KR102668336B1 - 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치 및 방법 - Google Patents
인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치 및 방법 Download PDFInfo
- Publication number
- KR102668336B1 KR102668336B1 KR1020210070138A KR20210070138A KR102668336B1 KR 102668336 B1 KR102668336 B1 KR 102668336B1 KR 1020210070138 A KR1020210070138 A KR 1020210070138A KR 20210070138 A KR20210070138 A KR 20210070138A KR 102668336 B1 KR102668336 B1 KR 102668336B1
- Authority
- KR
- South Korea
- Prior art keywords
- ready
- mixed concrete
- image
- feature
- artificial intelligence
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims description 55
- 238000003908 quality control method Methods 0.000 title description 4
- 239000004567 concrete Substances 0.000 claims abstract description 153
- 238000000605 extraction Methods 0.000 claims abstract description 41
- 238000013135 deep learning Methods 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 239000000284 extract Substances 0.000 claims abstract description 24
- 239000000463 material Substances 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 15
- 230000002950 deficient Effects 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 14
- 230000007547 defect Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000011395 ready-mix concrete Substances 0.000 description 4
- 239000002994 raw material Substances 0.000 description 3
- 241000985694 Polypodiopsida Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004801 process automation Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004570 mortar (masonry) Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B28—WORKING CEMENT, CLAY, OR STONE
- B28C—PREPARING CLAY; PRODUCING MIXTURES CONTAINING CLAY OR CEMENTITIOUS MATERIAL, e.g. PLASTER
- B28C7/00—Controlling the operation of apparatus for producing mixtures of clay or cement with other substances; Supplying or proportioning the ingredients for mixing clay or cement with other substances; Discharging the mixture
- B28C7/04—Supplying or proportioning the ingredients
- B28C7/0404—Proportioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치는 관심영역 영상으로부터 레미콘 슬럼프의 농도를 정의하기 위한 요점 특징을 추출하고, 상기 요점 특징을 대표하는 특징 기술자를 구성하는 특징 추출부, 상기 특징 기술자에 따라 레미콘의 되기가 어느 정도인지 판단할 수 있도록 딥러닝 알고리즘에 학습 데이터를 제공하는 학습부, 및 실시간 레미콘 영상의 특징 기술자를 상기 딥러닝 알고리즘에 제공하여 상기 실시간 레미콘 영상의 분석 결과를 도출하는 인식부를 포함한다.
Description
본 발명은 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치 및 방법에 관한 것이다.
슬럼프(slump)란 레미콘의 반죽질기(Consistency)를 나타내는 값이다. 높이 30cm의 콘에 콘크리트를 넣고, 콘을 천천히 위로 뽑아내면, 반죽질기 정도에 맞게 자중으로 정점이 내려가는데, 이 정점의 하락을 슬럼프라 하며 레미콘 사용 용도에 따라 슬럼프의 차이를 주어야 한다.
레미콘 슬럼프 크기를 결정하는 농도(묽기)를 조절하기 위해 수분, 시멘트, 모래, 자갈 등을 추가 후, 혼합기 혹은 믹서를 이용해 혼합한다. 이때, 믹서 안에서 제조되고 있는 레미콘의 농도를 확인하기 위해 사람이 믹서 내부의 레미콘 농도를 직접 육안으로 확인해야 한다. 이러한 방법은 사람의 판단 착오로 인한 적정 농도 불일치의 문제가 발생할 가능성이 높고, 농도를 확인하기 위한 전문 인력이 상시 대기하여야 한다. 이에 의해 추가적인 비용이 요구되고, 전문가의 순간적 부주의와 실수로 원재료 낭비 및 손실, 결과 건축물의 심각한 품질문제가 발생하기도 한다.
본 발명이 해결하고자 하는 기술적 과제는 인적 오류에 의한 원재료 낭비 및 손실, 결과 건축물의 품질문제를 방지할 수 있는 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치 및 방법을 제공함에 있다.
본 발명의 일 실시예에 따른 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치는 관심영역 영상으로부터 레미콘 슬럼프의 농도를 정의하기 위한 요점 특징을 추출하고, 상기 요점 특징을 대표하는 특징 기술자를 구성하는 특징 추출부, 상기 특징 기술자에 따라 레미콘의 되기가 어느 정도인지 판단할 수 있도록 딥러닝 알고리즘에 학습 데이터를 제공하는 학습부, 및 실시간 레미콘 영상의 특징 기술자를 상기 딥러닝 알고리즘에 제공하여 상기 실시간 레미콘 영상의 분석 결과를 도출하는 인식부를 포함한다.
상기 특징 추출부는 동영상으로 촬영된 레미콘 영상을 프레임 단위로 분리하고, 프레임 단위의 레미콘 영상에서 일정한 크기의 관심영역을 지정하여 상기 관심영역 영상을 추출하는 관심영역 지정부를 포함할 수 있다.
상기 특징 추출부는 상기 관심영역 영상을 푸리에 변환으로 주파수 스펙트럼 영상으로 변환하는 요점 특징 추출부를 더 포함할 수 있다.
상기 요점 특징 추출부는 상기 주파수 스펙트럼 영상에서 하나의 사분면에 해당하는 특징부 영상을 선택할 수 있다.
상기 특징 추출부는 상기 특징부 영상에서 최저주파 계수부터 최고주파 계수 순서로 정렬하여 주파수 계수 분포를 상기 특징 기술자로서 추출하는 특징 기술자 구성부를 더 포함할 수 있다.
상기 특징 기술자 구성부는 상기 주파수 계수 분포에서 이상점을 제거하기 위한 회선 연산을 수행할 수 있다.
상기 특징 추출부는 밀집 역탐색 옵티컬 플로우 방법으로 상기 관심영역 영상에서 프레임별로 산출된 레미콘 속도를 상기 요점 특징으로 추출하는 요점 특징 추출부를 더 포함할 수 있다.
상기 특징 추출부는 상기 프레임별로 산출된 레미콘 속도를 합산하여 형성된 속도 히스토그램을 상기 특징 기술자로서 구조화하는 특징 기술자 구성부를 더 포함할 수 있다.
상기 특징 추출부는 상기 프레임별로 산출된 레미콘 속도를 일렬로 나열하여 형성된 속도 히스토그램을 상기 특징 기술자로서 구조화하는 특징 기술자 구성부를 더 포함할 수 있다.
상기 특징 추출부는 상기 관심영역 영상의 이전 프레임과 현재 프레임의 차이에 해당하는 차영상을 상기 요점 특징으로 추출하는 요점 특징 추출부를 더 포함할 수 있다.
상기 특징 추출부는 상기 차영상을 상기 특징 기술자로서 구조화하는 특징 기술자 구성부를 더 포함할 수 있다.
상기 학습부는 상기 특징 기술자와 상기 특징 기술자에 대응하는 라벨 정보를 상기 딥러닝 알고리즘의 학습 데이터로 제공할 수 있다.
상기 분석 결과는 상기 실시간 레미콘 영상의 특징 기술자에 대응하는 라벨 정보를 포함할 수 있다.
상기 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치는 상기 실시간 레미콘 영상의 분석 결과를 기반으로 레미콘 재료의 추가 여부를 자동으로 판별하고 결핍재료를 가감하는 자동 균일 제어 구성부를 더 포함할 수 있다.
본 발명의 다른 실시예에 따른 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 방법은 동영상으로 촬영된 레미콘 영상을 프레임 단위로 분리하고, 프레임 단위의 레미콘 영상에서 일정한 크기의 관심영역을 지정하여 관심영역 영상을 추출하는 단계, 관심영역 영상으로부터 레미콘 슬럼프의 농도를 정의하기 위한 요점 특징을 추출하는 단계, 상기 요점 특징을 대표하는 특징 기술자를 구성하는 단계, 상기 특징 기술자에 따라 레미콘의 되기가 어느 정도인지 판단할 수 있도록 딥러닝 알고리즘에 학습 데이터를 제공하는 단계, 및 실시간 레미콘 영상의 특징 기술자를 상기 딥러닝 알고리즘에 제공하여 상기 실시간 레미콘 영상의 분석 결과를 도출하는 단계를 포함한다.
상기 요점 특징을 추출하는 단계는, 상기 관심영역 영상을 푸리에 변환으로 주파수 스펙트럼 영상으로 변환하는 단계, 및 상기 주파수 스펙트럼 영상에서 하나의 사분면에 해당하는 특징부 영상을 선택하는 단계를 포함할 수 있다.
상기 특징 기술자를 구성하는 단계는, 상기 특징부 영상에서 최저주파 계수부터 최고주파 계수 순서로 정렬하여 주파수 계수 분포를 상기 특징 기술자로서 추출하는 단계를 포함할 수 있다.
상기 특징 기술자를 구성하는 단계는, 상기 주파수 계수 분포에서 이상점을 제거하기 위한 회선 연산을 수행하는 단계를 더 포함할 수 있다.
상기 요점 특징을 추출하는 단계는, 밀집 역탐색 옵티컬 플로우 방법으로 상기 관심영역 영상에서 프레임별로 산출된 레미콘 속도를 상기 요점 특징으로 추출하는 단계를 포함할 수 있다.
상기 특징 기술자를 구성하는 단계는, 상기 프레임별로 산출된 레미콘 속도를 합산하거나 또는 일렬로 나열하여 형성된 속도 히스토그램을 상기 특징 기술자로서 구조화하는 단계를 포함할 수 있다.
상기 요점 특징을 추출하는 단계는, 상기 관심영역 영상의 이전 프레임과 현재 프레임의 차이에 해당하는 차영상을 상기 요점 특징으로 추출하는 단계를 포함할 수 있다.
상기 딥러닝 알고리즘에 상기 학습 데이터를 제공하는 단계는, 상기 특징 기술자와 상기 특징 기술자에 대응하는 라벨 정보를 상기 딥러닝 알고리즘의 학습 데이터로 제공하는 단계를 포함할 수 있다.
상기 분석 결과는 상기 실시간 레미콘 영상의 특징 기술자에 대응하는 라벨 정보를 포함할 수 있다.
상기 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 방법은 상기 실시간 레미콘 영상의 분석 결과를 기반으로 레미콘 재료의 추가 여부를 자동으로 판별하고 결핍재료를 가감하는 단계를 더 포함할 수 있다.
본 발명의 실시예에 따른 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치 및 방법은 실시간으로 믹서 내부의 영상을 수신하여 요구되는 슬럼프의 농도를 판단과 동시에 결핍재료를 판단하여 결핍재료의 가감을 명령할 수 있다.
전문가가 상시로 대기하며 레미콘의 농도를 눈으로 직접 확인해야 했던 기존의 방식과는 달리, 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치 및 방법은 직접적인 판단을 통한 적정 농도의 레미콘 생산이 가능하고 적정 농도 불일치의 확률을 최소화할 수 있고 비용을 절감할 수 있다.
인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치 및 방법은 영상 데이터 내의 요점(key point) 특징을 추출해 기계 학습을 통한 판별 기준 생성 메커니즘을 이용함에 따라 사람의 눈으로 분류하지 못했던 미세한 농도 차이도 분류할 수 있고, 레미콘뿐만 아니라 다양한 액체 원료 농도 판별 시에도 활용될 수 있고, 기술 및 시스템 확장성, 그 응용성이 높다.
인공지능 인식 시스템의 직접적인 관리가 이루어지면서 배합비율 파악, 자재 및 수분 투입, 믹서 작동 등의 과정에서 발생할 수 있는 오류 사항에 대한 명확한 원인 규명이 가능하고, 제조공정에서 발생할 수 있는 문제에 대한 신속한 대응책을 마련함과 동시에 신속한 재가동으로 제조공정에서 발생할 수 있는 손실이 최소화될 수 있다.
인공지능 인식 시스템은 시스템 스스로가 품질을 인식하고 분류하므로 전문적인 지식이나 기술 없이도 품질 제어가 가능하며, 간단한 교육을 받은 소수의 시스템 관리자가 생산 공정을 전부 관리 및 운영할 수 있다. 따라서 적은 인력으로도 레미콘 제조 공정이 수행될 수 있다.
인공지능 인식 시스템은 기존에 유지됐던 부분 공정 자동화에 대한 완전 자동화 대안을 제공하고, 스마트공장에서 요구하는 요소 중 하나인 완전 공정 자동화를 통해 비용 절감, 생산 시간 단축, 생산 품질 유지 및 향상의 효과를 제공할 수 있다. 이를 통해 세계적으로 주목받고 있는 레미콘 스마트공장 운영관리 기술 및 시스템 보유 반열에 도달할 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치 및 방법을 나타내는 블록도이다.
도 2는 본 발명의 일 실시예에 따른 관심영역을 지정하는 과정을 나타내는 예시도이다.
도 3은 본 발명의 일 실시예에 따른 관심영역을 푸리에 변환하는 과정을 나타내는 예시도이다.
도 4는 본 발명의 일 실시예에 따른 주파수 영상에서 요점 특징 영상을 선택하는 과정을 나타내는 예시도이다.
도 5는 본 발명의 일 실시예에 따른 특징 기술자를 구성하는 과정을 나타내는 예시도이다.
도 6은 본 발명의 일 실시예에 따른 특징 기술자에서 이상점을 제거하는 과정을 나타내는 예시도이다.
도 7은 본 발명의 일 실시예에 따른 특징 기술자를 신경망의 딥러닝 분류기의 훈련 데이터로 제공하는 과정을 나타내는 예시도이다.
도 2는 본 발명의 일 실시예에 따른 관심영역을 지정하는 과정을 나타내는 예시도이다.
도 3은 본 발명의 일 실시예에 따른 관심영역을 푸리에 변환하는 과정을 나타내는 예시도이다.
도 4는 본 발명의 일 실시예에 따른 주파수 영상에서 요점 특징 영상을 선택하는 과정을 나타내는 예시도이다.
도 5는 본 발명의 일 실시예에 따른 특징 기술자를 구성하는 과정을 나타내는 예시도이다.
도 6은 본 발명의 일 실시예에 따른 특징 기술자에서 이상점을 제거하는 과정을 나타내는 예시도이다.
도 7은 본 발명의 일 실시예에 따른 특징 기술자를 신경망의 딥러닝 분류기의 훈련 데이터로 제공하는 과정을 나타내는 예시도이다.
이하, 첨부한 도면을 참고로 하여 본 발명의 실시예들에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예들에 한정되지 않는다.
본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다.
또한, 명세서 전체에서, 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 의미한다.
이하, 도 1 내지 7을 참조하여 본 발명의 실시예에 따른 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치 및 방법에 대하여 설명한다.
도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치 및 방법을 나타내는 블록도이다. 도 2는 본 발명의 일 실시예에 따른 관심영역을 지정하는 과정을 나타내는 예시도이다. 도 3은 본 발명의 일 실시예에 따른 관심영역을 푸리에 변환하는 과정을 나타내는 예시도이다. 도 4는 본 발명의 일 실시예에 따른 주파수 영상에서 요점 특징 영상을 선택하는 과정을 나타내는 예시도이다. 도 5는 본 발명의 일 실시예에 따른 특징 기술자를 구성하는 과정을 나타내는 예시도이다. 도 6은 본 발명의 일 실시예에 따른 특징 기술자에서 이상점을 제거하는 과정을 나타내는 예시도이다. 도 7은 본 발명의 일 실시예에 따른 특징 기술자를 신경망의 딥러닝 분류기의 훈련 데이터로 제공하는 과정을 나타내는 예시도이다.
도 1 내지 7을 참조하면, 본 발명의 실시예에 따른 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치는 믹서 내부의 농도별 레미콘 혼합 영상 데이터들을 수집 후, 농도별 영상 특징을 정의하고 추출하여 기계 학습 알고리즘, 예를 들어 딥러닝 알고리즘을 기반으로 농도 판정 모델을 학습시킬 수 있다. 이렇게 학습된 시스템은 레미콘 농도를 인식할 수 있고, 이후 레미콘 슬럼프 자동 균일 제어 장치는 실시간으로 믹서 내부의 레미콘 영상을 수신하여 슬럼프의 농도를 판단과 동시에 결핍재료 판단과 결핍재료 가감을 자동으로 명령할 수 있다.
더욱 상세하게 설명하면, 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치는 특징 추출부(100), 학습부(200), 인식부(300) 및 자동 균일 제어 구성부(400)를 포함할 수 있다.
특징 추출부(100)는 레미콘 영상에 대한 요점 특징을 추출하고, 요점 특징을 대표하는 특징 기술자를 구성하는 과정을 수행한다. 특징 추출부(100)는 입력 영상 수집부(101), 관심영역 지정부(102), 요점 특징 추출부(103) 및 특징 기술자 구성부(104)를 포함할 수 있다.
입력 영상 수집부(101)는 카메라를 이용하여 레미콘 영상(10)을 촬영하여 관심영역 지정부(102)에 전달할 수 있다. 입력 영상 수집부(101)는 주기적 또는 일정 시간 동안 레미콘 영상(10)을 동영상으로 촬영할 수 있다. 입력 영상 수집부(101)에서 수집되는 레미콘 영상(입력 영상)(10)은 요점 특징 및 특징 기술자를 구성하기 위한 것이다.
관심영역 지정부(102)는 레미콘이 섞이는 과정 중에 있는 레미콘 영상(10)을 프레임 단위로 분리하고, 프레임 단위의 레미콘 영상(10)에서 일정한 크기의 관심영역(11)을 지정하여 관심영역 영상(12)을 추출할 수 있다. 관심영역(11)은 레미콘 영상(10)의 전체 이미지 중에서 특징점이 보이는 부분일 수 있다. 관심영역(11)은 프레임 단위의 레미콘 영상(10)에서 중앙 부분을 기준으로 일정한 크기로 지정될 수 있다. 관심영역 지정부(102)는 레미콘 영상(10)의 모든 프레임에서 관심영역(11)을 지정하지 않고 레미콘 영상(10)에서 일정한 주기마다 프레임을 획득하고, 획득된 프레임 단위의 레미콘 영상(10)에서 관심영역(11)을 지정할 수 있다. 이는 레미콘 영상(10)에서 일부분을 추출하더라도 전체 레미콘 영상(10)을 대표할 수 있기 때문이고, 불필요한 특징의 개수를 줄여 실시간 처리를 용이하게 하기 위한 것이다. 관심영역 지정부(102)는 관심영역으로 이루어진 관심영역 영상(12)을 요점 특징 추출부(103)에 전달한다.
요점 특징 추출부(103)는 관심영역 영상(12)으로부터 레미콘 슬럼프의 농도를 정의하기 위한 요점 특징(패턴 정의)을 추출할 수 있다. 요점 특징 추출부(103)는 요점 특징을 관심영역 영상(12)의 주파수 구성 분포로 정의할 수 있다.
구체적으로, 요점 특징 추출부(103)는 관심영역 영상(12)을 푸리에 변환으로 주파수 스펙트럼 영상(13)으로 변환할 수 있다. 주파수 스펙트럼 영상(13)은 화소 밝기가 급변하는 영역인 고주파 영역과 화소 밝기의 변화가 거의 없거나 점진적으로 변하는 저주파 영역으로 구성될 수 있다. 푸리에 변환은 프레임 단위의 관심영역 영상(12)(원본 영상)을 주파수 스펙트럼 영상(13)으로 변환하는 알고리즘이다.
그리고 요점 특징 추출부(103)는 주파수 스펙트럼 영상(13)에서 하나의 사분면에 해당하는 특징부 영상(14)을 선택할 수 있다. 주파수 스펙트럼 영상(13)은 제1 사분면을 기준으로 제2 사분면, 제3 사분면, 제4 사분면이 대칭 형태를 가지고 있으므로, 4개의 사분면 중에서 하나의 사분면으로 원본 영상의 모든 정보를 표현할 수 있다. 도 4에서는 주파수 스펙트럼 영상(13)에서 제2 사분면이 선택된 것을 예시하고 있으며, 제2 사분면의 특징부 영상(14)에서 최저 주파수는 왼쪽 위에 해당하고 최고 주파수는 오른쪽 아래에 해당한다.
실시예에 따라, 요점 특징 추출부(103)는 푸리에 변환 이외의 다양한 방법으로 요점 특징을 추출할 수 있다. 예를 들어, 요점 특징 추출부(103)는 VVC(Variance of Variance Components), VOV(Variance of Variance), SIFT(Scale-Invariant Feature Transform Feature), SURF(Speed-Up Robust Features), HOG(Histogram of Oriented Gradient), FAST(Features from Accelerated Segment Test), BRIEF(Binary Robust Independent Elementary Features), ORB(Oriented FAST and Rotated BRIEF), Haar Feature, Ferns Feature, MCT(Modified Census Transform) Feature, GLCM(Gray Level Co-occurrence Matrix) Feature, LBP(Local Binary Patern), Gabor Filter 등의 요점 특징 추출 알고리즘을 이용하여 요점 특징을 추출할 수 있다.
VVC는 모집단에서 추출한 표본 집단이 모집단의 특징을 잘 반영하고 있는지를 나타내기 위하여 분산을 사용한다. 분산은 집단의 특징을 나타내는 합과 평균을 이용한 특징이므로 집단의 성격을 잘 나타낸다. 따라서 부분 집단이 모집단의 특징을 반영하고 있다면 이 둘의 분산은 유사한 값을 가지게 될 것이다. VVC는 부분 집단들의 분산과 모집단의 분산을 비교하는 방식으로 유사성을 판정한다.
VOV는 VVC의 특징을 개선한 방법으로서 모집단을 영상의 배경으로, 표본 집단을 결함을 포함하고 있는 영상으로 설정하여 이들의 분산요소를 비교해 결함 유무를 판별하는 방법이다. 영상에서 결함을 포함한 표본 집단의 밝기 값은 배경만을 포함한 표본 집단의 밝기 값과 대조를 보이므로 이러한 두 부분 집단의 비교를 통하여 결함의 유무와 위치를 판별해 낸다.
SIFT는 영상의 크기에 상관없이 코너 특징 점을 추출하는 알고리즘이다. SIFT는 원본 영상을 확대 및 축소하여 4세트(Octave)의 이미지를 구성하고 이들을 대상으로 표준편차 값이 다른 여러 가우시안 마스크를 이용한 DoG(Difference of Gaussian) 연산을 통해 영상에서 에지를 검출한다. 그 후 인접한 에지 점 중에서 DoG 값이 가장 큰 에지 점을 기준으로 수평, 수직 미분 값이 모두 큰 에지 점을 코너 점으로 판별한다.
SURF는 적분 영상을 구성하고 2차 미분을 이용하는 헤시안 행렬을 사용해 후보 코너 점을 검출하는 알고리즘이다. SURF는 일반적인 가우시안 필터를 사용하지 않고 근사화된 필터를 적분 이미지에 적용하여 헤시안 행렬 연산을 빠르게 계산한다. 또한 이 근사화된 필터의 크기를 변경함으로 다양한 크기의 코너 점을 검출한다. SURF는 적분 영상과 근사화된 헤시안 행렬, 필터의 크기를 변경하는 방법으로 계산 속도를 높일 수 있다.
HOG는 픽셀에 대한 그레이스케일의 각도와 크기 변화를 고려하여 영상의 기울기 방향을 구하고 이 영상의 기울기 방향을 각도별 빈도수로 히스토그램화된 특징 값을 추출하는 방법이다. 먼저 영상에서 미분을 통한 에지 점을 검출하는 소벨 마스크를 이용한다. 구해진 영상의 기울기 방향을 블록 단위로 묶어 히스토그램을 구성한다.
FAST는 영상에서 코너 특징 점을 빠르게 검출하는 알고리즘이다. 영상의 모든 픽셀 점을 대상으로 주변 16개 픽셀 중 1, 5, 9, 13번 픽셀과 중앙 픽셀의 밝기 차이가 큰 경우 그 점이 코너 특징 점 후보로 지정된다. 여러 영상에서 검출한 코너 특징 점 후보들에 대해 의사결정트리 ID3를 구성해 영상에서의 코너 특징 점들이 결정된다.
BRIEF는 패치 내에서 임의의 픽셀 쌍의 밝기 비교를 통해 이진 기술자를 구성하는 알고리즘이다. 계산이 빠르고 높을 식별력을 가지며 정합 과정이 빠르다는 장점이 있으나 회전에 취약하다는 단점이 있다. 영상에서 코너, 에지 등의 특징 점을 검출하는 알고리즘이 아니므로 특징 점을 검출하는 알고리즘과 함께 사용해야 한다.
ORB는 여러 크기의 영상에 대한 코너 점 검출을 위해 이미지 피라미드를 적용한 FAST 알고리즘을 적용하고 코너 점을 기준으로 행렬의 회전변환을 통해 보완한 BRIEF 기술자를 정의해 특징 기술자를 구성하는 알고리즘이다. FAST 알고리즘을 통한 후보 점을 기준으로 헤리스(Harris) 코너 알고리즘을 적용해 완전한 코너 점이 검출된다.
Haar Feature는 영상에서의 영역 간 밝기차를 이용한 특징이다. 각 특징 값은 흰색 부분에 해당하는 영상 픽셀들의 밝기 합에서 검은색 부분의 밝기 합을 뺀 차로 계산된다. 이렇게 추출한 다수의 특징을 조합하여 대상이 식별된다. 영역 내부에서 물체의 형태 및 위치변화에는 덜 민감하지만 영상의 회전과 대비, 밝기 변화에는 민감하다.
Ferns Feature는 영상에서 먼저 특징 점들을 뽑고 각 특징 점을 중심으로 한 로컬 패치를 구한 다음 로컬 패치 내에서 임의의 한 쌍의 두 점을 잡고 두 점 간의 픽셀 밝기차가 음수인지 양수인지가 특징으로 사용된다. 영상의 대조, 밝기 변화 등에 강인하나 형태가 변하거나 회전된 경우에는 민감하다.
MCT는 입력 영상을 주변 밝기 변화에 대한 영향이 제거된 영상으로 변환하기 위한 용도로 사용된다. 한 픽셀에 대한 MCT 특징 기술자는 주변영역 픽셀의 밝기가 로컬영역의 평균보다 밝으면 0, 어두우면 1로 인코딩하여 그 결과를 비트스트링으로 연결한 값이고 XOR을 통한 해밍거리로 정합(matching)된다. 밝기 변화에 강인하다는 특징이 있다.
GLCM 행렬은 영상의 밝기 값을 좌표로 이용하는 방법으로 영상을 밝기 값의 히스토그램으로 표현하는 방법이다. 영상에서 현재 픽셀과 이웃한 픽셀의 값을 x, y 좌표로 사용하여 해당하는 좌표의 GLCM 행렬에 값을 추가한다. 따라서 배경이 비슷한 색상으로 표현될 경우 배경 색에 대한 히스토그램은 높은 값으로 표현되지만, 결함과 같이 특이 값이 입력될 경우 오차로 인식되어 결함의 검출이 가능하다.
LBP는 이미지의 질감 표현 등에 활용되는 효율적인 이미지의 특징이다. LBP 연산자는 지역적인 이진 패턴 값을 계산한다. 모든 픽셀에 대해서 LBP 값을 계산한 후 LBP 값들의 정규화된 히스토그램을 만들어준다. 이미지의 질감이 256개의 bin으로 구성된 히스토그램으로 정의되며 정의된 질감은 히스토그램 정합 방법으로 결함을 검출하기 위하여 활용된다.
Gabor Filter는 코사인 함수와 가우시안 함수가 합성된 필터이다. 이미지의 밝기, 패턴의 주파수 및 형태, 방향 등을 고려하여 λ, θ, ψ, σ, γ의 다섯 가지 설정 값을 이용해 필터의 형태를 효과적으로 구성할 수 있다. 표면 질감의 크기나 방향성 표현이 우수하며 복잡한 패턴을 가진 배경에서 높은 성능을 보여주어 결함 검사에서 활용된다.
한편, 요점 특징 추출부(103)는 관심영역 영상(12)에 밀집 역탐색(Dense Inverse Search, DIS) 옵티컬 플로우(Optical Flow) 방법을 적용하여 레미콘 슬럼프의 농도를 정의하기 위한 요점 특징을 추출할 수 있다. 슬럼프의 농도(점도)가 높으면 레미콘이 섞이는 속도(레미콘 속도)가 느려지고 슬럼프의 농도(점도)가 낮으면 레미콘 속도가 빨라지므로, DIS 옵티컬 플로우 방법으로 관심영역 영상(12)에 대해 레미콘 속도를 검출함으로써 슬럼프의 농도가 추출될 수 있다. DIS 옵티컬 플로우는 관심영역 영상(12)의 특징점의 밝기값과 주변 픽셀의 밝기값이 변화하지 않는다고 가정한 후 테일러 급수를 통해 전개한 뒤 관심영역 영상(12)에서 레미콘 속도를 계산하는 것이다. 즉, 요점 특징 추출부(103)는 DIS 옵티컬 플로우 방법으로 관심영역 영상(12)에서 프레임 별로 산출되는 레미콘 속도를 요점 특징으로 추출할 수 있다.
다른 한편으로, 요점 특징 추출부(103)는 관심영역 영상(12)의 이전 프레임과 현재 프레임을 비교하여 그 차이에 해당하는 차영상을 생성하고, 차영상을 요점 특징으로 추출할 수 있다. 차영상에는 레미콘의 파형, 흐름 등이 표시될 수 있다.
특징 기술자 구성부(104)는 요점 특징 추출부(103)로부터 요점 특징을 전달받고, 요점 특징을 대표하는 특징 기술자를 구성한다. 더욱 상세하게, 특징 기술자 구성부(104)는 요점 특징 추출부(103)에 의해 변환된 주파수 스펙트럼 영상(13)의 특징부 영상(14)을 전달받고, 특징부 영상(14)에서 최저주파 계수부터 최고주파 계수 순서로 정렬하여 주파수 계수 분포를 추출할 수 있다. 도 5에 예시한 바와 같이, 특징부 영상(14)에서 주파수 계수들은 대각선 방향으로 지그재그의 순서로 정렬되는 특징이 있다. 최저주파 계수에서 최고주파 계수로 정렬하기 위해서는 최저주파 계수가 (0,0)에 위치하므로, 주파수 계수는 (0,0), (0,1), (1,0), (2,0), (1,1), (0,2), ... 순서로 정렬될 수 있다.
레미콘의 되기(thick) 정도에 따라 레미콘 영상의 밝기 변화의 분포 정도와 속도가 달라지기 때문에 되기가 다른 레미콘 영상마다 서로 구별 가능한 주파수 계수 분포를 가진다. 따라서, 주파수 계수 분포를 레미콘 영상의 특징을 나타내는 대푯값이라 할 수 있다.
특징 기술자 구성부(104)는 이러한 주파수 계수 분포를 레미콘의 되기를 나타내는 특징 기술자(feature descriptor, FD)로서 자료 구조화할 수 있다. 특징 기술자 구성부(104)는 특징 기술자(FD)를 학습부(200)에 전달하여 딥러닝 분류기의 학습 데이터로 사용되도록 하고, 특징 기술자(FD)를 인식부(300)에 전달하여 레미콘 영상(10)을 실시간으로 분석할 수 있도록 한다.
한편, 주파수 계수 분포에서 일부의 값이 튀어 오르는 이상점(outlier)이 확인될 때가 있다. 따라서, 도 6에 예시한 바와 같이, 특징 기술자 구성부(104)는 특징 기술자(FD)의 전체 데이터 특성을 사라지게 하지 않으면서 이상점을 효과적으로 제거하기 위해 필터를 구성하여 회선(Convolution) 연산을 수행할 수 있다. 특징 기술자 구성부(104)는 회선 연산된 특징 기술자로 데이터 세트를 구성할 수 있다. 이러한 데이터 세트는 딥러닝 학습에 이용되어 분류 정확도를 더욱 높게 향상시킬 수 있다.
한편, 특징 기술자 구성부(104)는 요점 특징 추출부(103)에서 DIS 옵티컬 플로우 방법으로 관심영역 영상(12)에서 프레임별로 산출된 레미콘 속도를 합산하여 형성된 속도 히스토그램을 특징 기술자(FD)로서 구조화할 수 있다.
또는, 특징 기술자 구성부(104)는 요점 특징 추출부(103)에서 DIS 옵티컬 플로우 방법으로 관심영역 영상(12)에서 프레임별로 산출된 레미콘 속도를 일렬로 나열하여 형성된 속도 히스토그램을 특징 기술자(FD)로서 구조화할 수 있다.
다른 한편으로, 특징 기술자 구성부(104)는 관심영역 영상(12)의 이전 프레임과 현재 프레임의 차이에 해당하는 차영상을 특징 기술자(FD)로서 구조화할 수 있다.
학습부(200)는 딥러닝 알고리즘을 이용하여 특징 기술자(FD)에 따라 레미콘의 되기가 어느 정도인지 판단할 수 있도록 신경망에 학습 데이터를 제공하고, 학습 결과에 따라 레미콘 영상(10)에서 되기 정도를 판별하기 위한 정량기준을 확정하는 과정을 수행한다. 학습 데이터는 주파수 계수 분포, 프레임별로 산출된 레미콘 속도를 합산하여 형성된 속도 히스토그램, 프레임별로 산출된 레미콘 속도를 일렬로 나열하여 형성된 속도 히스토그램, 이전 프레임과 현재 프레임의 차이에 해당하는 차영상 중 적어도 하나를 포함하는 특징 기술자(FD)를 기반으로 만들어질 수 있다.
학습부(200)는 딥러닝 분류기 학습부(201) 및 정량기준 확정부(202)를 포함할 수 있다.
딥러닝 분류기 학습부(201)는 신경망의 딥러닝 알고리즘(또는 딥러닝 분류기)이 학습을 위하여 필요로 하는 분류 대상의 특징 값(특징 기술자)과 특징 값에 대응하는 라벨 정보를 제공한다. 예를 들어, 딥러닝 분류기 학습부(201)는 되기가 가장 큰 레미콘 영상(10)에 대한 특징 기술자(FD)와 제1 라벨(예들 들어, 라벨 0), 되기가 중간 정도인 레미콘 영상(10)에 대한 특징 기술자(FD)와 제2 라벨(예를 들어, 라벨 1), 되기가 가장 작은 묽은 레미콘 영상(10)에 대한 특징 기술자(FD)와 제3 라벨(예를 들어, 라벨 2)을 딥러닝 알고리즘의 학습 데이터로 제공할 수 있다.
딥러닝 알고리즘은 도 7에 예시한 바와 같이 제공된 라벨 정보를 원-핫(One-Hot) 형태로 인코딩하여 딥러닝의 학습 알고리즘인 오차 역전파 학습 알고리즘(PackPropagation Learning Algorithm)에 제공한다. 예를 들어, 라벨 0의 경우 벡터 [1,0,0], 라벨 1의 경우 벡터 [0,1,0], 라벨 2의 경우 벡터 [0,0,1]의 형태로 변형되어 학습 데이터의 분류 기준으로 사용될 수 있다.
학습이 완료된 딥러닝 알고리즘은 초기에 설정한 가중치와 다른 학습된 가중치를 가지게 된다. 정량기준 확정부(202)는 학습된 가중치를 실시간 입력으로 들어오는 레미콘 영상(10)의 되기 정도를 자동으로 판별하기 위한 모르타르(mortar) 정량기준으로 확정할 수 있다.
인식부(300)는 정량기준을 기반으로 실시간으로 입력되는 레미콘 영상(10)의 특징 기술자(FD)를 인식하여 레미콘의 되기를 분석하는 과정을 수행한다. 인식부(300)는 특징 기술자 구성부(104)로부터 레미콘 영상(10)의 특징 기술자(FD)를 수신하여 레미콘의 되기를 분석하는 분석부(301)를 포함할 수 있다.
분석부(301)는 실시간으로 입력되는 레미콘 영상(10)의 특징 기술자(FD)를 딥러닝 알고리즘에 제공하거나, 또는 특징 기술자(FD)와 함께 확정된 정량기준을 딥러닝 알고리즘에 제공할 수 있다. 딥러닝 알고리즘은 확정된 정량기준을 기반으로 레미콘의 되기를 분석하고 분석 결과를 분석부(301)에 제공할 수 있다. 이 경우, 딥러닝 알고리즘은 학습하는 것이 아니기 때문에, 분석부(301)는 입력된 특징 기술자(FD)에 대한 라벨 정보를 제공할 필요가 없다. 그리고 오차 역전파 학습 알고리즘이 적용되지 않기 때문에 딥러닝 알고리즘은 매우 빠른 속도로 분석 결과를 도출할 수 있다. 분석 결과는 실시간으로 입력되는 레미콘 영상(10)의 특징 기술자(FD)에 대응하는 라벨 정보를 포함하며, 이 라벨 정보는 학습시에 특징 기술자(FD)와 함께 제공된 라벨 정보일 수 있다.
예를 들어, 실시간으로 입력되는 레미콘 영상(10)의 특징 기술자(FD)가 되기가 가장 큰 레미콘 영상(10)의 특징 기술자(FD)에 해당하는 경우, 학습시에 되기가 가장 큰 레미콘 영상(10)에 대한 특징 기술자(FD)와 함께 제공된 라벨 정보(예를 들어, 라벨 0)가 분석 결과로서 도출될 수 있다.
분석부(301)는 실시간으로 입력되는 레미콘 영상(10)의 분석 결과를 자동 균일 제어 구성부(400)에 전달할 수 있다. 또는, 분석부(301)는 실시간으로 입력되는 레미콘 영상(10)의 분석 결과를 디스플레이를 통해 사용자에게 알릴 수 있다.
자동 균일 제어 구성부(Auto Quality Control)(400)는 레미콘 영상(10)의 분석 결과를 기반으로 물, 시멘트, 모래, 자갈 등의 레미콘 재료의 추가 여부를 자동으로 판별하고 레미콘에 결핍재료를 가감하는 과정을 수행할 수 있다. 자동 균일 제어 구성부(400)는 자동 균일 제어부(401)를 포함할 수 있다.
자동 균일 제어부(401)는 레미콘 영상(10)의 분석 결과를 기반으로 현재 제조하고 있는 레미콘의 상태를 판별하고, 레미콘 재료의 추가 여부를 판단할 수 있다. 자동 균일 제어부(401)는 레미콘이 완성된 상태이면 디스플레이 등을 통해 사용자에게 레미콘의 상태를 알려서 레미콘이 배치될 수 있도록 할 수 있다.
상술한 바와 같이, 본 발명의 실시예에 따른 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치 및 방법은 실시간으로 믹서 내부의 영상을 수신하여 요구되는 슬럼프의 농도를 판단과 동시에 결핍재료를 판단하여 결핍재료의 가감을 명령할 수 있다.
지금까지 참조한 도면과 기재된 발명의 상세한 설명은 단지 본 발명의 예시적인 것으로서, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.
100: 특징 추출부 101: 입력 영상 수집부
102: 관심영역 지정부 103: 요점 특징 추출부
104: 특징 기술자 구성부 200: 학습부
201: 딥러닝 분류기 학습부 202: 정량기준 확정부
300: 인식부 301: 분석부
400: 자동 균일 제어 구성부 401: 자동 균일 제어부
102: 관심영역 지정부 103: 요점 특징 추출부
104: 특징 기술자 구성부 200: 학습부
201: 딥러닝 분류기 학습부 202: 정량기준 확정부
300: 인식부 301: 분석부
400: 자동 균일 제어 구성부 401: 자동 균일 제어부
Claims (24)
- 관심영역 영상으로부터 레미콘 슬럼프의 농도를 정의하기 위한 요점 특징을 추출하고, 상기 요점 특징을 대표하는 특징 기술자를 구성하는 특징 추출부;
상기 특징 기술자에 따라 레미콘의 되기가 어느 정도인지 판단할 수 있도록 딥러닝 알고리즘에 학습 데이터를 제공하는 학습부;
실시간 레미콘 영상의 특징 기술자를 상기 딥러닝 알고리즘에 제공하여 상기 실시간 레미콘 영상의 분석 결과를 도출하는 인식부; 및
상기 실시간 레미콘 영상의 분석 결과를 기반으로 레미콘 재료의 추가 여부를 자동으로 판별하고 결핍재료를 가감하는 자동 균일 제어 구성부를 포함하고,
상기 특징 추출부는,
동영상으로 촬영된 레미콘 영상을 프레임 단위로 분리하고, 프레임 단위의 레미콘 영상에서 일정한 크기의 관심영역을 지정하여 상기 관심영역 영상을 추출하는 관심영역 지정부; 및
상기 관심영역 영상을 푸리에 변환으로 주파수 스펙트럼 영상으로 변환하는 요점 특징 추출부를 포함하는 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치. - 삭제
- 삭제
- 제1 항에 있어서,
상기 요점 특징 추출부는 상기 주파수 스펙트럼 영상에서 하나의 사분면에 해당하는 특징부 영상을 선택하는 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치. - 제4 항에 있어서,
상기 특징 추출부는 상기 특징부 영상에서 최저주파 계수부터 최고주파 계수 순서로 정렬하여 주파수 계수 분포를 상기 특징 기술자로서 추출하는 특징 기술자 구성부를 더 포함하는 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치. - 제5 항에 있어서,
상기 특징 기술자 구성부는 상기 주파수 계수 분포에서 이상점을 제거하기 위한 회선 연산을 수행하는 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치. - 제1 항에 있어서,
상기 특징 추출부는 밀집 역탐색 옵티컬 플로우 방법으로 상기 관심영역 영상에서 프레임별로 산출된 레미콘 속도를 상기 요점 특징으로 추출하는 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치. - 삭제
- 삭제
- 제1 항에 있어서,
상기 요점 특징 추출부는 상기 관심영역 영상의 이전 프레임과 현재 프레임의 차이에 해당하는 차영상을 상기 요점 특징으로 추출하는 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치. - 제10 항에 있어서,
상기 특징 추출부는 상기 차영상을 상기 특징 기술자로서 구조화하는 특징 기술자 구성부를 더 포함하는 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치. - 제1 항에 있어서,
상기 학습부는 상기 특징 기술자와 상기 특징 기술자에 대응하는 라벨 정보를 상기 딥러닝 알고리즘의 학습 데이터로 제공하는 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치. - 제12 항에 있어서,
상기 분석 결과는 상기 실시간 레미콘 영상의 특징 기술자에 대응하는 라벨 정보를 포함하는 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치. - 삭제
- 관심영역 지정부가 동영상으로 촬영된 레미콘 영상을 프레임 단위로 분리하고, 프레임 단위의 레미콘 영상에서 일정한 크기의 관심영역을 지정하여 관심영역 영상을 추출하는 단계;
요점 특징 추출부가 관심영역 영상으로부터 레미콘 슬럼프의 농도를 정의하기 위한 요점 특징을 추출하는 단계;
특징 기술자 구성부가 상기 요점 특징을 대표하는 특징 기술자를 구성하는 단계;
학습부가 상기 특징 기술자에 따라 레미콘의 되기가 어느 정도인지 판단할 수 있도록 딥러닝 알고리즘에 학습 데이터를 제공하는 단계;
분석부가 실시간 레미콘 영상의 특징 기술자를 상기 딥러닝 알고리즘에 제공하여 상기 실시간 레미콘 영상의 분석 결과를 도출하는 단계; 및
자동 균일 제어 구성부가 상기 실시간 레미콘 영상의 분석 결과를 기반으로 레미콘 재료의 추가 여부를 자동으로 판별하고 결핍재료를 가감하는 단계를 포함하고,
상기 요점 특징을 추출하는 단계는 상기 요점 특징 추출부가 상기 관심영역 영상을 푸리에 변환으로 주파수 스펙트럼 영상으로 변환하는 단계를 포함하는 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 방법. - 제15 항에 있어서,
상기 요점 특징을 추출하는 단계는,
상기 요점 특징 추출부가 상기 주파수 스펙트럼 영상에서 하나의 사분면에 해당하는 특징부 영상을 선택하는 단계를 더 포함하는 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 방법. - 제16 항에 있어서,
상기 특징 기술자를 구성하는 단계는,
상기 특징 기술자 구성부가 상기 특징부 영상에서 최저주파 계수부터 최고주파 계수 순서로 정렬하여 주파수 계수 분포를 상기 특징 기술자로서 추출하는 단계를 포함하는 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 방법. - 제17 항에 있어서,
상기 특징 기술자를 구성하는 단계는,
상기 특징 기술자 구성부가 상기 주파수 계수 분포에서 이상점을 제거하기 위한 회선 연산을 수행하는 단계를 더 포함하는 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 방법. - 제15 항에 있어서,
상기 요점 특징을 추출하는 단계는,
상기 요점 특징 추출부가 밀집 역탐색 옵티컬 플로우 방법으로 상기 관심영역 영상에서 프레임별로 산출된 레미콘 속도를 상기 요점 특징으로 추출하는 단계를 포함하는 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 방법. - 삭제
- 제15 항에 있어서,
상기 요점 특징을 추출하는 단계는,
상기 요점 특징 추출부가 상기 관심영역 영상의 이전 프레임과 현재 프레임의 차이에 해당하는 차영상을 상기 요점 특징으로 추출하는 단계를 포함하는 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 방법. - 제15 항에 있어서,
상기 딥러닝 알고리즘에 상기 학습 데이터를 제공하는 단계는,
상기 학습부가 상기 특징 기술자와 상기 특징 기술자에 대응하는 라벨 정보를 상기 딥러닝 알고리즘의 학습 데이터로 제공하는 단계를 포함하는 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 방법. - 제22 항에 있어서,
상기 분석 결과는 상기 실시간 레미콘 영상의 특징 기술자에 대응하는 라벨 정보를 포함하는 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 방법. - 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210070138A KR102668336B1 (ko) | 2021-05-31 | 2021-05-31 | 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210070138A KR102668336B1 (ko) | 2021-05-31 | 2021-05-31 | 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220161869A KR20220161869A (ko) | 2022-12-07 |
| KR102668336B1 true KR102668336B1 (ko) | 2024-05-23 |
Family
ID=84441028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210070138A KR102668336B1 (ko) | 2021-05-31 | 2021-05-31 | 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102668336B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116819050B (zh) * | 2023-06-26 | 2024-04-09 | 河南安祐中路桥工程有限公司 | 混凝土搅拌匀质度检测系统及其检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101936218B1 (ko) * | 2018-07-11 | 2019-01-08 | 주식회사 삼표 | 인공지능 학습기반 레디믹스트 콘크리트 생산 시스템 |
| JP2020144132A (ja) * | 2018-09-26 | 2020-09-10 | 太平洋セメント株式会社 | 生コンクリートの品質予測方法 |
| JP2021009055A (ja) | 2019-06-28 | 2021-01-28 | 大和ハウス工業株式会社 | コンクリートの状態推定システム |
| KR102235712B1 (ko) * | 2020-09-25 | 2021-04-05 | 주식회사 삼표산업 | 콘크리트 슬럼프 예측 시스템 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2261955A (en) * | 1991-11-29 | 1993-06-02 | Schlumberger Services Petrol | Method for predicting thickening times of cement slurries |
-
2021
- 2021-05-31 KR KR1020210070138A patent/KR102668336B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101936218B1 (ko) * | 2018-07-11 | 2019-01-08 | 주식회사 삼표 | 인공지능 학습기반 레디믹스트 콘크리트 생산 시스템 |
| JP2020144132A (ja) * | 2018-09-26 | 2020-09-10 | 太平洋セメント株式会社 | 生コンクリートの品質予測方法 |
| JP2021009055A (ja) | 2019-06-28 | 2021-01-28 | 大和ハウス工業株式会社 | コンクリートの状態推定システム |
| KR102235712B1 (ko) * | 2020-09-25 | 2021-04-05 | 주식회사 삼표산업 | 콘크리트 슬럼프 예측 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220161869A (ko) | 2022-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cheng et al. | Pixel-level crack detection using U-Net | |
| CN106960195B (zh) | 一种基于深度学习的人群计数方法及装置 | |
| Ruz et al. | A neurofuzzy color image segmentation method for wood surface defect detection | |
| Mathavan et al. | Use of a self-organizing map for crack detection in highly textured pavement images | |
| Schmugge et al. | Detection of cracks in nuclear power plant using spatial-temporal grouping of local patches | |
| Ilonen et al. | Comparison of bubble detectors and size distribution estimators | |
| CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
| CN108985170A (zh) | 基于三帧差分法及深度学习的输电线路悬挂物识别方法 | |
| CN111292321A (zh) | 一种输电线路绝缘子缺陷图像识别方法 | |
| CN112163511A (zh) | 一种图像真伪鉴别方法 | |
| CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
| Yusof et al. | Automated asphalt pavement crack detection and classification using deep convolution neural network | |
| Ahmadi et al. | Automatic road crack detection and classification using image processing techniques, machine learning and integrated models in urban areas: A novel image binarization technique | |
| KR102668336B1 (ko) | 인공지능을 이용한 레미콘 슬럼프 자동 균일 제어 장치 및 방법 | |
| CN115512134A (zh) | 快件堆积异常预警方法、装置、设备及存储介质 | |
| Sinha et al. | Morphological segmentation and classification of underground pipe images | |
| Vishwanath et al. | Connected component analysis for Indian license plate infra-red and color image character segmentation | |
| CN114863464A (zh) | 一种pid图纸图件信息的二阶识别方法 | |
| Fang et al. | Towards real-time crack detection using a deep neural network with a Bayesian fusion algorithm | |
| CN117765287A (zh) | 一种结合lwr和密度聚类的图像目标提取方法 | |
| CN116645351A (zh) | 一种复杂场景的缺陷在线检测方法及系统 | |
| Espinoza et al. | Cell cluster segmentation based on global and local thresholding for in-situ microscopy | |
| CN111047614A (zh) | 一种基于特征提取的复杂场景图像的目标角点提取方法 | |
| Pham et al. | Image segmentation using fuzzy min-max neural networks for wood defect detection | |
| JP2003216953A (ja) | 画像から対象物を抽出する方法およびその装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |