는데 4번 이상의 비행이 이루어지기 때문에, 총 드론영상은 4,000매 이상이 되고 전체 용량은 100GB에 가까운 영상을 취득하게 될 것이다.
이렇게 취득되어진 영상 데이터들은 필연적으로 겹쳐지는 영역이 존재할 수 밖에 없으며, 이렇게 겹쳐지는 부분의 중복 데이터는 사실 불필요한 경우가 대부분이다.
왜냐하면, 사진 1매의 해상도가 매우 높기 때문에 줌인/줌아웃 등의 작업시 화질이 저하되지 않으며, 특히 건축물 외피의 열화 손상을 인지하고 분석하는 데 있어 해상도가 문제 되지 않기 때문이다. 따라서 지금까지의 드론 촬영에 따른 영상분석을 통한 건축물 외피의 열화 손상을 인지하는 방식은 사진 1매 씩 해당 사진 내용에 해당하는 이미지를 분석하는 방식이다.
따라서, 현재까지의 데이터 관리 방식은 고가의 카메라를 이용해 고화질의 영상을 다수 개 취득한 후 각 영상 별로 인덱싱하여, 추후 분석시 인덱싱 되어진 영상을 로딩한 후, 이를 분석하는 방식이다.
따라서 인접한 인덱싱 영상끼리 겹쳐진 부분에 대해서는 중복된 데이터 처리가 이루어지며, 저장된 각각의 사진 들 간의 상관관계가 실시간적으로 인지하기 어렵다는 문제점을 갖는다.
또한, 외관 조사를 위해 드론에 장착되는 카메라는 고성능의 카메라로 고가의 가격을 갖는 데, 드론의 특성상 건물 외부인 야외 공간에서 장시간 작업되어야 하기 때문에 고해상도인 고가의 카메라를 유지 보수하기 어렵고, 손상이 발생되면 경제적 손실이 크다는 문제점을 갖는다.
상술한 문제점을 해소하기 위한 본 발명의 목적은, 건축물 외피 열화손상에 대한 검사 시스템에 관한 것으로 특히, 드론에 적용되는 고가의 카메라를 저가의 카메라로 대체하고, 검사 대상인 건축물의 각각의 입면별 데이터와 각 입면별 고도에 따른 층별(혹은 일정 높이별) 데이터를 분류하고, 외관조사망도가 존재하는 경우 해당 외관조사망도에 입각하여 분류된 데이터를 매칭하여 관리하며, BIM 데이터가 있는 건축물일 경우 BIM 모델을 구성하는 외피 객체정보에 그 객체를 외부에서 촬영하기 위한 비행구역 정보를 함께 포함하여 모델 데이터를 생산하도록 하며, 입면별 혹은 층별 영상 데이터를 외관조사망도 혹은 BIM 모델에 따라 분류 및 매칭 영상 데이터를 이용한 외피 열화손상 분석을 통해 검사 대상인 건축물의 열화 손상에 대한 검사를 수행하도록 하는 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템과 그에 따른 영상데이터 관리 방법을 제공하는 데 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명에 따른 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템의 특징은, 드론에 의해 촬영되어진 검사 대상 건축물의 영상데이터를 입력받는 영상데이터에 포함되어 있는 메타데이터에서의 드론 위치정보와 촬영 자세정보을 기준으로 영상 데이터를 분리하고 취합하는 드론 영상데이터 처리모듈과; 상기 드론 영상데이터 처리모듈을 통해 생성된 데이터를 입면별 혹은 층별 데이터로 구분하여 임시 저장하는 임시 영상 데이터베이스와; 상기 임시 영상 데이터베이스에 저장된 데이터를 읽어 들인 후 입면별 혹은 층별 데이터에서 열화손상이나 균열이 존재하는 가를 판독하는 건축물 외피 열화손상 영상분석 모듈; 및 검사 대상 건축물의 각 입면별로 각 층별 영상데이터를 저장하되 인접 영상데이터를 스티칭 할 수 있도록 인덱싱하여 저장하는 분류영상 관리저장모듈을 포함하는 데 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명에 따른 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템의 부가적인 특징으로, 시스템 제어를 위한 각종의 설정값과 명령을 입력하고 시스템 운영에 따른 결과들을 표출하기 위한 입/출력 모듈과; 및 상기 분류영상관리 저장모듈을 통해 영상 데이터를 입면별 층별 데이터로 구분하여 저장되도록 관리하며 전체 시스템의 운영과정을 제어하는 시스템 제어모듈더 포함하는 데 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명에 따른 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템의 부가적인 다른 특징으로, 상기 드론 영상데이터 처리모듈은 드론에 의해 촬영되어진 검사 대상 건축물의 영상데이터를 입력받는 드론 촬영 데이터 입력부와; 상기 드론 촬영 데이터 입력부를 통해 입력되는 영상데이터에서의 메타데이터에서 드론의 위치정보(좌표)를 기준으로 검사 대상 건축물의 입면별 데이터를 분리 취합하는 입면별 영상 분리부; 및 상기 입면별 영상 분리부를 통해 검사 대상 건축물의 입면별 데이터가 분리되면, 분리되어진 검사 대상 건축물의 각 입면별 데이터에서 드론 영상데이터의 메타데이터에서 드론의 위치정보(고도)를 기준으로 각 입면별 층을 구분하고 구분된 층별 데이터를 분리 취합하는 층별 영상 분리부를 포함하는 데 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명에 따른 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템의 부가적인 또 다른 특징으로, 상기 드론의 영상데이터가 일정 수준 이하의 해상도를 갖는 데이터인 경우, 상기 입면별 영상 분리부를 통해 분리 취합된 입면별 영상 혹은 상기 층별 영상 분리부를 통해 분리 취합된 층별 영상을 각각 구분하고 구분된 입면별 영상 데이터 혹은 층별 영상 데이터에서 동일 화소끼리 중첩시켜 전체적으로 슈퍼해상도의 새로운 이미지를 생성하는 슈퍼해상도 이미지 생성부을 더 포함하는 데 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명에 따른 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템의 부가적인 또 다른 특징으로, 검사 대상 건축물이 이미 정기적인 안전진단이 이루어졌을 경우 외관조사에 대한 결과인 외관조사망도를 입력받는 외관조사망도 입력모듈을 더 포함하는 데 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명에 따른 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템의 부가적인 또 다른 특징으로, 3차원 정보모델을 기반으로 시설물의 생애주기에 걸쳐 발생하는 모든 정보를 통합하여 활용이 가능하도록 시설물의 형상, 속성을 정보로 표현한 디지털 모형인 BIM 데이터가 있는 건축물일 경우 해당 건축물의 BIM 모델 데이터를 입력받는 BIM 데이터 입력모듈을 더 포함하는 데 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명에 따른 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템의 부가적인 또 다른 특징으로, 상기 건축물 외피 열화손상 영상분석 모듈은 상기 외관조사망도 입력모듈 혹은 BIM 데이터 입력모듈을 통해 입력되는 외관조사망도 혹은 BIM 데이터를 기준으로 상기 임시 영상 데이터베이스에 저장된 데이터를 매칭시켜 읽어 들인 후 입면별 혹은 층별 데이터에서 열화손상이나 균열이 존재하는 가를 판독하는 데 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명에 따른 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템의 부가적인 또 다른 특징으로, 상기 건축물 외피 열화손상 영상분석 모듈을 통해 분석되는 데이터를 기준으로 균열이나 손상이 아닌 창문 혹은 출입구을 인지하여 학습함으로써 영상 분석상의 오류 발생 요소를 제거하거나 분석시간을 단축하도록 하는 인공지능 딥러닝 모듈을 더 포함하는 데 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명에 따른 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템의 부가적인 또 다른 특징으로, 상기 건축물 외피 열화손상 영상분석 모듈을 통해 균열이나 열화 손상이 발생되었다고 판단되는 영역의 영상데이터 만을 분류하여 관련 정보와 함께 저장하는 열화손상 영역 영상 이력 데이터베이스를 더 포함하는 데 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명에 따른 드론영상을 통한 건축물 외피 열화 손상에 대한 검사에 따른 영상데이터 관리 방법의 특징은, 드론에 의해 촬영되어진 검사 대상 건축물의 영상데이터내의 메타데이터에서의 드론위치정보를 기준으로 검사 대상 건축물의 입면별 데이터를 분리 취합하는 제1과정과; 드론에 의해 촬영되어진 검사 대상 건축물의 영상데이터내의 메타데이터에서의 드론위치정보를 기준으로 각 입면별 층을 구분하고 구분된 층별 데이터를 분리 취합하는 제2과정과; 상기 검사 대상 건축물의 각 입면별로 취합되어진 데이터를 기준으로 각 입면의 각 층별 영상데이터를 저장하되, 인접 영상데이터를 스티칭 할 수 있도록 인덱싱하여 저장하는 제3과정을 포함하는 데 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명에 따른 드론영상을 통한 건축물 외피 열화 손상에 대한 검사에 따른 영상데이터 관리 방법의 부가적인 특징으로, 검사 대상 건축물의 외피 이외의 배경 영상의 이미지는 소거하는 단계를 더 포함하는 데 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명에 따른 드론영상을 통한 건축물 외피 열화 손상에 대한 검사에 따른 영상데이터 관리 방법의 부가적인 다른 특징으로, 상기 제3과정을 통해 저장되는 각 입면별 혹은 각 층별 영상 데이터는 인접한 입면 혹은 층과 공유하는 공통의 화소 영역이 경계부에 존재함으로써 영상 데이터의 누락이 없도록 양쪽에 모두 복사하여 분류하고 이를 연속적으로 분석할 수 있도록 하는 단계를 포함하는 데 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명에 따른 드론영상을 통한 건축물 외피 열화 손상에 대한 검사에 따른 영상데이터 관리 방법의 부가적인 또 다른 특징으로, 상기 드론의 영상데이터가 일정 수준 이하의 해상도를 갖는 데이터인 경우, 상기 제1과정을 통해 취합되어진 검사 대상 건축물의 입면별 데이터를 동일 화소끼리 중첩시켜 전체적으로 슈퍼해상도를 갖는 입면별 새로운 이미지를 생성하는 제1단계와; 상기 제2과정을 통해 취합되어진 검사 대상 건축물의 층별 데이터를 동일 화소끼리 중첩시켜 전체적으로 슈퍼해상도를 갖는 층별 새로운 이미지를 생성하는 제2단계를 더 포함하는 데 있다.
이와 같은 본 발명에 따른 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템과 그에 따른 영상데이터 관리 방법을 제공하면, 드론에 적용되는 고가의 카메라를 저가의 카메라로 대체하고, 검사 대상인 건축물의 각각의 입면별 데이터와 각 입면별 고도에 따른 층별(혹은 일정 높이별) 데이터를 분류하고, 외관조사망도가 존재하는 경우 해당 외관조사망도에 입각하여 분류된 데이터를 매칭하여 관리하며, BIM 데이터가 있는 건축물일 경우 BIM 모델을 구성하는 외피 객체정보에 그 객체를 외부에서 촬영하기 위한 비행구역 정보를 함께 포함하여 모델 데이터를 생산하도록 하며, 입면별 혹은 층별 영상 데이터를 외관조사망도 혹은 BIM 모델에 따라 분류 및 매칭 영상 데이터를 이용한 외피 열화손상 분석을 통해 검사 대상인 건축물의 열화 손상에 대한 검사를 수행하도록 하는 효과를 갖는다.
도1은 본 발명에 따라 드론을 이용해 검사 대상의 건물의 입면을 촬영하고 분류하는 개념을 설명하기 위한 예시도
도2는 본 발명에 따른 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템의 블록 구성 예시도
도3은 본 발명에 따른 드론영상 관리 저장의 개념을 설명하기 위한 예시도
이하, 첨부된 도면을 참조하여 본 발명에 따른 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템과 그에 따른 영상데이터 관리 방법을 설명하면 다음과 같다.
첨부한 도 1은 본 발명에 따라 드론을 이용해 검사 대상의 건물의 입면을 촬영하고 분류하는 개념을 설명하기 위한 예시도이고, 도 2는 본 발명에 따른 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템의 블록 구성 예시도이며, 도3은 본 발명에 따른 드론영상 관리 저장의 개념을 설명하기 위한 예시도이다.
첨부한 도1에 도시되어진 바와 같이, 본 발명에서는 검사 대상 건축물의 입면별(정면, 우측면, 좌측면, 후면, 평면) 영상 데이터를 취득한다.
이때 드론 비행궤적으로 나타나 있는 바와 같이 드론 조종사의 요청 혹은 설정된 일정 고도(일반적인 건축물의 경우 층고는 평균 3M이나, 층고가 낮은 구형 건물의 경우는 2.5~2.8M이며, 백화점 혹은 공용 주차장과 같은 공공시설의 경우는 층고가 3.5~4.5M인 경우도 있음)별로 층을 분활하여 해당 층의 영상 데이터를 고해상도로 취득한다.
통상적으로 드론을 이용한 영상 정보는 촬영 데이터 뿐만 아니라 드론의 비행 궤적에 대한 데이터(고도, 좌표 등)와 함께 촬영 각도 및 피사체와의 거리정보 등을 포함하는 메타데이터가 함께 영상 정보에 저장 된다.
이때 드론이 사용하는 카메라는 저해상도를 갖는 저가의 카메라를 사용하게 된다면, 가급적 촬영영역이 많이 중첩되도록 저속 비행하며 보다 많은 사진을 촬영하여 추후 슈퍼해상도의 영상을 생성시켜 해상도의 저하로 인해 검사대상 건축물의 외피 열화손상을 판독할 수 있도록 한다.
상술한 저해상도, 고해상도, 및 슈퍼해상도에 대해 살펴보면, 근래 전자기기와 반도체 소자의 발전으로 디지털 카메라의 성능이 급격히 발전하고 있어 고해상도라는 기준이 모호해진 것이 사실이나, 사전적인 의미에서 통상 고해상도라 지칭되는 해상도는 개인용 컴퓨터(PC)에서는 최소 640×480의 픽셀(30만 해상도), 워크스테이션에서는 1,000×1,000 이상의 픽셀(100만 해상도)을 기준으로 한다.
따라서 저해상도란 고해상도에 미치지 못하는 해상도를 칭한다.
또한, 슈퍼해상도는 포토샵&라이트룸 등을 활용하여, 최종적으로 취득되는 사진의 화질을, 소스로 제공하는 이미지의 수에 비례하여 극단적으로 높이는 것으로, 통상 기가(Giga) 단위의 해상도를 기준으로 한다.
따라서 촬영되는 이미지가 다른 촬영이미지와 겹쳐지는 부분이 많을수록 슈퍼해상도로 변환이 용이하며, 슈퍼해상도(통상적으로 도시 전경의 경우 줌아웃 혹은 기준 상태에서는 간판의 존재 여부만 확인되던 간판의 글씨가 줌인하면 선명히 보이는 정도의 해상도)의 이미지는 부분 영역확대를 하는 경우에도 이미지의 손상이 없으며, 이미지의 손상이 없다는 것은 이미지의 판독만으로도 유지보수의 필요성을 진단할 수 있다는 뜻이다.
상술한 과정을 통해 취득되어진 영상데이터는 첨부한 도3에 도시되어진 바와같이, 검사 대상 건축물의 각 입면별 영상데이터로 저장되는 데, 각 입면별 영상데이터는 각 층별 영상데이터로 구성되며, 각 층별 영상 데이터는 인접 영상데이터를 빠르게 스티칭(이어 붙이기, 파노라마)할 수 있도록 인덱싱하여 원하는 경우 각각의 층별 이미지 검색 및 분석자료로 활용되거나, 인접한 2개층 혹은 3개층끼리 묵어 이미지 검색 및 분석자료로 활용 돨수도 있다.
또한, 각 층별 영상 데이터를 모두 스티칭을 하면 하나의 입면 영상 데이터가 되며, 또한 각각의 입면 영상을 모두 스티칭을 하면 해당 검사 대상 건축물의 전개도가 될 수도 있다.
상술한 바와 같은 본 발명에 따라 드론을 이용해 검사 대상의 건물의 입면을 촬영하고 분류하는 개념을 적용한 시스템을 첨부한 도2를 참조하여 살펴보면, 본 발명에 따른 시스템은, 드론에 의해 촬영되어진 검사 대상 건축물의 영상데이터를 입력받는 드론 촬영(撮影) 데이터 입력부(110)와, 상기 드론 촬영 데이터 입력부(110)를 통해 입력되는 촬영데이터에서 드론의 촬영 위치(좌표)를 기준으로 검사 대상 건축물의 입면별 데이터를 분리 취합하는 입면별 영상 분리부(120)와, 상기 입면별 영상 분리부(120)를 통해 검사 대상 건축물의 입면별 데이터가 분리되면 드론의 촬영 고도를 기준으로 각 입면별 층을 구분하고 구분된 층별 데이터를 분리 취합하는 층별 영상 분리부(130)와, 상기 입면별 영상 분리부(120)를 통해 분리 취합된 입면별 영상 혹은 상기 층별 영상 분리부(130)를 통해 분리 취합된 층별 영상을 각각 구분하고 구분된 입면별 영상 데이터 혹은 층별 영상 데이터에서 동일 화소끼리 중첩시켜 전체적으로 슈퍼해상도의 새로운 이미지를 생성하는 슈퍼해상도 이미지 생성부(140)와, 상기 슈퍼해상도 이미지 생성부(140)를 통해 생성된 데이터를 입면별 혹은 층별 데이터로 구분하여 저장하는 임시 영상 데이터베이스(150)와, 검사 대상 건축물이 이미 정기적인 안전진단이 이루어졌을 경우 외관조사에 대한 결과인 외관조사망도가 있으므로 이를 입력받는 외관조사망도 입력모듈(160A)과, 3차원 정보모델을 기반으로 시설물의 생애주기에 걸쳐 발생하는 모든 정보를 통합하여 활용이 가능하도록 시설물의 형상, 속성 등을 정보로 표현한 디지털 모형인 BIM(Building Information Modeling) 데이터가 있는 건축물일 경우 해당 건축물의 BIM 모델 데이터를 입력받는 BIM 데이터 입력모듈(160B)과, 상기 외관조사망도 입력모듈(160A) 혹은 BIM 데이터 입력모듈(160B)을 통해 입력되는 외관조사망도 혹은 BIM 데이터를 기준으로 상기 임시 영상 데이터베이스(150)에 저장된 데이터를 매칭시켜 읽어 들인 후 슈퍼해상도를 갖는 입면별 혹은 층별 데이터에서 열화손상이나 균열등이 존재하는 가를 판독하는 건축물 외피 열화손상 영상분석 모듈(170)과, 상기 건축물 외피 열화손상 영상분석 모듈(170)을 통해 분석되는 데이터를 기준으로 균열이나 손상이 아닌 창문 혹은 출입구 등을 인지하여 학습함으로써 영상 분석상의 오류 발생 요소를 제거하거나 분석시간을 단축하도록 하는 인공지능 딥러닝 모듈(180)과, 상기 건축물 외피 열화손상 영상분석 모듈(170)을 통해 균열이나 열화 손상이 발생되었다고 판단되는 영역의 영상데이터 만을 분류하여 관련 정보와 함께 저장하는 열화손상 영역 영상 이력 데이터베이스(190), 및 검사 대상 건축물의 각 입면별로 각 층별 영상데이터를 저장하되 인접 영상데이터를 빠르게 스티칭(이어 붙이기, 파노라마)할 수 있도록 인덱싱하여 저장하는 분류영상관리 저장모듈(200)으로 구성된다.
이때 미설명 참조번호 210은 전체 시스쳄의 운영과정을 제어하는 시스템 제어모듈이고, 참조번호 220은 시스템 제어를 위한 각종의 설정값과 명령을 입력하고 시스템 운영에 따른 결과들을 표출하기 위한 입/출력 모듈이다.
상기 구성 중 분류영상 관리 저장모듈(200)에 저장되어진 영상 데이터에 대해 부연하여 살펴보면, 첨부한 도3에 도시되어진 바와 같이, 분류영상 관리 저장모듈(200)에 저장되어진 영상 데이터는, 검사 대상인 건축물의 각 층별로 슈퍼해상도의 사진이 1층부터 옥상층까지 각각 저장되고, 필요에 따라 인접한 층의 사진을 붙여 한꺼번에 보거나 혹은 전 층의 사진을 붙여 입면 사진으로 확인 할 수 있다.
또한, 각 입면 사진을 연결하여 전개도 형태로 확인 할 수도 있으며, 외관조사망도 혹은 BIM 데이터가 존재하는 경우, 외관조사망도 혹은 BIM 데이터를 기준으로 각 층별 혹은 입면별 데이터를 매칭시켜 관리할 수 있게 된다.
따라서 현재 시점의 슈퍼해상도를 갖는 외관의 영상 데이터가 과거 시점의 외관조사망도 혹은 BIM 데이터와 비교 할 수 있으며, 오차범위 이상의 차이가 존재하는 경우 이를 인지하고 경고할 수 있을 것이다.
상술한 바와 같이 구성되는 본 발명에 따른 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템의 동작과 운영과정을 살펴보기로 한다.
우선 첨부한 도2에서 일점 괘선으로 묶인 부분은 드론 영상데이터 처리모듈이라 이하에서 칭하며, 참조번호는 부여하지 않았음을 미리 밝혀둔다.
드론에 의해 촬영되어진 검사 대상 건축물의 영상데이터를 입력받는 드론의 촬영 위치(좌표)와 촬영 고도를 기준으로 영상 데이터를 분리하고 취합하는 드론 영상데이터 처리모듈에서 처리되는데, 드론 촬영 데이터 입력부(110)를 통해 드론에 의해 촬영되어진 검사 대상 건축물의 영상데이터를 입력받는다.
이후 상기 드론 촬영 데이터 입력부(110)를 통해 입력되는 촬영데이터는 입면별 영상 분리부(120)을 통해 검사 대상 건축물의 입면별 데이터 즉, 정면, 좌??면, 우측면, 후면 및 평면에 대응하는 검사 대상 건축물의 입면별 영상 데이터가 분리 취합된다.
또한, 상기 입면별 영상 분리부(120)을 통해 검사 대상 건축물의 입면별 데이터가 분리되면, 층별 영상 분리부(130)에서는 드론의 촬영 고도를 기준으로 입출력모듈(220)을 통해 입력된 설정값 즉, 검사 대상 건축물의 층고에 따라 각 입면별 층을 구분하고 구분된 층별 데이터를 분리 취합한다.
이때 상기 슈퍼해상도 이미지 생성부(140)는 드론의 영상데이터가 일정 수준 이하의 해상도를 갖는 데이터인 경우에 부가되는 구성으로, 상기 입면별 영상 분리부(120)을 통해 분리 취합된 입면별 영상 혹은 상기 층별 영상 분리부(130)을 통해 분리 취합된 층별 영상을 각각 구분하고, 구분된 입면별 영상 데이터 혹은 층별 영상 데이터에서 동일 화소끼리 중첩시켜 전체적으로 슈퍼해상도의 새로운 이미지를 생성한다.
상술한 바와 같이 드론 영상데이터 처리부가 작동하면, 임시 영상 데이터베이스(150)에서는 상기 드론 영상데이터 처리부를 통해 생성된 데이터를 입면별 혹은 층별 데이터로 구분하여 임시 저장하게 된다.
이때 임시 영상 데이터베이스(150)가 필요한 이유는, 상기 드론에서 취득되는 촬영 영상데이터에는 검사 대상 건축물의 외피 영상만 존재하는 것이 아니라 배경(인접한 타 건물의 일부 혹은 주변 전경의 이미지)이 존재하기 때문 추후 분류영상 관리저장모듈(200)에 저장되는 데이터의 량을 줄이기 위해서 이다.
상기 임시 영상 데이터베이스(150)에 저장된 데이터를 읽어 들인 후 입면별 혹은 층별 데이터에서 열화손상이나 균열 등이 존재하는 가를 건축물 외피 열화손상 영상분석 모듈(170)에서 판독하게 되며, 상기 건축물 외피 열화손상 영상분석 모듈(170)에서는 상기 임시 영상 데이터베이스(150)에 저장된 데이터에서 불필요한 배경의 이미지 데이터를 소거한다.
이후 상기 건축물 외피 열화손상 영상분석 모듈(170)에서 정리되어진 데이터는 분류영상관리 저장모듈(200)에 저장되는데, 이때 저장되는 데이터의 형태는 검사 대상 건축물의 각 입면별로 각 층별 영상데이터를 저장하되, 인접 영상데이터를 빠르게 스티칭(이어 붙이기, 파노라마)할 수 있도록 인덱싱하여 저장하게 된다.
이때 각 입면별 혹은 각 층별 영상데이터는 인접한 입면 혹은 층과 공유하는 공통의 화소 영역이 경계부에 존재하며, 상기 경계부 영상은 데이터가 일부 증가할 수 있지만 영상의 누락이 없도록 양쪽에 모두 복사하여 분류하고 이를 연속적으로 분석할 수 있도록 한다.
이때 검사 대상 건축물이 이미 정기적인 안전진단이 이루어졌을 경우 외관조사에 대한 결과인 외관조사망도가 있으므로 이를 입력받는 외관조사망도 입력모듈(160A)을 더 구비할 수 있다.
또한, 3차원 정보모델을 기반으로 시설물의 생애주기에 걸쳐 발생하는 모든 정보를 통합하여 활용이 가능하도록 시설물의 형상, 속성 등을 정보로 표현한 디지털 모형인 BIM 데이터가 있는 건축물일 경우 해당 건축물의 BIM 모델 데이터를 입력받는 BIM 데이터 입력모듈(160B)를 더 구비할 수 있다.
따라서 상기 건축물 외피 열화손상 영상분석 모듈(170)은 상기 외관조사망도 입력모듈(160A) 혹은 BIM 데이터 입력모듈(160B)을 통해 입력되는 외관조사망도 혹은 BIM 데이터를 기준으로 상기 임시 영상 데이터베이스(150)에 저장된 데이터를 매칭시켜 읽어 들인 후 입면별 혹은 층별 데이터에서 열화손상이나 균열등이 존재하는 가를 판독할 수 있다.
반면에 상기 외관조사망도 입력모듈(160A) 혹은 BIM 데이터 입력모듈(160B)을 통해 입력되는 외관조사망도 혹은 BIM 데이터가 존재하는 경우 상기 분류영상관리 저장모듈(200)에 저장되는 데이터는 상기 건축물 외피 열화손상 영상분석 모듈(170)에서 매칭시킨 것이므로 역시 매칭값을 갖도록 구성된다.
상술한 설명에서 미설명된 인공지능 딥러닝 모듈(180)은 다양한 학습을 통해 상기 건축물 외피 열화손상 영상분석 모듈(170)을 통해 분석되는 데이터를 기준으로 균열이나 손상이 아닌 창문 혹은 출입구 등을 인지하여 학습함으로써, 영상 분석상의 오류 발생 요소를 제거하거나 분석시간을 단축하도록 한다.
또한, 열화손상 영역 영상 이력 데이터베이스(190)는 상기 건축물 외피 열화손상 영상분석 모듈(170)을 통해 균열이나 열화 손상이 발생되었다고 판단되는 영역의 영상데이터 만을 분류하여 관련 정보(예를들면 검사일자)와 함께 저장하게 되는데, 통상적으로 건축물 외피 열화손상에 대한 검사는 건축물의 수명이 다하기까지 4~50년의 기간 동안 매년 혹은 격년 혹은 일정 주기에 따라 검사하는 것인데, 일단 균열이 발생되었다면 과거의 이력을 통해 균열의 진행방향과 확장여부(손상의 심각성과 속도) 등을 비교할 수 있는 근거로 활용 되어진다.
이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 특허청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 방법이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 다양한 변형 실시가 가능한 것은 물론이고, 이러한 변형 실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안 될 것이다.
110 : 드론 촬영 데이터 입력부
120 : 입면별 영상 분리부
130 : 층별 영상 분리부
140 : 슈퍼해상도 이미지 생성부
150 : 임시 영상 데이터베이스
160A : 외관조사망도 입력모듈
160B : BIM 데이터 입력모듈
170 : 건축물 외피 열화손상 영상분석 모듈
180 : 인공지능 딥러닝 모듈
190 : 열화손상 영역 영상 이력 데이터베이스
200 : 분류영상관리 저장모듈
210 : 시스템 제어모듈
220 : 입/출력 모듈

Claims (13)

  1. 드론에 의해 촬영되어진 검사 대상 건축물의 영상데이터를 입력받는 영상데이터에 포함되어 있는 메타데이터에서의 드론 위치정보와 촬영 자세정보를 기준으로 영상 데이터를 분리하고 취합하는 드론 영상데이터 처리모듈과;
    상기 드론 영상데이터 처리모듈을 통해 생성된 데이터를 입면별 혹은 층별 데이터로 구분하여 임시 저장하는 임시 영상 데이터베이스와;
    상기 임시 영상 데이터베이스에 저장된 데이터를 읽어 들인 후 입면별 혹은 층별 데이터에서 열화손상이나 균열이 존재하는 가를 판독하고, 상기 임시 영상 데이터베이스에 저장된 데이터에서 불필요한 배경의 이미지 데이터를 소거하는 건축물 외피 열화손상 영상분석 모듈; 및
    검사 대상 건축물의 각 입면별로 각 층별 영상데이터를 저장하되 인접 영상데이터를 스티칭 할 수 있도록 인덱싱하여 저장하는 분류영상 관리저장모듈을 포함하고,
    상기 드론 영상데이터 처리모듈은 드론에 의해 촬영되어진 검사 대상 건축물의 영상데이터를 입력받는 드론 촬영 데이터 입력부와;
    상기 드론 촬영 데이터 입력부를 통해 입력되는 영상데이터에서의 메타데이터에서 드론의 위치정보(좌표)를 기준으로 검사 대상 건축물의 입면별 데이터를 분리 취합하는 입면별 영상 분리부; 및
    상기 입면별 영상 분리부를 통해 검사 대상 건축물의 입면별 데이터가 분리되면, 분리되어진 검사 대상 건축물의 각 입면별 데이터에서 드론 영상데이터의 메타데이터에서 드론의 위치정보(고도)를 기준으로 각 입면별 층을 구분하고 구분된 층별 데이터를 분리 취합하는 층별 영상 분리부를 포함하고,
    상기 드론의 영상데이터가 일정 수준 이하의 해상도를 갖는 데이터인 경우, 상기 입면별 영상 분리부를 통해 분리 취합된 입면별 영상 혹은 상기 층별 영상 분리부를 통해 분리 취합된 층별 영상을 각각 구분하고 구분된 입면별 영상 데이터 혹은 층별 영상 데이터에서 동일 화소끼리 중첩시켜 전체적으로 슈퍼해상도의 새로운 이미지를 생성하는 슈퍼해상도 이미지 생성부를 포함하는 드론 영상을 통한 건축물 외피 열화 손상에 대한 검사 관리 시스템이고,
    상기 드론 영상을 통한 건축물 외피 열화 손상에 대한 검사 관리 시스템은,
    시스템 제어를 위한 각종의 설정값과 명령을 입력하고 시스템 운영에 따른 결과들을 표출하기 위한 입/출력 모듈;
    상기 분류영상관리 저장모듈을 통해 영상 데이터를 입면별 층별 데이터로 구분하여 저장되도록 관리하며 전체 시스템의 운영과정을 제어하는 시스템 제어모듈;
    검사 대상 건축물이 이미 정기적인 안전진단이 이루어졌을 경우 외관조사에 대한 결과인 외관조사망도를 입력받는 외관조사망도 입력모듈;
    3차원 정보모델을 기반으로 시설물의 생애주기에 걸쳐 발생하는 모든 정보를 통합하여 활용이 가능하도록 시설물의 형상, 속성을 정보로 표현한 디지털 모형인 BIM 데이터가 있는 건축물일 경우 해당 건축물의 BIM 모델 데이터를 입력받는 BIM 데이터 입력모듈;
    상기 건축물 외피 열화손상 영상분석 모듈을 통해 분석되는 데이터를 기준으로 균열이나 손상이 아닌 창문 혹은 출입구 등을 인지하여 학습함으로써 영상 분석상의 오류 발생 요소를 제거하거나 분석시간을 단축하도록 하는 인공지능 딥러닝 모듈; 및
    상기 건축물 외피 열화손상 영상분석 모듈을 통해 균열이나 열화 손상이 발생되었다고 판단되는 영역의 영상데이터 만을 분류하여 관련 정보와 함께 저장하는 열화손상 영역 영상 이력 데이터베이스를 더 포함하고,
    상기 건축물 외피 열화손상 영상분석 모듈은 상기 외관조사망도 입력모듈 혹은 BIM 데이터 입력모듈을 통해 입력되는 외관조사망도 혹은 BIM 데이터를 기준으로 상기 임시 영상 데이터베이스에 저장된 데이터를 매칭시켜 읽어 들인 후 입면별 혹은 층별 데이터에서 열화손상이나 균열이 존재하는 가를 판독하고,
    상기 분류영상 관리저장모듈에 저장되는 영상 데이터는, 상기 외관조사망도 입력모듈 혹은 BIM 데이터 입력모듈을 통해 입력되는 외관조사망도 혹은 BIM 데이터가 존재하는 경우 상기 외관조사망도 혹은 BIM 데이터를 기준으로 각 입면별 혹은 각 층별 매칭값을 갖도록 구성되고, 인접한 입면 혹은 층과 공유하는 공통의 화소 영역이 경계부에 존재함으로써 영상 데이터의 누락이 없도록 양쪽에 모두 복사되어 분류되고,
    상기 열화손상 영상 이력 데이터베이스는 상기 열화 손상이 발생되었다고 판단되는 영역의 영상 데이터를 상기 관련 정보인 검사일자와 함께 저장하여 상기 영상 데이터가 균열의 진행방향과 확장여부와 상기 열화 손상의 심각성과 속도를 비교하는 근거로 활용될 수 있도록 마련하는 것을 특징으로 하는 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템.

  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
  9. 삭제
  10. 삭제
  11. 삭제
  12. 삭제
  13. 삭제
KR1020220158287A 2022-11-23 2022-11-23 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템과 그에 따른 영상데이터 관리 방법 KR102577483B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220158287A KR102577483B1 (ko) 2022-11-23 2022-11-23 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템과 그에 따른 영상데이터 관리 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220158287A KR102577483B1 (ko) 2022-11-23 2022-11-23 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템과 그에 따른 영상데이터 관리 방법

Publications (1)

Publication Number Publication Date
KR102577483B1 true KR102577483B1 (ko) 2023-09-13

Family

ID=88020580

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220158287A KR102577483B1 (ko) 2022-11-23 2022-11-23 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템과 그에 따른 영상데이터 관리 방법

Country Status (1)

Country Link
KR (1) KR102577483B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190021809A (ko) * 2017-08-24 2019-03-06 주식회사 포스코건설 딥 러닝 기반 구조물 표면 열화 진단 방법 및 장치
KR101994412B1 (ko) * 2017-09-08 2019-06-28 주식회사 포스코건설 무인 비행체와 센서 인터페이스를 이용한 구조물 표면 열화 진단 장치 및 그 방법
KR101972957B1 (ko) * 2018-11-21 2019-08-28 한방유비스 주식회사 무인 비행체를 이용한 기존 건축물 소방시설의 화재위험도평가 및 점검 시스템
KR20220093492A (ko) * 2020-12-28 2022-07-05 세종대학교산학협력단 이미지 스티칭을 이용한 구조물 외관 조사망도 구축 시스템 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190021809A (ko) * 2017-08-24 2019-03-06 주식회사 포스코건설 딥 러닝 기반 구조물 표면 열화 진단 방법 및 장치
KR101994412B1 (ko) * 2017-09-08 2019-06-28 주식회사 포스코건설 무인 비행체와 센서 인터페이스를 이용한 구조물 표면 열화 진단 장치 및 그 방법
KR101972957B1 (ko) * 2018-11-21 2019-08-28 한방유비스 주식회사 무인 비행체를 이용한 기존 건축물 소방시설의 화재위험도평가 및 점검 시스템
KR20220093492A (ko) * 2020-12-28 2022-07-05 세종대학교산학협력단 이미지 스티칭을 이용한 구조물 외관 조사망도 구축 시스템 및 방법

Similar Documents

Publication Publication Date Title
US11341627B2 (en) Machine learning tool for structures
US10902671B2 (en) System and method for construction 3D modeling and analysis
KR101926561B1 (ko) 블랙박스 영상을 이용한 딥러닝 기반의 패치 단위 도로 크랙 검출 장치 및 그 방법, 그리고 이 방법을 실행시키기 위해 컴퓨터가 판독 가능한 기록매체에 저장된 컴퓨터 프로그램
KR102035592B1 (ko) 육안 인식 검사원의 부하경감을 위한 등급별 영상인식 기술을 이용한 cctv 영상내 의심물체 부분검사 지원 시스템 및 방법
Yuan et al. Near real‐time bolt‐loosening detection using mask and region‐based convolutional neural network
Pathak et al. An object detection approach for detecting damages in heritage sites using 3-D point clouds and 2-D visual data
Calantropio et al. Deep learning for automatic building damage assessment: application in post-disaster scenarios using UAV data
JP2021131652A (ja) データ構造、記録媒体、プログラム、及びシステム
Presa-Reyes et al. Assessing building damage by learning the deep feature correspondence of before and after aerial images
Bai et al. Deep cascaded neural networks for automatic detection of structural damage and cracks from images
Chen et al. Opportunities for applying camera-equipped drones towards performance inspections of building facades
KR102577483B1 (ko) 드론영상을 통한 건축물 외피 열화 손상에 대한 검사관리 시스템과 그에 따른 영상데이터 관리 방법
KR20240051806A (ko) 드론 영상정보를 이용한 딥러닝 기반 구조물 손상 점검 방법
Saida et al. CNN-based segmentation frameworks for structural component and earthquake damage determinations using UAV images
Galarreta Urban Structural Damage Assessment Using Object-Oriented Analysis and Semantic Reasoning
CN112257514B (zh) 一种用于设备故障巡检的红外视觉智检的拍摄方法
WO2020239088A1 (zh) 一种保险理赔处理方法及装置
Chen Analysis and management of uav-captured images towards automation of building facade inspections
YAMANE et al. Reflection of the position of cracks in a 3-d model of a bridge using semantic segmentation
KR102575082B1 (ko) 프리팹 구조물 손상 분석 방법 및 장치
KR20240081847A (ko) 드론 영상정보를 이용한 딥러닝 기반 구조물 손상 점검 방법
KR102641506B1 (ko) 실내 점검 드론을 활용한 인공지능 기반 협소시설의 3차원 디지털 점검 야장 구축 시스템 및 방법
KR102518071B1 (ko) 구조물 관리 시스템
KR102441465B1 (ko) 드론 기반의 태양광발전설비 점검관리를 위한 시스템 및 방법
da Silva et al. USING DIGITAL TECHNOLOGIS FOR AUTOMATED IDENTIFICATION OF BUILDING PATHOLOGIES: A LITERATURE REVIEW

Legal Events

Date Code Title Description
AMND Amendment
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant