KR102622748B1 - System for automatic rebar correction based on machine learning in rebar machining process and method thereof - Google Patents
System for automatic rebar correction based on machine learning in rebar machining process and method thereof Download PDFInfo
- Publication number
- KR102622748B1 KR102622748B1 KR1020210166879A KR20210166879A KR102622748B1 KR 102622748 B1 KR102622748 B1 KR 102622748B1 KR 1020210166879 A KR1020210166879 A KR 1020210166879A KR 20210166879 A KR20210166879 A KR 20210166879A KR 102622748 B1 KR102622748 B1 KR 102622748B1
- Authority
- KR
- South Korea
- Prior art keywords
- rebar
- data
- injection
- reinforcing bar
- movement
- Prior art date
Links
- 238000012937 correction Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000010801 machine learning Methods 0.000 title claims abstract description 24
- 238000003754 machining Methods 0.000 title 1
- 230000003014 reinforcing effect Effects 0.000 claims abstract description 72
- 238000002347 injection Methods 0.000 claims abstract description 63
- 239000007924 injection Substances 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 61
- 230000008569 process Effects 0.000 claims abstract description 35
- 238000005452 bending Methods 0.000 claims abstract description 30
- 238000005520 cutting process Methods 0.000 claims abstract description 27
- 230000008859 change Effects 0.000 claims abstract description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000004069 differentiation Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000004567 concrete Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000011150 reinforced concrete Substances 0.000 description 2
- 229910000975 Carbon steel Inorganic materials 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 239000010962 carbon steel Substances 0.000 description 1
- 239000004035 construction material Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D—WORKING OR PROCESSING OF SHEET METAL OR METAL TUBES, RODS OR PROFILES WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D3/00—Straightening or restoring form of metal rods, metal tubes, metal profiles, or specific articles made therefrom, whether or not in combination with sheet metal parts
- B21D3/02—Straightening or restoring form of metal rods, metal tubes, metal profiles, or specific articles made therefrom, whether or not in combination with sheet metal parts by rollers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B1/00—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations
- B21B1/08—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling structural sections, i.e. work of special cross-section, e.g. angle steel
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D—WORKING OR PROCESSING OF SHEET METAL OR METAL TUBES, RODS OR PROFILES WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D7/00—Bending rods, profiles, or tubes
- B21D7/12—Bending rods, profiles, or tubes with programme control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D—WORKING OR PROCESSING OF SHEET METAL OR METAL TUBES, RODS OR PROFILES WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D7/00—Bending rods, profiles, or tubes
- B21D7/14—Bending rods, profiles, or tubes combined with measuring of bends or lengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/14—Picture signal circuitry for video frequency region
- H04N5/144—Movement detection
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
본 발명은 철근 가공 공정에서의 머신 러닝 기반의 철근 자동 교정 시스템에 관한 것으로서, 가공전 철근을 기 설정된 길이로 절곡하여 직진 사출시키는 철근 사출부; 상기 철근 사출부의 사출 지점으로부터 기 설정된 이격 거리에 위치하여, 실시간 철근 움직임 정보가 포함된 철근 가공 영상을 촬영하여 제공하는 카메라부; 및 상기 철근 가공 영상을 분석하여 철근의 절단 및 절곡 지점을 계산하여 철근 사출 데이터로 제공하고, 철근의 움직임을 반영하는 머신 러닝 기반의 철근 움직임 예측 알고리즘에 기반하여 상기 철근 사출 데이터로부터 철근 교정에 필요한 교정 위치 정보를 예측하여 제공하는 제어부를 포함하되, 상기 머신 러닝 기반의 철근 움직임 예측 알고리즘은, 상기 철근의 사출 지점을 기준으로 철근의 움직임 변화를 나타내는 철근 사출 데이터를 학습 데이터로 수집하고, 상기 수집된 학습 데이터를 이용하여 철근 움직임 특징을 학습하여 다항 회귀 모델을 생성하고, 상기 다항 회귀 모델에 철근 사출 데이터를 입력하여 교정 위치 정보를 예측하는 시스템일 수 있다. The present invention relates to a machine learning-based automatic rebar straightening system in a rebar processing process, which includes a rebar injection unit that bends rebar before processing to a preset length and injects the rebar in a straight line; A camera unit located at a preset distance from the injection point of the rebar injection unit, to capture and provide a rebar processing image containing real-time rebar movement information; And by analyzing the rebar processing video, cutting and bending points of the rebar are calculated and provided as rebar injection data, and based on a machine learning-based rebar movement prediction algorithm that reflects the movement of the rebar, necessary for rebar correction from the rebar injection data. A control unit that predicts and provides correction position information, wherein the machine learning-based rebar movement prediction algorithm collects rebar injection data indicating a change in movement of the rebar based on the injection point of the rebar as learning data, and collects It may be a system that creates a polynomial regression model by learning reinforcing bar movement characteristics using the learned training data, and predicts correction position information by inputting reinforcing bar injection data into the polynomial regression model.
Description
본 발명은 철근 움직임을 예측하여 가공 철근을 생산할 수 있는 철근 가공 공정에서의 머신 러닝 기반의 철근 자동 교정 시스템 및 그 방법에 관한 것이다. The present invention relates to a machine learning-based automatic rebar correction system and method in a rebar processing process that can predict rebar movement and produce processed rebar.
이 부분에 기술된 내용은 단순히 본 발명의 일 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.The content described in this part simply provides background information on an embodiment of the present invention and does not constitute prior art.
철근은 철로 막대 모양으로 만들어져 주로 인장력을 맡는 건설재료로, 토목공학, 건축공학 등에서 매우 중요하게 다루는 역학 구조체 중 하나이다. 보통 재료는 탄소강이며, 따로 쓰기보다는 압축력을 받는 콘크리트와 합쳐 철근콘크리트 구조물로 만들어진다.Reinforcing bars are made in the shape of iron bars and are a construction material that mainly handles tensile force, and are one of the mechanical structures that are very important in civil engineering and architectural engineering. The usual material is carbon steel, and rather than being used separately, it is combined with concrete under compressive force to create a reinforced concrete structure.
이러한 철근 가공 공정은 골조 및 구조물 공사현장에서 철근콘크리트의 기초, 기둥, 보, 슬래브, 벽채, 옹벽 등 부위에 기타 콘크리트조를 보강하기 위해서 구조도면에 의한 샵 드로잉(Shop-DWG)하여 부위별 가공 형상, 치수, 수량을 작성하며, 이를 근거로 철근을 상온 절단, 절곡을 하는 것을 말한다.This rebar processing process involves processing each part through shop drawing (Shop-DWG) based on structural drawings to reinforce other concrete structures in areas such as foundations, columns, beams, slabs, walls, retaining walls, etc. of reinforced concrete at frame and structure construction sites. This refers to creating the shape, dimensions, and quantity, and cutting and bending the rebar at room temperature based on these.
현재 건설현장에서는 철근 가공 형상을 산출한 후 손으로 직접 기록하고 관리하고 있는 실정이며, 이는 철근 정보를 수작업 관리해야 하므로 전체 물량을 철근 규격별로 산출하거나 또는 정척 길이별로 산출하기가 복잡하였으며, 결국 철근의 손실을 초래하였다.Currently, at construction sites, rebar processing shapes are calculated and then manually recorded and managed. This requires manual management of rebar information, making it complicated to calculate the total quantity by rebar standard or by length. caused a loss.
또한, 우리나라의 경우, 제강회사에서 생산하고 있는 정척 철근의 종류는 재고로 보유하고 있는 종류까지 합하여 7m, 8m, 9m, 10m, 11m, 12m 정도로 생산하고 있다. 철근 공사현장에서는 설계도(삽드로잉도)를 받아서 철근 조립도에 있는 모양으로 철근 하나씩을 가공하여 전체 설계도를 보며 부분에 끼워 맞추며 작업한다. 이때, 철근이 손실되는 부분은 정척철근을 하나씩 자를 때 발생된다. 공사에 들어가는 각 철근들은 수치가 다 같지 않기 때문에 작업 물량이 몇 백톤에 달하면 미리 작업 순서를 계획에 놓고 작업을 할 수는 없다.In addition, in the case of Korea, the types of fixed rebar produced by steel companies are approximately 7m, 8m, 9m, 10m, 11m, and 12m, including the types held in stock. At a rebar construction site, a design drawing (sample drawing) is received, each rebar is processed into the shape shown in the rebar assembly drawing, and the parts are fitted while looking at the overall design. At this time, the loss of reinforcing bars occurs when the regular reinforcing bars are cut one by one. Since the dimensions of each rebar used in construction are not the same, it is not possible to plan the work order in advance when the work volume reaches several hundred tons.
그러므로, 규격화 되어 생산되는 정척철근을 각 현장의 치수에 맞게 잘라서 사용할 때 자르고 남은 철근은 다시 사용하지 않고 버리게 된다. 이때, 절단하고 버리는 철근은 철근의 물량과 항목이 많을수록 많아지기 때문에 철근의 손실율은 그만큼 증가하게 된다.Therefore, when standardized and produced straight rebar is cut to fit the dimensions of each site and used, the remaining rebar is not used again and is discarded. At this time, the number of rebars that are cut and discarded increases as the quantity and items of rebar increase, so the loss rate of rebar increases accordingly.
이와 같은 철근의 손실을 줄이기 위한 철근 최적화 서비스 시스템을 제공하는 방법으로 선행문헌 등록특허 제10-075600호가 공개되어 있다. 선행문헌에 개시된 철근 최적화 알고리즘은 현장에서 필요한 철근 데이터를 프로그램 양식에 맞도록 재입력하여야 하고, 실제 철근 제공업체에 있는 철근의 재고정보가 고려되지 않고, 최적화 알고리즘이 수행되는 문제가 있다. 또한 선행문헌에 개시된 최적화 알고리즘은 단순히 대입모드 또는 조합모드 중 더 나은 결과 값을 선택하여 사용할 뿐이며, 최적화 알고리즘 수행 시 철근 절단 부위의 형상이나 정확한 사출 길이를 알려주지 않고 있어 철근 절단 시에 다시 교정 작업을 수행해야 하는 문제점이 있다.Prior document registration patent number 10-075600 has been disclosed as a method of providing a rebar optimization service system to reduce such rebar loss. The rebar optimization algorithm disclosed in prior literature has the problem that the rebar data required in the field must be re-entered to fit the program format, and the optimization algorithm is performed without considering the inventory information of rebars in the actual rebar provider. In addition, the optimization algorithm disclosed in the prior literature simply selects and uses the better result value among substitution mode or combination mode, and does not inform the shape of the rebar cutting area or the exact injection length when performing the optimization algorithm, so correction work is required again when cutting rebar. There is a problem that needs to be addressed.
이때, 철근 가공 공정에서 불량 제품 생산시 교정 작업 시간과 교정 정확도는 작업자의 숙련도에 의존하고 있어 생산성 하락의 주요 요인이 되고 있다. At this time, when producing defective products in the rebar processing process, the calibration work time and calibration accuracy depend on the worker's skill level, which is a major factor in reducing productivity.
최근 공장 자동화가 보편화되어 감에 따라 공장 자동화 시스템이 많이 요구되고 있으며, 공장 자동화 기술은 제품의 품질과 생산성 향상을 위한 핵심 기술로써 고부가 가치 산업 분야로 부각되고 있다.Recently, as factory automation has become more common, factory automation systems are in greater demand, and factory automation technology is emerging as a high-value industrial field as a core technology for improving product quality and productivity.
최근 공장 자동화로 인해 철근 가공 공정에서는 사람의 눈으로 직접 철근을 교정하는 작업에서 실시간 영상인식 기술을 기반으로 하는 교정 시스템으로 바뀌고 있다. 실시간 영상인식 기술 기반 철근 교정을 위해서는 일정길이 이상의 철근을 직진 사출하여 교정을 하며, 사출한 철근은 폐기한다.Recently, due to factory automation, the rebar processing process is changing from directly correcting rebar with human eyes to a correction system based on real-time image recognition technology. In order to correct rebar based on real-time image recognition technology, rebar over a certain length is injected straight ahead for correction, and the injected rebar is discarded.
이와 같이, 공장 자동화 기술을 철근 가공 공정에 적용하더라도, 여전히 공사 현장에서 활용없 수 없는 짧은 길이의 철근 잔부들로 인해 철근 손실이 발생하고 있다. 따라서, 향후 철근 가공 산업에 적용되는 공장 자동화 기술은 가공 철근 생산품의 형상을 자동으로 인식하여 자동 교정할 수 있도록 하여, 철근 교정에서 톤당 교정비, 자재 손실률 등의 최소화함으로써 비용을 절감하는 시스템 개발이 요구되고 있다.Likewise, even if factory automation technology is applied to the rebar processing process, rebar loss still occurs due to short-length rebar remnants that cannot be utilized at construction sites. Therefore, the factory automation technology applied to the rebar processing industry in the future is required to develop a system that automatically recognizes and automatically corrects the shape of the processed rebar product, thereby reducing costs by minimizing the correction cost per ton and material loss rate in rebar correction. It is becoming.
본 발명은 전술한 문제점을 해결하기 위하여, 본 발명의 일 실시예에 따라 머신러닝 기반의 철근 움직임 예측 알고리즘을 이용하여 철근 가공시 철근 움직임을 예측한 예측값을 철근 교정을 위한 교정 위치 정보로 제공하여 가공 철근을 생산함으로써 철근 가공시 소요되는 비용 및 생산 시간을 절감 수 있도록 하는 것에 목적이 있다.In order to solve the above-described problem, the present invention uses a machine learning-based rebar movement prediction algorithm according to an embodiment of the present invention to provide a predicted value of rebar movement during rebar processing as correction position information for rebar correction. The purpose is to reduce the cost and production time required for processing rebar by producing processed rebar.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.However, the technical challenge that this embodiment aims to achieve is not limited to the technical challenges described above, and other technical challenges may exist.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서 본 발명의 일 실시예에 따른 철근 가공 공정에서의 머신 러닝 기반의 철근 자동 교정 시스템은, 가공전 철근을 기 설정된 길이로 절곡하여 직진 사출시키는 철근 사출부; 상기 철근 사출부의 사출 지점으로부터 기 설정된 이격 거리에 위치하여, 실시간 철근 움직임 정보가 포함된 철근 가공 영상을 촬영하여 제공하는 카메라부; 및 상기 철근 가공 영상을 분석하여 철근의 절단 및 절곡 지점을 계산하여 철근 사출 데이터로 제공하고, 철근의 움직임을 반영하는 머신 러닝 기반의 철근 움직임 예측 알고리즘에 기반하여 상기 철근 사출 데이터로부터 철근 교정에 필요한 교정 위치 정보를 예측하여 제공하는 제어부를 포함하되, 상기 머신 러닝 기반의 철근 움직임 예측 알고리즘은, 상기 철근의 사출 지점을 기준으로 철근의 움직임 변화를 나타내는 철근 사출 데이터를 학습 데이터로 수집하고, 상기 수집된 학습 데이터를 이용하여 철근 움직임 특징을 학습하여 다항 회귀 모델을 생성하고, 상기 다항 회귀 모델에 철근 사출 데이터를 입력하여 교정 위치 정보를 예측하는 것이다. As a technical means for achieving the above-described technical problem, a machine learning-based automatic rebar correction system in the rebar processing process according to an embodiment of the present invention includes a rebar injection unit that bends rebar before processing to a preset length and injects it straight. ; A camera unit located at a preset distance from the injection point of the rebar injection unit, to capture and provide a rebar processing image containing real-time rebar movement information; And by analyzing the rebar processing video, cutting and bending points of the rebar are calculated and provided as rebar injection data, and based on a machine learning-based rebar movement prediction algorithm that reflects the movement of the rebar, necessary for rebar correction from the rebar injection data. A control unit that predicts and provides correction position information, wherein the machine learning-based rebar movement prediction algorithm collects rebar injection data indicating a change in movement of the rebar based on the injection point of the rebar as learning data, and collects Using the learned training data, the reinforcing bar movement characteristics are learned to create a polynomial regression model, and the reinforcing bar injection data is input into the polynomial regression model to predict correction position information.
상기 제어부는, 상기 카메라부로부터 철근 움직임 정보를 수집하는 데이터 수집 모듈; 상기 철근 움직임 정보를 분석하여 철근의 절단 및 절곡 지점을 계산한 후 계산된 철근의 절단 및 절곡 지점의 데이터를 제거하여 철근 사출 데이터로 가공하는 데이터 가공 모듈; 상기 다항 회귀 모델을 생성 및 학습하는 데이터 학습 모듈; 및 새로운 철근 사출 데이터가 입력되면 상기 다항 회귀 모델에 기반하여 교정 위치 정보를 예측하는 데이터 예측 모듈을 포함하는 것이다. The control unit includes a data collection module that collects rebar movement information from the camera unit; a data processing module that analyzes the reinforcing bar movement information, calculates the cutting and bending points of the reinforcing bars, removes the calculated data of the cutting and bending points of the reinforcing bars, and processes them into reinforcing bar injection data; a data learning module that generates and learns the polynomial regression model; and a data prediction module that predicts correction position information based on the polynomial regression model when new rebar injection data is input.
상기 데이터 가공 모듈은, 릿지(Ridge) 기반의 다항 회귀(Polynomial Regression) 모델을 이용하여 2차 미분 결과를 통해 철근의 절단 및 절곡 지점을 계산하는 것이다. The data processing module calculates the cutting and bending points of the rebar through second-order differentiation results using a ridge-based polynomial regression model.
상기 데이터 예측 모듈은, 상기 교정 위치 정보를 800mm~880mm 범위 내에서의 철근 위치값으로 설정하는 것이다.The data prediction module sets the corrected position information to a rebar position value within the range of 800mm to 880mm.
본 발명의 일 실시예에 따른 철근 가공 공정에서의 머신 러닝 기반의 철근 자동 교정 방법은, 영상 인식 기반의 철근 가공 공정을 제어하는 제어부에 의해 수행되는 철근 자동 교정 방법에 있어서, a) 철근 사출부로부터 기설정된 이격 거리에 배치된 카메라부로부터 철근 가공 영상을 수신하여, 상기 철근 가공 영상으로부터 철근의 사출 지점을 기준으로 철근의 움직임 변화를 나타내는 철근 움직임 정보를 수집하는 단계; b) 상기 철근 움직임 정보에서 철근의 절단 및 절곡 지점을 다항 회귀 분석을 통해 계산하고, 상기 철근의 절단 및 절곡 지점을 제거하여 철근 직진 사출에 대한 철근 사출 데이터를 가공하는 단계; c) 상기 철근 사출 데이터를 학습 데이터로 하여 철근 움직임 특성이 반영된 다항 회귀 모델을 학습하는 단계; 및 d) 상기 학습된 다항 회귀 모델에 철근 사출 데이터를 입력하여 철근 교정을 위해 필요한 교정 위치 정보를 예측하는 단계를 포함것이다. The machine learning-based rebar automatic correction method in the rebar processing process according to an embodiment of the present invention is a rebar automatic correction method performed by a control unit that controls the image recognition-based rebar processing process, a) rebar injection unit Receiving a rebar processing image from a camera unit disposed at a preset distance from the rebar processing image, collecting rebar movement information indicating a change in the movement of the rebar based on the injection point of the rebar from the rebar processing image; b) calculating the cutting and bending points of the reinforcing bars from the reinforcing bar movement information through polynomial regression analysis, and processing reinforcing bar injection data for straight reinforcing injection by removing the cutting and bending points of the reinforcing bars; c) learning a polynomial regression model reflecting reinforcing bar movement characteristics using the reinforcing bar injection data as learning data; and d) inputting reinforcing bar injection data into the learned polynomial regression model to predict correction position information required for reinforcing bar correction.
상기 b) 단계는, 릿지(Ridge) 기반의 다항 회귀(Polynomial Regression) 모델을 이용하여 2차 미분 결과를 통해 철근의 절단 및 절곡 지점을 계산하는 것이다. In step b), the cutting and bending points of the reinforcing bar are calculated through second-order differentiation results using a ridge-based polynomial regression model.
상기 d) 단계는, 상기 교정 위치 정보를 800mm~880mm 범위 내에서의 철근 위치값으로 설정하는 것이다.In step d), the correction position information is set to a reinforcing bar position value within the range of 800mm to 880mm.
전술한 본 발명의 과제 해결 수단에 의하면, 철근 사출시 철근의 움직임 정보을 반영하는 다항 회귀 모델을 이용하여 철근 교정을 위한 교정 위치 정보를 예측할 수 있어, 예측된 교정 위치 정보를 반영한 철근의 사출 길이로 가공 철근을 생산할 수 있어 기존에 비해 철근 손실율을 25~32%로 절감할 수 있고, 철근 교정을 위해 생산 작업을 중지할 필요가 없어 철근 생산 시간을 단축시켜 생산성이 향상될 수 있다.According to the problem-solving means of the present invention described above, correction position information for reinforcing bar correction can be predicted using a polynomial regression model that reflects the movement information of the reinforcing bar during reinforcing bar injection, and the injection length of the reinforcing bar reflecting the predicted correction position information can be predicted. By being able to produce processed rebar, the rebar loss rate can be reduced to 25-32% compared to before, and productivity can be improved by shortening rebar production time because there is no need to stop production work to correct rebar.
이러한 본 발명은 국내외 철근 자동화 시스템에 적용되어 철근 생산에 대한 경쟁력 향상 및 매출 증대를 기대할 수 있고, 철근 가공 뿐만 아니라 탄성이 있는 일자형 구조 재료를 사용하는 골조 및 구조물의 산업 현장에 응용할 수 있다.This invention can be applied to domestic and foreign rebar automation systems to improve competitiveness and increase sales in rebar production, and can be applied not only to rebar processing but also to industrial sites for frames and structures using elastic straight structural materials.
도 1은 본 발명의 일 실시예에 따른 철근 가공 공정에서의 머신 러닝 기반의 철근 자동 교정 시스템의 구성을 설명하는 도면이다.
도 2는 본 발명의 일 실시예에 따른 데이터 가공 모듈의 데이터 가공 과정을 설명하는 도면이다.
도 3은 본 발명의 일 실시예에 따른 데이터 학습 모듈의 데이터 학습 과정을 설명하는 도면이다.
도 4는 본 발명의 일 실시예에 따른 데이터 예측 모듈의 데이터 예측 과정을 설명하는 도면이다.
도 5는 본 발명의 일 실시예에 따른 철근 가공 공정에서의 머신 러닝 기반의 철근 자동 교정 방법을 설명하는 순서도이다. 1 is a diagram illustrating the configuration of a machine learning-based automatic rebar correction system in a rebar processing process according to an embodiment of the present invention.
Figure 2 is a diagram illustrating a data processing process of a data processing module according to an embodiment of the present invention.
Figure 3 is a diagram explaining the data learning process of the data learning module according to an embodiment of the present invention.
Figure 4 is a diagram explaining the data prediction process of the data prediction module according to an embodiment of the present invention.
Figure 5 is a flowchart illustrating a machine learning-based automatic rebar correction method in a rebar processing process according to an embodiment of the present invention.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Below, with reference to the attached drawings, embodiments of the present invention will be described in detail so that those skilled in the art can easily implement the present invention. However, the present invention may be implemented in many different forms and is not limited to the embodiments described herein. In order to clearly explain the present invention in the drawings, parts that are not related to the description are omitted, and similar parts are given similar reference numerals throughout the specification.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Throughout the specification, when a part is said to be "connected" to another part, this includes not only the case where it is "directly connected," but also the case where it is "electrically connected" with another element in between. . In addition, when a part is said to "include" a certain component, this does not mean excluding other components unless specifically stated to the contrary, but may further include other components, and one or more other features. It should be understood that it does not exclude in advance the presence or addition of numbers, steps, operations, components, parts, or combinations thereof.
본 명세서에서 ‘단말’은 휴대성 및 이동성이 보장된 무선 통신 장치일 수 있으며, 예를 들어 스마트 폰, 태블릿 PC 또는 노트북 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치일 수 있다. 또한, ‘단말’은 네트워크를 통해 다른 단말 또는 서버 등에 접속할 수 있는 PC 등의 유선 통신 장치인 것도 가능하다. 또한, 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. In this specification, a ‘terminal’ may be a wireless communication device that guarantees portability and mobility, and may be any type of handheld-based wireless communication device such as a smart phone, tablet PC, or laptop, for example. Additionally, the ‘terminal’ may be a wired communication device such as a PC that can connect to another terminal or server through a network. In addition, a network refers to a connection structure that allows information exchange between nodes such as terminals and servers, including a local area network (LAN), a wide area network (WAN), and the Internet (WWW). : World Wide Web), wired and wireless data communication networks, telephone networks, and wired and wireless television communication networks.
무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.Examples of wireless data communication networks include 3G, 4G, 5G, 3GPP (3rd Generation Partnership Project), LTE (Long Term Evolution), WIMAX (World Interoperability for Microwave Access), Wi-Fi, Bluetooth communication, infrared communication, and ultrasound. This includes, but is not limited to, communication, Visible Light Communication (VLC), LiFi, etc.
이하의 실시예는 본 발명의 이해를 돕기 위한 상세한 설명이며, 본 발명의 권리 범위를 제한하는 것이 아니다. 따라서 본 발명과 동일한 기능을 수행하는 동일 범위의 발명 역시 본 발명의 권리 범위에 속할 것이다.The following examples are detailed descriptions to aid understanding of the present invention and do not limit the scope of the present invention. Accordingly, inventions of the same scope and performing the same function as the present invention will also fall within the scope of rights of the present invention.
또한, 본 발명의 각 실시예에 포함된 각 구성, 과정, 공정 또는 방법 등은 기술적으로 상호간 모순되지 않는 범위 내에서 공유될 수 있다.Additionally, each configuration, process, process, or method included in each embodiment of the present invention may be shared within the scope of not being technically contradictory to each other.
이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.Hereinafter, an embodiment of the present invention will be described in detail with reference to the attached drawings.
도 1은 본 발명의 일 실시예에 따른 철근 가공 공정에서의 머신 러닝 기반의 철근 자동 교정 시스템의 구성을 설명하는 도면이다.1 is a diagram illustrating the configuration of a machine learning-based automatic rebar correction system in a rebar processing process according to an embodiment of the present invention.
도 1을 참조하면, 철근 가공 공정에서의 머신 러닝 기반의 철근 자동 교정 시스템은 철근 사출부(미도시), 카메라부(100) 및 제어부(200)를 포함하지만 이에 한정되지는 않는다.Referring to FIG. 1, the machine learning-based automatic rebar correction system in the rebar processing process includes, but is not limited to, a rebar injection unit (not shown), a camera unit 100, and a control unit 200.
철근 사출부는 철근을 기 설정된 길이로 절곡하여 직진 사출시키는 것으로서, 철근이 적재되어 절곡 작업을 수행하는 테이블(미도시), 테이블 상의 철근을 절곡하여 사출시키는 절곡 롤러(미도시), 구동모터, 보관함, 가이드부, 지지부 등을 포함할 수 있다.The rebar injection unit bends the rebar to a preset length and injects it in a straight line. It includes a table (not shown) on which the rebar is loaded and performs bending work, a bending roller (not shown) that bends and injects the rebar on the table, a drive motor, and a storage box. , may include a guide part, a support part, etc.
카메라부(100)는 철근 사출부의 사출 지점으로부터 기 설정된 이격 거리에 위치하여, 실시간 철근 움직임 정보가 포함된 철근 가공 영상을 촬영하여 제어부(200)로 전송한다. 이때, 카메라부(100)는 고속으로 사출되는 가공 철근을 인식하면서 조도의 영향을 최소화하기 위해 적어도 하나 이상의 고속의 적외선 카메라를 사용한다. 철근의 사출 속도가 빠르기 때문에 적외선 카메라를 사용하여 실시간 고속으로 철근을 추적할 수 있도록 한다.The camera unit 100 is located at a preset distance from the injection point of the rebar injection unit, captures a rebar processing image containing real-time rebar movement information, and transmits it to the control unit 200. At this time, the camera unit 100 uses at least one high-speed infrared camera to recognize the processed rebar that is injected at high speed and minimize the effect of illumination. Because the injection speed of rebar is fast, an infrared camera can be used to track the rebar at high speed in real time.
제어부(200)는 철근 가공 영상을 분석하여 철근의 절단 및 절곡 지점을 계산하여 철근 사출 데이터로 제공하고, 철근의 움직임을 반영하는 머신 러닝 기반의 철근 움직임 예측 알고리즘에 기반하여 철근 사출 데이터로부터 철근 교정에 필요한 교정 위치 정보를 예측하여 제공한다. The control unit 200 analyzes the rebar processing video, calculates the cutting and bending points of the rebar, provides the rebar injection data, and corrects the rebar from the rebar injection data based on a machine learning-based rebar movement prediction algorithm that reflects the movement of the rebar. Predicts and provides correction location information required for
따라서, 철근 사출부는 일반적으로 800mm~880mm로 철근을 직진 사출하는데, 제어부(200)에서 철근의 움직임 정보를 반영한 교정 위치 정보를 제공받아 미리 교정 위치 정보를 포함한 철근의 사출 길이, 대략 600mm 로 철근을 직진 사출할 수 있어 기존 대비 철근 손실율을 25~32% 절감할 수 있다. Therefore, the rebar injection unit generally injects the rebar in a straight line at 800mm to 880mm, and the control unit 200 receives correction position information reflecting the movement information of the rebar and injects the rebar at approximately 600mm, which is the injection length of the rebar including the pre-correction position information. Since it can be injected straight ahead, the rebar loss rate can be reduced by 25-32% compared to the existing method.
이러한 제어부(200)는 통신 모듈(미도시), 메모리(미도시), 프로세서(미도시) 및 데이터베이스(미도시)를 포함하는 컴퓨팅 장치에 구현될 수 있는데, 스마트폰이나 TV, PDA, 태블릿 PC, PC, 노트북 PC 및 기타 사용자 단말 장치 등으로 구현될 수 있다. This control unit 200 may be implemented in a computing device including a communication module (not shown), memory (not shown), processor (not shown), and database (not shown), such as a smartphone, TV, PDA, or tablet PC. , can be implemented in PCs, laptop PCs, and other user terminal devices.
제어부(200)는 사용자 단말 또는 외부 장치(관리 서버 등)와 통신망을 통해 통신하면서 철근 가공 및 교정에 필요한 데이터를 송수신할 수 있다. The control unit 200 can transmit and receive data required for rebar processing and calibration while communicating with a user terminal or external device (management server, etc.) through a communication network.
도 2는 본 발명의 일 실시예에 따른 데이터 가공 모듈의 데이터 가공 과정을 설명하는 도면이고, 도 3은 본 발명의 일 실시예에 따른 데이터 학습 모듈의 데이터 학습 과정을 설명하는 도면이며, 도 4는 본 발명의 일 실시예에 따른 데이터 예측 모듈의 데이터 예측 과정을 설명하는 도면이다. Figure 2 is a diagram explaining the data processing process of the data processing module according to an embodiment of the present invention, Figure 3 is a diagram explaining the data learning process of the data learning module according to an embodiment of the present invention, and Figure 4 is a diagram explaining the data prediction process of the data prediction module according to an embodiment of the present invention.
제어부(200)는 머신 러닝 기반의 철근 움직임 예측 알고리즘을 수행하기 위한 전체 과정을 제어하는 것으로서, 철근 움직임 예측 알고리즘은 데이터 수집 모듈(210), 데이터 가공 모듈(220), 데이터 학습 모듈(230), 데이터 예측 모듈(240)을 포함하여 이루어진다. The control unit 200 controls the entire process for performing a machine learning-based rebar movement prediction algorithm. The rebar movement prediction algorithm includes a data collection module 210, a data processing module 220, a data learning module 230, It includes a data prediction module 240.
데이터 수집 모듈(210)은 카메라부(100)로부터 철근의 사출 지점을 기준으로 철근 움직임 정보를 나타내는 철근 움직임 정보를 수집한다. 여기서, 철근 움직임 정보는 비틀림, 굴곡, 휨 등의 움직임 범위를 포함할 수 있다. The data collection module 210 collects rebar movement information representing rebar movement information based on the injection point of the rebar from the camera unit 100. Here, the rebar movement information may include movement ranges such as twisting, bending, and bending.
데이터 수집 모듈(210)은 적외선 영상인 철근 가공 영상에 Median flow의 알고리즘 등의 객체 추적 알고리즘을 적용하여 철근의 움직임 방향과 위치를 추적할 수 있고, 이렇게 추적된 철근의 움직임 방향과 위치를 포함하여 철근 움직임 정보를 추출할 수 있다. The data collection module 210 can track the movement direction and position of the rebar by applying an object tracking algorithm such as the Median flow algorithm to the rebar processing image, which is an infrared image, and includes the movement direction and position of the tracked rebar. Rebar movement information can be extracted.
Median flow의 알고리즘은 현재 영상 프레임(It)과 다음 영상 프레임(It+1)으로 구성이 되며, 두 개 이미지는 각각 경계 박스(Bt)와 바운딩 박스(Bt+1)로 구분되고, 경계 박스 내에는 점집합으로 구성된다. Bt의 점들은 Lucas-kanade 추적기에 의해 추적되며, 각 포인트는 FB 오류를 이용하여 Tracking 추적을 통해 50% 이하의 예측치는 걸러 내고, 나머지 예측은 전체 경계 상자의 위치를 추정하는데 사용된다.Median flow's algorithm consists of the current image frame (It) and the next image frame (It+1), and the two images are divided into a bounding box (Bt) and a bounding box (Bt+1), respectively, within the bounding box. is composed of a set of points. Points in Bt are tracked by a Lucas-kanade tracker, and each point is tracked using FB error to filter out predictions below 50%, and the remaining predictions are used to estimate the position of the entire bounding box.
도 2에 도시된 바와 같이, 데이터 가공 모듈(220)은 철근 움직임 정보를 분석하여 철근의 절단 및 절곡 지점을 계산한 후 계산된 철근의 절단 및 절곡 지점 이후의 데이터를 제거하여 철근 사출 데이터로 가공한다. 이렇게 가공된 철근 사출 데이터는 데이터 학습 모듈(230)에서 학습 데이터로 활용될 수 있다. As shown in Figure 2, the data processing module 220 calculates the cutting and bending point of the reinforcing bar by analyzing the reinforcing bar movement information, then removes the data after the calculated cutting and bending point of the reinforcing bar and processes it into reinforcing bar injection data. do. The rebar injection data processed in this way can be used as learning data in the data learning module 230.
이때, 데이터 가공 모듈(220)은 릿지(Ridge) 기반의 10차 다항 회귀(Polynomial Regression) 모델을 이용하여 2차 미분 결과를 통해 철근의 절단 및 절곡 지점을 계산한다.At this time, the data processing module 220 uses a ridge-based 10th order polynomial regression model to calculate the cutting and bending points of the reinforcing bar through second-order differentiation results.
수학식 1은 n(n=10)개의 독립 변수 x와 m개의 데이터(x, y)에 대한 다항 회귀 모델을 정의한 것이고, 수학식 2는 다항 회귀 모델에서 가중치들의 제곱함을 최소화하는 것을 제약 조건으로 하는 비용 함수이다. 그리고, 수학식 4는 10차원 다항 회귀 모델의 2차 미분 결과를 계산하여 철근의 절단 및 절곡 지점을 판단하는 계산식이다. Equation 1 defines a polynomial regression model for n (n=10) independent variables x and m data (x, y), and Equation 2 is a constraint that minimizes the square of the weights in the polynomial regression model. is the cost function. In addition, Equation 4 is a calculation formula that determines the cutting and bending points of the rebar by calculating the second-order differential result of the 10-dimensional polynomial regression model.
[수학식 1][Equation 1]
수학식 1에서 y는 예측값(또는 철근의 움직임을 나타내는 값)이고, x는 특성 벡터이며, β는 편향 β0와 β1에서β10 까지의 특성 가중치를 포함하는 10차 다항 회귀 모델의 파라미터 벡터이다. 이러한 수학식 1은 철근의 떨림 진동 등 예상치 못한 미세한 움직임을 모델링하기 위한 10차 다항식으로 이루어진다. In Equation 1, y is the predicted value (or value representing the movement of the rebar), x is the feature vector, and β is the parameter vector of the 10th order polynomial regression model including bias β 0 and feature weights from β 1 to β 10 . am. Equation 1 consists of a 10th-order polynomial to model unexpected, minute movements such as vibration and shaking of rebar.
[수학식 2][Equation 2]
수학식 2는 릿지 회귀함수를 정의한 것이고, 페널티 합(
수학식 2에 λ=1을 적용하여 정리하면 하기 수학식 3과 같이 나타낼 수 있다. y를 2차 미분하여 최초 기울기 변화값을 기준으로 기울기의 변화값이 5%(0.05)를 초과할 때, 철근의 움직임이 급격하게 변화하므로, 이 지점이 철근의 절단 또는 절곡 지점으로 판단할 수 있다. 따라서, 수학식 4는 철근의 절단 또는 절곡 지점이 발생한 t를 찾기 위한 계산식이다. By applying λ=1 to Equation 2, it can be expressed as Equation 3 below. When the change in slope exceeds 5% (0.05) based on the initial slope change value by second differentiation of y, the movement of the rebar changes rapidly, so this point can be judged as a cutting or bending point of the rebar. there is. Therefore, Equation 4 is a calculation formula for finding t where the cutting or bending point of the reinforcing bar occurs.
[수학식 3][Equation 3]
[수학식 4][Equation 4]
여기서, 이다. here, am.
도 3에 도시된 바와 같이, 데이터 학습 모듈(230)은 학습 데이터를 이용하여 철근 움직임 특징을 학습하여 2차원 다항 회귀 모델을 생성 및 학습한다. 데이터 학습 모듈(230)은 데이터 확장(Data Augmentation), 전이 학습(Transfer learning), 퓨샷 러닝(few-shot learning) 등의 딥러닝 기술을 이용하여 소량의 학습 데이터로 학습하여 높은 정확도를 제공할 수 있다. As shown in FIG. 3, the data learning module 230 creates and learns a two-dimensional polynomial regression model by learning rebar movement characteristics using training data. The data learning module 230 can provide high accuracy by learning with a small amount of learning data using deep learning technologies such as data augmentation, transfer learning, and few-shot learning. there is.
철근 움직임 특징은 사출 지점으로부터 멀어질수록 급격한 변화(예를 들어, 사출 지점으로부터 400mm 정도)를 보이며, 중간에 철근의 움직임이 다른 방향으로 바뀌지 않는 철근 생산 고유 특성을 이용하여, 데이터 학습 모듈(230)은 하기한 수학식 5로 정의되는 2차원 다항 회귀 모델을 생성할 수 있다. The reinforcing bar movement characteristics show rapid changes as the distance from the injection point increases (for example, about 400 mm from the injection point), and the data learning module (230 ) can generate a two-dimensional polynomial regression model defined by Equation 5 below.
[수학식 5][Equation 5]
철근이 사출될 때, 철근이 똑바로 나오지 않을 경우에, 잘못 설정된 롤러값이 후방에 위치한 철근에도 영향을 미치게 되어, 사출 길이가 길수록 더 급격하게 동일한 방향으로 꺾임 등의 변화가 발생하게 된다. 이때, 수학식 5를 이용하여 롤러를 기준으로 철근의 끝점의 움직임을 2차 다항식으로 모델링할 수 있다. When the reinforcing bar is injected, if the reinforcing bar does not come out straight, the incorrectly set roller value will also affect the reinforcing bar located at the rear, causing changes such as bending in the same direction more sharply as the injection length is longer. At this time, the movement of the end point of the reinforcing bar based on the roller can be modeled as a second-order polynomial using Equation 5.
도 4에 도시된 바와 같이, 데이터 예측 모듈(240)은 새로운 철근 사출 데이터가 입력되면 다항 회귀 모델에 기반하여 교정 위치 정보를 예측하는데, 교정 위치 정보를 800mm~880mm 범위 내에서의 철근 위치값으로 설정할 수 있다. As shown in FIG. 4, when new reinforcing bar injection data is input, the data prediction module 240 predicts the corrected position information based on a polynomial regression model, converting the corrected position information into rebar position values within the range of 800 mm to 880 mm. You can set it.
상술한 모듈들은 본 발명을 설명하기 위한 일 실시예일 뿐, 이에 한정되지 않고 다양한 변형으로 구현될 수 있다. 또한, 상술한 모듈들은 제어부(200)의 프로세서에 의해 제어될 수 있는 컴퓨터로 판독 가능한 기록매체로서 메모리에 저장된다. 또한, 알고리즘의 적어도 일부는 소프트웨어, 펌웨어, 하드웨어 또는 이들 중 적어도 둘 이상의 조합으로 구현될 수 있으며, 하나 이상의 기능을 수행하기 위한 모듈, 프로그램, 루틴, 명령어 세트 또는 프로세스를 포함할 수 있다.The modules described above are only an example for explaining the present invention, and are not limited thereto and may be implemented in various modifications. In addition, the above-described modules are stored in memory as a computer-readable recording medium that can be controlled by the processor of the control unit 200. Additionally, at least a portion of the algorithm may be implemented in software, firmware, hardware, or a combination of at least two or more thereof, and may include a module, program, routine, instruction set, or process for performing one or more functions.
도 5는 본 발명의 일 실시예에 따른 철근 가공 공정에서의 머신 러닝 기반의 철근 자동 교정 방법을 설명하는 순서도이다. Figure 5 is a flowchart illustrating a machine learning-based automatic rebar correction method in a rebar processing process according to an embodiment of the present invention.
도 5를 참조하면, 철근 가공 공정에서의 머신 러닝 기반의 철근 자동 교정 방법은, 철근 사출부로부터 일정한 이격 거리에 배치된 카메라부(100)로부터 철근 가공 영상을 제공받아 저장하고, 철근 가공 영상으부터 철근의 사출 지점을 기준으로 철근의 움직임 변화를 나타내는 철근 움직임 정보를 수집한다(S10). Referring to FIG. 5, the machine learning-based rebar automatic correction method in the rebar processing process receives and stores the rebar processing image from the camera unit 100 arranged at a certain distance from the rebar injection unit, and converts the rebar processing image into a rebar processing image. From then on, rebar movement information indicating changes in the movement of the rebar is collected based on the injection point of the rebar (S10).
제어부(200)는 철근 움직임 정보에서 철근의 절단 및 절곡 지점을 10차원 다항 회귀 모델을 이용하여 계산하고, 철근의 절단 및 절곡 지점을 제거하여 철근 직진 사출에 대한 철근 사출 데이터를 가공한다(S20). The control unit 200 calculates the cutting and bending points of the reinforcing bars from the reinforcing bar movement information using a 10-dimensional polynomial regression model, removes the cutting and bending points of the reinforcing bars, and processes the reinforcing bar injection data for straight reinforcing injection (S20). .
제어부(200)는 철근 사출 데이터를 학습 데이터로 하여 철근 움직임 특성이 반영된 2차원 다항 회귀 모델을 학습한다.The control unit 200 uses the reinforcing bar injection data as learning data to learn a two-dimensional polynomial regression model that reflects the reinforcing bar movement characteristics.
이후, 제어부(200)는 새로운 철근 사출 데이터가 입력되면 다항 회귀 모델을 이용하여 철근 교정을 위해 필요한 800mm~880mm의 철근 위치값이 포함된 교정 위치 정보를 예측하여 제공한다. Afterwards, when new reinforcing bar injection data is input, the control unit 200 uses a polynomial regression model to predict and provide correction position information including reinforcing bar position values of 800 mm to 880 mm required for reinforcing bar correction.
한편, 도 5의 단계 S10 내지 S40은 본 발명의 구현예에 따라서 추가적인 단계들로 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계간의 순서가 변경될 수도 있다.Meanwhile, steps S10 to S40 of FIG. 5 may be divided into additional steps or combined into fewer steps depending on the implementation of the present invention. Additionally, some steps may be omitted or the order between steps may be changed as needed.
종래에는 철근 교정을 위해서 800mm~880mm로 철근을 사출해야 하지만 본 발명에서는 기존 사용하고 있는 길이의 25~32%를 절감한 600mm로 철근을 사출하여 철근을 교정할 수 있는 예측값(교정 위치 정보)을 도출할 수 있다. 또한, 본 발명은 철근 교정 작업을 위한 생산 중단 없이 600mm 이상의 철근의 움직임 정보를 줄 수 있는 형상에서 철근이 절곡되는 지점과 절단되는 지점을 분석하여 철근 교정 위치를 예측을 위한 정확한 데이터를 제공할 수 있다. Conventionally, for reinforcing bar correction, reinforcing bars must be injected at 800 mm to 880 mm, but in the present invention, the reinforcing bars are injected at 600 mm, which is a reduction of 25 to 32% of the existing length, to provide a predicted value (correction position information) that can correct the reinforcing bars. It can be derived. In addition, the present invention can provide accurate data for predicting the position of reinforcing bar correction by analyzing the bending and cutting points of the reinforcing bar in a shape that can provide movement information of reinforcing bars of 600 mm or more without stopping production for reinforcing bar correction work. there is.
이상에서 설명한 본 발명의 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 이러한 기록 매체는 컴퓨터 판독 가능 매체를 포함하며, 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함하며, 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.The embodiments of the present invention described above can also be implemented in the form of a recording medium containing instructions executable by a computer, such as program modules executed by a computer. Such recording media includes computer-readable media, which can be any available media that can be accessed by a computer and includes both volatile and non-volatile media, removable and non-removable media. Computer-readable media also includes computer storage media, both volatile and non-volatile implemented in any method or technology for storage of information such as computer-readable instructions, data structures, program modules, or other data. , includes both removable and non-removable media.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.The description of the present invention described above is for illustrative purposes, and those skilled in the art will understand that the present invention can be easily modified into other specific forms without changing the technical idea or essential features of the present invention. will be. Therefore, the embodiments described above should be understood in all respects as illustrative and not restrictive. For example, each component described as unitary may be implemented in a distributed manner, and similarly, components described as distributed may also be implemented in a combined form.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is indicated by the claims described below rather than the detailed description above, and all changes or modified forms derived from the meaning and scope of the claims and their equivalent concepts should be construed as being included in the scope of the present invention. do.
100 : 카메라부
200 : 제어부
210 : 데이터 수집 모듈
220 : 데이터 가공 모듈
230 : 데이터 학습 모듈
240 : 데이터 예측 모듈100: camera unit
200: control unit
210: data collection module
220: data processing module
230: Data learning module
240: Data prediction module
Claims (7)
상기 철근 사출부의 사출 지점으로부터 기 설정된 이격 거리에 위치하여, 실시간 철근 움직임 정보가 포함된 철근 가공 영상을 촬영하여 제공하는 카메라부; 및
상기 카메라부로부터 철근 움직임 정보를 수집하는 데이터 수집 모듈과,
상기 철근 움직임 정보를 분석하여 철근의 절단 및 절곡 지점을 계산한 후 계산된 철근의 절단 및 절곡 지점의 데이터를 제거하여 철근 사출 데이터로 가공하는 데이터 가공 모듈과,
다항 회귀 모델을 생성 및 학습하는 데이터 학습 모듈 및
새로운 철근 사출 데이터가 입력되면 상기 다항 회귀 모델에 기반하여 교정 위치 정보를 예측하는 데이터 예측 모듈로 구성되는 제어부를 포함하되,
상기 머신 러닝 기반의 철근 움직임 예측 알고리즘은,
상기 철근의 사출 지점을 기준으로 철근의 움직임 변화를 나타내는 철근 사출 데이터를 학습 데이터로 수집하고, 상기 수집된 학습 데이터를 이용하여 철근 움직임 특징을 학습하여 다항 회귀 모델을 생성하고, 상기 다항 회귀 모델에 철근 사출 데이터를 입력하여 교정 위치 정보를 예측하는 것인, 철근 가공 공정에서의 머신 러닝 기반의 철근 자동 교정 시스템.
A rebar injection unit that bends the rebar before processing to a preset length and injects it straight ahead;
A camera unit located at a preset distance from the injection point of the rebar injection unit, to capture and provide a rebar processing image containing real-time rebar movement information; and
A data collection module that collects rebar movement information from the camera unit,
A data processing module that analyzes the reinforcing bar movement information, calculates the cutting and bending points of the reinforcing bars, and then removes the calculated data of the cutting and bending points of the reinforcing bars and processes them into reinforcing bar injection data;
A data learning module that creates and trains a polynomial regression model, and
A control unit consisting of a data prediction module that predicts correction position information based on the polynomial regression model when new rebar injection data is input,
The machine learning-based rebar movement prediction algorithm is,
Rebar injection data indicating changes in the movement of the rebar based on the injection point of the rebar are collected as learning data, and the collected learning data is used to learn rebar movement characteristics to create a polynomial regression model, and to the polynomial regression model. A machine learning-based automatic rebar correction system in the rebar processing process that predicts correction position information by inputting rebar injection data.
상기 데이터 가공 모듈은,
릿지(Ridge) 기반의 다항 회귀(Polynomial Regression) 모델을 이용하여 2차 미분 결과를 통해 철근의 절단 및 절곡 지점을 계산하는 것인, 철근 가공 공정에서의 머신 러닝 기반의 철근 자동 교정 시스템.According to paragraph 1,
The data processing module is,
A machine learning-based rebar automatic correction system in the rebar processing process that calculates the cutting and bending points of rebar through second-order differential results using a ridge-based polynomial regression model.
상기 데이터 예측 모듈은,
상기 교정 위치 정보를 800mm~880mm 범위 내에서의 철근 위치값으로 설정하는 것인, 철근 가공 공정에서의 머신 러닝 기반의 철근 자동 교정 시스템.According to paragraph 1,
The data prediction module is,
A machine learning-based rebar automatic correction system in the rebar processing process, which sets the correction position information to a rebar position value within the range of 800mm to 880mm.
a) 철근 사출부로부터 기설정된 이격 거리에 배치된 카메라부로부터 철근 가공 영상을 수신하여, 상기 철근 가공 영상으로부터 철근의 사출 지점을 기준으로 철근의 움직임 변화를 나타내는 철근 움직임 정보를 수집하는 단계;
b) 상기 철근 움직임 정보에서 철근의 절단 및 절곡 지점을 다항 회귀 분석을 통해 계산하고, 상기 철근의 절단 및 절곡 지점을 제거하여 철근 직진 사출에 대한 철근 사출 데이터를 가공하는 단계;
c) 상기 철근 사출 데이터를 학습 데이터로 하여 철근 움직임 특성이 반영된 다항 회귀 모델을 학습하는 단계; 및
d) 상기 학습된 다항 회귀 모델에 철근 사출 데이터를 입력하여 철근 교정을 위해 필요한 교정 위치 정보를 예측하는 단계를 포함하되,
상기 b) 단계는,
릿지(Ridge) 기반의 다항 회귀(Polynomial Regression) 모델을 이용하여 2차 미분 결과를 통해 철근의 절단 및 절곡 지점을 계산하는 것인, 철근 가공 공정에서의 머신 러닝 기반의 철근 자동 교정 방법.In the rebar automatic correction method performed by a control unit that controls the image recognition-based rebar processing process,
a) receiving a rebar processing image from a camera unit disposed at a preset distance from the rebar injection unit, and collecting rebar movement information indicating a change in movement of the rebar based on the injection point of the rebar from the rebar processing image;
b) calculating the cutting and bending points of the reinforcing bars from the reinforcing bar movement information through polynomial regression analysis, and processing reinforcing bar injection data for straight reinforcing injection by removing the cutting and bending points of the reinforcing bars;
c) learning a polynomial regression model reflecting reinforcing bar movement characteristics using the reinforcing bar injection data as learning data; and
d) Including the step of predicting correction position information required for reinforcing bar correction by inputting reinforcing bar injection data into the learned polynomial regression model,
In step b),
A machine learning-based rebar automatic correction method in the rebar processing process that calculates the cutting and bending points of rebar through second-order differential results using a ridge-based polynomial regression model.
상기 d) 단계는,
상기 교정 위치 정보를 800mm~880mm 범위 내에서의 철근 위치값으로 설정하는 것인, 철근 가공 공정에서의 머신 러닝 기반의 철근 자동 교정 방법.According to clause 5,
In step d),
A machine learning-based automatic correction method for reinforcing bars in a reinforcing bar processing process, wherein the calibration position information is set to a reinforcing bar position value within the range of 800 mm to 880 mm.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210166879A KR102622748B1 (en) | 2021-11-29 | 2021-11-29 | System for automatic rebar correction based on machine learning in rebar machining process and method thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210166879A KR102622748B1 (en) | 2021-11-29 | 2021-11-29 | System for automatic rebar correction based on machine learning in rebar machining process and method thereof |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230079770A KR20230079770A (en) | 2023-06-07 |
| KR102622748B1 true KR102622748B1 (en) | 2024-01-08 |
Family
ID=86761115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210166879A KR102622748B1 (en) | 2021-11-29 | 2021-11-29 | System for automatic rebar correction based on machine learning in rebar machining process and method thereof |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102622748B1 (en) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268662A (en) | 2014-10-14 | 2015-01-07 | 河海大学 | Settlement prediction method based on step-by-step optimization quantile regression |
| KR101938828B1 (en) | 2017-03-10 | 2019-01-16 | 대한네트웍스 주식회사 | Method and apparatus for controlling steel bar straightener |
| KR102028002B1 (en) | 2018-09-10 | 2019-10-04 | 대한네트웍스 주식회사 | Method and apparatus for controlling steel bar straightener |
| CN112133373A (en) | 2020-09-14 | 2020-12-25 | 北京理工大学 | Titanium alloy constitutive relation prediction method based on machine learning |
| KR102321164B1 (en) * | 2020-11-20 | 2021-11-03 | 동아대학교 산학협력단 | System for Machined Rebar Calibration and Method thereof |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102361210B1 (en) * | 2019-12-24 | 2022-02-11 | 한국전력공사 | Bending correction appartus and method using high frequency induction heat |
-
2021
- 2021-11-29 KR KR1020210166879A patent/KR102622748B1/en active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268662A (en) | 2014-10-14 | 2015-01-07 | 河海大学 | Settlement prediction method based on step-by-step optimization quantile regression |
| KR101938828B1 (en) | 2017-03-10 | 2019-01-16 | 대한네트웍스 주식회사 | Method and apparatus for controlling steel bar straightener |
| KR102028002B1 (en) | 2018-09-10 | 2019-10-04 | 대한네트웍스 주식회사 | Method and apparatus for controlling steel bar straightener |
| CN112133373A (en) | 2020-09-14 | 2020-12-25 | 北京理工大学 | Titanium alloy constitutive relation prediction method based on machine learning |
| KR102321164B1 (en) * | 2020-11-20 | 2021-11-03 | 동아대학교 산학협력단 | System for Machined Rebar Calibration and Method thereof |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230079770A (en) | 2023-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6163526B2 (en) | How to perform an online process run analysis of a batch process | |
| JP6626970B2 (en) | Server device, image processing system, and image processing method | |
| CN111612412A (en) | Intelligent processing method device and system for reinforcing steel bar | |
| US7149589B2 (en) | Method of adjusting a process control device, adjustment tool therefor and process control device thereof | |
| KR102622748B1 (en) | System for automatic rebar correction based on machine learning in rebar machining process and method thereof | |
| KR102321164B1 (en) | System for Machined Rebar Calibration and Method thereof | |
| Leue et al. | Synthesizing software architecture descriptions from Message Sequence Chart specifications | |
| CN104915216A (en) | System and method for converting data from PDMS software to MIDAS software | |
| CN111475877A (en) | Method, device and terminal for measuring and calculating space clear height based on BIM technology | |
| KR102260173B1 (en) | Welding method of dh-beam | |
| CN102724506A (en) | JPEG (joint photographic experts group)_LS (laser system) general coding hardware implementation method | |
| Klimant et al. | Augmented reality solutions in mechanical engineering | |
| CN116679621A (en) | Multi-axis synchronous motion control system and control method thereof | |
| CN115781082B (en) | Automatic standard knot welding method, system, device and storage medium | |
| CN116765427A (en) | Real-time prediction method for size of molten pool in selective laser melting process | |
| CN116167935A (en) | Repairing method, device, equipment and medium for two-dimensional code | |
| CN113657925A (en) | Civil engineering cost management method based on artificial intelligence | |
| Antti et al. | Digitalization in the carbon area as a means to improve productivity | |
| CN106610588B (en) | A kind of tandem Predictive Control System and method | |
| JP6277848B2 (en) | Display device, monitoring system, display method, and display program | |
| Chen et al. | Service oriented digital twin for additive manufacturing process | |
| CN117428183B (en) | Slagging-off control method, system, equipment and medium based on image recognition | |
| CN109188904B (en) | Online training field control method based on machine learning | |
| Hammer et al. | Interim Conclusion: Scope of Work | |
| Biehler et al. | RETROFIT: Real-Time Control of Time-Dependent 3D Point Cloud Profiles |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |