KR102593471B1 - 딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 방법 및 시스템 - Google Patents

딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 방법 및 시스템 Download PDF

Info

Publication number
KR102593471B1
KR102593471B1 KR1020230034233A KR20230034233A KR102593471B1 KR 102593471 B1 KR102593471 B1 KR 102593471B1 KR 1020230034233 A KR1020230034233 A KR 1020230034233A KR 20230034233 A KR20230034233 A KR 20230034233A KR 102593471 B1 KR102593471 B1 KR 102593471B1
Authority
KR
South Korea
Prior art keywords
floor plan
cleaning cost
learning
area
user terminal
Prior art date
Application number
KR1020230034233A
Other languages
English (en)
Inventor
이상부
Original Assignee
주식회사 티클
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 티클 filed Critical 주식회사 티클
Priority to KR1020230034233A priority Critical patent/KR102593471B1/ko
Application granted granted Critical
Publication of KR102593471B1 publication Critical patent/KR102593471B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Accounting & Taxation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 방법에 있어서, 서비스제공서버의 학습부가 평면도변환모델을 학습하기 위해 학습데이터를 생성하고, 생성된 학습데이터를 이용하여 평면도변환모델을 학습시키는 단계와, 서비스제공서버의 변환부가 학습된 평면도변환모델에 사용자단말로부터 수신된 평면도 이미지를 입력하여 디지털도면으로 변환하는 단계 및 서비스제공서버의 청소비용산정부가 변환된 디지털도면에서 사용자단말에 제공하는 단계를 포함한다.

Description

딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 방법 및 시스템{Method and system for calculating cleaning cost through automatic conversion of floor plan based on Deep Learning}
본 발명은 딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 방법 및 시스템에 관한 것으로, 평면도변환모델을 학습하기 위한 학습데이터를 생성할 수 있으며, 학습된 평면도변환모델에 평면도 이미지를 입력하여 디지털도면으로 변환하고 변환된 디지털도면에서 청소비용을 산정할 수 있는 딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 방법 및 시스템에 관한 것이다.
종래의 청소 산업의 경우 청소가 필요한 각 건물에 대한 도급계약이 이루어질 때 청소 면적 및 청소 희망 구역을 파악하여 견적을 내는 것이 일반적이다. 이 때 소비자는 청소 희망 구역의 면적을 상세히 알고 있어야 하며, 사진 또는 동영상을 촬영하여 업체에 전달하는 경우도 있지만, 면적과 사진, 동영상을 따로 준비해야 하는 불편함이 있다. 또한 같은 면적이라도 건물 내에는 다양한 영역과 재질 등 청소 비용이 다르게 산정될 수 있음에도 불구하고, 일률적인 비용을 요청 받을 수 있기 때문에 건물 면적에 대한 정확한 평가가 불가능하다.
만일 청소 비용을 산정할 때 소비자로부터 도면을 전달받는다면 소비자 맞춤 청소 관리가 가능할 것이며, 건물의 도면을 그림이나 PDF, CAD 와 같은 파일 형식에서 디지털화 하여 사용한다면 불필요한 비용 소비를 해결할 수 있을 것이다. 청소 작업 계획을 정확히 할당하고 추적하기 위해서 각 영역별로 데이터화가 필요하기 때문에 도면 데이터를 자동으로 데이터화 하는 자동화 기술을 사용한다면, 도면에 존재하는 수많은 도형과 이미지를 각 영역에 대한 수치로 변환하여 디지털도면으로 변환할 수 있을 것이다.
선행특허로는 국내공개특허 제10-2022-0012789호(시설 평면도에 포함된 기호 분석 장치 및 방법)가 있으나 복수의 시설 평면도를 획득하는 동작과, 복수의 시설 평면도에 각각에 포함된 직사각형 및 직사각형에 연결된 호를 검출하는 동작과, 직사각형 및 호를 기초로 창문 영역과 문 영역을 특정하는 동작; 특정된 창문 영역의 픽셀을 창문의 클래스로 레이블링하고, 특정된 문 영역의 픽셀을 문의 클래스로 레이블링하는 동작 및 소정의 이미지 분할알고리즘 기반으로 설계된 신경망 모델에 복수의 시설 평면도와 픽셀 단위로 레이블링된 데이터를 입력하여, 복수의 시설 평면도에 포함된 창문과 문의 클래스 및 레이블링된 픽셀의 위치의 상관관계를 도출하는 신경망 모델의 가중치를 학습시킴으로써, 상관관계를 기초로 시설 평면도에 포함된 창문과 문의 위치 및 클래스를 판별하는 신경망 모델을 생성하는 동작을 수행할 수 있을 뿐이다.
본 발명이 해결하고자 하는 과제는 상기와 같은 종래 기술의 문제점을 해결하기 위해 안출된 것으로, 평면도변환모델에 평면도 이미지를 입력하여 디지털도면으로 변환하고 변환된 디지털도면에서 각 방, 공간에 대한 영역과 상업공간의 면적을 자동으로 계산한 후, 각 영역에 대한 작업방법, 작업 시간을 자동으로 입력하여 청소 비용 견적 및 입찰을 완료할 수 있다.
본 발명의 딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 방법에 있어서, 서비스제공서버의 학습부가 평면도변환모델을 학습하기 위해 학습데이터를 생성하고, 생성된 학습데이터를 이용하여 평면도변환모델을 학습시키는 단계와, 서비스제공서버의 변환부가 학습된 평면도변환모델에 사용자단말로부터 수신된 평면도 이미지를 입력하여 디지털도면으로 변환하는 단계 및 서비스제공서버의 청소비용산정부가 변환된 디지털도면에서 사용자단말에 제공하는 단계를 포함한다.
본 발명의 딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 시스템에 있어서, 평면도 이미지를 서비스제공서버에 전달하고, 디지털도면에서 영역을 선택하여 서비스제공서버에 전달하고, 예약정보와 상세정보를 서비스제공서버에 전달하는 사용자단말 및 평면도변환모델을 학습하기 위한 학습데이터를 생성하고, 학습된 평면도변환모델에 사용자단말로부터 수신한 평면도 이미지를 입력하여 디지털도면으로 변환하고, 변환된 디지털도면에서 청소비용을 산정하여 사용자단말에 제공하는 서비스제공서버를 포함한다.
본 발명의 일 실시예에 따르면 그림이나 PDF, CAD 와 같은 파일 형식의 평면도를 디지털도면으로 변환할 수 있는 평면도변환모델을 학습시킬 수 있다.
또한 평면도변환모델을 통해 변환된 디지털도면의 각 영역에 대한 작업방법, 작업 시간을 자동으로 입력하여 청소 비용을 산정할 수 있다.
도 1은 본 발명의 실시예에 따른 딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 방법을 설명하기 위한 흐름도이다.
도 2는 본 발명의 실시예에 따른 평면도변환모델을 학습시키기 위해 학습데이터를 생성하는 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 실시예에 따른 딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 시스템을 설명하기 위한 구성도이다.
도 4 내지 도 5는 본 발명의 실시예에 따른 평면도변환모델을 학습시키기 위한 학습데이터를 생성하는 과정을 설명하기 위한 평면도이다.
도 6은 본 발명의 실시예에 따른 사용자단말에서 청소견적을 문의할 수 있는 화면을 나타낸 도면이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.
본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에서 상세하게 설명하고자 한다. 그러나 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로서, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 본 명세서에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, 본 명세서에 첨부된 도면들을 참조하여 본 발명의 실시 예들을 상세히 설명한다.
도 1은 본 발명의 실시예에 따른 딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 방법을 설명하기 위한 흐름도이다.
도 1을 참조하면, 서비스제공서버(200)의 학습부(210)가 평면도변환모델을 학습하기 위한 학습데이터를 생성하고, 생성된 학습데이터를 이용하여 평면도변환모델을 학습시킨다(S101). 서비스제공서버(200)의 변환부(220)가 학습된 평면도변환모델에 사용자단말(100)로부터 수신된 평면도 이미지를 입력하여 디지털도면으로 변환한다(S103). 이 때 상기 평면도변환모델은 딥러닝 알고리즘을 이용하여 학습되는 모델이며, 딥러닝 알고리즘은 심층 신경 네트워크(Deep Neural Network, DNN), 심층합성곱 신경망(Deep Convolution Neural Network), 레지듀얼 네트워크(Residual Network) 등일 수 있다. 변환부(220)는 평면도변환모델을 통해 평면도를 디지털도면으로 변환하고, 영역으로 설정된 평면도의 각 공간에 이름을 입력할 수 있다. 서비스제공서버(200)의 청소비용산정부(230)가 변환된 디지털도면에서 청소비용을 산정하여 사용자단말(100)에 제공한다(S105). 청소비용산정부(230)는 사용자단말(100)로부터 수신한 예약정보, 상세정보를 입력으로 하여 영역 별로 청소비용을 산정할 수 있으나, 반드시 이에 한정되는 것은 아니다.
도 2는 본 발명의 실시예에 따른 평면도변환모델을 학습시키기 위해 학습데이터를 생성하는 방법을 설명하기 위한 흐름도이다.
도 2를 참조하면, 서비스제공서버(200)의 학습부(210)가 평면도의 스케일을 확인하고(S201), 서비스제공서버(200)의 학습부(210)가 평면도의 이미지를 각 픽셀로 분할한다(S203). 서비스제공서버(200)의 학습부(210)가 픽셀마다 수치화를 진행하고(S205), 서비스제공서버(200)의 학습부(210)가 픽셀로 나누어진 수치를 합쳐서 평면도의 각 길이를 확인한다(S207). 서비스제공서버(200)의 학습부(210)가 평면도의 각 공간을 자동 검출하여 영역을 지정하고(S209), 서비스제공서버(200)의 학습부(210)가 각 영역에 이름을 입력한다(S211).
학습부(210)는 평면도의 스케일 유무를 확인했을 때 스케일이 없는 경우, 화면을 픽셀로 자르고, 대표 치수를 찾을 수 있다. 학습부(210)는 대표 치수 대비 한 개의 픽셀의 치수를 확인하고, 픽셀마다 선을 확인하여 치수를 지정할 수 있다. 학습부(210)는 픽셀마다 수치화를 진행하고, 픽셀로 나누어진 수치를 합쳐서 평면도의 각 길이를 확인할 수 있다. 이 때 학습부(210)는 평면도의 각 길이를 저장부(250)에 저장할 수 있다. 학습부(210)는 평면도의 각 공간을 자동 검출하여 영역을 지정하고, 각 영역에 이름을 입력할 수 있다.
도 3은 본 발명의 실시예에 따른 딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 시스템을 설명하기 위한 구성도이다.
도 3을 참조하면, 딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 시스템(10)은 사용자단말(100)과 서비스제공서버(200)로 구성된다.
사용자단말(100)은 평면도 이미지를 서비스제공서버(200)로 전달할 수 있다. 또한 사용자단말(100)은 예약정보, 상세정보를 입력하여 서비스제공서버(200)로 전달할 수 있다. 상기 예약정보는 서비스 예약 일시, 서비스 이용 기간 중 적어도 하나일 수 있으며, 상기 상세정보는 기타 문의사항, 사전 확인서 중 적어도 하나일 수 있으나, 반드시 이에 한정되는 것은 아니다.
서비스제공서버(200)는 학습부(210), 변환부(220), 청소비용산정부(230), 통신부(240), 저장부(250), 제어부(260)로 구성된다.
상기 학습부(210)는 평면도변환모델을 학습하기 위한 학습데이터를 생성하고, 생성된 학습데이터를 이용하여 평면도변환모델을 학습시킬 수 있다. 학습부(210)가 학습데이터를 생성하기 위해서, 학습부(210)는 평면도의 스케일 유무를 확인한다. 스케일이 있다고 판단되면, 학습부(210)는 평면도의 스케일을 확인하고, 이미지를 각 픽셀로 나눌 수 있다. 학습부(210)는 픽셀마다 수치화를 진행하고, 픽셀로 나누어진 수치를 합쳐서 평면도의 각 길이를 확인할 수 있다. 이 때 학습부(210)는 평면도의 각 길이를 저장부(250)에 저장할 수 있다. 학습부(210)는 평면도의 각 공간을 자동 검출하여 영역을 지정하고, 각 영역에 이름을 입력할 수 있다. 일 실시예로, 학습부(210)가 픽셀로 나누어진 수치를 확인하여 공간을 형성하고 있는 부분을 영역으로 지정하고, 거실, 안방, 화장실 중 적어도 하나의 이름을 입력할 수 있다. 또한 학습부(210)는 평면도에서 영역 뿐만 아니라 벽과 문을 자동 검출할 수 있으며, 평면도의 여러가지 글씨체 또한 정확하게 인식할 수 있도록 학습데이터를 생성할 수 있다.
학습부(210)는 평면도의 스케일 유무를 확인했을 때 스케일이 없는 경우, 화면을 픽셀로 자르고, 대표 치수를 찾을 수 있다. 학습부(210)는 대표 치수 대비 한 개의 픽셀의 치수를 확인하고, 픽셀마다 선을 확인하여 치수를 지정할 수 있다. 학습부(210)는 픽셀마다 수치화를 진행하고, 픽셀로 나누어진 수치를 합쳐서 평면도의 각 길이를 확인할 수 있다. 이 때 학습부(210)는 평면도의 각 길이를 저장부(250)에 저장할 수 있다. 학습부(210)는 평면도의 각 공간을 자동 검출하여 영역을 지정하고, 각 영역에 이름을 입력할 수 있다.
학습부(210)는 평면도에서 자동으로 영역을 지정하고, 평면도의 각 길이를 수치화한 학습데이터를 바탕으로 평면도변환모델을 학습시킬 수 있다. 이 때 상기 평면도변환모델은 딥러닝 알고리즘을 이용하여 학습되는 모델이며, 딥러닝 알고리즘은 심층 신경 네트워크(Deep Neural Network, DNN), 심층합성곱 신경망(Deep Convolution Neural Network), 레지듀얼 네트워크(Residual Network) 등일 수 있다. 이러한 학습 모델은 복수의 레이어, 즉 계층적으로 구성될 수 있다.
본 명세서에서 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다. 신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이 터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관 계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어 (layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 발명의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN:
recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 발명의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이 어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 교사 학습, 비교사 학습(unsupervised learning), 반교사 학습(semi supervised learning), 또는 강화 학습 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함 으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해 서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다.
과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션 (regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
상기 변환부(220)는 학습된 평면도변환모델에 사용자단말(100)로부터 수신된 평면도를 입력하여 디지털도면으로 변환할 수 있다. 변환부(220)가 사용자단말(100)로부터 수신하는 평면도는 사용자단말(100)이 청소비용 견적을 알고 싶어하는 건물의 평면도이며, PDF 형식의 파일로 수신할 수 있으나, 반드시 이에 한정되는 것은 아니다. 변환부(220)는 평면도변환모델을 통해 평면도를 디지털도면으로 변환하고, 영역으로 설정된 평면도의 각 공간에 이름을 입력할 수 있다.
상기 청소비용산정부(230)는 변환된 디지털도면에서 청소비용을 산정하여 사용자단말(100)에 전달할 수 있다. 청소비용산정부(230)는 사용자단말(100)로부터 수신한 예약정보, 상세정보를 입력으로 하여 영역 별로 청소비용을 산정할 수 있다. 또한 청소비용산정부(230)는 면적 별 작업 방법, 작업 시간, 면적 크기, 영역의 재질, 관리 범위 및 특수성을 입력으로 하여 청소비용을 영역 별로 산정할 수 있다. 일 실시예로, 청소비용산정부(230)가 디지털도면의 '화장실' 영역에 대해서 청소비용을 산정하는 경우, 면적 크기가 0 ~ 30 이면 5만원, 31 ~ 50 이면 10만원으로 산정할 수 있다. 또 다른 실시예로, 청소비용산정부(230)가 디지털도면의'거실'영역에 대해서 청소비용을 산정하는 경우 바닥 재질을 입력으로 하여, 대리석 바닥일 때와 원목 바닥일 때를 구분하여 작업 시간과 청소비용을 다르게 산정할 수 있다. 또 다른 실시예로, 청소비용산정부(230)가 디지털도면의'회의실'영역에 대해서 청소비용을 산정하는 경우 건물에 존재하는 총 영역의 개수, 총 영역의 면적 중 적어도 하나를 고려하여 청소비용을 산정할 수 있다. 이 때 청소비용산정부(230)가 영역의 면적에 따른 청소비용을 산정할 때, 면적과 유형에 따른 청소비용에 대한 표준 데이터를 사용하여 산정할 수 있으며, 상기 표준 데이터는 생산성, 관리범위, 직업특수성에 따라 단가를 산정할 수 있으나, 반드시 이에 한정되는 것은 아니다.
통신부(240)는 네트워크를 통해 사용자단말(100)과 서비스제공서버(200)의 각 구성이 통신할 수 있다. 상기 네트워크 수단은 CDMA 기반(또는 HSDPA 기반)의 이동 통신망, 및/또는 IEEE 802.16x 기반의 초고속 무선 인터넷, 및/또는 IEEE 802.11x 기반의 무선랜 통신망을 적어도 하나ㄷ 이상 포함하여 이루어질 수 있으나 반드시 이에 한정되는 것은 아니다. 저장부(250)는 학습부(210)가 생성한 학습데이터를 저장할 수 있다. 또한 저장부(250)는 서비스제공서버(200)의 각 구성에서 생성되는 정보를 저장할 수 있다. 제어부(260)는 서비스제공서버(200)의 각 구성을 제어할 수 있다.
도 4 내지 도 5는 본 발명의 실시예에 따른 평면도변환모델을 학습시키기 위한 학습데이터를 생성하는 과정을 설명하기 위한 평면도이다.
도 4를 참조하면, 도 4(a)는 평면도변환모델을 학습시키기 위한 학습데이터를 생성하기 위해 평면도에서 스케일의 유무를 확인하기 위한 도면으로, 도 4(a)에서는 스케일이 있는 것을 확인할 수 있다. 도 4(b)는 평면도의 이미지를 각 픽셀로 분할한 화면을 나타낸다.
도 5를 참조하면, 도 5(a)는 평면도변환모델을 학습시키기 위한 학습데이터를 생성하기 위해 평면도에서 픽셀마다 수치화 한 후에, 픽셀로 나누어진 수치를 합쳐 평면도의 각 길이를 확인하는 도면이다. 도 5(b)는 평면도의 각 공간을 자동 검출하여 영역을 지정하고, 각 영역에 이름을 입력할 수 있도록 하는 도면을 나타낸다.
도 6은 본 발명의 실시예에 따른 사용자단말에서 청소견적을 문의할 수 있는 화면을 나타낸 도면이다.
도 6을 참조하면, 사용자단말(100)이 도 6(a)에 기본정보를 입력할 수 있다. 사용자단말(100)이 기업으로 신청하는 경우, 신청하는 회사명, 연락처, 담당자명, 직책, 기업 주소, 건축물대장 정보를 기본정보로 입력할 수 있다. 도 6(b)는 예약정보로, 사용자단말(100)이 청소 서비스를 원하는 일시, 원하는 서비스 이용 기간을 입력할 수 있다. 도 6(c)는 상세정보로, 사용자단말(100)이 청소비용 견적을 받고자 하는 건물의 도면과 기타 문의 사항을 추가적으로 입력할 수 있다.
발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.
10; 딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 시스템
100; 사용자단말 200; 서비스제공서버
210; 학습부 220; 변환부
230; 청소비용산정부 240; 통신부
250; 저장부 260; 제어부

Claims (5)

  1. 딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 방법에 있어서,
    서비스제공서버의 학습부가 평면도변환모델을 학습하기 위해 학습데이터를 생성하고, 생성된 학습데이터를 이용하여 평면도변환모델을 학습시키는 단계;
    서비스제공서버의 변환부가 학습된 평면도변환모델에 사용자단말로부터 수신된 평면도 이미지를 입력하여 디지털도면으로 변환하는 단계; 및
    서비스제공서버의 청소비용산정부가 변환된 디지털도면에서 청소비용을 산정하여 사용자단말에 제공하는 단계를 포함하고,
    상기 서비스제공서버의 청소비용산정부가 변환된 디지털도면에서 청소비용을 산정하여 사용자단말에 제공하는 단계는,
    서비스제공서버의 청소비용산정부가 면적 별 작업 방법, 작업 시간, 면적 크기, 영역의 재질, 관리범위 및 특수성과, 사용자단말로부터 수신한 예약정보와 상세정보를 입력으로 하여 청소비용을 산정하고,
    상기 청소비용산정부가 면적 크기에 따라 청소비용을 산정할 때, 면적과 유형에 따른 청소비용에 대한 표준 데이터를 사용하여 산정하고,
    상기 표준 데이터는 생산성, 관리범위, 직업특수성에 따라 단가를 산정하는 것을 특징으로 하는 청소비용 산정 방법.
  2. 제1항에 있어서,
    상기 서비스제공서버의 학습부가 평면도변환모델을 학습시키기 위해 학습데이터를 생성하는 단계는,
    서비스제공서버의 학습부가 평면도의 스케일의 유무를 확인하는 단계;
    서비스제공서버의 학습부가 평면도의 스케일이 있는 경우 스케일을 확인하는 단계,
    서비스제공서버의 학습부가 평면도의 이미지를 각 픽셀로 나누고, 픽셀마다 상기 스케일에 대응하여 수치화 하는 단계;
    서비스제공서버의 학습부가 픽셀로 나누어진 수치를 합쳐서 평면도의 각 길이를 확인하는 단계; 및
    서비스제공서버의 학습부가 평면도의 각 공간을 자동 검출하여 영역을 지정하고, 각 영역에 이름을 입력하는 단계를 더 포함하는 딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 방법.


  3. 삭제
  4. 제1항에 있어서,
    상기 예약정보는 서비스 예약 일시, 서비스 이용 기간 중 적어도 하나이고,
    상기 상세정보는 기타 문의사항, 사전 확인서 중 적어도 하나인 것을 특징으로 하는 딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 방법.
  5. 평면도 이미지를 서비스제공서버에 전달하고, 디지털도면에서 영역을 선택하여 서비스제공서버에 전달하고, 예약정보와 상세정보를 서비스제공서버에 전달하는 사용자단말; 및
    평면도변환모델을 학습하기 위한 학습데이터를 생성하고, 학습된 평면도변환모델에 사용자단말로부터 수신한 평면도 이미지를 입력하여 디지털도면으로 변환하고, 변환된 디지털도면에서 청소비용을 산정하여 사용자단말에 제공하는 서비스제공서버를 포함하고,
    상기 서비스제공서버는 청소비용산정부를 포함하고,
    상기 청소비용산정부가 면적 별 작업 방법, 작업 시간, 면적 크기, 영역의 재질, 관리범위 및 특수성과, 사용자단말로부터 수신한 예약정보와 상세정보를 입력으로 하여 청소비용을 산정하고,
    상기 청소비용산정부가 면적 크기에 따라 청소비용을 산정할 때, 면적과 유형에 따른 청소비용에 대한 표준 데이터를 사용하여 산정하고,
    상기 표준 데이터는 생산성, 관리범위, 직업특수성에 따라 단가를 산정하는 것을 특징으로 하는 청소비용 산정 시스템.



KR1020230034233A 2023-03-15 2023-03-15 딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 방법 및 시스템 KR102593471B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230034233A KR102593471B1 (ko) 2023-03-15 2023-03-15 딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230034233A KR102593471B1 (ko) 2023-03-15 2023-03-15 딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR102593471B1 true KR102593471B1 (ko) 2023-10-24

Family

ID=88515122

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230034233A KR102593471B1 (ko) 2023-03-15 2023-03-15 딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102593471B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102186119B1 (ko) * 2020-05-22 2020-12-03 김재현 Ai기능이 탑재된 청소지원시스템
KR20210057907A (ko) * 2019-11-13 2021-05-24 한국기술교육대학교 산학협력단 딥러닝 기반 지능형 엔지니어링 도면 생성방법 및 장치
KR102454886B1 (ko) * 2021-12-15 2022-10-14 주식회사 스위트케이 디지털 도면 데이터 생성 방법 및 그를 실행하는 도면 데이터 생성 서버

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210057907A (ko) * 2019-11-13 2021-05-24 한국기술교육대학교 산학협력단 딥러닝 기반 지능형 엔지니어링 도면 생성방법 및 장치
KR102186119B1 (ko) * 2020-05-22 2020-12-03 김재현 Ai기능이 탑재된 청소지원시스템
KR102454886B1 (ko) * 2021-12-15 2022-10-14 주식회사 스위트케이 디지털 도면 데이터 생성 방법 및 그를 실행하는 도면 데이터 생성 서버

Similar Documents

Publication Publication Date Title
US20210011974A1 (en) Named-entity recognition through sequence of classification using a deep learning neural network
KR102553041B1 (ko) 인공지능 모델 기반 사용자 및 인테리어 공급자 매칭 플랫폼 서비스 제공 방법, 장치 및 시스템
KR20190078899A (ko) 계층적 시각 특징을 이용한 시각 질의 응답 장치 및 방법
US20230297844A1 (en) Federated learning using heterogeneous labels
CN110825849A (zh) 文本信息情感分析方法、装置、介质及电子设备
EP3971783A1 (en) Combining data driven models for classifying data
KR102589074B1 (ko) 챗봇 운영 방법 및 장치
CN113704495A (zh) 实体对齐方法、装置、电子设备和存储介质
CN114780866A (zh) 一种基于时空上下文兴趣学习模型的个性化智能推荐方法
KR102593471B1 (ko) 딥러닝 기반의 평면도 자동변환을 통한 청소비용 산정 방법 및 시스템
KR20210064817A (ko) 상이한 딥러닝 모델 간의 전이 학습방법
US20240095539A1 (en) Distributed machine learning with new labels using heterogeneous label distribution
CN113821724A (zh) 一种基于时间间隔增强的图神经网络推荐方法
KR102519918B1 (ko) 건설현장 대상물 인식 및 위험상황 판단을 위한 인공지능 기반의 데이터 라벨링 방법 및 시스템
Jasim et al. Analyzing Social Media Sentiment: Twitter as a Case Study
Huang et al. Network reliability evaluation of manufacturing systems by using a deep learning approach
US20200380446A1 (en) Artificial Intelligence Based Job Wages Benchmarks
CN116257691A (zh) 基于潜在图结构挖掘和用户长短期兴趣融合的推荐方法
CN113407716B (zh) 一种基于众包的人类行为文本数据集的构造以及处理方法
CN114092181A (zh) 一种基于解纠缠表示学习的图神经网络session推荐方法
CN116433953A (zh) 图节点分类模型训练方法、装置、电子设备及存储介质
CN113420879A (zh) 多任务学习模型的预测方法及装置
CN113537389A (zh) 基于模型嵌入的鲁棒图像分类方法和装置
KR20220037608A (ko) 리스트 분류 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독 가능한 기록 매체
KR102475813B1 (ko) 인공지능 기반 스마트 팩토리 구동 시뮬레이션 방법

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant