KR102619578B1 - 인공지능 기반 구조물 손상 판단 학습 데이터 확충 서비스 시스템 및 서비스 제공 방법 - Google Patents

인공지능 기반 구조물 손상 판단 학습 데이터 확충 서비스 시스템 및 서비스 제공 방법 Download PDF

Info

Publication number
KR102619578B1
KR102619578B1 KR1020220030800A KR20220030800A KR102619578B1 KR 102619578 B1 KR102619578 B1 KR 102619578B1 KR 1020220030800 A KR1020220030800 A KR 1020220030800A KR 20220030800 A KR20220030800 A KR 20220030800A KR 102619578 B1 KR102619578 B1 KR 102619578B1
Authority
KR
South Korea
Prior art keywords
data
damage
learning data
data set
learning
Prior art date
Application number
KR1020220030800A
Other languages
English (en)
Other versions
KR20230133606A (ko
Inventor
박봉진
Original Assignee
주식회사 워터인포랩스
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 워터인포랩스 filed Critical 주식회사 워터인포랩스
Priority to KR1020220030800A priority Critical patent/KR102619578B1/ko
Publication of KR20230133606A publication Critical patent/KR20230133606A/ko
Application granted granted Critical
Publication of KR102619578B1 publication Critical patent/KR102619578B1/ko

Links

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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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
    • 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

Abstract

본 개시의 실시예에 따른 구조물 손상 판단 시스템의 클라우드 기반 서비스를 제공하는 방법은 구조물을 촬영하는 촬영 기기로부터 획득된 촬영 데이터로부터 후보 학습 데이터를 추출하는 단계, 상기 후보 학습 데이터로부터 식별 부분이 세그멘테이션(segmentation)으로 표시된 손상 데이터를 획득하는 단계, 구조물 특성에 따라 상기 손상 데이터를 복수 타입의 세트로 분류하는 단계, 상기 분류 결과에 기초하여 학습 데이터 세트를 생성하는 단계, 및 상기 학습 데이터 세트에 기초하여 구조물 손상 판단 인공지능 모델을 학습하는 단계를 포함할 수 있다.

Description

인공지능 기반 구조물 손상 판단 학습 데이터 확충 서비스 시스템 및 서비스 제공 방법{AI-based structure damage determination training data expansion service system and method for providing structure damage determination service}
본 개시의 기술적 사상은 구조물 손상 판단 서비스에 관한 것으로, 더욱 상세하게는, 구조물 손상 판단 모델을 학습하는 방법에 관한 것이다.
근래에는 인간 수준의 지능을 구현하는 인공 지능 시스템이 다양한 분야에서 이용되고 있다. 인공 지능 시스템은 기존의 룰(rule) 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공 지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.
한편, 최근에는 이러한 인공 지능 시스템을 콘크리트 구조물에 대한 결함을 검출하기 위한 서비스에 접목시키는 연구가 진행되고 있다.
선행문헌 1(공개특허 10-2020-0013148)을 보면, 결함 분석 서비스는 인공지능 모델에 기반하여 콘크리트 구조물에 대한 결함 영역을 검출한다. 이후, 검출된 결함 영역에 포함된 결함 부분을 픽셀 단위로 식별하여 결함 정보를 생성한다.
다만, 콘크리트 구조물에 대한 영상은 드론 등과 같은 촬영장비를 통해 획득된 수천장의 이미지를 포함한다.
즉, 선행문헌 1과 같은 종래의 기술에 따르면, 결함 분석 서비스에 입력할 이미지를 선별하기 위한 최적의 이미지를 선별하기 위해서 실제로 많은 시간이 투여된다는 단점을 극복할 수 없다.
본 개시의 기술적 사상이 해결하려는 과제는, 구조물 손상 판단 시스템에 포함된 인공지능 모델을 학습시키기 위한 학습 데이터를 효율적으로 수집하기 위한 방법을 제공하는 데에 있다.
본 개시의 실시예에 따른 구조물 손상 판단 시스템의 클라우드 기반 서비스를 제공하는 방법은 구조물을 촬영하는 촬영 기기로부터 획득된 촬영 데이터로부터 후보 학습 데이터를 추출하는 단계, 상기 후보 학습 데이터로부터 식별 부분이 세그멘테이션(segmentation)으로 표시된 손상 데이터를 획득하는 단계, 구조물 특성에 따라 상기 손상 데이터를 복수 타입의 세트로 분류하는 단계, 상기 분류 결과에 기초하여 학습 데이터 세트를 생성하는 단계, 및 상기 학습 데이터 세트에 기초하여 구조물 손상 판단 인공지능 모델을 학습하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 후보 학습 데이터를 추출하는 단계는 상기 촬영 데이터로부터 해상도, 손상 정보 수량, 및 영상 중복도 등 중 적어도 하나의 정보에 기초하여 상기 후보 학습 데이터를 추출하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 후보 학습 데이터를 추출하는 단계는 상기 해상도 및 상기 손상 정보 수량에 따라 상기 촬영 데이터의 이미지들 중 어느 하나를 선택하는 단계 및 상기 선택된 촬영 데이터의 이미지와 중복도가 임계 레벨 이상 높은 이미지를 상기 후보 학습 데이터의 선택으로부터 배제시키는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 손상 데이터를 획득하는 단계는 상기 식별 부분의 외곽선을 따라 상기 후보 학습 데이터로부터 상기 식별 부분을 검출하는 단계, 및 상기 검출된 식별 부분에 대해 손상 타입을 라벨링하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 복수 타입의 세트로 분류하는 단계는 상기 손상 타입이 라벨링된 손상 데이터를 상기 상기 학습 데이터 세트, 검증 데이터 세트, 및 테스트 데이터 세트 중 어느 하나로 분류하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 학습 데이터 세트를 생성하는 단계는 상기 학습 데이터 세트에 포함된 상기 손상 데이터의 이미지 또는 영상을 확장, 회전, 변환 또는 절단함으로써 추가 학습 데이터 세트를 생성하는 단계를 포함할 수 있다.
본 개시의 실시예에 따른 구조물 손상 판단 시스템은 촬영 기기로부터 수집한 촬영 데이터로부터 인공지능 모델을 학습시키기 위한 학습 데이터 생성함으로써 많은 양의 학습 데이터를 정확하게 수집할 수 있다.
이 때, 구조물 손상 판단 시스템은 수집된 촬영 데이터로부터 구조물의 특성에 따라 복수 타입의 데이터로 분류함으로써 인공지능 모델을 학습시키고, 검증하며, 테스트하기 위한 데이터를 확보할 수 있다.
아울러, 구조물 손상 판단 시스템은 복수 프레임들로 구성된 촬영 데이터로부터 인공지능 모델을 학습시키기 최적화된 후보 학습 데이터를 추출함으로써 인공지능 모델이 정확하게 학습될 수 있도록 학습 데이터를 생성할 수 있다.
본 개시의 예시적 실시예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 아니하며, 언급되지 아니한 다른 효과들은 이하의 기재로부터 본 개시의 예시적 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다. 즉, 본 개시의 예시적 실시예들을 실시함에 따른 의도하지 아니한 효과들 역시 본 개시의 예시적 실시예들로부터 당해 기술분야의 통상의 지식을 가진 자에 의해 도출될 수 있다.
도 1은 본 개시의 일실시예에 따른 구조물 손상 판단 서비스를 제공하는 클라우드 기반 시스템을 설명하기 위한 시스템도이다.
도 2 및 도 3은 클라우드 서버를 구현하기 위한 구성요소를 설명하기 위한 블록도이다.
도 4는 본 개시의 일실시예에 따른 클라우드 기반 인공지능 학습 방법을 설명하기 위한 흐름도이다.
도 5 및 도 6은 일실시예에 따른 손상 데이터를 생성하는 방법을 설명하기 위한 도면이다.
도 7은 일실시예에 따른 후보 학습 데이터를 생성하는 방법을 설명하기 위한 흐름도이다.
도 8은 일실시예에 따라 선택된 대상 촬영 데이터를 도시한 도면이다.
이하, 본 개시의 다양한 실시예가 첨부된 도면과 연관되어 기재된다. 본 개시의 다양한 실시예는 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들이 도면에 예시되고 관련된 상세한 설명이 기재되어 있다. 그러나 이는 본 개시의 다양한 실시예를 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 다양한 실시예의 사상 및 기술 범위에 포함되는 모든 변경 및/또는 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용되었다.
본 개시의 다양한 실시예에서, "포함하다." 또는 "가지다." 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 개시의 다양한 실시예에서 "또는" 등의 표현은 함께 나열된 단어들의 어떠한, 그리고 모든 조합을 포함한다. 예를 들어, "A 또는 B"는, A를 포함할 수도, B를 포함할 수도, 또는 A 와 B 모두를 포함할 수도 있다.
본 개시의 다양한 실시예에서 사용된 "제1", "제2", "첫째", 또는 "둘째" 등의 표현들은 다양한 실시예들의 다양한 구성요소들을 수식할 수 있지만, 해당 구성요소들을 한정하지 않는다. 예를 들어, 상기 표현들은 해당 구성요소들의 순서 및/또는 중요도 등을 한정하지 않으며, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 새로운 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
본 개시의 실시 예에서 "모듈", "유닛", "부(part)" 등과 같은 용어는 적어도 하나의 기능이나 동작을 수행하는 구성요소를 지칭하기 위한 용어이며, 이러한 구성요소는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 "모듈", "유닛", "부(part)" 등은 각각이 개별적인 특정한 하드웨어로 구현될 필요가 있는 경우를 제외하고는, 적어도 하나의 모듈이나 칩으로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미가 있는 것으로 해석되어야 하며, 본 개시의 다양한 실시예에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 개시에서, 인공 지능(artificial intelligence, AI)은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미할 수 있고, 기계 학습(machine learning)은 인공지능 기술의 한 분야로서 컴퓨팅 장치가 데이터를 통해 학습하여 특정 대상 혹은 조건을 이해할 수 있게 하거나 데이터의 패턴을 찾아내 분류하는 기술적 방식으로써 컴퓨터가 데이터를 분석할 수 있게 하는 알고리즘일 수 있다. 본 발명에서 개시하는 기계 학습은 인공지능 모델을 학습하기 위한 동작 방법을 포함하는 의미로서 이해될 수 있다.
이하에서, 첨부된 도면을 이용하여 본 발명의 다양한 실시 예들에 대하여 구체적으로 설명한다.
도 1은 본 개시의 일실시예에 따른 구조물 손상 판단 서비스를 제공하는 클라우드 기반 시스템을 설명하기 위한 시스템도이다.
도 1을 참조하면, 본 발명의 시스템(10)은 촬영 기기(100-1 내지 100-n) 및 클라우드 서버(200)를 포함한다.
본 발명의 촬영 기기(100-1 내지 100-n)는 구조물 손상판단 서비스를 이용하기 위해 구조물을 촬영하는 촬영기기일 수 있다. 도 1에서와 같이, 촬영 기기(100)는 복수의 구별된 기기에 의해 구조물을 촬영할 수 있다.
촬영 기기(100)는 콘크리트 댐 등 구조물에 대한 촬영 데이터를 획득하고, 이를 클라우드 서버(200)로 제공할 수 있다. 이때, 구조물의 손상은 크랙, 박리/박락, 누수, 백태, 철근노출 등을 포함할 수 있다.
촬영 기기(100)는 구조물에 대한 영상을 직접 촬영할 수 있고, 드론 또는 사용자 단말과 같은 장치로 구성되어 카메라를 통해 촬영한 영상을 획득할 수도 있다. 촬영 기기(100)는 획득한 구조물 영상을 클라우드 서버(200)로 전송할 수 있다.
본 발명의 클라우드 서버(200)는 구조물 손상판단 서비스를 제공하기 위한 서버일 수 있다. 구체적으로, 클라우드 서버(200)는 촬영 기기(100)로부터 수신하는 구조물 영상을 분석하고, 이에 대한 분석 결과를 제공하기 위한 웹 서비스를 운영하는 서버일 수 있다.
본 발명의 일 실시예에 따른 클라우드 서버(200)는 촬영 기기(100)로부터 이미지 또는 영상으로 구성된 촬영 데이터를 실시간으로 수신할 수 있고, 복수의 프레임들로 구성된 촬영 데이터로부터 구조물 손상 판단 모델을 학습시킬 학습 데이터를 추출할 수 있다. 이 때, 클라우드 서버(200)는 촬영 데이터로부터 인공지능 모델 학습에 적합한 프레임에 대응되는 후보 학습 데이터를 추출할 수 있고, 추출된 후보 학습 데이터로부터 손상 타입이 라벨링된 손상 데이터를 추출할 수 있다. 클라우드 서버(200)는 손상 데이터를 구조물 특성에 따라 복수의 타입의 세트 중 어느 하나로 분류함으로써 손상 데이터를 그룹핑할 수 있고, 학습 데이터 세트로 그룹핑된 데이터에 기초하여 인공지능 모델을 학습시킬 수 있다.
즉, 클라우드 서버(200)는 촬영 데이터로부터 1차적으로 학습에 적합한 프레임을 후보 학습 데이터로 추출하고, 후보 학습 데이터로부터 생성된 손상 데이터를 2차적으로 분류함으로써 학습 데이터를 생성할 수 있다. 아울러, 클라우드 서버(200)는 생성된 학습 데이터를 가공함으로써 구조물 손상 판단 모델을 학습시키기 위한 추가 학습 데이터를 생성할 수 있다.
도 2 및 도 3은 클라우드 서버를 구현하기 위한 구성요소를 설명하기 위한 블록도이다.
본 발명의 클라우드 서버(200)는 서로 다른 기능을 수행하는 복수개의 서버로 구분될 수 있으며, 이 구분은 물리적인 구분인 하드웨어로 구분되거나, 추상적인 구분인 소프트웨어로 구분될 수 있다.
예를 들어, 클라우드 서버(200)는 하나의 하드웨어를 통해 구현되는 것이 아니라 각각 별도의 기능을 수행하는 복수의 서버들이 하나의 서버군으로 운영되도록 구현될 수 있다
도 2를 참조하면, 본 발명의 클라우드 서버(200)는 통신부(210), 권한식별부(220), 학습 데이터 생성부(230) 및 모델 학습부(240)를 포함할 수 있다.
통신부(210)는 유무선 네트워크를 통해 촬영 기기(100)와 데이터를 송수신하기 위한 통신 모듈을 포함한다. 통신부(210)는 제1 촬영 기기(100-1)로부터 콘크리트 구조물 영상에 대응되는 촬영 데이터를 수신하고, 결함 정보를 예시적으로 사용자 단말에 제공할 수 있다. 이 때, 사용자는 분석 결과를 수신함으로써 구조물 손상에 대해 최종 결정할 관리자일 수 있고, 사용자 단말은 관리자의 핸드폰, 스마트폰, 태블릿 PC, PC 등 분석 결과를 제공받을 수 있는 모든 종류의 단말을 포함할 수 있다.
구조물 영상은 복수개의 프레임으로 이루어진 동영상일 수 있으며, 콘크리트 구조물을 촬영한 단일 또는 복수의 2차원/3차원 이미지일 수 있다. 또한, 구조물 영상은 콘크리트 구조물의 일부 또는 전체를 촬영한 것일 수 있다.
본 발명의 권한 식별부(200)는 촬영 기기(100) 또는 사용자 단말에 대응하는 계정으로 클라우드 서버(200)의 액세스 권한을 부여할지 여부를 판단하는 구성일 수 있다. 구체적으로 살펴보면, 촬영 기기(100)로부터 수신되는 촬영 데이터는 촬영 기기(100)마다 고유로 부여된 고유 식별 번호가 포함되어 있을 수 있고, 권한 식별부(220)는 클라우드 서버(200)에 미리 저장된 촬영 기기의 고유 식별 번호와 수신된 촬영 데이터의 고유 식별 번호를 비교할 수 있다. 비교 결과, 고유 식별 번호가 동일한 경우 클라우드 서버(200)는 촬영 기기(100)로부터 송신된 촬영 데이터를 수신할 수 있다. 이에 반해, 비교 결과, 촬영 데이터에 포함된 고유 식별 번호가 클라우드 서버(200)에 저장된 고유 식별 번호 리스트에 포함되지 않은 경우, 촬영 데이터의 수신을 거부할 수도 있다.
도 2 및 도 3을 참조하면, 학습 데이터 생성부는 후보 학습 데이터 추출부, 손상 데이터 획득부, 및 타입 분류부를 포함함으로써, 수신된 촬영 데이터로부터 학습 데이터를 생성할 수 있다. 촬영 데이터는 복수의 프레임들로 구성된 영상 또는 이미지일 수 있다.
후보 학습 데이터 추출부는 촬영 데이터로부터 후보 학습 데이터를 추출할 수 있다. 이 때, 후보 학습 데이터 추출부는 촬영 데이터의 해상도, 손상 정보 수량, 및 중복도에 기초하여 촬영 데이터로부터 후보 학습 데이터를 추출할 수 있다. 후보 학습 데이터 추출부가 후보 학습 데이터를 추출하는 구체적인 방법은 도 7에서 후술하도록 한다.
손상 데이터 획득부는 후보 학습 데이터로부터 세그멘테이션(segmentation)으로 표시된 손상 데이터를 획득할 수 있다. 일실시예에 따르면, 손상 데이터 획득부는 식별 부분에 대한 세그먼테이션을 수행할 때, 인스턴스 세그멘테이션(Instance Segmentation) 또는 시맨틱 세그멘테이션(Semantic Segmentation)을 수행할 수 있다. 손상 데이터 획득부는 시맨틱 세그멘테이션을 수행함으로써 서로 다른 클래스의 위치를 인식하고, 판별할 수 있고, 인스턴스 세그멘테이션을 수행함으로써 각 객체의 위치를 정확히 식별할 수 있다.
손상 데이터 획득부는 후보 학습 데이터에서 식별된 식별 부분의 외곽선을 따라 식별 부분을 검출할 수 있고, 일실시예에 따르면, 손상 데이터 획득부는 엣지 디텍팅(Edge Detecting)을 통해 식별 부분의 외곽선을 검출할 수 있다.
구체적으로 살펴보면, 손상 데이터 획득부는 후보 학습 데이터의 영상 프레임 또는 이미지의 픽셀 단위로 밝기 값 또는 RGB 값을 획득할 수 있고, 획득된 밝기 값 또는 RGB 값이 이웃한 픽셀의 밝기 값 또는 RGB 값과 임계 레벨 이상 차이나는 경우, 해당 픽셀을 식별 부분의 외곽선으로 검출할 수 있다.
다른 일실시예에 따르면, 손상 데이터 획득부는 후보 학습 데이터의 영상 프레임 또는 이미지 중 사용자 입력으로 지정된 픽셀을 식별 부분의 외곽선으로 검출할 수 있다.
손상 데이터 획득부는 검출된 식별 부분에 대해 손상 타입을 라벨링(labeling)할 수 있다. 손상 타입은 크랙, 박리(박락), 백태, 층분리, 누수, 및 철근 노출 중 어느 하나일 수 있고, 식별 부분으로 검출되었지만, 구조물 손상이 아닌 경우 미손상으로 라벨링될 수도 있다.
이에 따라, 손상 데이터 획득부는 식별 부분이 세그멘테이션된 프레임 데이터와 세그멘테이션에 대응되는 손상 타입이 라벨링된 상태의 손상 데이터를 획득할 수 있다.
일실시예에 따르면, 후보 학습 데이터 추출부는 복수의 프레임들로 구성된 손상 데이터를 추출할 수 있고, 복수의 프레임들에 기초하여 파노라마 영상을 생성함으로써 복수의 후보 학습 데이터들을 병합할 수 있다.
타입 분류부는 손상 타입마다 손상 데이터를 복수 타입의 세트로 분류할 수 있다. 이 때, 복수 타입의 세트는 학습 데이터 세트(train data set), 검증 데이터 세트(validation data set), 및 테스트 데이터 세트(test data set)를 포함할 수 있다. 일실시예에 따르면, 손상 타입이 라벨링된 손상 데이터는 복수의 프레임들로 구성될 수 있고, 타입 분류부는 복수의 프레임들을 미리 지정된 비율에 따라 학습 데이터 세트, 검증 데이터 세트, 및 테스트 데이터 세트로 랜덤하게 분류될 수 있다. 예시적으로, 타입 분류부는 손상 데이터를 제1 비율만큼 학습 데이터 세트로, 제2 비율만큼 검증 데이터 세트로, 제3 비율만큼 테스트 데이터 세트로 분류시킬 수 있다. 이 때, 제1 비율, 제2 비율, 및 제3 비율의 합은 1일 수 있다.
일실시예에 따르면, 타입 분류부는 특정 기간에 대응되는 손상 데이터로부터 복수 타입의 세트를 분류할 수 있다. 타입 분류부는 제1 기간에서 획득된 손상 데이터로부터 제1 손상 타입에 대응되는 학습 데이터 세트, 검증 데이터 세트, 및 테스트 데이터 세트를 분류할 수 있고, 제2 기간에서 획득된 손상 데이터로부터 제2 손상 타입에 대응되는 학습 데이터 세트, 검증 데이터 세트, 및 테스트 데이터 세트를 분류할 수 있다.
예시적으로, 타입 분류부는 박리 및/또는 박락의 손상 타입에 대응되는 데이터 세트가 기설정된 기준 손상 개수 이상 포함하고 있는 경우, 해당 데이터 세트가 획득된 기간을 홍수 기간으로 판단할 수 있다. 타입 분류부는 홍수 기간에 획득된 손상 데이터로부터 박리와 박락의 손상 타입에 대응되는 학습 데이터 세트, 검증 데이터 세트, 및 테스트 데이터 세트를 분류할 수 있다.
다른 일실시예에 따르면, 타입 분류부는 특정 구조물 타입에 대응되는 손상 데이터로부터 복수 타입의 세트를 분류할 수 있다. 타입 분류부는 제1 구조물 타입에서 획득된 손상 데이터로부터 제1 손상 타입에 대응되는 학습 데이터 세트, 검증 데이터 세트, 및 테스트 데이터 세트를 분류할 수 있고, 제2 구조물 타입에서 획득된 손상 데이터로부터 제2 손상 타입에 대응되는 학습 데이터 세트, 검증 데이터 세트, 및 테스트 데이터 세트를 분류할 수 있다. 예시적으로, 타입 분류부는 댐을 촬영한 촬영 데이터에서 획득된 손상 데이터로부터 균열의 손상 타입에 대응되는 학습 데이터 세트, 검증 데이터 세트, 및 테스트 데이터 세트를 분류할 수 있다.
모델 학습부는 학습 데이터 세트로 분류된 손상 데이터에 기초하여 구조물 손상 판단 인공지능 모델을 학습시킬 수 있다. 구체적으로 살펴보면, 구조물 손상 판단 인공지능 모델은 손상 데이터의 식별 부분으로부터 손상 타입을 산출하도록 설계된 모델로서, 모델 학습부는 손상 데이터의 식별 부분을 구조물 손상 판단 인공지능 모델의 입력 데이터로 하고, 식별 부분에 대해 라벨링된 손상 타입을 구조물 손상 판단 모델의 출력 데이터로 설정할 수 있다.
모델 학습부는 입력된 식별 부분에 대한 정보가 구조물 손상 판단 인공지능 모델에 입력됨으로써, 손상 타입에 대한 정보가 산출될 수 있도록 구조물 손상 판단 인공지능 모델의 파라미터를 업데이트할 수 있다. 파라미터는 딥러닝 모델를 구성하는 레이어들 간의 가중치로도 지칭될 수 있다.
구체적으로 살펴보면, 학습 데이터 세트는 손상 타입이 식별 부분에 대한 참값(GT value, Ground Truth value) 데이터로 매핑되어 있는 상태로 생성되어 있을 수 있고, 모델 학습부는 식별 부분 및 참값 데이터를 이용하여 구조물 손상 판단 인공지능 모델의 파라미터를 업데이트할 수 있다.
모델 학습부는 복수 개로 구성된 학습 데이터 세트에 기초하여 구조물 손상 판단 인공지능 모델의 파라미터를 업데이트할 수 있고, 파라미터의 업데이트가 반복될수록, 구조물 손상 판단 인공지능 모델의 출력 결과는 참값 데이터와 유사해질 수 있다.
일실시예에 따르면, 모델 학습부는 타입 분류부에 의해 검증 데이터 세트로 분류된 데이터 세트에 기초하여 트레이닝 목적 함수 값을 계산할 수 있다. 트레이닝 목적 함수의 값은 구조물 손상 판단 인공지능 모델의 정확도를 나타내는 지시 값일 수 있고, 구조물 손상 판단 인공지능 모델의 실제값과 예측값의 차이(오차)를 지시하는 값일 수 있다.
모델 학습부는 구조물 손상 판단 인공지능 모델의 트레이닝 목적 함수의 값이 최대가 되도록 학습 데이터 세트의 식별 부분의 정보를 구조물 손상 판단 인공지능 모델에 입력하여 파라미터를 업데이트할 수 있다. 다른 일실시예에 따르면, 모델 학습부는 구조물 손상 판단 인공지능 모델의 트레이닝 목적 함수의 값이 타겟 함수 값에 도달할 때까지 구조물 손상 판단 인공지능 모델의 파라미터를 업데이트할 수 있다.
즉, 본 개시의 모델 학습부는 학습 데이터 세트에 기초하여 구조물 손상 판단 인공지능 모델을 학습시킬 수 있고, 검증 데이터 세트에 기초하여 학습된 손상 판단 인공지능 모델의 트레이닝 목적 함수 값을 생성함으로써 손상 판단 인공지능 모델이 추론(inference) 동작을 수행할 정도로 학습되었는지 여부를 즉각적으로 판단할 수 있다.
도 4는 본 개시의 일실시예에 따른 클라우드 기반 인공지능 학습 방법을 설명하기 위한 흐름도이다.
도 4를 참조하면, 본 발명의 시스템(10)은 촬영 데이터로부터 후보 학습 데이터를 추출하고, 후보 학습 데이터의 식별 부분과 손상 타입을 매핑시켜 손상 데이터로 획득하며, 손상 데이터를 학습 데이터 세트를 포함하는 복수의 타입의 세트들로 분류할 수 있다. 복수의 타입의 세트들로 분류된 손상 데이터 중 학습 데이터에 포함된 데이터에 기초하여 구조물 손상 판단 인공지능 모델을 학습시킬 수 있다.
단계(S110)에서, 시스템(10)은 촬영 데이터로부터 후보 학습 데이터를 추출할 수 있다. 일실시예에 따르면, 시스템(10)은 복수의 프레임들로 구성된 촬영 데이터 중 각 프레임의 해상도, 손상 정보 수량, 및 타 프레임들과의 중복도에 기초하여 적어도 하나의 프레임으로 구성된 후보 학습 데이터를 촬영 데이터로부터 추출할 수 있다.
단계(S120)에서, 시스템(10)은 식별 부분이 세그멘테이션으로 표시된 손상 데이터를 획득할 수 있다. 시스템(10)은 식별 부분의 외곽선을 따라 식별 부분을 검출할 수 있다. 손상 데이터는 식별 부분에 대응되어 손상 타입이 라벨링될 수 있다.
일실시예에 따르면, 시스템(10)은 복수의 프레임들로 구성된 손상 데이터를 추출할 수 있고, 복수의 프레임들에 기초하여 파노라마 영상을 생성함으로써 복수의 후보 학습 데이터들을 병합할 수 있다.
단계(S130)에서, 시스템(10)은 손상 데이터를 구조물 특성에 따라 복수 타입의 세트들로 분류할 수 있다. 복수 타입의 세트들은 예시적으로, 학습 데이터 세트, 검증 데이터 세트, 및 테스트 데이터 세트일 수 있다. 이에 따라, 시스템(10)은 손상 타입이 라벨링된 손상 데이터를 학습 데이터 세트, 검증 데이터 세트, 및 테스트 데이터 세트 중 어느 하나로 분류할 수 있다.
단계(S140)에서, 시스템(10)은 분류 결과에 기초하여 손상 데이터 중 학습 데이터 세트를 생성할 수 있다. 이 때, 시스템(10)은 생성된 학습 데이터 세트의 식별 부분이 포함된 프레임을 가공하여 추가 학습 데이터 세트를 생성할 수 있다. 구체적으로 살펴보면, 시스템(10)은 식별 부분을 확장, 회전, 변환 또는 절단할 수 있고, 가공되어 추가적으로 생성된 프레임을 구조물 손상 판단 인공지능 모델에 입력시킬 수 있다.
일실시예에 따르면, 시스템(10)은 데이터 세트의 식별 부분이 포함된 프레임의 노이즈를 증가시키거나, 콘트라스트를 조정할 수 있다. 노이즈 증가는 가우스 노이즈 및/또는 임펄스 노이즈 증가를 의미할 수 있다. 시스템(10)은 식별 부분이 포함된 프레임의 감마 변환으로 밝기를 조정할 수 있고, 평균화 필터를 이용하여 스무딩(smoothing)을 수행할 수 있다. 아울러, 시스템(10)은 스케일링, 반전, 회전, 이동, 부분 마스크(Cut out 및/또는 Random Erasing), 트리밍(Random Crop), 변형, 변색, 배경 교체를 수행함으로써 식별 부분이 포함된 프레임을 가공할 수 있다.
단계(S150)에서, 시스템(10)은 생성된 학습 데이터 세트에 기초하여 구조물 손상 판단 인공지능 모델을 학습시킬 수 있다. 학습 데이터 세트는 한 쌍의 입력 데이터 및 출력 데이터로 구성될 수 있고, 입력 데이터에 대한 연산 결과가 출력 데이터로 산출될 수 있도록 구조물 손상 판단 인공지능 모델의 파라미터를 업데이트할 수 있다.
일실시예에 따르면, 시스템(10)은 위조 학습 데이터를 더 생성함으로써 구조물 손상 판단 인공지능 모델을 학습시킬 수 있다. 위조 학습 데이터는 학습 데이터로부터 노이즈를 더 포함시키는 위조 학습 데이터 생성기로부터 생성된 데이터일 수 있다. 시스템(10)은 위조 학습 데이터가 입력되는 경우 구조물 손상 판단 인공지능 모델의 출력 값을 펄스(false) 또는 '0'으로 설정하고, 학습 데이터 입력되는 경우 구조물 손상 판단 인공지능 모델의 출력 값을 트루(true) 또는 '1'로 설정함으로써 구조물 손상 판단 인공지능 모델을 학습시킬 수 있다. 이 때, 구조물 손상 판단 인공지능 모델은 GAN(Generative Adversarial Network) 모델일 수 있다.
이에 따라, 본 개시의 시스템(10)은 손상 타입마다 서로 다른 개수로 구조물 손상 판단 인공지능 모델이 학습되는 불균형을 극복할 수 있다. 학습 데이터의 가공 또는 위조 학습 데이터의 생성을 수행하지 않고 구조물 손상을 탐지하기 위해 사용되는 데이터들의 종류별 개수는 서로 다르며 매우 불균형한 모습을 보이고 있다. 데이터 불균형에 따라 개수가 적은 타입의 구조물 손상은 탐지 능력의 저하가 발생되고, 손상이 타입별로 발생하는 빈도가 다름에 따라 데이터 수집 시 불균형한 데이터 세트가 생성되어 정확하게 구조물 손상 판단 인공지능 모델이 학습되지 않는다. 본 개시의 시스템(10)은 학습 데이터의 가공 또는 위조 학습 데이터의 생성을 추가적으로 수행함으로써 활용하여 데이터 불균형을 기존보다 단기간 내에 해소할 수 있다.
일실시예에 따르면, 시스템(10)은 구조물 손상 판단 인공지능 모델을 학습시킬 때, 단계(S130)에서 검증 데이터 세트로 분류된 손상 데이터에 기초하여 학습된 구조물 손상 판단 인공지능 모델의 트레이닝 목적 함수 값을 계산할 수 있다. 계산된 트레이닝 목적 함수 값은 모델의 실제 출력 값과 예측 출력 값의 오차를 지시하는 값일 수 있다. 시스템(10)은 트레이닝 목적 함수 값이 타겟 함수 값에 도달할 때까지 학습 데이터 세트를 이용하여 구조물 손상 판단 인공지능 모델의 파라미터를 업데이트시킬 수 있다.
다른 일실시예에 따르면, 시스템은 이미 파라미터들이 업데이트된 유사 인공지능 모델에 기초하여 구조물 손상 판단 인공지능 모델을 학습시킬 수 있다. 유사 인공지능 모델은 이미 대용량 데이터 셋으로 파라미터들이 업데이트된 인공지능 모델일 수 있고, 본 개시의 시스템은 유사 인공지능 모델로 구조물 손상 판단 인공지능 모델을 학습시킴으로써 훈련 시간과 연산 리소스를 줄일 수 있다. 즉, 본 개시의 시스템은 뉴럴 네트워크 모델의 파라미터를 처음부터 생성하는 것이 아니라 이미 생성된 파라미터에 기초하여 적은 양의 데이터로도 구조물 손상 판단 인공지능 모델을 학습시킬 수 있다.
도 5 및 도 6은 일실시예에 따른 손상 데이터를 생성하는 방법을 설명하기 위한 도면이다.
도 5 및 도 6을 참조하면, 후보 학습 데이터로부터 식별 부분의 외곽선으로 식별 부분을 검출할 수 있고, 검출된 식별 부분에 손상 타입을 매핑시킬 수 있다.
도 5(a) 및 도 6(a)를 참조하면, 시스템(10)은 촬영 데이터로부터 관심 영역에 대해 확대된 후보 학습 데이터를 획득할 수 있다. 관심 영역은 관심 영역 추출 모델에 의해 추출된 영역일 수 있으나, 본 개시의 실시예는 이에 국한되지 않고, 사용자에 의해 관심 영역이 선택될 수도 있다.
도 5(b) 및 도 6(b)를 참조하면, 시스템(10)은 후보 학습 데이터에 대해 세그멘테이션으로 표시된 식별 영역을 추출할 수 있다. 이 때, 시스템(10)은 해당 픽셀의 밝기 값 또는 RGB 값이 인접 픽셀의 밝기 값 또는 RGB 값과 임계 레벨 이상 차이나는 픽셀을 식별 영역의 외곽선으로 결정할 수 있다.
도 5(c) 및 도 6(c)를 참조하면, 시스템(10)은 식별 영역에 대한 손상 타입을 라벨링할 수 있다. 손상 타입은 크랙, 박리/박락, 누수, 백태, 철근노출, 및 미손상 중 하나일 수 있다. 미손상은 시스템(10)에 의해 식별 영역으로 표시되었으나, 실제 구조물 손상이 보수된 부분일 수 있다.
본 개시의 실시예에 따른 시스템(10)은 손상된 후 보수가 된 부분, 배수공에서 흐른 물 자국, 시공 당시 발생한 부분 등 구조물 손상으로 분류되지 않는 식별 영역에 대해서도 미손상으로 라벨링함으로써 더욱 정확하게 구조물 손상 판단 인공지능 모델을 학습시킬 수 있다.
도 7은 일실시예에 따른 후보 학습 데이터를 생성하는 방법을 설명하기 위한 흐름도이고, 도 8은 일실시예에 따라 선택된 대상 촬영 데이터를 도시한 도면이다.
도 7 및 도 8을 참조하면, 시스템(10)은 복수의 촬영 데이터로부터 대상 촬영 데이터를 선택하여 후보 학습 데이터로 결정할 수 있고, 결정된 후보 학습 데이터와 중복도가 높은 이미지는 후보 학습 데이터로부터 배제될 수 있다.
단계(S210)에서, 시스템(10)은 복수의 촬영 데이터의 해상도 및 손상 정보 수량을 획득할 수 있다. 일실시예에 따르면, 촬영 기기(100)의 성능 및 촬영 기기(100)로부터 클라우드 서버(200)로 전송되는 네트워크 환경에 따라 촬영 데이터의 해상도가 달라질 수 있다.
도 8을 참조하면, 시스템(10)은 촬영 데이터에 대해 추출 가능한 손상 정보의 개수를 카운팅할 수 있다. 손상 정보는 바운딩 박스(bounding box)로 표시될 수 있으나, 일실시예에 따르면, 가상의 박스로 손상 정보가 카운팅될 수 있다. 도 8의 실시예에 따르면, 시스템(10)은 해당 프레임에서 17개의 손상 정보를 카운팅할 수 있다.
단계(S220)에서, 시스템(10)은 촬영 데이터의 해상도 및 손상 정보 수량에 기초하여 대상 촬영 데이터를 선택할 수 있다. 일실시예에 따르면, 복수의 촬영 기기(100)들로부터 획득된 촬영 데이터는 복수의 프레임들로 구성될 수 있고, 시스템(10)은 복수의 프레임들 중 해상도 및 손상 정보 수량에 기초하여 계산될 수 있는 값이 가장 큰 어느 하나의 프레임을 대상 촬영 데이터로 선택할 수 있다.
일실시예에 따르면, 시스템(10)은 각 프레임의 해상도에 제1 가중치를 곱한 값과 각 프레임에 포함된 손상 정보 수량에 제2 가중치를 곱한 값을 합산할 수 있다. 시스템(10)은 각 프레임에 대한 합산 값들 중 가장 높은 합산 값에 대응되는 프레임을 대상 촬영 데이터로 선택할 수 있다.
단계(S230)에서, 시스템(10)은 선택된 대상 촬영 데이터를 후보 학습 데이터에 추가할 수 있다.
단계(S240)에서, 시스템(10)은 후보 학습 데이터에 추가된 대상 촬영 데이터의 이미지와 중복도가 높은 이미지의 촬영 데이터를 후보 학습 데이터로부터 배제할 수 있다. 중복도는 대상 촬영 데이터와의 유사도로도 지칭될 수 있고, 시스템(10)은 대상 촬영 데이터와 복수의 프레임들 간의 유사도를 산출할 수 있다. 이 때 산출된 유사도가 임계 유사도 이상인 프레임들은 후보 학습 데이터 선택으로부터 배제시킬 수 있다. 이에 따라, 본 발명의 시스템(10)은 다양한 타입의 후보 학습 데이터를 생성할 수 있고, 더욱 정확하게 구조물 손상 판단 인공 지능 모델을 학습시킬 수 있다.
단계(S250)에서, 시스템(10)은 후보 학습 데이터의 개수가 기준 개수 미만인지 여부를 판단할 수 있다. 후보 학습 데이터의 개수는 단계(S230)에서 추가되어 복수 회 후보 학습 데이터의 선택에 의해 누적된 후보 학습 데이터의 개수일 수 있다. 후보 학습 데이터의 개수가 기준 개수 미만인 경우, 시스템(10)은 다시 대상 촬영 데이터 선택을 반복할 수 있고, 후보 학습 데이터 개수가 기준 개수 이상인 경우, 시스템(10)은 후보 학습 데이터 추출을 완료하고, 후보 학습 데이터로부터 손상 데이터를 획득할 수 있다.
이상의 방법으로 학습된 구조물 손상 판단 인공지능 모델에 기초하여 시스템(10)은 판단이 필요한 손상 정보에 대한 추론 결과를 제공할 수 있다. 시스템(10)은 학습이 완료된 구조물 손상 판단 인공지능 모델에 기초하여 드론 및 스마트폰, 카메라, 캠코더 등으로 촬영된 영상으로부터 구조물 손상을 자동 검출하고, 검출한 결과로부터 학습 데이터를 추가로 제작할 수 있다. 상기 추가로 제작된 학습 데이터에 기초하여 시스템(10)은 구조물 손상 판단 인공지능 모델을 학습시킬 수 있다.
일실시예에 따르면, 시스템(10)은 제작된 학습 데이터에 대한 정확성 및 신뢰성을 검증할 수 있다. 시스템(10)은 정확도(Accuracy), 재현율(Recall), 정밀도(Precision), PR(Precision-recall) 곡선, AP(Average Precision), mAP(mean Average Precision), IOU(Intersection Over Union)를 자동으로 산정하여 학습 데이터의 정확성 및 신뢰성을 평가할 수 있다.
본 개시의 시스템은 프로세서에 의해 상기 방법들이 수행될 수 있다. 예시적으로, 프로세서는 학습데이터 제작 라벨러, 최적 이미지 검출 및 파노라마 제작 프로그램, 학습 데이터 자동 분류 및 변환 프로그램, 데이터 어노테이션 자동 생성 프로그램, 생성적 적대 신경망 기반 위조 데이터 생성 프로그램, 및 사전학습 결과 반영 전이학습 프로그램을 수행할 수 있는 장치일 수 있다.
이상에서와 같이 도면과 명세서에서 예시적인 실시예들이 개시되었다. 본 명세서에서 특정한 용어를 사용하여 실시예들을 설명되었으나, 이는 단지 본 개시의 기술적 사상을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 개시의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 개시의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (6)

  1. 클라우드 서버에 의해 구조물 손상 판단 시스템의 클라우드 기반 서비스를 제공하는 방법에 있어서,
    구조물을 촬영하는 촬영 기기로부터 획득된 촬영 데이터로부터 상기 촬영 데이터의 해상도, 손상 정보 수량, 및 영상 중복도 중 적어도 하나의 정보에 기초하여 후보 학습 데이터를 추출하는 단계;
    상기 후보 학습 데이터로부터 식별 부분이 세그멘테이션(segmentation)으로 표시된 손상 데이터를 획득하는 단계;
    구조물 특성에 따라 상기 손상 데이터를 복수 타입의 세트로 분류하는 단계;
    상기 분류 결과에 기초하여 학습 데이터 세트를 생성하는 단계; 및
    상기 학습 데이터 세트에 기초하여 구조물 손상 판단 인공지능 모델을 학습하는 단계
    를 포함하고,
    상기 후보 학습 데이터를 추출하는 단계는,
    복수의 프레임들로 구성된 상기 촬영 데이터에 대해 각 프레임마다 추출 가능한 손상 정보의 개수를 카운팅하는 단계;
    상기 촬영 데이터에 대해 각 프레임의 해상도에 제1 가중치를 곱한 값과 상기 각 프레임에 포함된 상기 손상 정보의 개수에 제2 가중치를 곱한 값을 합산하는 단계;
    상기 각 프레임에 대한 합산 값들 중 가장 높은 합산 값에 대응되는 프레임을 인공지능 모델 학습에 적합한 프레임에 대응되는 상기 후보 학습 데이터로 추출하는 단계; 및
    상기 후보 학습 데이터의 개수가 기준 개수 미만인 경우 반복하여 상기 후보 학습 데이터를 추출하고, 상기 후보 학습 데이터의 개수가 기준 개수 이상인 경우, 상기 후보 학습 데이터로부터 상기 손상 데이터를 획득하는 단계
    를 포함하고,
    복수 타입의 세트로 분류하는 단계는,
    제1 구조물 타입에서 획득된 손상 데이터로부터 제1 손상 타입에 대응되는 학습 데이터 세트, 검증 데이터 세트, 및 테스트 데이터 세트를 분류하고, 상기 제1 구조물 타입과 상이한 제2 구조물 타입에서 획득된 손상 데이터로부터 제2 손상 타입에 대응되는 학습 데이터 세트, 검증 데이터 세트, 및 테스트 데이터 세트를 분류하는 단계
    를 포함하는 것을 특징으로 하는 클라우드 기반 서비스 제공방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 후보 학습 데이터를 추출하는 단계는,
    상기 획득된 촬영 데이터의 이미지와 중복도가 임계 레벨 이상 높은 이미지를 상기 후보 학습 데이터의 선택으로부터 배제시키는 단계
    를 포함하는 것을 특징으로 하는 클라우드 기반 서비스 제공 방법.
  4. 제1항에 있어서,
    상기 손상 데이터를 획득하는 단계는,
    상기 식별 부분의 외곽선을 따라 상기 후보 학습 데이터로부터 상기 식별 부분을 검출하는 단계; 및
    상기 검출된 식별 부분에 대해 손상 타입을 라벨링하는 단계
    를 포함하는 것을 특징으로 하는 클라우드 기반 서비스 제공 방법.
  5. 제4항에 있어서,
    상기 복수 타입의 세트로 분류하는 단계는,
    상기 손상 타입이 라벨링된 손상 데이터를 상기 상기 학습 데이터 세트, 검증 데이터 세트, 및 테스트 데이터 세트 중 어느 하나로 분류하는 단계
    를 포함하는 것을 특징으로 하는 클라우드 기반 서비스 제공 방법.
  6. 제1항에 있어서,
    상기 학습 데이터 세트를 생성하는 단계는,
    상기 학습 데이터 세트에 포함된 상기 손상 데이터의 이미지 또는 영상을 확장, 회전, 변환 또는 절단함으로써 추가 학습 데이터 세트를 생성하는 단계
    를 포함하는 것을 특징으로 하는 클라우드 기반 서비스 제공 방법.
KR1020220030800A 2022-03-11 2022-03-11 인공지능 기반 구조물 손상 판단 학습 데이터 확충 서비스 시스템 및 서비스 제공 방법 KR102619578B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220030800A KR102619578B1 (ko) 2022-03-11 2022-03-11 인공지능 기반 구조물 손상 판단 학습 데이터 확충 서비스 시스템 및 서비스 제공 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220030800A KR102619578B1 (ko) 2022-03-11 2022-03-11 인공지능 기반 구조물 손상 판단 학습 데이터 확충 서비스 시스템 및 서비스 제공 방법

Publications (2)

Publication Number Publication Date
KR20230133606A KR20230133606A (ko) 2023-09-19
KR102619578B1 true KR102619578B1 (ko) 2023-12-29

Family

ID=88196579

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220030800A KR102619578B1 (ko) 2022-03-11 2022-03-11 인공지능 기반 구조물 손상 판단 학습 데이터 확충 서비스 시스템 및 서비스 제공 방법

Country Status (1)

Country Link
KR (1) KR102619578B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102227756B1 (ko) 2020-12-07 2021-03-15 박봉진 구조물 손상판단 서비스 시스템 및 서비스 제공방법
KR102254773B1 (ko) * 2020-09-14 2021-05-24 한국건설기술연구원 영상정보를 이용한 건물 부위별 하자의 자동 판정과 분류 시스템 및 그 방법
KR102346676B1 (ko) * 2021-07-23 2022-01-03 주원씨엔시 주식회사 딥러닝 기반의 시설물 손상영상 분류를 활용한 손상도 생성방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102321249B1 (ko) * 2019-12-17 2021-11-03 국토안전관리원 인공지능 기반의 시설물 외관 분석 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102254773B1 (ko) * 2020-09-14 2021-05-24 한국건설기술연구원 영상정보를 이용한 건물 부위별 하자의 자동 판정과 분류 시스템 및 그 방법
KR102227756B1 (ko) 2020-12-07 2021-03-15 박봉진 구조물 손상판단 서비스 시스템 및 서비스 제공방법
KR102346676B1 (ko) * 2021-07-23 2022-01-03 주원씨엔시 주식회사 딥러닝 기반의 시설물 손상영상 분류를 활용한 손상도 생성방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
인공지능 학습용 데이터셋 구축안내서, 공개일 2021.02.22.

Also Published As

Publication number Publication date
KR20230133606A (ko) 2023-09-19

Similar Documents

Publication Publication Date Title
CN111507958B (zh) 目标检测方法、检测模型的训练方法及电子设备
CN110765865B (zh) 基于改进的yolo算法的水下目标检测方法
CN111210399B (zh) 一种成像质量评价方法、装置及设备
CN113822247B (zh) 基于航拍影像的违章建筑识别方法及系统
CN110956615B (zh) 图像质量评估模型训练方法、装置、电子设备及存储介质
CN111401387B (zh) 异常样本构建方法、装置、计算机设备和存储介质
CN112884782B (zh) 生物对象分割方法、装置、计算机设备和存储介质
CN113435407B (zh) 一种输电系统的小目标识别方法及装置
CN113642474A (zh) 一种基于yolov5的危险区域人员监控方法
CN110942456B (zh) 篡改图像检测方法、装置、设备及存储介质
CN115424264A (zh) 全景分割方法及相关装置、电子设备、存储介质
CN116721145B (zh) 一种液体介质泄露检测方法、装置、电子设备及存储介质
KR102619578B1 (ko) 인공지능 기반 구조물 손상 판단 학습 데이터 확충 서비스 시스템 및 서비스 제공 방법
CN112966687A (zh) 图像分割模型训练方法、装置及通信设备
CN115830302B (zh) 一种多尺度特征提取融合配电网设备定位识别方法
JP7334083B2 (ja) 分類信頼度算出装置、領域分割装置、学習装置、分類信頼度算出方法、学習方法、分類信頼度算出プログラム、及び学習プログラム
CN111784667A (zh) 一种裂纹识别方法及装置
CN116612355A (zh) 人脸伪造识别模型训练方法和装置、人脸识别方法和装置
CN112149698A (zh) 一种困难样本数据的筛选方法及装置
CN115311680A (zh) 人体图像质量检测方法、装置、电子设备及存储介质
CN111127327B (zh) 一种图片倾斜检测方法及装置
KR20210031444A (ko) 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치
KR102521825B1 (ko) 포인트 클라우드 기반 구조물 손상판단을 위한 이상영역 자동 판단 시스템
CN116630367B (zh) 目标跟踪方法、装置、电子设备及存储介质
CN112766481B (zh) 神经网络模型的训练方法、装置及图像检测的方法

Legal Events

Date Code Title Description
AMND Amendment
AMND Amendment
E90F Notification of reason for final refusal
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant