KR102663746B1 - 텐던 손상진단을 위한 인공지능 진단모델의 학습방법과 학습시스템, 그리고 이를 위한 추가 학습데이터의 형성시스템 및 형성방법 - Google Patents
텐던 손상진단을 위한 인공지능 진단모델의 학습방법과 학습시스템, 그리고 이를 위한 추가 학습데이터의 형성시스템 및 형성방법 Download PDFInfo
- Publication number
- KR102663746B1 KR102663746B1 KR1020230151575A KR20230151575A KR102663746B1 KR 102663746 B1 KR102663746 B1 KR 102663746B1 KR 1020230151575 A KR1020230151575 A KR 1020230151575A KR 20230151575 A KR20230151575 A KR 20230151575A KR 102663746 B1 KR102663746 B1 KR 102663746B1
- Authority
- KR
- South Korea
- Prior art keywords
- learning data
- damage
- cross
- tendon
- specimen
- Prior art date
Links
- 210000002435 tendon Anatomy 0.000 title claims abstract description 231
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 69
- 238000003745 diagnosis Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 title description 5
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 238000005259 measurement Methods 0.000 claims description 29
- 230000015572 biosynthetic process Effects 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 14
- 239000000284 extract Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003362 replicative effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Electrochemistry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
본 발명은 텐던 또는 텐던을 모사한 실험체로부터 취득된 원본 학습데이터를 기반으로 다양한 형태의 추가적인 학습데이터를 더 형성하여 생산하되, 단면 손상위치와 손상개수가 상이한 것에 더하여 단면 손상비율과 단면 손상위치, 그리고 단면 손상길이가 다양한 형태로 변화된 많은 종류의 상이한 새로운 추가 학습데이터를 다량으로 생성할 수 있게 되어, 인공지능 진단모델에 의해 신뢰성 있는 텐던 손상 진단 결과를 도출할 수 있도록 인공지능 진단모델을 학습시킬 수 있는, 인공지능 진단모델의 학습에 사용하게 될 추가 학습데이터를 형성하기 위한 시스템과 방법, 그리고 이를 이용하여 텐던의 손상진단을 위한 인공지능 진단모델을 학습시키는 시스템과 방법에 관한 것이다.
Description
본 발명은 마그네틱 텐던진단장치를 이용하여 텐던의 손상을 진단하기 위하여 인공지능 진단모델을 이용함에 있어서, 인공지능 진단모델의 학습에 사용하게 될 추가 학습데이터를 형성하기 위한 시스템과 방법, 그리고 이를 이용하여 텐던의 손상진단을 위한 인공지능 진단모델을 학습시키는 시스템과 방법에 관한 것이다.
구체적으로 본 발명은 유도전압 측정에 기반한 마그네틱 텐던진단장치를 이용하여 측정된 데이터를 기반으로 딥러닝 방식의 인공지능(Artificial Intelligence / AI) 진단모델을 이용하여 텐던의 손상 여부를 진단함에 있어서, 텐던으로부터 취득되거나 또는 텐던을 모사한 실험체로부터 취득된 원본 학습데이터를 기반으로 다양한 형태의 추가적인 학습데이터를 더 형성하여 생산함으로써, 원본 학습데이터의 수(數)가 충분하지 않더라도, 인공지능 진단모델에 의해 신뢰성 있는 텐던 손상 진단 결과를 도출할 수 있도록 인공지능 진단모델을 학습시킬 수 있는 기술에 관한 것이다. 본 명세서에서는 유도전압 측정에 기반한 마그네틱 텐던진단장치를 이용하여 텐던으로부터 측정된 데이터를 기반으로 딥러닝 방식을 이용하여 텐던의 손상 여부를 진단하는 인공지능 진단모델을 편의상 "인공지능 진단모델"이라고 약칭한다.
사장교, 현수교 등과 같은 케이블 교량에 설치된 케이블을 이루거나 또는 기타 다른 형식의 교량이나 거더에 긴장력을 도입하기 위한 텐던(tendon/강재 긴장재)의 부식, 단면 손실 등의 손상 여부를 파악하기 위한 기술로서, 대한민국 등록특허 제10-2178721호를 통해서는 유도전압 측정을 이용한 텐던의 손상 탐지 기술에 제안되어 있으며, 대한민국 등록특허 제10-2275062호, 제10-2292726호, 제10-2312616호 등을 통해서는 이러한 기술에 기반한 구체적인 텐던진단장치가 제안되어 있다. 해외의 관련 기술로는 PCT/KR2022/009276 (WO2023/277554 A1), 일본 공개특허 특개2020-183897호의 기술 등이 있다. 청구범위를 포함하는 본 명세서에서 "텐던"은 사장교, 현수교 등과 같은 케이블 교량에 설치된 케이블을 이루는 텐던뿐만 아니라, 기타 다른 형식의 교량이나 거더에 구비되어 긴장력이 도입되는 텐던을 모두 포함하는 의미로 이해되어야 하는데, 필요에 따라서는 케이블 교량에 설치된 케이블에 대해서는 텐던이라는 용어 대신에 "케이블"이라는 용어를 사용할 수도 있다.
한편 본 명세서에서 "손상"은 텐던의 부식, 불량, 절단 등의 다양한 이상 상태를 모두 포함하는 의미로 이해되어야 하며, 그리고 본 발명이 적용되는 마그네틱 텐던진단장치는 대한민국 등록특허 제10-2275062호, 제10-2292726호 및 제10-2312616호에서 제안하고 있는 텐던진단장치 내지 이와 동일한 측정원리를 가지는 장치를 의미하는 것으로 이해되어야 하는 바, 간단히 "텐던진단장치"라고 약칭한다. 상기한 텐던진단장치에서는, 텐던 시편을 따라 이동하면서 측정점마다 자기장의 변화에 따른 유도전압을 측정하고, 유도전압 측정값을 단차 형태의 그래프로 표현할 수 있는 수학적 함수를 도출하여, "텐던의 유도전압 이론값"과 "텐던의 유도전압 실제 측정값"을 대비하고, 이를 토대로 텐던의 손상 발생 여부, 손상 정도 및 손상 발생 위치를 파악하는 방식을 이용하고 있고 이와 같은 진단 방식은 매우 유용한 진단 결과를 제시한다.
취득된 데이터에 대하여 딥러닝 방식의 인공지능을 활용하여 원하는 판단 결과를 도출하는 기술로서 대한민국 등록특허 제10-2241879호 등이 존재하는 바, 텐던의 손상진단에도 이러한 학습된 인공지능 진단모델을 활용할 수가 있다. 인공지능 진단모델을 활용하여 텐던의 손상여부에 대한 신뢰성 있는 진단 결과를 도출하려면, 인공지능 진단모델이 충분한 량의 학습데이터에 의해 학습되어야 하는데 비용이나 시간적인 제약, 현장 상황에 따른 제약 등으로 인하여 실제 텐던에 텐던진단장치를 실제로 설치하여 원본 데이터를 취득할 수 있는 경우의 수(數)에는 한계가 있다.
이러한 문제점을 해결하기 위한 매우 유용한 수단으로서 대한민국 등록특허 제10-2501918호가 제시되어 있다. 대한민국 등록특허 제10-2501918호에서는 원본 학습데이터의 수가 불충분한 상황을 극복할 수 있는 방안으로서, 실물 텐던 또는 텐던을 모사한 실험체에 텐던진단장치를 실제로 설치하여 원본 학습데이터를 취득하고, 이렇게 취득된 원본 학습데이터로부터 새로운 추가 학습데이터를 생성하고, 원본 학습데이터와 새롭게 만들어진 추가 학습데이터 모두를 인공지능 진단모델의 학습에 이용하는 기술을 제시하고 있다. 구체적으로 위 대한민국 등록특허 제10-2501918호에 개시된 기술에서는 특정한 기지(旣知) 형태의 손상을 발생시킨 실험체에 대해 텐던진단장치를 이용한 진단을 수행하여 원본 학습데이터를 취득하고, 이렇게 취득된 원본 학습데이터에 대해 그 손상위치와 손상개수를 다양하게 조합함으로써 새로운 추가 학습데이터를 생성한다. 따라서 대한민국 등록특허 제10-2501918호를 통해서 새롭게 생성된 추가 학습데이터는, 원본 학습데이터와 손상의 형태는 동일하고 진단구간에서 손상이 존재하는 위치(손상위치)와, 손상이 존재하는 개수(손상개수)가 상이한 상태가 된다.
그런데 인공지능 진단모델을 이용한 텐던 손상여부 진단 결과의 신뢰성을 더욱 높이기 위해서는 인공지능 진단모델을 다양한 종류의 많은 수의 학습데이터로 학습시킬 필요가 있다. 따라서 인공지능 진단모델의 학습을 위하여 새롭게 만들어질 추가 학습데이터는 원본 학습데이터와 손상의 형태는 동일하고 진단구간에서 손상이 존재하는 위치(손상위치)가 상이하거나 손상이 존재하는 개수(손상개수)가 상이한 것 이외에도, 손상위치와 손상개수가 상이함은 물론이고 "손상비율(텐던이 손상된 정도/ 텐던의 단면에서 손상이 발생한 단면적의 비율)"이 상이하고 더 나아가 "손상위치(텐던의 단면에서 손상이 발행한 위치)"와 "손상길이(텐던이 연장되는 종방향으로 손상이 존재하는 길이)" 역시 상이한 새로운 추가 학습데이터를 다량으로 생성할 수 있는 방안이 필요하다.
본 발명은 위에서 설명한 종래 기술의 어려움과 문제점을 해소하기 위하여 개발된 것으로서, 마그네틱 텐던진단장치에 의해 취득된 데이터에 대하여 딥러닝 방식의 인공지능 진단모델을 활용하여 텐던의 손상여부에 대한 신뢰성 있는 진단 결과를 도출함에 있어서, 실물 텐던에 또는 텐던을 모사한 실험체에 마그네틱 텐던진단장치를 설치하여 취득할 수 있는 원본 학습데이터의 수가 불충분하여 인공지능 진단모델의 학습에 필요한 정도에 미치지 못하게 되는 한계를 극복할 수 있는 기술을 제공하는 것을 목적으로 한다.
즉, 본 발명은 실물 텐던에 또는 텐던을 모사한 실험체에 마그네틱 텐던진단장치를 실제로 설치하여 취득할 수 있는 원본 학습데이터의 수가 불충분할지라도, 새로운 추가 학습데이터를 더 생성하고, 원본 학습데이터와 추가 학습데이터를 이용하여 인공지능 진단모델을 학습시키고, 진단대상이 되는 텐던에 대하여 마그네틱 텐던진단장치를 이용하여 데이터를 취득한 후, 학습된 인공지능 진단모델을 활용하여 텐던의 손상여부에 대한 신뢰성 있는 진단 결과를 도출할 수 있게 하는 기술을 제공하는 것을 목적으로 하는 것이다.
위와 같은 과제를 달성하기 위하여 본 발명에서는, 진단대상이 되는 텐던("진단대상 텐던")과 동일한 제원을 가지는 복수개의 시편에 단면 손상비율, 단면 손상길이, 및 단면 손상위치를 각각 달리하여 미리 인위적인 손상을 발생시켜 놓은 텐던 실험체에 대해 텐던진단장치의 텐던 스캔을 통해서, <진단구간의 시점으로부터의 종방향 거리>와 <텐던 스캔 측정값>의 쌍으로 표현될 수 있는 실험체 원본 학습데이터를 취득하는 단계(단계 S1); 취득된 실험체 원본 학습데이터에서 무작위로 임의(任意)의 것을 실험체 원본 학습데이터의 총 개수 이하의 임의 개수로 추출하고, 실험체 원본 학습데이터를 추출할 때마다 학습데이터 조합을 형성하는 단계(단계 S2); 형성된 학습데이터 조합 각각에 대하여, 해당 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치는지 여부 및 해당 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상길이가 서로 동일한지 여부를 판단하는 단계(단계 S3); 및 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치지 않고 단면 손상길이도 서로 동일하지 않은 경우, 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치지 않지만 단면 손상길이는 서로 동일한 경우, 또는 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치고 단면 손상길이도 서로 동일한 경우에는 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터를 모두 합(合)하여 새로운 "추가 학습데이터"를 생성하고, 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치지만 단면 손상길이는 서로 동일하지 않은 경우에는 해당 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터를 이용하여 새로운 "추가 학습데이터"를 생성하지 않는 단계(단계 S4)를 포함하며; 상기 단계 S1 내지 단계 S4는 사용자가 사전 설정한 회수로 반복 수행하게 되는 것을 특징으로 하는 텐던 손상진단용 인공지능 진단모델의 학습을 위한 추가 학습데이터 형성방법이 제공된다.
또한 본 발명에서는 상기한 목적을 달성하기 위하여, 진단대상 텐던과 동일한 제원을 가지는 복수개의 시편에 단면 손상비율, 단면 손상길이, 및 단면 손상위치를 각각 달리하여 손상을 발생시켜 놓은 텐던 실험체에 대해 텐던진단장치의 텐던 스캔을 통해서 <진단구간의 시점으로부터의 종방향 거리>와 <텐던 스캔 측정값>의 쌍으로 표현될 수 있는 실험체 원본 학습데이터를 취득하여 수신하는 데이터 수신모듈; 데이터 수신모듈에서 수신한 실험체 원본 학습데이터에서 무작위로 임의(任意)의 것을, 실험체 원본 학습데이터의 총 개수 이하의 임의 개수로 추출하고, 실험체 원본 학습데이터를 추출할 때마다 추출된 실험체 원본 학습데이터로 학습데이터 조합을 형성하는 학습데이터 조합 형성모듈; 학습데이터 조합 형성모듈에 의해 형성된 학습데이터 조합 각각에 대하여, 해당 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치는지 여부 및 해당 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상길이가 서로 동일한지 여부를 판단하는 중복 점검모듈; 및 중복 점검모듈의 판단결과, 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치지 않고 단면 손상길이도 서로 동일하지 않은 경우, 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치지 않지만 단면 손상길이는 서로 동일한 경우, 또는 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치고 단면 손상길이도 서로 동일한 경우에는 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터를 모두 합(合)하여 새로운 "추가 학습데이터"를 생성하고, 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치지만 단면 손상길이는 서로 동일하지 않은 경우에는 해당 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터를 이용하여 새로운 "추가 학습데이터"를 생성하지 않는 추가 학습데이터 형성모듈을 포함하여 구성된 것을 특징으로 하는 텐던 손상진단용 인공지능 진단모델의 학습을 위한 추가 학습데이터 형성시스템이 제공된다.
또한 본 발명에서는 상기한 목적을 달성하기 위하여, 텐던 손상진단을 위한 인공지능 진단모델을 학습시키는 방법으로서, 상기한 본 발명에 따른 추가 학습데이터 형성방법에 의해 추가 학습데이터를 생성하고; 텐던 손상진단을 위한 인공지능 진단모델을, 생성된 추가 학습데이터를 이용하여 딥러닝에 기반하여 인공지능 학습을 시키는 것을 특징으로 하는 텐던의 손상진단을 위한 인공지능 진단모델의 학습방법이 제공된다.
더 나아가 본 발명에서는 텐던 손상진단을 위한 인공지능 진단모델을 학습시키기 위한 시스템으로서, 상기한 본 발명에 따른 추가 학습데이터 형성시스템을 포함하고 있으며, 상기한 본 발명에 따른 추가 학습데이터 형성방법에 의해 생성된 추가 학습데이터를 이용하여, 텐던 손상진단을 위한 인공지능 진단모델을 딥러닝에 기반하여 인공지능 학습을 시키는 딥러닝 학습모듈을 포함하는 특징으로 하는 텐던의 손상진단을 위한 인공지능 진단모델의 학습시스템이 제공된다.
본 발명의 추가 학습데이터 형성시스템 및 이를 이용한 추가 학습데이터 형성방법에 의하면, 실험체 원본 학습데이터를 이용하여, 단면 손상위치와 손상개수가 상이한 것에 더하여 단면 손상비율과 단면 손상위치, 그리고 단면 손상길이가 다양한 형태로 변화된 많은 종류의 상이한 새로운 추가 학습데이터를 다량으로 생성할 수 있게 된다.
따라서 텐던의 손상을 진단하기 위한 인공지능 진단모델의 학습에 본 발명을 이용하게 되면, 텐던이나 그 실험체로부터 취득되는 원본 학습데이터의 수(數)와 종류가 충분하지 않더라도, 인공지능 진단모델에 의해 신뢰성 있는 텐던 손상 진단 결과를 도출할 수 있도록 인공지능 진단모델을 학습시킬 수 있게 되며, 이렇게 학습된 인공지능 진단모델을 이용하여 텐던의 손상 여부를 진단하게 되었을 때 그 진단 결과의 신뢰성과 정확도가 더욱 높아지게 되는 장점이 발휘된다.
도 1은 본 발명에 따른 추가 학습데이터 형성시스템의 구체적인 구성을 보여주는 개략적인 블록도이다.
도 2는 본 발명에 따른 추가 학습데이터 형성방법에서 수행되는 각 단계를 보여주는 개략적인 흐름도이다.
도 3 및 도 4는 각각 단면 손상비율, 단면 손상길이 및 단면 손상위치를 달리하여 제작된 텐던 실험체의 예시를 보여주는 도면 대용 표(table)이다.
도 5 내지 도 8은 각각 단면 손상비율, 단면 손상길이 및 단면 손상위치를 달리하여 제작된 텐던 실험체에 대한 실험체 원본 학습데이터의 일예에 대한 그래프도이다.
도 9는 수학식 4로 표현된 추가 학습데이터
를 시각적으로 보여주는 그래프도이다.
도 2는 본 발명에 따른 추가 학습데이터 형성방법에서 수행되는 각 단계를 보여주는 개략적인 흐름도이다.
도 3 및 도 4는 각각 단면 손상비율, 단면 손상길이 및 단면 손상위치를 달리하여 제작된 텐던 실험체의 예시를 보여주는 도면 대용 표(table)이다.
도 5 내지 도 8은 각각 단면 손상비율, 단면 손상길이 및 단면 손상위치를 달리하여 제작된 텐던 실험체에 대한 실험체 원본 학습데이터의 일예에 대한 그래프도이다.
도 9는 수학식 4로 표현된 추가 학습데이터
이하, 본 발명의 바람직한 실시예를 첨부한 도면을 참조하여 설명한다. 본 발명은 도면의 실시예를 참고로 설명되었으나 이는 하나의 실시예로서 설명되는 것이며, 이것에 의해 본 발명의 기술적 사상과 그 핵심 구성 및 작용이 제한되지 않는다.
본 명세서에서는 편의상 손상여부를 파악할 대상이 되는 교량의 텐던과, 이러한 텐던을 모사한 실험체의 모두를 통칭하여 "진단대상 텐던"이라고 기재한다. 그리고 본 발명에 따라 텐던의 손상진단을 위한 인공지능 진단모델을 학습시키는데 사용될 추가 학습데이터를 형성하는 시스템과 방법을 각각 "추가 학습데이터 형성시스템"과 "추가 학습데이터 형성 방법"이라고 기재한다.
도 1에는 본 발명에 따른 추가 학습데이터 형성시스템(100)의 구체적인 구성을 보여주는 개략적인 블록도가 도시되어 있고, 도 2에는 본 발명에 따른 추가 학습데이터 형성방법에서 수행되는 각 단계를 보여주는 개략적인 흐름도가 도시되어 있다.
구체적으로 본 발명에 따른 추가 학습데이터 형성시스템(100)은, 실험체 원본 학습데이터를 수신하는 데이터 수신모듈(1), 실험체 원본 학습데이터로부터의 무작위 추출에 의한 학습데이터 조합의 형성 작업을 수행하는 학습데이터 조합 형성모듈(2), 각각의 학습데이터 조합을 이루는 실험체 원본 학습데이터 간의 단면 손상위치 중복여부와 단면 손상길이 동일여부를 판단하는 중복 점검모듈(3), 및 각각의 학습데이터 조합을 이루는 실험체 원본 학습데이터를 모두 합하여 추가 학습데이터를 생성하는 추가 학습데이터 생성모듈(4)을 포함하여 구성된다,
그리고 본 발명에 따른 추가 학습데이터 형성 방법은 위의 본 발명에 따른 추가 학습데이터 형성시스템(100)을 이용하면서 아래의 구체적인 방법 단계를 순차적으로 포함하는 구성을 가진다.
1) 텐던진단장치를 이용하여 텐던 실험체로부터 취득한 원본 학습데이터를 취득하는 단계(단계 S1)
본 발명에 따라 텐던의 손상진단을 위한 인공지능 진단모델을 학습시키는데 사용될 추가 학습데이터를 형성하기 위해서는 사전 준비단계로서, 우선 손상 여부를 진단할 대상이 되는 텐던("진단대상 텐던")과 동일한 제원을 가지고 있는 복수개의 시편을 준비하고, 준비된 시편에 기지(旣知)의 손상을 미리 발생시킨다. 이렇게 기지의 손상이 발생된 시편을 "텐던 실험체"라고 기재한다. 텐던 실험체를 제작할 때, 복수개의 시편에 대해 각각의 시편마다 손상의 형태를 달리하여 형성하게 되고, 이를 통해서 다양한 기지의 손상 형태를 가지는 텐던 실험체를 제작한다.
구체적으로 텐던 실험체를 제작할 때에 아래 (a) 내지 (c)의 항목을 각각 달리한 손상을 시편에 미리 발생시킨다.
(a) 단면 손상비율;
(b) 단면 손상길이; 및
(c) 단면 손상위치.
여기서 "단면 손상비율"은 텐던이 길게 연장되는 방향(종방향)으로의 텐던 단면적에서 손상이 발생한 면적의 비율을 의미하며, "단면 손상길이"는 텐던에서 종방향으로 손상이 길게 연장된 길이를 의미한다. "단면 손상위치"는 텐던에 손상이 존재하는 위치를 의미하는데, 텐던 시편의 일측단에서부터 종방향으로 손상의 중심까지의 거리로서 단면 손상위치를 나타낼 수 있다.
단면 손상비율, 단면 손상길이 및 단면 손상위치 각각에 대하여 사전에 미리 복수개의 수치를 정해두고, 진단대상 텐던과 동일한 제원(재질, 꼬여 있는 소선의 수 등의 형상 및 물리적 특징이 동일함)을 가지고 있는 복수개의 시편에 대하여 단면 손상비율, 단면 손상길이 및 단면 손상위치 각각을 다양한 정도로 미리 정해놓은 수치에 맞춰서 손상을 형성하므로써, 기지(旣知)의 단면 손상비율, 단면 손상길이 및 단면 손상위치를 가지는 다양한 종류의 텐던 실험체를 미리 제작해두는 것이다.
도 3 및 도 4에는 각각 다양한 텐던 실험체를 제작하기 위하여 단면 손상비율, 단면 손상길이 및 단면 손상위치를 달리하는 사례를 보여주는 표가 도시되어 있다. 도 3 및 도 4의 표에 예시(例示)된 텐던 실험체는 모두 진단대상 텐던과 동일한 종방향 단면 크기와 형상, 그리고 종방향 길이를 가지는 시편으로 제작된 것이다. 도 3의 표에 예시된 텐던 실험체는 모두 시편에 형성된 손상의 종방향 길이 즉, 단면 손상길이가 40㎜인 것이고, 도 4의 표에 예시된 텐던 실험체는 모두 시편의 단면 손상길이가 20㎜인 것이다. 단면 손상길이가 40㎜이면서 단면 손상비율이 각각 5%와 13%를 가지며 각각 좌(左), 중(中), 우(右)의 3개의 단면 손상위치를 가지는 텐던 실험체가 도 3의 표에 정리되어 있으며, 단면 손상길이가 20㎜이면서 단면 손상비율이 각각 5%와 13%를 가지고 있고, 각각 좌(左), 중(中), 우(右)의 3개의 단면 손상위치를 가지는 텐던 실험체가 도 4의 표에 정리되어 있다. 여기서 좌(左), 중(中), 우(右)는 시편을 횡방향의 정면에서 바라보았을 때 3개의 이미 알고 있는 3개의 위치를 명명한 것이다. 따라서 도 3에 정리된 텐던 실험체에 대해 <좌>라고 표현한 위치와 도 4에 정리된 텐던 실험체에 대해 <좌>라고 표현한 위치는 동일한 위치를 나타낸다. 그리고 <중> 및 <우>라고 표현한 위치 역시 이와 동일하다. 도 3 및 도 4의 표에서 영어 대문자 S는 "시편(specimen)"을 나타내고, S의 아래 첨자로서, 5와 13으로 구분되어 기재된 것은 단면 손상비율 5%와 13%를 각각 의미한다. S의 또 다른 아래 첨자로서 20과 40으로 구분되어 기재된 것은 단면 손상길이 20㎜와 40㎜를 각각 의미하며, 이에 후속하여 기재된 아래 첨자 1, 2 및 3은 각각 단면 손상위치로서 제1위치(위의 예시에서는 左), 제2위치(위의 예시에서는 中), 제3위치(위의 예시에서는 右)를 의미한다. 따라서 예를 들어 
로 기재된 것은 단면 손상비율이 13%이고 단면 손상길이 40㎜인 것으로서 단면 손상위치가 "좌(左)"인 것을 의미하고, 
로 기재된 것은 단면 손상비율이 13%이고 단면 손상길이 40㎜인 것으로서 단면 손상위치가 "중(中)"인 것을 의미하며, 
로 기재된 것은 단면 손상비율이 13%이고 단면 손상길이 40㎜인 것으로서 단면 손상위치가 "우(右)"인 세 번째 것을 의미한다. 도 3 및 도 4의 표에 정리되고 위에서 설명한 텐던 실험체는 실제 본 발명자들이 발명의 검증을 위하여 사용하였던 것이지만 이는 예시(例示)로 보아야 할 것이며 본 발명이 이에 한정되는 것은 아니다. 따라서 예를 들어, 단면 손상길이를 20㎜와 40㎜인 것에 국한시키지 않고 더 다양한 단면 손상길이를 가지게 할 수도 있고, 단면 손상위치도 좌(左), 중(中), 우(右)의 3개가 아닌 다른 개수로 정할 수 있으며, 단면 손상비율도 이와 마찬가지이다.
이렇게 다양한 종류로 텐던 실험체를 제작하고, 이러한 텐던 실험체에 마그네틱 텐던진단장치를 실제로 설치하여 텐던 실험체에 대한 원본 학습데이터를 취득한다. 편의상 위와 같이 준비된 텐던 실험체에 대하여 취득한 원본 학습데이터는 "실험체 원본 학습데이터"라고 약칭한다.
앞서 언급한 것처럼 본 발명이 적용되는 마그네틱 텐던진단장치는 대한민국 등록특허 제10-2275062호, 제10-2292726호 및 제10-2312616호에서 제안하고 있는 텐던진단장치 내지 이와 동일한 측정원리를 가지는 장치를 의미하는 바, 위 대한민국 등록특허 제10-2275062호, 제10-2292726호 및 제10-2312616호의 텐던진단장치를 이용하여 측정한 결과가 원본 학습데이터에 해당할 수 있다.
구체적으로 마그네틱 텐던진단장치를 텐던 실험체에 설치하고 진단구간에서 종방향을 따라 마그네틱 텐던진단장치를 이동시키면서 마그네틱 텐던진단장치에 구비된 1차 코일에 교류를 인가하고 2차 코일에 의해서는 유도전압을 측정하는 <텐던 스캔 작업>을 수행한다. 이와 같이 텐던 실험체에 대한 텐던 스캔 작업의 결과로 취득된 <진단구간의 시점으로부터의 거리(또는 위치)>에 따른 <텐던 스캔 측정값>은 수집되어 취합되고, 이렇게 취합된 측정값의 데이터에 대해서는 잡음 등을 제거하는 필터링 작업 등의 신호처리 작업이 수행되며, 그에 따라 "실험체 원본 학습데이터"가 취득된다. 여기서 마그네틱 텐던진단장치를 이용한 이러한 텐던 스캔 측정값은 "유도전류 값"일 수 있으나, 유도전류 값을 다른 물리량의 형태로 변환한 값이거나 또는 유도전류 값과 균등한 또 다른 물리량일 수도 있다.
위에서는 실험체 원본 학습데이터를 취득할 텐던 실험체에 대해 미리 형성해둘 단면 손상형태의 종류로서 단면 손상비율, 단면 손상길이 및 단면 손상위치의 3가지를 제시하였다. 그러나 본 발명은 이에 한정되지 않으며, 필요에 따라서는 단면 손상길이 및 단면 손상위치의 2가지만을 달리한 텐던 실험체를 제작하여 이로부터 실험체 원본 학습데이터를 취득할 수도 있고, 경우에 따라서는 위에서 설명한 것과 마찬가지로 단면 손상길이 및 단면 손상위치를 달리한 텐던 실험체에 더하여 단면 손상비율도 달리한 텐던 실험체를 추가로 더 제작하여 이로부터 실험체 원본 학습데이터를 취득하여, 단면 손상비율, 단면 손상길이 및 단면 손상위치의 3가지를 달리한 텐던 실험체로부터의 실험체 원본 학습데이터를 취득할 수도 있다.
상기한 "실험체 원본 학습데이터"는 수학적으로 <진단구간의 시점으로부터의 종방향 거리(또는 위치)>와 <텐던 스캔 측정값>의 쌍으로 표현될 수 있는 바, 이러한 "실험체 원본 학습데이터"는 도 5 내지 도 8에 도시된 것과 같이, 가로축은 진단구간의 시점으로부터의 거리를 나타내고 세로축은 텐던 스캔 측정값을 나타내는 그래프도로 표현될 수 있다. 도 5의 (a), (b) 및 (c)의 각각에는 단면 손상길이가 40㎜이면서 단면 손상비율이 13%를 가지고 있고, 각각 좌(左), 중(中), 우(右)의 3개의 단면 손상위치를 가지는 텐던 실험체에 대한 실험체 원본 학습데이터의 그래프도 일예가 도시되어 있다. 도 6의 (a), (b) 및 (c)의 각각에는 단면 손상길이가 40㎜이면서 단면 손상비율이 5%를 가지고 있고, 각각 좌(左), 중(中), 우(右)의 3개의 단면 손상위치를 가지는 텐던 실험체에 대한 실험체 원본 학습데이터의 그래프도 일예가 도시되어 있다. 그리고 도 7의 (a), (b) 및 (c)의 각각에는 단면 손상길이가 20㎜이면서 단면 손상비율이 13%를 가지고 있고, 각각 좌(左), 중(中), 우(右)의 3개의 단면 손상위치를 가지는 텐던 실험체에 대한 실험체 원본 학습데이터의 그래프도 일예가 도시되어 있으며, 도 8의 (a), (b) 및 (c)의 각각에는 단면 손상길이가 20㎜이면서 단면 손상비율이 5%를 가지고 있고, 각각 좌(左), 중(中), 우(右)의 3개의 단면 손상위치를 가지는 텐던 실험체에 대한 실험체 원본 학습데이터의 그래프도 일예가 도시되어 있다.
실험체 원본 학습데이터를 상기한 도 5 내지 도 8에 도시된 형태의 그래프도로 표현한다고 가정하였을 때, 텐던 스캔 측정값이 그래프도 상의 극소점으로 표현되는 위치 즉, 도 5 내지 도 8의 각각에서 원으로 표시된 위치가 진단구간에서의 <텐던 손상위치>에 해당하는 것이다. 도 5 내지 도 8의 각각에서 텐던 손상위치와 텐던 스캔 측정값의 쌍을 나타내는 벡터가 영어 대문자 V로 표시되어 있고, V의 아래에는 첨자 3개가 기재되어 있는 것으로 표현되어 있다. 여기서 V의 아래 첨자로서 기재된 5와 13은, 앞서 도 3 및 도 4와 관련하여 살펴본 영문자 S의 아래 첨자와 마찬가지로 단면 손상비율 5%와 13%를 각각 의미하며, V의 또 다른 아래 첨자로서 20과 40으로 구분되어 기재된 것은 단면 손상길이 20㎜와 40㎜를 각각 의미하고, 이에 후속하여 기재된 아래 첨자 1, 2 및 3은 각각 단면 손상위치로서 제1위치(위에서 예시한 것에서는 左), 제2위치(위에서 예시한 것에서는 中), 제3위치(위에서 예시한 것에서는 右)를 의미한다. 따라서 예를 들어 
로 기재된 것은 단면 손상비율이 13%이고 단면 손상길이 40㎜인 것으로서 단면 손상위치가 "좌(左)"인 텐던 실험체에 대한 텐던 스캔 측정값을 의미하며, 
로 기재된 것은 단면 손상비율이 13%이고 단면 손상길이 40㎜인 것으로서 단면 손상위치가 "중(中)"인 텐던 실험체에 대한 텐던 스캔 측정값을 의미하며, 
로 기재된 것은 단면 손상비율이 13%이고 단면 손상길이 40㎜인 것으로서 단면 손상위치가 "우(右)"인 텐던 실험체에 대한 텐던 스캔 측정값을 의미한다.
본 발명에 따른 추가 학습데이터 형성시스템(100)의 데이터 수신모듈(1)은 상기한 단계 S1의 사전 준비 과정을 수행함으로써 취득한 "실험체 원본 학습데이터"를 수신하게 된다.
2) 실험체 원본 학습데이터의 임의 추출에 의한 학습데이터 조합을 형성하는 단계(단계 S2)
상기한 단계 S1의 수행 결과로 "실험체 원본 학습데이터"가 취득되면, 후속하여 실험체 원본 학습데이터에서 무작위로 임의(任意)의 것을 임의의 개수로 추출하여 "학습데이터 조합"을 형성하는 작업을 수행한다. 즉, 기지의 단면 손상형태(단면 손상비율, 단면 손상길이 및 단면 손상위치)를 알고 있는 텐던 실험체에 대하여 취득된 "실험체 원본 학습데이터"에서 임의의 것을 임의의 개수로 무작위 추출하여 "학습데이터 조합"(학습데이터의 쌍)을 형성하는 것이다. 이와 같은 무작위 추출에 의한 학습데이터 조합의 형성 작업은 본 발명의 추가 학습데이터 형성시스템(100)에 구비된 학습데이터 조합 형성모듈(2)에 의해 수행된다.
아래에서는 도 3 내지 도 8에 제시한 예를 참조하여, 이러한 "학습데이터 조합"의 형성 작업을 상세히 설명한다.
"학습데이터 조합"을 이루기 위하여 무작위로 추출되는 실험체 원본 학습데이터의 개수는 전체 실험체 원본 학습데이터의 총 개수 이하로서 임의로 선정된다. 즉, 본 발명에서 "하나의 새로운 학습데이터 조합"을 이루게 되는 실험체 원본 학습데이터의 개수는 전체 "실험체 원본 학습데이터"의 개수 이하로서 임의로 선정되는 것이다. 따라서 N개의 "실험체 원본 학습데이터"가 존재할 경우, 학습데이터 조합모듈(2)에서는 2부터 N까지의 자연수 중에서 n개를 무작위 추출하고, 추출할 때마다 각각 새로운 학습데이터 조합을 형성하게 된다. 이 때 추출할 "실험체 원본 학습데이터"의 개수인 n은 임의로 즉, 무작위로 정해진다. 즉, 총 N개 중에서 임의로 선정된 n이라는 숫자에 따라 n개의 "실험체 원본 학습데이터"를 추출할 때 어떤 것을 선택하여 추출할 것인지도 무작위로 선정되는 것이다.
도 5 내지 도 8의 예에서는 총 12개의 실험체 원본 학습데이터가 존재하므로(위의 표현에 따르면 N = 12), "학습데이터 조합"을 이루기 위해 추출될 실험체 원본 학습데이터의 개수는 2개부터 12개까지 중에서 임의의 개수가 될 수 있다(즉, 위의 표현에 따르면 n은 2부터 12 중 임의의 수가 된다). 즉, 도 5 내지 도 8에 도시된 예의 경우, "실험체 원본 학습데이터"의 개수는 12개이므로, 이 중에서 2개를 추출하여 1개의 새로운 학습데이터 조합을 만들 수도 있고, 3개를 무작위 추출하여 1개의 새로운 학습데이터 조합을 만들 수도 있으며, 4개 내지 12개 중의 임의 개수로 무작위 추출하여 각각의 추출된 것을 이용하여 각각 하나의 새로운 "학습데이터 조합"을 만들 수도 있는 것이다.
설명의 편의를 위하여, 데이터 수신모듈(1)에서는 도 5 내지 도 8에 도시된 12개의 "실험체 원본 학습데이터"를 수신하여 보관하고 있고, 학습데이터 조합 형성모듈(2)에서는 12개의 "실험체 원본 학습데이터" 중에서 2개를 무작위로 임의 추출하여 1개의 학습데이터 조합을 만드는 것을 예시(例示)하여 학습데이터 조합 형성모듈(2)에서 수행되는 학습데이터 조합 형성 과정을 좀 더 상세히 설명한다.
도 5 내지 도 8에 도시된 12개의 "실험체 원본 학습데이터"에서 2개를 무작위로 임의 추출함에 있어서, 예를 들어 도 5의 (a)에 도시된 텐던 실험체 
(단면 손상비율이 13%이고 단면 손상길이 40㎜인 것으로서 단면 손상위치가 좌(左)인 텐던 실험체)의 "실험체 원본 데이터 
"와, 도 6의 (c)에 도시된 텐던 실험체 
(단면 손상비율이 5%이고 단면 손상길이 40㎜인 것으로서 단면 손상위치가 우(右)인 텐던 실험체)의 "실험체 원본 데이터 
"를 추출할 수 있다, 이렇게 추출된 2개의 실험체 원본 데이터 
와 
은 새로운 1개의 "학습데이터 조합"을 이루게 된다.
3) 학습데이터 조합의 중복 여부 점검 단계(단계 S3)
상기한 단계 S2의 수행 결과로 새로운 "학습데이터 조합"이 만들어지면, 후속하여 각각의 학습데이터 조합에 대하여 해당 학습데이터 조합을 이루고 있는 "실험체 원본 학습데이터" 간의 중복 여부를 점검하게 된다. 이러한 중복 여부 점검 작업은 본 발명의 추가 학습데이터 형성시스템(100)에 구비된 중복점검모듈(3)에 의해 수행된다.
학습데이터 조합을 이루고 있는 실험체 원본 학습데이터 간의 중복 여부는 아래 A) 및 B)의 2가지 항목에서 이루어진다.
A) 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치는지 여부; 및
B) 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상길이가 서로 동일한지 여부.
여기서, "A) 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치는지 여부"를 점검한다는 것은, 학습데이터 조합을 이루도록 추출된 실험체 원본 학습데이터의 각각에 대한 텐던 실험체가 서로 겹치는 단면 손상위치를 가지는 것인지의 여부를 판단한다는 것이다. 즉, 학습데이터 조합을 이루도록 추출된 실험체 원본 학습데이터가, 관리자가 미리 만들어놓은 손상이 존재하는 위치 즉, 단면 손상위치가 서로 다른 텐던 실험체로부터 측정된 것인지의 여부를 판단하게 되는 것이다.
따라서 중복점검모듈(3)에서는 학습데이터 조합을 이루도록 추출된 실험체 원본 학습데이터가 어떤 텐던 실험체에 대한 것인지를 식별하고, 이렇게 식별된 텐던 실험체 각각에 대한 단면 손상위치 정보를 파악하여 단면 손상위치가 겹치는 지의 여부를 판단한다. 단면 손상위치에 따라 텐던 실험체 각각에 대해 서로 다른 식별표지 내지 식별번호를 부여해놓게 되므로, 학습데이터 조합을 이루도록 추출된 실험체 원본 학습데이터가 도출된 텐던 실험체의 텐던 실험체의 식별표지 내지 식별번호를 식별하게 되면 단면 손상위치가 겹치는 지의 여부를 쉽게 판단할 수 있게 된다.
이러한 "학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치는지의 여부"를 점검하는 작업은, 위 단계 S2를 통해서 형성된 모든 학습데이터 조합의 각각에 대하여 개별적으로 수행한다.
그리고 "B) 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상길이가 서로 동일한지 여부"를 점검한다는 것은, 학습데이터 조합을 이루도록 추출된 실험체 원본 학습데이터의 각각에 대한 텐던 실험체에 형성된 손상의 종방향 길이가 동일한지의 여부를 판단한다는 것이다. 즉, 학습데이터 조합을 이루도록 추출된 실험체 원본 학습데이터가, 관리자가 미리 만들어놓은 단면 손상길이가 서로 다른 텐던 실험체로부터 측정된 것인지의 여부를 판단하게 되는 것이다.
따라서 중복점검모듈(3)에서는 학습데이터 조합을 이루도록 추출된 실험체 원본 학습데이터가 어떤 텐던 실험체에 대한 것인지를 식별하고, 이렇게 식별된 텐던 실험체 각각에 대한 단면 손상길이 정보를 파악하여 단면 손상길이가 동일한 지의 여부를 판단한다. 단면 손상길이에 따라서도 텐던 실험체 각각에 대해 서로 다른 식별표지 내지 식별번호를 부여해놓게 되므로, 학습데이터 조합을 이루도록 추출된 실험체 원본 학습데이터가 도출된 텐던 실험체의 식별표지 내지 식별번호를 식별하게 되면 단면 손상길이가 동일한지의 여부를 쉽게 판단할 수 있게 된다.
이러한 "학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상길이가 서로 동일한지의 여부"를 점검하는 작업 역시 위 단계 S2를 통해서 형성된 모든 학습데이터 조합에 대하여 각각 개별적으로 수행한다.
중복점검모듈(3)에서 위 A)의 단면 손상위치 중복여부 점검과 B)의 단면 손상길이 중복여부 점검을 수행할 때 어느 것을 먼저 수행하여도 무방하고 동시에 수행하여도 무방하다.
4) 단면 손상위치 중복여부 점검과 단면 손상길이 중복여부 점검이 이루어진 "학습데이터 조합"을 이용하여 새로운 "추가 학습데이터"를 생성하는 단계(단계 S4)
상기한 단계 S3을 수행하여 "학습데이터 조합"에 대한 단면 손상위치 중복여부 점검과 단면 손상길이 중복여부 점검이 이루어진 후에는, 그 중복 점검 결과를 기반으로 추가 학습데이터 생성모듈(4)에서는 학습데이터 조합을 이용하여 새로운 "추가 학습데이터"를 생성하게 된다.
앞서 단계 S3에서는 A) 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치는지 여부와 B) 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상길이가 서로 동일한지 여부에 대한 점검이 이루어진다. 따라서 이러한 단계 S3의 수행 결과로는 아래 (가) 내지 (라)의 4가지 경우가 존재할 수 있다.
(가) 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치지 않고 단면 손상길이도 서로 동일하지 않은 경우;
(나) 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치지 않지만, 단면 손상길이는 서로 동일한 경우;
(다) 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치지만, 단면 손상길이는 서로 동일하지 않은 경우; 및
(라) 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치고 단면 손상길이도 서로 동일한 경우.
우선 앞서 단계 S3에서의 판단결과, <(가) 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치지 않고 단면 손상길이도 서로 동일하지 않은 경우>이거나, 또는 <(나) 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치지 않지만, 단면 손상길이는 서로 동일한 경우>일 때에는, 추가 학습데이터 생성모듈(4)은 해당 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터를 모두 합(合)하여 새로운 "추가 학습데이터"를 생성하게 된다.
위의 (가)의 경우와 (나)의 경우에는, 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치지 않으므로, 단면 손상길이가 동일한지의 여부와 무관하게 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터 각각은 독자적인 단면 손상 형태를 가지고 있는 것이다. 따라서 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터를 모두 합(合)하게 되면, 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터 각각에 담겨진 텐던의 단면 손상 형태가 모두 포함되어 있는 새로운 "추가 학습데이터"가 만들어지는 것이다.
이를 좀 더 상세히 설명하면, "학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치지 않는다"는 것은, 관리자가 미리 만들어놓은 단면 손상이 존재하는 위치 즉, 단면 손상위치가 서로 다른 텐던 실험체로부터 측정된 실험체 원본 학습데이터만을 추출하여 학습데이터 조합을 만들었다는 것을 의미한다. 따라서 이러한 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터를 모두 합(合)하게 되면 새로운 실험체 원본 학습데이터가 만들어지는데, 이 새로운 실험체 원본 학습데이터는, 존재 위치가 서로 상이한 단면 손상을 모두 가지는 텐던 실험체로부터 얻어진 실험체 원본 학습데이터로 간주될 수 있으며, 이는 인공지능 진단모델의 학습을 위한 새로운 "추가 학습데이터"가 될 수 있는 것이다.
한편, 앞서 단계 S3에서의 판단결과, <(라) 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치고 단면 손상길이도 서로 동일한 경우>일 때에도 추가 학습데이터 생성모듈(4)은 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터를 모두 합(合)하여 새로운 "추가 학습데이터"를 생성한다. "학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹친다는 것"은, 관리자가 미리 만들어놓은 단면 손상이 존재하는 위치 즉, 단면 손상위치가 동일한 텐던 실험체로부터 측정된 실험체 원본 학습데이터만을 추출하여 학습데이터 조합을 만들었다는 것을 의미한다. 그리고 "학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상길이가 서로 동일하다는 것"은, 관리자가 미리 만들어놓은 단면 손상이 종방향으로 연장된 길이가 동일한 텐던 실험체로부터 측정된 실험체 원본 학습데이터만을 추출하여 학습데이터 조합을 만들었다는 것을 의미한다.
따라서 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치고 단면 손상길이도 서로 동일한 경우에도, 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터를 모두 합(合)하게 되면, 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터 각각에 담겨진 텐던의 단면 손상 형태가 모두 포함되어 있는 새로운 "추가 학습데이터"가 만들어진다. 즉, 이렇게 만들어진 새로운 "추가 학습데이터"는, 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 텐던 실험체와 동일한 단면 손상길이에서, 단면 손상정도가 더 커진 형태의 단면 손상이 발생한 텐던 실험체로부터 얻어진 실험체 원본 학습데이터로 간주될 수 있는 것이다.
그러나 앞서 단계 S3에서의 판단결과, <(다) 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치지만, 단면 손상길이는 서로 동일하지 않은 경우>일 때에는, 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터를 이용하여 새로운 "추가 학습데이터"를 생성할 수 없다. 즉, 이 경우 추가 학습데이터 생성모듈(4)은 해당 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터를 이용하여 새로운 "추가 학습데이터"를 생성하지 않는 것이다. 따라서 이러한 학습데이터 조합은 파기하게 된다.
위에서 새로운 추가 학습데이터를 생성하는 구체적인 실행 내용은, 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터를 "모두 합(合)하는 것"이고, 이는 추가 학습데이터 생성모듈(4)에서 수행되는데, 아래에서는 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터를 "모두 합(合)하는 작업 자체"에 집중하여 좀 더 상세히 설명한다.
앞서 단락 1)에서 설명한 것처럼 상기한 단계 S1을 수행하여 취득한 "실험체 원본 학습데이터"는 수학적으로 <진단구간의 시점으로부터의 종방향 거리 내지 위치>와 <텐던 스캔 측정값>의 쌍으로 표현될 수 있고, "실험체 원본 학습데이터"는 도 5 내지 도 8에 도시된 것과 같이 가로축은 진단구간의 시점으로부터의 거리를 나타내고 세로축은 텐던 스캔 측정값을 나타내는 그래프도로서 표현될 수 있다. 즉, "실험체 원본 학습데이터"는 벡터 형태의 데이터로 이루어질 수 있는 것이다.
따라서 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터를 "모두 합(合)한다"는 것은 수학적으로 벡터 형태의 데이터를 합하는 것이 되며, 결국 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터를 모두 합(合)하여 만들어진 새로운 "추가 학습데이터" 역시 수학적으로는 벡터 형태의 데이터가 된다. 따라서 새로운 "추가 학습데이터" 역시 도 5 내지 도 8에 예시된 것과 마찬가지로 가로축은 진단구간의 시점으로부터의 거리를 나타내고 세로축은 텐던 스캔 측정값을 나타내는 그래프도로서 표현될 수 있다. 결국 새로운 "추가 학습데이터"를 표현하는 그래프도는, 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 각각을 수학적으로 표현한 그래프도를 전부 합한 것이 된다. 즉, 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터를 "모두 합(合)한다"는 것은, 수학적으로 표현하면 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터에 대한 그래프도를 전부 합한 형태의 그래프도를 도출하는 것을 의미하는 것이며, 결국 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터를 "모두 합(合)하여 만들어진 새로운 "추가 학습데이터"는, 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터 각각에 대한 텐던 실험체에 형성된 단면 손상을 모두 가지는 텐던 실험체로부터 측정된 것을 의미하게 되며, 이러한 새로운 "추가 학습데이터" 역시 실험체 원본 학습데이터와 마찬가지로 그래프도로 표현할 수 있다.
앞서 설명한 것처럼 N개의 "실험체 원본 학습데이터"가 존재할 경우, 학습데이터 조합모듈(2)에서는 2부터 N까지의 자연수 중에서 임의의 수 n를 선정하여 N개의 "실험체 원본 학습데이터" 중에서 n개의 실험체 원본 학습데이터를 임의로 추출하고, 추출할 때마다 각각 새로운 학습데이터 조합을 형성하고 그 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터를 "모두 합(合)하는 것"을 수학적으로 표현하면, 구체적으로는 아래 수학식 1의 더하기의 연산을 수행하는 것이라고 설명할 수 있다.
위 수학식 1에서 
는 새로운 "추가 학습데이터"를 의미하고,
, 
및 
은 총 N개의 실험체 원본 학습데이터 중에서 임의로 추출된 n개의 실험체 원본 학습데이터 각각을 의미하며, 
는 보정계수이다.
앞서 예시한 도 5 내지 도 8의 경우, 예를 들어, 
와 
의 2개 실험체 원본 학습데이터를 추출하여 하나의 새로운 학습데이터 조합을 만든다면, 이는 <(나) 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치지 않지만, 단면 손상길이는 서로 동일한 경우>에 해당한다. 따라서 실험체 원본 학습데이터 
와 
로 이루어진 학습데이터 조합을 이용하여 새로운 "추가 학습데이터"를 만들 수 있게 되는데, 위 수학식 1에 따라 만들어지는 새로운 "추가 학습데이터" 
는 아래의 수학식 2로 표현할 수 있다.
위 수학식 2에서는 보정계수 
는 0(zero)로 하였다.
실험체 원본 학습데이터 
와 
로 이루어진 "학습데이터 조합"을 이용하여 만들어진 새로운 "추가 학습데이터"를 나타내는 그래프는, 실험체 원본 학습데이터 
와 
각각을 나타내는 그래프를 합친 형태가 되며, 따라서 실험체 원본 학습데이터 
와 
의 그래프 각각에서 확인되는 단면 손상위치의 전부가, 새로운 "추가 학습데이터" 
의 그래프에도 동일하게 표현된다. 즉, 실험체 원본 학습데이터 
와 
각각에 대한 텐던 실험체에 형성된 단면 손상을 모두 가지는 텐던 실험체로부터 측정된 형태로 "추가 학습데이터" 
를 만들 수 있는 것이다. 이와 같이 새로운 "추가 학습데이터"를 도출함에 있어서는 위의 수학식 2로 표현된 것처럼, 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 벡터 형태 데이터를 단순히 합(合)하여, 벡터 형태의 데이터로 이루어진 새로운 "추가 학습데이터"를 만들어 낼 수 있다. 보정계수 
는 벡터 형태의 데이터를 합하였을 때, 그 절대값이 과도하게 커지거나 작아지는 것을 방지하기 위하여 관리자가 임의로 지정하는 값이다.
그러나 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 벡터 형태 데이터를 합(合)하여 새로운 "추가 학습데이터"를 도출함에 있어서는, 위와 달리 가중치를 더 설정하여 합할 수도 있다. 이에 대한 연산식은 아래의 수학식 3과 같다.
위 수학식 3에 기재된 
, 
, 
. 
및 
각각의 의미는 위에서 수학식 1 및 수학식 2와 관련하여 설명한 내용과 동일하다. 수학식 3에서 
, 
및 
는 각각 가중치로서 무작위로 추출된 실수이다. 따라서 위에서 예시한 것처럼 
와 
의 2개 실험체 원본 학습데이터를 이용하여 하나의 새로운 "학습데이터 조합"을 만들고, 이를 이용하여 새로운 "추가 학습데이터" 
를 형성하는 경우에는, 아래의 수학식 4를 연산에 이용할 수 있다.
도 9에는 수학식 4로 표현된 "추가 학습데이터" 
를 그래프로 표현한 것이 도시되어 있다. 도 9에서 알 수 있듯이 실험체 원본 학습데이터 
에 0.5를 곱하고, 여기에 
에 2를 곱한 것을 합한 것으로 이루어진 "학습데이터 조합"을 이용하여 새로운 "추가 학습데이터"를 만들었을 때, 그에 대한 그래프는 실험체 원본 학습데이터
와 
각각을 나타내는 그래프를 합친 형태가 되며, 따라서 실험체 원본 학습데이터 
와 
의 그래프 각각에서 확인되는 단면 손상위치의 전부가, 새로운 "추가 학습데이터 
"의 그래프에도 동일하게 표현된다.
학습데이터 조합을 이루고 있는 실험체 원본 학습데이터를 모두 합하여 새로운 "추가 학습데이터"를 도출함에 있어서, 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 벡터 형태 데이터 각각에 수학식 3로 표현된 것처럼 임의로 도출된 수를 곱한 뒤, 이를 합(合)하여서 벡터 형태의 데이터로 이루어진 새로운 "추가 학습데이터"를 만들어 낼 수 있으며, 이 경우 더욱 많은 개수의 새로운 "추가 학습데이터"를 생성할 수 있게 된다.
앞서 설명한 것처럼 N개의 "실험체 원본 학습데이터"가 존재할 경우, 학습데이터 조합모듈(2)에서는 2부터 N까지의 자연수 중에서 임의의 수 n를 선정하여 N개의 "실험체 원본 학습데이터" 중에서 n개의 실험체 원본 학습데이터를 임의로 추출하고, 추출할 때마다 각각 새로운 학습데이터 조합을 형성하게 되는 바, 많은 개수의 학습데이터 조합을 만들어 낼 수 있다. 즉, 상기한 단계 S2부터 단계 S4를 반복적으로 수행함으로써, 실험체 원본 학습데이터로 만들어진 학습데이터 조합을 많은 개수로 만들어 낼 수 있게 된다. 즉, 새로운 "추가 학습데이터"로 상당한 개수로 만들어 낼 수 있게 되는 것이다. 이와 같이 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터를 "모두 합(合)하여 새로운 "추가 학습데이터"를 만들게 되면, 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터 각각에 대한 텐던 실험체에 형성된 단면 손상을 모두 가지는 실제로 텐던 실험체를 실제로 만들지 않더라도, 이러한 텐던 실험체(학습데이터 조합을 이루고 있는 실험체 원본 학습데이터 각각에 대한 텐던 실험체에 형성된 단면 손상을 모두 가진 텐던 실험체)에 대한 실험체 원본 학습데이터를 취득하는 것과 동일한 결과를 만들어내는 것이다.
위에서 설명한 본 발명의 추가 학습데이터 형성시스템(100) 및 이를 이용한 추가 학습데이터 형성방법에 의하면, 실험체 원본 학습데이터를 이용하여, 단면 손상위치와 손상개수가 상이한 것에 더하여 단면 손상비율과 단면 손상위치, 그리고 단면 손상길이가 다양한 형태로 변화된 많은 종류의 상이한 새로운 추가 학습데이터를 다량으로 생성할 수 있게 된다. 즉, 본 발명에 의하면 새롭게 만들어지는 다양한 종류의 단면 손상비율을 가진 새로운 추가 학습데이터를 만들어 낼 수도 있고, 다양한 종류의 단면 손상위치를 가진 새로운 추가 학습데이터를 만들어 낼 수도 있으며, 다양한 단면 손상길이를 가진 새로운 추가 학습데이터를 만들어 낼 수도 있는 것이다. 본 발명에 의해 만들어신 새로운 추가 학습데이터는 애초에 텐던 실험체로부터 취득한 실험체 원본 학습데이터와는 단면 손상비율이 상이한 것일 수도 있고, 단면 손상위치가 달라진 것일 수도 있으며, 단면 손상길이가 달라진 것일 수도 있는 것이므로, 본 발명에서는 단면 손상비율과 단면 손상위치, 그리고 단면 손상길이가 다양한 형태로 변화된 많은 종류의 추가 학습데이터가 만들어지므로, 추가 학습데이터의 다양성이 크게 높아지게 된다.
특히, 본 발명에서는 앞서 설명한 것처럼 N개의 "실험체 원본 학습데이터"에서 새로운 학습데이터 조합을 만들 실험체 원본 학습데이터를 추출할 때, 그 추출될 개수는 임의로 정할 수 있다. N개의 "실험체 원본 학습데이터"가 존재할 경우, 본 발명에서는 2부터 N까지의 자연수 중에서 임의의 수 n를 선정하여 N개의 "실험체 원본 학습데이터" 중에서 n개의 실험체 원본 학습데이터를 임의로 추출하고, 추출할 때마다 각각 새로운 학습데이터 조합을 형성하게 되는 것이다. 즉, 즉, N개의 실험체 원본 학습데이터에서 n개를 선택함에 있어서, 숫자 n은 2부터 N까지의 자연수 중에서 임의로 선택할 수 있는 것이다.
더 나아가, 학습데이터 조합을 이루는 실험체 원본 학습데이터를 이용하여 추가 학습데이터를 만들 때, 상기한 수학식 1의 경우처럼 실험체 원본 학습테이더를 단순 합산하는 것 이외에도, 상기한 수학식 3의 경우처럼 각각의 실험체 원본 학습데이터에 가중치를 더 설정하여 합산을 수행하되, 이러한 가중치는 무작위로 추출된 실수를 이용할 수 있는 바, 본 발명에 따라 만들어낼 수 있는 추가 학습데이터의 개수는 그 개수가 엄청나게 많을 수 있으며 이론적으로는 거의 무한대에 가까울 수 있다. 즉, 본 발명에서는 인공지능 진단모델가 원하는 신뢰도를 가질 때까지 인공지능 진단모델을 학습시킬 수 있는 충분한 개수의 추가 학습데이터를 형성할 수 있게 되는 장점이 발휘되는 것이다.
따라서 텐던의 손상을 진단하기 위한 인공지능 진단모델의 학습에 본 발명을 이용하게 되면, 텐던이나 그 실험체로부터 취득되는 원본 학습데이터의 수(數)가 충분하지 않더라도, 인공지능 진단모델에 의해 신뢰성 있는 텐던 손상 진단 결과를 도출할 수 있도록 인공지능 진단모델을 학습시킬 만큼의 충분한 학습데이터를 확보할 수 있게 되며, 이렇게 확보된 많은 개수의 학습데이터로 인공지능 진단모델을 학습시키고, 학습된 인공지능 진단모델을 이용하여 텐던의 손상 여부를 진단하게 되면, 그 진단 결과의 신뢰성과 정확도가 더욱 높아지게 되는 장점이 발휘된다. 즉, 본 발명을 이용함으로써 추가 학습데이터가 생성되면, 애초에 진단대상 텐던에 대한 실제 측정에 의해 취득한 원본 학습데이터와 상기한 추가 학습데이터를 이용하여, 딥러닝에 기반한 인공지능 진단모델의 학습을 수행하게 된다. 이 때, 본 발명을 이용하게 되면, 비록 텐던 또는 텐던을 모사한 실험체에 마그네틱 텐던진단장치를 실제로 설치하여 취득할 수 있는 원본 학습데이터의 수가 다소 불충분하더라도, 본 발명에 의해 새롭게 만들어진 많은 수의 추가 학습데이터를 인공지능 진단모델의 학습에 이용할 수 있게 되므로, 텐던의 손상여부에 대한 신뢰성 있는 진단 결과를 도출할 수 있을 만큼 인공지능 진단모델을 충분히 학습시킬 수 있게 되는 매우 유용한 효과가 발휘되는 것이다.
본 발명에서는 위에서 상술한 추가 학습데이터 형성방법과 형성시스템에 의해 생성된 추가 학습데이터를 이용하여, 텐던 손상진단을 위한 인공지능 진단모델을 학습시키는 방법과 시스템이 제공된다. 본 발명에 따른 텐던의 손상진단을 위한 인공지능 진단모델의 학습방법에서는, 상기한 본 발명의 추가 학습데이터 형성방법에 의해 생성된 추가 학습데이터를 이용하게 되는데, 위에서 설명한 본 발명의 추가 학습데이터 형성방법에 의해 추가 학습데이터가 생성되면, 본 발명에 따른 텐던의 손상진단을 위한 인공지능 진단모델의 학습시스템에 구비된 딥러닝 학습모듈은, 생성된 추가 학습데이터를 이용하여, 텐던 손상진단을 위한 인공지능 진단모델을 딥러닝에 기반하여 인공지능 학습을 시키게 된다. 이 때, 딥러닝 기법으로서 심층 신경망(Deep Neural Network; DNN), 얕은 신경망(Shallow Neural Network; SNN) 등을 활용할 수 있다.
이렇게 추가 학습데이터에 의해 학습된 인공지능 진단모델은 텐던의 손상진단에 효과적으로 사용될 수 있는데, 손상여부의 진단이 필요한 텐던에 대해 텐던진단장치를 이용한 현장 실측을 통해서 데이터를 취득하고, 상기한 본 발명의 인공지능 학습방법에 의해 학습이 이루어진 인공지능 진단모델을 이용하여 취득된 현장 데이터를 분석함으로써, 해당 텐던에 대한 손상 여부를 높은 신뢰도와 정확성으로 진단할 수 있게 된다.
본 명세서에서는 본 발명과 관련하여 다수의 실시예, 및 특징을 설명함에 있어서, '모듈' 등의 용어는 일반적으로 컴퓨터 관련 엔터티(computer-related entity)를 의미할 수 있는데, 예를 들어, 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어 등을 의미할 수 있다.
특히, 청구범위를 포함한 본 명세서의 개시내용에서 동일 참조 부호는 동일 구성 요소를 지칭하며, 본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명은 생략되었다. 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들(실행 엔진)에 의해 수행될 수도 있으며, 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성할 수 있다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 그리고 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명되는 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다. 또한, 각 블록 또는 각 단계는 특정된 논리적 기능들을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈 또는 코드의 일부를 나타낼 수 있으며, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능하다. 예를 들면, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하며, 또한 그 블록들 또는 단계들이 필요에 따라 해당하는 기능의 역순으로 수행되는 것도 가능하다. 특히 본 명세서에서 사용되는 '모듈'이라는 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
1 : 데이터 수신모듈
2 : 학습데이터 조합 형성모듈
3 : 중복 점검모듈
4 : 추가 학습데이터 생성모듈
2 : 학습데이터 조합 형성모듈
3 : 중복 점검모듈
4 : 추가 학습데이터 생성모듈
Claims (8)
- 복수개의 시편에 단면 손상길이 및 단면 손상위치를 각각 달리하여 기지의 손상을 발생시켜 놓은 텐던 실험체에 대해 텐던진단장치의 텐던 스캔을 통해서 취득한, <진단구간의 시점으로부터의 종방향 거리>와 <텐던 스캔 측정값>의 쌍으로 표현될 수 있는 실험체 원본 학습데이터를 수신하는 단계(단계 S1);
수신된 실험체 원본 학습데이터에서 무작위로 임의의 것을 임의의 개수로 추출하여 학습데이터 조합을 형성하는 단계(단계 S2);
형성된 학습데이터 조합 각각에 대하여 실험체 원본 학습데이터 간의 단면 손상위치 중복 여부 및 단면 손상길이 동일 여부를 판단하는 단계(단계 S3);
학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치지 않고 단면 손상길이도 상이한 경우, 단면 손상위치가 서로 겹치지 않지만 단면 손상길이는 동일한 경우, 또는 단면 손상위치가 서로 겹치고 단면 손상길이도 동일한 경우에는, 해당 학습데이터 조합의 실험체 원본 학습데이터를 모두 합하여 추가 학습데이터를 생성하지만, 단면 손상위치가 서로 겹치지만 단면 손상길이는 상이한 경우에는 추가 학습데이터를 생성하지 않는 단계(단계 S4)를 포함하며;
상기 단계 S1 내지 단계 S4를 반복수행하는 것을 특징으로 하는 텐던 손상진단용 인공지능 진단모델의 학습을 위한 추가 학습데이터 형성방법. - 제1항에 있어서,
실험체 원본 학습데이터를 수신하는 단계(단계 S1)에서는, 복수개의 시편에 단면 손상비율을 달리하여 기지의 손상을 발생시켜 놓은 텐던 실험체에 대해 텐던진단장치의 텐던 스캔을 통해서 취득한, <진단구간의 시점으로부터의 종방향 거리>와 <텐던 스캔 측정값>의 쌍으로 표현될 수 있는 실험체 원본 학습데이터를 추가적으로 더 수신하며;
학습데이터 조합을 형성하는 단계(단계 S2)에서는, 단면 손상비율을 달리하여 손상을 발생시켜 놓은 텐던 실험체에 대해서 취득한 실험체 원본 학습데이터가 포함되어 있는 실험체 원본 학습데이터에서 무작위로 임의의 것을 임의의 개수로 추출하는 것을 특징으로 하는 텐던 손상진단용 인공지능 진단모델의 학습을 위한 추가 학습데이터 형성방법. - 제1항 또는 제2항에 있어서,
학습데이터 조합을 형성하는 단계(단계 S2)에서, 수신된 실험체 원본 학습데이터에서 임의의 것을 추출할 때에는, 실험체 원본 학습데이터의 총 개수 이하의 임의 개수로 추출하고, 실험체 원본 학습데이터를 추출할 때마다 추출된 실험체 원본 학습데이터로 학습데이터 조합을 형성하는 것을 특징으로 하는 추가 학습데이터 형성방법. - 진단대상 텐던과 동일한 제원을 가지는 복수개의 시편에 단면 손상길이, 및 단면 손상위치를 각각 달리하여 손상을 발생시켜 놓은 텐던 실험체에 대해 텐던진단장치의 텐던 스캔을 통해서 취득한, <진단구간의 시점으로부터의 종방향 거리>와 <텐던 스캔 측정값>의 쌍으로 표현될 수 있는 실험체 원본 학습데이터를 수신하는 데이터 수신모듈(1);
데이터 수신모듈(1)에서 수신한 실험체 원본 학습데이터에서 무작위로 임의의 것을 임의의 개수로 추출하여 학습데이터 조합을 형성하는 학습데이터 조합 형성모듈(2);
학습데이터 조합 형성모듈(2)에 의해 형성된 학습데이터 조합 각각에 대하여, 실험체 원본 학습데이터의 단면 손상위치 중복 여부 및 단면 손상길이의 동일 여부를 판단하는 중복 점검모듈(3); 및
중복 점검모듈(3)의 판단결과, 학습데이터 조합을 이루고 있는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치지 않고 단면 손상길이도 상이한 경우, 단면 손상위치가 서로 겹치지 않지만 단면 손상길이는 동일한 경우, 또는 실험체 원본 학습데이터의 단면 손상위치가 서로 겹치고 단면 손상길이도 동일한 경우에는 학습데이터 조합의 실험체 원본 학습데이터를 모두 합(合)하여 추가 학습데이터를 생성하고, 단면 손상위치가 서로 겹치지만 단면 손상길이는 상이한 경우에는 추가 학습데이터를 생성하지 않는 추가 학습데이터 형성모듈(4)을 포함하여 구성된 것을 특징으로 하는 텐던 손상진단용 인공지능 진단모델의 학습을 위한 추가 학습데이터 형성시스템. - 제4항에 있어서,
데이터 수신모듈(1)은, 복수개의 시편에 단면 손상비율을 달리하여 손상을 발생시켜 놓은 텐던 실험체에 대해 텐던진단장치의 텐던 스캔을 통해서 취득한, <진단구간의 시점으로부터의 종방향 거리>와 <텐던 스캔 측정값>의 쌍으로 표현될 수 있는 실험체 원본 학습데이터를 추가적으로 더 수신하며;
학습데이터 조합 형성모듈(2)은, 단면 손상비율을 달리하여 손상을 발생시켜 놓은 텐던 실험체에 대해서 취득한 실험체 원본 학습데이터가 포함되어 있는 실험체 원본 학습데이터에서 무작위로 임의의 것을 임의의 개수로 추출하는 것을 특징으로 하는 텐던 손상진단용 인공지능 진단모델의 학습을 위한 추가 학습데이터 형성시스템. - 제4항 또는 제5항에 있어서,
학습데이터 조합 형성모듈(2)에서, 수신된 실험체 원본 학습데이터에서 임의의 것을 추출할 때에는, 실험체 원본 학습데이터의 총 개수 이하의 임의 개수로 추출하고, 실험체 원본 학습데이터를 추출할 때마다 추출된 실험체 원본 학습데이터로 학습데이터 조합을 형성하는 것을 특징으로 하는 추가 학습데이터 형성시스템. - 텐던 손상진단을 위한 인공지능 진단모델을 학습시키는 방법으로서,
청구항 제1항 또는 제2항에 따른 추가 학습데이터 형성방법에 의해 추가 학습데이터를 생성하고;
텐던 손상진단을 위한 인공지능 진단모델을, 생성된 추가 학습데이터를 이용하여 딥러닝에 기반하여 인공지능 학습을 시키는 것을 특징으로 하는 텐던의 손상진단을 위한 인공지능 진단모델의 학습방법. - 텐던 손상진단을 위한 인공지능 진단모델을 학습시키기 위한 시스템으로서,
청구항 제4항에 따른 추가 학습데이터 형성시스템을 포함하고 있으며,
청구항 제1항에 따른 추가 학습데이터 형성방법에 의해 생성된 추가 학습데이터를 이용하여, 텐던 손상진단을 위한 인공지능 진단모델을 딥러닝에 기반하여 인공지능 학습을 시키는 딥러닝 학습모듈을 포함하는 특징으로 하는 텐던의 손상진단을 위한 인공지능 진단모델의 학습시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230151575A KR102663746B1 (ko) | 2023-11-06 | 2023-11-06 | 텐던 손상진단을 위한 인공지능 진단모델의 학습방법과 학습시스템, 그리고 이를 위한 추가 학습데이터의 형성시스템 및 형성방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230151575A KR102663746B1 (ko) | 2023-11-06 | 2023-11-06 | 텐던 손상진단을 위한 인공지능 진단모델의 학습방법과 학습시스템, 그리고 이를 위한 추가 학습데이터의 형성시스템 및 형성방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102663746B1 true KR102663746B1 (ko) | 2024-05-08 |
Family
ID=91073730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230151575A KR102663746B1 (ko) | 2023-11-06 | 2023-11-06 | 텐던 손상진단을 위한 인공지능 진단모델의 학습방법과 학습시스템, 그리고 이를 위한 추가 학습데이터의 형성시스템 및 형성방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102663746B1 (ko) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020183897A (ja) | 2019-05-08 | 2020-11-12 | 東京製綱株式会社 | 自走ユニット，検査システムおよび検査方法 |
| KR102178721B1 (ko) | 2020-08-24 | 2020-11-13 | 한국건설기술연구원 | 유도전압 측정을 이용한 텐던의 손상 탐지방법 및 손상 탐지장치 |
| KR102241879B1 (ko) | 2019-12-03 | 2021-04-20 | 한국건설기술연구원 | 인공지능 학습 모델을 이용한 덕트 공동 탐지 모델 학습 장치 및 덕트 공동 탐지 시스템 |
| KR102275062B1 (ko) | 2020-10-20 | 2021-07-08 | 한국건설기술연구원 | 유도자기장 형성 및 유도전압 측정을 이용한 텐던 모니터링 장치, 이를 구비한 텐던 손상탐지 시스템, 및 텐던 손상탐지 방법 |
| KR102292726B1 (ko) | 2021-07-01 | 2021-08-25 | 한국건설기술연구원 | 마그네틱에 의한 유도자기장 형성 및 유도전압 측정을 이용한 텐던 진단장치, 이를 이용한 교량 케이블의 진단방법 및 진단시스템 |
| KR102306056B1 (ko) * | 2020-10-26 | 2021-09-28 | 주식회사 한국지중정보 | 하수 관거 내부 손상 영역의 크기 측정 방법 및 장치 |
| KR102312616B1 (ko) | 2021-07-01 | 2021-10-15 | 한국건설기술연구원 | 유도전압 측정 방식의 텐던진단장치를 이용한 교량 케이블의 진단방법 및 교량 케이블의 진단시스템 |
| JP2022550222A (ja) * | 2019-09-30 | 2022-11-30 | ムサシ オート パーツ カナダ インコーポレイテッド | Ａｉ外観検査のためのシステム及び方法 |
| KR20230023263A (ko) * | 2021-08-10 | 2023-02-17 | 세종대학교산학협력단 | 딥러닝 기반 하수도 결함 감지 방법 및 그 장치 |
| KR102501918B1 (ko) | 2022-12-07 | 2023-02-21 | 한국건설기술연구원 | 텐던진단장치를 이용한 텐던 손상진단을 위한 인공지능 학습방법과 인공지능 학습시스템, 그리고 이를 이용하는 텐던 손상진단 방법과 텐던 손상진단 시스템 |
-
2023
- 2023-11-06 KR KR1020230151575A patent/KR102663746B1/ko active IP Right Grant
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020183897A (ja) | 2019-05-08 | 2020-11-12 | 東京製綱株式会社 | 自走ユニット，検査システムおよび検査方法 |
| JP2022550222A (ja) * | 2019-09-30 | 2022-11-30 | ムサシ オート パーツ カナダ インコーポレイテッド | Ａｉ外観検査のためのシステム及び方法 |
| KR102241879B1 (ko) | 2019-12-03 | 2021-04-20 | 한국건설기술연구원 | 인공지능 학습 모델을 이용한 덕트 공동 탐지 모델 학습 장치 및 덕트 공동 탐지 시스템 |
| KR102178721B1 (ko) | 2020-08-24 | 2020-11-13 | 한국건설기술연구원 | 유도전압 측정을 이용한 텐던의 손상 탐지방법 및 손상 탐지장치 |
| KR102275062B1 (ko) | 2020-10-20 | 2021-07-08 | 한국건설기술연구원 | 유도자기장 형성 및 유도전압 측정을 이용한 텐던 모니터링 장치, 이를 구비한 텐던 손상탐지 시스템, 및 텐던 손상탐지 방법 |
| KR102306056B1 (ko) * | 2020-10-26 | 2021-09-28 | 주식회사 한국지중정보 | 하수 관거 내부 손상 영역의 크기 측정 방법 및 장치 |
| KR102292726B1 (ko) | 2021-07-01 | 2021-08-25 | 한국건설기술연구원 | 마그네틱에 의한 유도자기장 형성 및 유도전압 측정을 이용한 텐던 진단장치, 이를 이용한 교량 케이블의 진단방법 및 진단시스템 |
| KR102312616B1 (ko) | 2021-07-01 | 2021-10-15 | 한국건설기술연구원 | 유도전압 측정 방식의 텐던진단장치를 이용한 교량 케이블의 진단방법 및 교량 케이블의 진단시스템 |
| KR20230023263A (ko) * | 2021-08-10 | 2023-02-17 | 세종대학교산학협력단 | 딥러닝 기반 하수도 결함 감지 방법 및 그 장치 |
| KR102501918B1 (ko) | 2022-12-07 | 2023-02-21 | 한국건설기술연구원 | 텐던진단장치를 이용한 텐던 손상진단을 위한 인공지능 학습방법과 인공지능 학습시스템, 그리고 이를 이용하는 텐던 손상진단 방법과 텐던 손상진단 시스템 |
Non-Patent Citations (2)
| Title |
|---|
| 2021년도 주요사업 1차년도 보고서(산업진흥형)(2021.12) * |
| PCT/KR2022/009276호의 공보 WO2023/277554 A1(2023. 01. 05. 공개). |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102026449B1 (ko) | Cnn을 이용한 교량 구조물 손상추정기법의 개발을 위한 시뮬레이션 데이터 처리방법 | |
| US9964468B1 (en) | Optimizing sensor placement for structural health monitoring | |
| KR102501918B1 (ko) | 텐던진단장치를 이용한 텐던 손상진단을 위한 인공지능 학습방법과 인공지능 학습시스템, 그리고 이를 이용하는 텐던 손상진단 방법과 텐던 손상진단 시스템 | |
| CN117076935B (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
| CN112465124B (zh) | 孪生深度时空神经网络模型获取/故障诊断方法、装置 | |
| CN111124896B (zh) | 一种主次峰值比计算算法的蜕变测试系统 | |
| CN114897855A (zh) | 基于x射线图片灰度值分布判定缺陷类型的方法 | |
| CN111124895B (zh) | 一种主次峰值比计算算法的蜕变测试方法 | |
| KR102663746B1 (ko) | 텐던 손상진단을 위한 인공지능 진단모델의 학습방법과 학습시스템, 그리고 이를 위한 추가 학습데이터의 형성시스템 및 형성방법 | |
| TWI551868B (zh) | 診斷子網路缺陷之電腦實施方法，用於診斷子網路缺陷的具有複數指令儲存於其上之電腦可讀取儲存媒體以及故障合成的診斷系統 | |
| CN111880957A (zh) | 一种基于随机森林模型的程序错误定位方法 | |
| US20230368696A1 (en) | Coding test device and coding test method | |
| CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
| US6539498B1 (en) | Method of detecting cause of failure in computer | |
| KR100713206B1 (ko) | 다중고착 고장 진단을 위한 매칭 방법 | |
| CN111241725B (zh) | 基于条件生成对抗网络的结构响应重构方法 | |
| CN112465037B (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
| KR102337692B1 (ko) | 오류가 의심되는 바운딩 박스를 검출하는 방법 및 이를 수행하는 컴퓨터 장치 | |
| CN113033845B (zh) | 一种电力传输资源共建共享的建设方法及装置 | |
| JP4312799B2 (ja) | 信頼性評価プログラムおよび信頼性評価装置 | |
| CN114418929A (zh) | 基于一致性多尺度度量学习的焊缝缺陷识别方法 | |
| CN105975739A (zh) | 整机产品贮存寿命建模方法 | |
| KR101904320B1 (ko) | 전기적 신호를 이용한 구조물 보강재 진단 방법 및 장치 | |
| DE102019003679A1 (de) | Motoranalysesystem zum Bestimmen einer Motoranomalie sowie Verfahren zum Bestimmen einer Motoranomalie | |
| Shen et al. | A Novel Methodology for Inspection and Strength Evaluation of Suspension Bridge Main Cables |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |