KR20210071151A - Automated bim construction system and method of railway bridge - Google Patents

Automated bim construction system and method of railway bridge Download PDF

Info

Publication number
KR20210071151A
KR20210071151A KR1020190160542A KR20190160542A KR20210071151A KR 20210071151 A KR20210071151 A KR 20210071151A KR 1020190160542 A KR1020190160542 A KR 1020190160542A KR 20190160542 A KR20190160542 A KR 20190160542A KR 20210071151 A KR20210071151 A KR 20210071151A
Authority
KR
South Korea
Prior art keywords
bim
unit
automated
point cloud
railway
Prior art date
Application number
KR1020190160542A
Other languages
Korean (ko)
Other versions
KR102397256B1 (en
Inventor
박정준
윤형철
이재혁
이준석
이승정
유민택
김민정
Original Assignee
한국철도기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국철도기술연구원 filed Critical 한국철도기술연구원
Priority to KR1020190160542A priority Critical patent/KR102397256B1/en
Publication of KR20210071151A publication Critical patent/KR20210071151A/en
Application granted granted Critical
Publication of KR102397256B1 publication Critical patent/KR102397256B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01D—CONSTRUCTION OF BRIDGES, ELEVATED ROADWAYS OR VIADUCTS; ASSEMBLY OF BRIDGES
    • E01D18/00—Bridges specially adapted for particular applications or functions not provided for elsewhere, e.g. aqueducts, bridges for supporting pipe-lines
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

The present invention relates to a system and method for constructing automated building information modeling (BIM) for a railway bridge. In accordance with an embodiment of the present invention, the system for constructing automated BIM for a railway bridge comprises: a lidar measurement unit for performing lidar measurement of an existing railway bridge, or a target structure to obtain 3D point cloud data; a deep learning object recognition unit for recognizing the 3D point cloud data, or shape information obtained by the lidar measurement unit as each object constituting the railway bridge through deep learning algorithm; an object parameter extraction unit for extracting parameters of each object constituting the railway bridge when the shape information obtained by the lidar measurement unit is recognized and classified as a unit object to be modeled in the deep learning object recognition unit; a modeling unit for performing BIM (Building Information Modeling) based on the parameters extracted in the object parameter extraction unit; and a BIM construction unit for constructing BIM for a railway bridge, which is modeled on the modeling unit.

Description

철도교량의 자동화된 BIM 구축 시스템 및 방법{AUTOMATED BIM CONSTRUCTION SYSTEM AND METHOD OF RAILWAY BRIDGE}AUTOMATED BIM CONSTRUCTION SYSTEM AND METHOD OF RAILWAY BRIDGE

본 발명의 실시예들은 철도교량의 자동화된 BIM 구축 시스템 및 방법에 관한 것이다. Embodiments of the present invention relate to an automated BIM building system and method of a railway bridge.

주지된 바와 같이, 철도교량 등의 구조물에 대한 도면이 있는 경우에는 도면에 근거하여 기존 철도교량의 BIM 구축을 수행한다. 만일, 철도교량 등의 구조물에 대한 도면이 확보되지 않은 경우 또는 구조물의 장기 변형 혹은 보수/보강 등으로 인해 형상이 변화되어 도면과 상이할 경우에는 계측을 통해 구조물의 형상정보를 취득하고 BIM 구축을 수행해야 한다.As is well known, if there are drawings for structures such as railway bridges, BIM construction of existing railway bridges is performed based on the drawings. If the drawings for structures such as railway bridges are not secured, or if the shape is different from the drawings due to long-term deformation or repair/reinforcement of the structure, obtain the shape information of the structure through measurement and start BIM construction. should be done

한편, 구조물의 형상정보를 취득할 때, 라이다(Lidar) 장치를 활용하여 정확한 구조물의 형상정보를 3D 점군 데이터(3D point cloud data)로 취득한다. 그리고 이를 기반으로 작업자가 수작업을 통해 3D 모델링을 수행한다. On the other hand, when acquiring shape information of a structure, accurate shape information of a structure is acquired as 3D point cloud data by using a lidar device. And based on this, the operator manually performs 3D modeling.

그런데, 3D 점군 데이터(3D point cloud data)는 x, y, z 좌표를 담고 있으며, 데이터 자체가 어떠한 다른 의미를 담고 있지 않기 때문에 이를 기반으로 모델링을 수행하는 작업에 어려움이 있다. 예를 들어, 작업자는 수십만 개의 포인트 데이터를 일일이 육안으로 확인하면서 구조물의 면(plane)으로 생성해야 하는데, 이러한 작업에는 과도한 시간 및 비용이 소요되는 문제점이 있다. However, 3D point cloud data contains x, y, and z coordinates, and since the data itself does not contain any other meaning, it is difficult to perform modeling based on it. For example, an operator needs to create a plane of a structure while checking hundreds of thousands of point data with the naked eye, but this operation requires excessive time and money.

이러한 연유에 따라, 종래에는 문화재 복원 등 특수한 분야에서만 이러한 방식이 사용되었으며, 일반적인 구조물에 사용되기에는 어려움이 따랐다. For this reason, conventionally, this method has been used only in special fields such as restoration of cultural properties, and it is difficult to use it for general structures.

나아가, 기존의 철도교량 등의 구조물을 모델링 하는 표준화 된 기준이 없기 때문에 작업자에 따라서 결과물에 차이가 나타나는 문제점이 있었다. Furthermore, since there is no standardized standard for modeling structures such as existing railway bridges, there is a problem in that the results are different depending on the operator.

따라서, 기존에 인력에 의해 수행되었던 BIM 구축의 작업 과정을 딥러닝 기술과 BIM library 기술을 활용하여 인력에 의한 작업 부분을 자동화하고, 표준화 된 기준을 적용하여 BIM의 품질을 확보할 수 있는 기술 개발이 요청된다. Therefore, the process of building BIM that was previously performed by manpower is automated by using deep learning technology and BIM library technology, and technology development that can secure the quality of BIM by applying standardized standards This is requested

본 발명과 관련된 선행문헌으로서 대한민국 공개특허공보 제10-2019-0063905호가 있으며, 상기 선행문헌에는 철도 인프라 3D 모델링 장치 및 방법에 관한 내용이 개시되어 있다. As a prior document related to the present invention, there is Republic of Korea Patent Publication No. 10-2019-0063905, and the prior document discloses a railway infrastructure 3D modeling apparatus and method.

대한민국 공개특허공보 제10-2019-0063905호Republic of Korea Patent Publication No. 10-2019-0063905

본 발명의 목적은 기존 철도교량에 대한 라이다(Lidar) 계측을 통해 얻은 형상정보를 딥러닝을 통해 모델링 할 단위 객체로 인식 및 분류하고, 각 객체별 주요 설계 변수를 추출한 후, 철도교량 파라메트릭 BIM 라이브러리(parametric BIM library)를 통해 BIM을 구축할 수 있는 철도교량의 자동화된 BIM 구축 시스템을 제공함에 있다. It is an object of the present invention to recognize and classify shape information obtained through Lidar measurement for existing railway bridges as unit objects to be modeled through deep learning, extract major design variables for each object, and then parametric railway bridges It is to provide an automated BIM building system for railway bridges that can build BIM through a BIM library (parametric BIM library).

본 발명의 다른 목적은 기존 철도교량에 대한 라이다 계측을 통해 얻은 형상정보를 딥러닝을 통해 모델링 할 단위 객체로 인식 및 분류하고, 각 객체별 주요 설계 변수를 추출한 후, 철도교량 파라메트릭 BIM 라이브러리를 통해 BIM을 구축할 수 있는 철도교량의 자동화된 BIM 구축 방법을 제공함에 있다.Another object of the present invention is to recognize and classify shape information obtained through LiDAR measurement for existing railway bridges as unit objects to be modeled through deep learning, extract major design variables for each object, and then parametric BIM library for railway bridges It is to provide an automated BIM construction method for railway bridges that can build BIM through

본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.The objects of the present invention are not limited to the above-mentioned objects, and other objects and advantages of the present invention not mentioned may be understood by the following description, and will be more clearly understood by the examples of the present invention. Moreover, it will be readily apparent that the objects and advantages of the present invention may be realized by the means and combinations thereof indicated in the claims.

본 발명의 일 실시예에 따른 철도교량의 자동화된 BIM 구축 시스템은, 대상 구조물인 기존의 철도교량에 대한 라이다 계측을 수행하여 3D 점군 데이터(3D point cloud data)를 획득하는 라이다 계측부; 상기 라이다 계측부에서 획득된 형상정보인 상기 3D 점군 데이터(3D point cloud data)를 딥러닝 알고리즘을 통해 철도교량을 이루는 각 객체로 인식하는 딥러닝 객체 인식부; 상기 라이다 계측부에서 획득된 형상정보가 상기 딥러닝 객체 인식부에서 모델링 할 단위 객체로 인식 및 분류되면, 철도교량을 이루는 각 객체별 파라미터를 추출하는 객체 파라미터 추출부; 상기 객체 파라미터 추출부에서 추출된 파라미터들을 기반으로 BIM (Building Information Modeling) 모델링을 수행하는 모델링부; 및 상기 모델링부에서 모델링 된 철도교량의 BIM을 구축하는 BIM 구축부;를 포함한다. An automated BIM construction system for a railway bridge according to an embodiment of the present invention includes: a lidar measurement unit for obtaining 3D point cloud data by performing lidar measurement on an existing railway bridge, which is a target structure; a deep learning object recognition unit for recognizing the 3D point cloud data, which is shape information obtained from the lidar measurement unit, as each object constituting the railway bridge through a deep learning algorithm; an object parameter extraction unit for extracting parameters for each object constituting a railway bridge when the shape information obtained from the lidar measurement unit is recognized and classified as a unit object to be modeled by the deep learning object recognition unit; a modeling unit configured to perform BIM (Building Information Modeling) modeling based on the parameters extracted by the object parameter extraction unit; and a BIM construction unit for constructing the BIM of the railway bridge modeled by the modeling unit.

상기 라이다 계측부에서 획득한 상기 3D 점군 데이터는 위치좌표(x, y, z)와 RGB 값을 포함한다. The 3D point cloud data obtained by the lidar measurement unit includes position coordinates (x, y, z) and RGB values.

상기 딥러닝 객체 인식부는, 상기 3D 점군 데이터(3D point cloud data)를 철도교량을 이루는 각 객체로 인식하기 위해서 딥러닝 알고리즘을 학습할 수 있다. The deep learning object recognition unit may learn a deep learning algorithm to recognize the 3D point cloud data as each object constituting the railway bridge.

상기 딥러닝 객체 인식부는, 상기 딥러닝 알고리즘을 학습하기 위해 구축된 학습 데이터베이스를 더 포함한다. The deep learning object recognition unit further includes a learning database built to learn the deep learning algorithm.

상기 학습 데이터베이스는, 가상의 철도교량을 3D로 모델링하고, 상기 모델링 된 결과물을 3D 점군(3D point cloud)으로 변환한 후, 상기 라이다 계측부에서 획득된 형상정보와 결합하여 구축될 수 있다. The learning database may be constructed by modeling a virtual railway bridge in 3D, converting the modeled result into a 3D point cloud, and combining it with shape information obtained from the lidar measurement unit.

상기 객체 파라미터 추출부는, 상기 3D 점군 데이터에 존재하는 계측 오차를 제거할 수 있다.The object parameter extractor may remove a measurement error existing in the 3D point cloud data.

상기 객체 파라미터 추출부는, KNN(K-Nearest Neighbor) 알고리즘을 적용하여, 상기 3D 점군 데이터 내에서 철도교량 이외의 데이터를 제거할 수 있다. The object parameter extractor may apply a K-Nearest Neighbor (KNN) algorithm to remove data other than railway bridges from the 3D point cloud data.

상기 객체 파라미터 추출부는, 상기 계측 오차가 제거된 방향성이 존재하지 않는 상기 3D 점군 데이터에 대해 주 길이 방향으로 좌표변환을 수행할 수 있다. The object parameter extractor may perform coordinate transformation in the main longitudinal direction on the 3D point cloud data having no directionality from which the measurement error is removed.

상기 객체 파라미터 추출부는, X축을 폭, Y축을 길이, Z축을 높이로 설정하고, 상기 3D 점군 데이터를 각 축에 맞춰주는 작업을 수행할 수 있다. The object parameter extractor may set the X-axis as the width, the Y-axis as the length, and the Z-axis as the height, and align the 3D point cloud data to each axis.

상기 객체 파라미터 추출부는, MSAC(M-estimator Sample Consensus) 알고리즘을 적용하여, 상기 3D 점군 데이터에 대해 주 길이 방향을 찾을 수 있다. The object parameter extractor may apply an M-estimator sample consensus (MSAC) algorithm to find a main length direction for the 3D point cloud data.

상기 객체 파라미터 추출부는, 상기 3D 점군 데이터 전체에 대해 3차원 회전변환을 적용하여 방향성을 맞춰줄 수 있다. The object parameter extractor may apply a three-dimensional rotation transformation to the entire 3D point cloud data to match the direction.

상기 객체 파라미터 추출부는, 상기 3차원 회전변환을 적용한 상기 3D 점군 데이터에 대해 MSAC(M-estimator Sample Consensus) 알고리즘을 반복 적용하여, 철도교량을 이루는 구성요소별 형상을 찾을 수 있다. The object parameter extractor may repeatedly apply an M-estimator Sample Consensus (MSAC) algorithm to the 3D point cloud data to which the 3D rotation transformation is applied to find the shape of each component constituting the railway bridge.

상기 모델링부는, 파라메트릭 BIM 라이브러리(Parametric BIM Library) 기반의 모델링 방법으로, 상기 객체 파라미터 추출부에서 추출된 철도교량의 파라미터들을 기반으로 철도교량에 대한 BIM을 모델링 할 수 있다. The modeling unit may model the BIM for the railway bridge based on the parameters of the railway bridge extracted by the object parameter extraction unit in a modeling method based on a parametric BIM library.

본 발명의 일 실시예에 따른 철도교량의 자동화된 BIM 구축 방법은, 상기의 철도교량의 자동화된 BIM 구축 시스템을 이용한 철도교량의 자동화된 BIM 구축 방법으로서, 상기 라이다 계측부에서, 대상 구조물인 기존의 철도교량에 대한 라이다 계측을 수행하여 3D 점군 데이터(3D point cloud data)를 획득하는 라이다 계측 단계; 상기 딥러닝 객체 인식부에서, 상기 라이다 계측부에서 획득된 형상정보인 상기 3D 점군 데이터(3D point cloud data)를 딥러닝 알고리즘을 통해 철도교량을 이루는 각 객체로 인식하는 딥러닝 객체 인식 단계; 상기 객체 파라미터 추출부에서, 상기 라이다 계측부에서 획득된 형상정보가 상기 딥러닝 객체 인식부에서 모델링 할 단위 객체로 인식 및 분류되면, 철도교량을 이루는 각 객체별 파라미터를 추출하는 객체 파라미터 추출 단계; 상기 모델링부에서, 상기 객체 파라미터 추출부에서 추출된 파라미터들을 기반으로 BIM (Building Information Modeling) 모델링을 수행하는 모델링 단계; 및 상기 BIM 구축부에서, 상기 모델링부에서 모델링 된 철도교량의 BIM을 구축하는 BIM 구축 단계;를 포함한다. The automated BIM construction method of a railway bridge according to an embodiment of the present invention is an automated BIM construction method of a railway bridge using the automated BIM construction system of the railway bridge, and in the lidar measurement unit, the existing target structure a lidar measurement step of acquiring 3D point cloud data by performing lidar measurement on a railway bridge of A deep learning object recognition step of recognizing, in the deep learning object recognition unit, the 3D point cloud data, which is shape information obtained from the lidar measurement unit, as each object constituting the railway bridge through a deep learning algorithm; In the object parameter extraction unit, when the shape information obtained from the lidar measurement unit is recognized and classified as a unit object to be modeled by the deep learning object recognition unit, an object parameter extraction step of extracting parameters for each object constituting the railway bridge; a modeling step of performing, in the modeling unit, BIM (Building Information Modeling) modeling based on the parameters extracted by the object parameter extraction unit; and a BIM construction step of constructing, in the BIM construction unit, the BIM of the railway bridge modeled by the modeling unit.

상기 딥러닝 객체 인식 단계는, 상기 딥러닝 객체 인식부에서, 상기 3D 점군 데이터(3D point cloud data)를 철도교량을 이루는 각 객체로 인식하기 위해서 딥러닝 알고리즘을 학습하는 단계를 더 포함한다. The deep learning object recognition step further includes the step of learning a deep learning algorithm in the deep learning object recognition unit to recognize the 3D point cloud data as each object constituting the railway bridge.

상기 딥러닝 객체 인식 단계는, 상기 딥러닝 알고리즘을 학습하기 위해 학습 데이터베이스를 구축하는 단계를 더 포함한다. The deep learning object recognition step further includes the step of building a learning database to learn the deep learning algorithm.

상기 학습 데이터베이스는, 가상의 철도교량을 3D로 모델링하고, 상기 모델링 된 결과물을 3D 점군(3D point cloud)으로 변환한 후, 상기 라이다 계측부에서 획득된 형상정보와 결합하여 구축될 수 있다. The learning database may be constructed by modeling a virtual railway bridge in 3D, converting the modeled result into a 3D point cloud, and combining it with shape information obtained from the lidar measurement unit.

상기 객체 파라미터 추출 단계는, 상기 객체 파라미터 추출부에서, 상기 3D 점군 데이터에 존재하는 계측 오차를 제거하는 단계를 더 포함한다. The step of extracting the object parameter may further include removing, by the object parameter extracting unit, a measurement error existing in the 3D point cloud data.

상기 객체 파라미터 추출 단계는, 상기 객체 파라미터 추출부에서, 상기 계측 오차가 제거된 방향성이 존재하지 않는 상기 3D 점군 데이터에 대해 주 길이 방향으로 좌표변환을 수행하는 단계를 더 포함한다. The step of extracting the object parameters may further include, by the object parameter extracting unit, performing coordinate transformation in the main length direction on the 3D point cloud data in which the directionality from which the measurement error is removed does not exist.

상기 객체 파라미터 추출 단계는, 상기 객체 파라미터 추출부에서, X축을 폭, Y축을 길이, Z축을 높이로 설정하고, 상기 3D 점군 데이터를 각 축에 맞춰주는 작업을 수행하는 단계를 더 포함한다. The step of extracting the object parameters further includes, in the object parameter extracting unit, setting the X-axis as the width, the Y-axis as the length, and the Z-axis as the height, and aligning the 3D point cloud data with each axis.

상기 객체 파라미터 추출 단계는, 상기 객체 파라미터 추출부에서, MSAC(M-estimator Sample Consensus) 알고리즘을 적용하여, 상기 3D 점군 데이터에 대해 주 길이 방향을 찾는 단계를 더 포함한다. The step of extracting the object parameter further includes, in the object parameter extracting unit, finding a main longitudinal direction for the 3D point cloud data by applying an M-estimator sample consensus (MSAC) algorithm.

상기 객체 파라미터 추출 단계는, 상기 객체 파라미터 추출부에서, 상기 3D 점군 데이터 전체에 대해 3차원 회전변환을 적용하여 방향성을 맞춰주는 단계를 더 포함한다. The step of extracting the object parameter may further include, in the object parameter extracting unit, applying a three-dimensional rotation transformation to the entire 3D point cloud data to match the direction.

상기 모델링 단계는, 상기 모델링부에서, 파라메트릭 BIM 라이브러리(Parametric BIM Library) 기반의 모델링 방법으로, 상기 객체 파라미터 추출부에서 추출된 철도교량의 파라미터들을 기반으로 철도교량에 대한 BIM을 모델링 할 수 있다.In the modeling step, in the modeling unit, a parametric BIM library-based modeling method, based on the parameters of the railway bridge extracted from the object parameter extraction unit, BIM for the railway bridge can be modeled. .

본 발명에 의하면 기존의 철도교량에 대한 BIM(Building Information Modeling)을 구축 시 인력에 의한 과도한 작업 시간으로 인한 비용 증가로 현업에 제한적으로 적용되었던 것을 딥러닝, 파라미터 추출, BIM 라이브러리 기술을 이용하여 자동화된 방식으로 대체할 수 있다. According to the present invention, when constructing BIM (Building Information Modeling) for existing railway bridges, it is automated using deep learning, parameter extraction, and BIM library technology, which has been limitedly applied to the field due to an increase in cost due to excessive work time by manpower. can be substituted in any way.

그 결과, 기존의 철도교량에 대한 BIM을 구축하는데 필요한 작업 시간이 단축될 수 있으며, 비용을 대폭 절감할 수 있는 장점이 있다. As a result, the work time required to build the BIM for the existing railway bridge can be shortened, and there is an advantage that the cost can be significantly reduced.

또한, 철도교량의 모델링에 대한 표준화를 통해서 작업자와 상관없이 균일한 품질의 모델링이 가능한 장점이 있다. In addition, there is an advantage that uniform quality modeling is possible regardless of the operator through standardization of the modeling of railway bridges.

상술한 효과와 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.In addition to the above-described effects, the specific effects of the present invention will be described together while describing specific details for carrying out the invention below.

도 1은 본 발명의 실시예에 따른 철도교량의 자동화된 BIM 구축 방법을 간략히 도시한 순서도이다.
도 2는 본 발명의 실시예에 따른 철도교량의 자동화된 BIM 구축 시스템을 간략히 도시한 순서도이다.
도 3은 실제 철도교량 라이다(Lidar) 계측 데이터와 가상의 3D 모델링 데이터를 보여주는 도면이다.
도 4는 본 발명의 실시예에 따른 철도교량의 자동화된 BIM 구축 방법에 따라 3D 점군 데이터에 3차원 회전변환을 적용하여 방향성을 맞춰주는 작업을 보여주는 도면이다.
도 5는 본 발명의 실시예에 따른 철도교량의 자동화된 BIM 구축 방법에 따라 구조물(예: PSC빔 거더교 등)의 파라미터 추출 결과를 보여주는 도면이다. 1 is a flowchart schematically illustrating an automated BIM construction method of a railway bridge according to an embodiment of the present invention.
2 is a flowchart schematically illustrating an automated BIM construction system of a railway bridge according to an embodiment of the present invention.
3 is a view showing actual railway bridge Lidar measurement data and virtual 3D modeling data.
4 is a view showing an operation of matching the direction by applying a 3D rotation transformation to 3D point cloud data according to an automated BIM construction method of a railway bridge according to an embodiment of the present invention.
5 is a view showing the parameter extraction result of a structure (eg, PSC beam girder bridge, etc.) according to the automated BIM construction method of the railway bridge according to the embodiment of the present invention.

이하, 도면을 참조하여 본 발명의 실시예에 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 실시예에 한정되지 않는다.Hereinafter, with reference to the drawings, embodiments of the present invention will be described in detail so that those of ordinary skill in the art to which the present invention pertains can easily implement them. The present invention may be embodied in many different forms and is not limited to the embodiments described herein.

본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다. 또한, 본 발명의 일부 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다.In order to clearly explain the present invention, parts irrelevant to the description are omitted, and the same reference numerals are given to the same or similar elements throughout the specification. Further, some embodiments of the present invention will be described in detail with reference to exemplary drawings. In adding reference numerals to components of each drawing, the same components may have the same reference numerals as much as possible even though they are indicated in different drawings. In addition, in describing the present invention, if it is determined that a detailed description of a related known configuration or function may obscure the gist of the present invention, the detailed description may be omitted.

본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질, 차례, 순서 또는 개수 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 다른 구성 요소가 "개재"되거나, 각 구성 요소가 다른 구성 요소를 통해 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.In describing the components of the present invention, terms such as first, second, A, B, (a), (b), etc. may be used. These terms are only for distinguishing the elements from other elements, and the nature, order, order, or number of the elements are not limited by the terms. When it is described that a component is “connected”, “coupled” or “connected” to another component, the component may be directly connected or connected to the other component, but other components may be interposed between each component. It will be understood that each component may be “interposed” or “connected”, “coupled” or “connected” through another component.

또한, 본 발명을 구현함에 있어서 설명의 편의를 위하여 구성요소를 세분화하여 설명할 수 있으나, 이들 구성요소가 하나의 장치 또는 모듈 내에 구현될 수도 있고, 혹은 하나의 구성요소가 다수의 장치 또는 모듈들에 나뉘어져서 구현될 수도 있다.In addition, in implementing the present invention, components may be subdivided for convenience of description, but these components may be implemented in one device or module, or one component may include a plurality of devices or modules. It may be implemented by being divided into .

도면에서, 도 1은 본 발명의 실시예에 따른 철도교량의 자동화된 BIM 구축 방법을 간략히 도시한 순서도이다. 도 2는 본 발명의 실시예에 따른 철도교량의 자동화된 BIM 구축 시스템을 간략히 도시한 도면이다.In the drawings, FIG. 1 is a flowchart schematically illustrating an automated BIM construction method of a railway bridge according to an embodiment of the present invention. 2 is a diagram schematically illustrating an automated BIM construction system of a railway bridge according to an embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명의 실시예에 따른 철도교량의 자동화된 BIM 구축 시스템 및 방법에 관하여 상세히 설명하기로 한다. Hereinafter, an automated BIM construction system and method of a railway bridge according to an embodiment of the present invention will be described in detail with reference to the accompanying drawings.

철도교량의 자동화된 BIM 구축 시스템Automated BIM construction system for railway bridges

본 발명의 일 실시예에 따르는 철도교량의 자동화된 BIM 구축 시스템(1000)은 라이다(Lidar) 계측부(100), 딥러닝 객체 인식부(200), 객체 파라미터 추출부(300), 파라메트릭 BIM 라이브러리 기반 모델링부(400), BIM 구축부(500)를 포함한다. The automated BIM construction system 1000 of a railway bridge according to an embodiment of the present invention is a lidar measurement unit 100 , a deep learning object recognition unit 200 , an object parameter extraction unit 300 , and a parametric BIM It includes a library-based modeling unit 400 and a BIM construction unit 500 .

라이다 계측부(100)는 계측 대상 구조물인 기존의 철도교량에 대한 라이다(Lidar) 계측을 실시한다. The lidar measurement unit 100 performs lidar measurement on an existing railway bridge that is a measurement target structure.

라이다 계측부(100)의 계측을 통해 기존의 철도교량에 대한 3D 점군 데이터(3D point cloud data)를 획득할 수 있다. It is possible to acquire 3D point cloud data for the existing railway bridge through the measurement of the lidar measurement unit 100 .

라이다 계측부(100)에 의해 획득된 3D 점군 데이터(3D point cloud data)는 위치좌표(x, y, z)와 RGB 값을 가지고 있다. 다만, 각 포인트(point)가 개별적으로 존재할 뿐이며, 이들이 어떠한 의미를 가지고 있지는 않다. 3D point cloud data obtained by the lidar measurement unit 100 has position coordinates (x, y, z) and RGB values. However, each point exists only individually, and these do not have any meaning.

따라서 딥러닝 기술을 이용하여 라이다 계측부(100)에서 획득된 3D 점군 데이터(3D point cloud data)를 교량 상판, 교각, 전신주 등의 철도교량을 이루는 각 객체로 인식하여 점군(point cloud)을 의미 있는 데이터로 인식한다. Therefore, by using deep learning technology, the 3D point cloud data obtained from the lidar measurement unit 100 is recognized as each object constituting the railway bridge, such as the bridge deck, pier, and electric pole, which means a point cloud. recognized as data.

딥러닝 객체 인식부(200)는 라이다 계측부(100)에서 획득된 3D 점군 데이터(3D point cloud data)를 철도교량을 이루는 각 객체로 인식하여 점군(point cloud)을 의미 있는 데이터로 인식하도록 구성된다. The deep learning object recognition unit 200 recognizes the 3D point cloud data obtained from the lidar measurement unit 100 as each object constituting the railway bridge and recognizes the point cloud as meaningful data. do.

구체적으로는, 딥러닝 객체 인식부(200)는 철도교량 객체를 인식하기 위해서는 딥러닝 알고리즘을 학습하며, 이를 위해 학습 데이터베이스 구축이 필요하다. Specifically, the deep learning object recognition unit 200 learns a deep learning algorithm in order to recognize a railway bridge object, and for this, a learning database construction is required.

바람직하게는, 실제의 철도교량에 대한 라이다 계측 데이터를 기반으로 학습 데이터베이스를 구축하는 것이 가장 정확하다. 하지만, 실제의 철도교량에 대한 라이다 계측 시 학습 데이터베이스 구축에 지나치게 많은 시간과 노력이 소요되며, 열차의 운행 때문에 교량 상부에서는 계측이 어려운 문제점이 있다. Preferably, it is most accurate to build a learning database based on LiDAR measurement data for an actual railway bridge. However, it takes too much time and effort to build a learning database when measuring LiDAR for an actual railway bridge, and there is a problem in that it is difficult to measure at the upper part of the bridge due to the operation of the train.

따라서, 본 발명에서는 이를 보완하기 위해 가상의 철도교량을 3D로 모델링하고 이를 3D 점군(3D point cloud)로 변환한 후 실제 철도구조물의 라이다 계측 데이터와 결합하여 필요한 학습 데이터베이스를 구축할 수 있다. 이에 따라, 학습 정확도를 향상시킬 수 있으며, 보다 경제적인 방법으로 학습 데이터베이스의 구축이 가능한 장점이 있다. 도 3의 (a)는 실제 철도교량에 대한 라이다 계측 데이터를 보여주고 있다. 이와 대비하여 도 3의 (b)에는 가상의 3D 모델링 데이터를 비교하여 도시하고 있다. Therefore, in the present invention, in order to supplement this, a virtual railway bridge is modeled in 3D, it is converted into a 3D point cloud, and the necessary learning database can be constructed by combining it with the LiDAR measurement data of the actual railway structure. Accordingly, learning accuracy can be improved, and there is an advantage in that a learning database can be constructed in a more economical way. Figure 3 (a) shows the LiDAR measurement data for the actual railway bridge. In contrast to this, FIG. 3B shows a comparison of virtual 3D modeling data.

라이다 계측부(100)에서 획득된 형상정보는 전술한 딥러닝 객체 인식부(200)를 통해 모델링 할 단위 객체로 인식 및 분류되며, 객체 파라미터 추출부(300)는 각 객체별 주요 설계 변수를 추출하도록 구성된다.The shape information obtained from the lidar measurement unit 100 is recognized and classified as a unit object to be modeled through the deep learning object recognition unit 200 described above, and the object parameter extraction unit 300 extracts major design variables for each object. configured to do

라이다 계측부(100)에서 획득한 3D 점군 데이터(3D point cloud data)에는 계측 오차가 존재하므로 이를 제거하는 과정이 필요하다.Since there is a measurement error in the 3D point cloud data acquired by the lidar measurement unit 100 , a process of removing it is required.

객체 피라미터 추출부(300)에서는, 먼저 KNN(K-Nearest Neighbor) 알고리즘을 적용하여 철도교량 부분이 아닌 데이터를 제거할 수 있다. In the object parameter extraction unit 300, first, a KNN (K-Nearest Neighbor) algorithm may be applied to remove data that is not part of a railway bridge.

라이다 계측부(100)에서 획득된 3D 점군 데이터(3D point cloud data)는 방향성이 존재하지 않는다. 따라서 주 길이 방향으로 좌표변환을 해 주어야 한다.The 3D point cloud data obtained by the lidar measurement unit 100 has no directionality. Therefore, it is necessary to convert the coordinates in the main length direction.

예를 들어, X축을 폭, Y축을 길이, Z축을 높이로 설정하여 획득된 3D 점군 데이터(3D point cloud data)를 각 축에 맞춰주는 작업이 요청된다. For example, it is requested to align the 3D point cloud data obtained by setting the X-axis as the width, the Y-axis as the length, and the Z-axis as the height to each axis.

한편, 주 길이 방향을 찾기 위해 MSAC(M-estimator Sample Consensus) 알고리즘을 적용하여 가장 길이가 긴 평면을 찾을 수 있다. 예를 들어, 교량 상판의 경우 가장 길이가 긴 평면은 슬래브가 될 수 있다. 이와 같은 방식으로 찾은 슬래브의 법선벡터를 기준으로 3D 점군 데이터(3D point cloud data) 전체에 3차원 회전변환을 적용하여 방향성을 맞춰줄 수 있다. Meanwhile, in order to find the main longitudinal direction, the longest plane can be found by applying an M-estimator sample consensus (MSAC) algorithm. For example, in the case of a bridge deck, the longest plane may be a slab. Based on the normal vector of the slab found in this way, the 3D rotation transformation can be applied to the entire 3D point cloud data to match the direction.

도 4는 원본인 3D 점군 데이터(즉, 원본 Point Cloud Data)에 3차원 회전변환을 적용하여 방향성을 맞춰주는 작업을 보여주는 도면이다. 도시된 바와 같이, 3차원 회전변환이 이루어진 3D 점군 데이터(3D point cloud data)에 다시 한번 MSAC을 적용하여 교량의 구성요소별 형상을 찾을 수 있다. 예를 들어, 철도교량의 상판은 평면, 철도교량의 교각은 원기둥을 찾는 알고리즘을 사용할 수 있다. 4 is a view showing an operation of matching the direction by applying a 3D rotation transformation to the original 3D point cloud data (ie, the original Point Cloud Data). As shown, the shape of each component of the bridge can be found by once again applying MSAC to 3D point cloud data that has undergone three-dimensional rotation transformation. For example, an algorithm that finds a plane for the top plate of a railway bridge and a cylinder for a pier of a railway bridge can be used.

이와 같이, 객체 파라미터 추출부(300)는 형상정보로부터 불필요한 점들(outlier)을 제외시키고 필요한 파라미터만을 찾아 추출할 수 있다. 도 5는 구조물, 즉 PSC빔 거더교의 파라미터 추출 결과를 예시적으로 나타낸 것으로서, PCS빔 거더교의 파라미터 추출 작업을 보여준다. In this way, the object parameter extracting unit 300 may exclude unnecessary outliers from the shape information and find and extract only necessary parameters. FIG. 5 exemplarily shows the parameter extraction result of the structure, that is, the PSC beam girder bridge, and shows the parameter extraction operation of the PCS beam girder bridge.

모델링부(400)는 객체 파라미터 추출부(300)에서 추출된 철도교량의 필요한 파라미터들을 기반으로 BIM 모델링을 수행한다. The modeling unit 400 performs BIM modeling based on the necessary parameters of the railway bridge extracted by the object parameter extraction unit 300 .

구체적으로는 파라메트릭 BIM 라이브러리 기반 모델링부(400)는 철도교량의 파라메트릭 BIM 라이브러리(Parametric BIM Library) 기반의 모델링 기술을 사용한다. 여기서, 철도교량을 정의할 수 있는 파라미터의 정의가 중요한데, 해당 파라미터를 기반으로 BIM 라이브러리가 모델링 된다. Specifically, the parametric BIM library-based modeling unit 400 uses a parametric BIM library-based modeling technology of a railway bridge. Here, it is important to define a parameter that can define a railway bridge, and the BIM library is modeled based on the parameter.

BIM 구축부(500)는 철도교량의 파라메트릭 BIM 라이브러리(Parametric BIM Library) 기반의 모델링 기술을 이용하여 모델링 된 BIM을 구축한다. 따라서, 철도교량의 모델링에 대한 표준화를 통해서, 작업자와 상관없이 균일한 품질의 BIM 모델링이 가능해 질 수 있으며, 종래에 비해 자동화된 방식으로 짧은 시간 및 저 비용을 들여 철도교량에 대한 BIM을 구축할 수 있다. The BIM construction unit 500 builds a modeled BIM using a modeling technology based on a parametric BIM library of a railway bridge. Therefore, through standardization of railway bridge modeling, uniform quality BIM modeling can be made irrespective of workers, and BIM for railway bridges can be built in a short time and at low cost in an automated manner compared to the prior art. can

철도교량의 자동화된 BIM 구축 방법How to build automated BIM for railway bridges

본 발명의 일 실시예에 따르는 철도교량의 자동화된 BIM 구축 방법은, 전술한 철도교량의 자동화된 BIM 구축 시스템(1000, 도 2 참조)를 이용하여 기존 철도교량의 자동화된 BIM 구축을 위한 방법을 말한다. The automated BIM construction method of a railway bridge according to an embodiment of the present invention is a method for automated BIM construction of an existing railway bridge using the above-described automated BIM construction system (1000, see FIG. 2) of the railway bridge. say

본 발명의 일 실시예에 따르는 철도교량의 자동화된 BIM 구축 방법은, 도 1에 도시된 바와 같이 라이다 계측 단계(S100), 딥러닝 객체 인식 단계(S200), 객체 파라미터 추출 단계(S300), 파라메트릭 BIM 라이브러리 기반 모델링 단계(S400), BIM 구축 단계(S500)를 포함한다. The automated BIM construction method of a railway bridge according to an embodiment of the present invention, as shown in FIG. 1, includes a lidar measurement step (S100), a deep learning object recognition step (S200), an object parameter extraction step (S300), It includes a parametric BIM library-based modeling step (S400) and a BIM construction step (S500).

라이다 계측 단계(S100)Lidar measurement step (S100)

본 단계는 라이다 계측 단계로서, 라이다 계측부(100)는 계측 대상 구조물인 기존의 철도교량에 대한 라이다(Lidar) 계측을 실시한다. 이를 통해 기존의 철도교량에 대한 3D 점군 데이터(3D point cloud data)를 획득할 수 있다. This step is a lidar measurement step, and the lidar measurement unit 100 performs lidar measurement on an existing railway bridge, which is a measurement target structure. Through this, 3D point cloud data for existing railway bridges can be acquired.

본 단계에서, 라이다 계측부(100)에 의해 획득된 3D 점군 데이터(3D point cloud data)는 위치좌표(x, y, z)와 RGB 값을 가지고 있다. 다만, 각 포인트(point)가 개별적으로 존재할 뿐이며, 이들이 어떠한 의미를 가지고 있지는 않다. In this step, the 3D point cloud data obtained by the lidar measurement unit 100 has position coordinates (x, y, z) and RGB values. However, each point exists only individually, and these do not have any meaning.

따라서 후술될 단계들을 통해 딥러닝 기술을 이용하여 본 단계에서 획득된 3D 점군 데이터(3D point cloud data)를 교량 상판, 교각, 전신주 등의 철도교량을 이루는 각 객체로 인식하여 점군(point cloud)을 의미 있는 데이터로 인식하는 과정이 필요하다. Therefore, through the steps to be described later, the 3D point cloud data obtained in this step is recognized as each object constituting the railway bridge, such as the bridge deck, pier, and telephone pole, using deep learning technology to create a point cloud. The process of recognizing it as meaningful data is necessary.

딥러닝 객체 인식 단계(S200)Deep learning object recognition step (S200)

본 단계는 딥러닝 객체 인식 단계로서, 딥러닝 객체 인식부(200)는 라이다 계측부(100)에서 획득된 3D 점군 데이터(3D point cloud data)를 철도교량을 이루는 각 객체로 인식하여 점군(point cloud)을 의미 있는 데이터로 인식한다. This step is a deep learning object recognition step, in which the deep learning object recognition unit 200 recognizes the 3D point cloud data obtained from the lidar measurement unit 100 as each object constituting the railway bridge and recognizes the point clouds. cloud) as meaningful data.

구체적으로는, 딥러닝 객체 인식 단계(S200)는, 딥러닝 객체 인식부(200)에서 철도교량 객체를 인식하기 위해서 딥러닝 알고리즘을 학습하는 단계를 더 포함할 수 있다. Specifically, the deep learning object recognition step (S200) may further include the step of learning a deep learning algorithm in order to recognize the railway bridge object in the deep learning object recognition unit 200.

또한, 딥러닝 객체 인식 단계(S200)는 상기 딥러닝 알고리즘을 학습하기 위해 학습 데이터베이스를 구축하는 단계를 더 포함할 수 있다. In addition, the deep learning object recognition step (S200) may further include the step of building a learning database to learn the deep learning algorithm.

구체적으로는, 상기 학습 데이터베이스는, 가상의 철도교량을 3D로 모델링하고, 상기 모델링 된 결과물을 3D 점군(3D point cloud)으로 변환한 후, 상기 라이다 계측부에서 획득된 형상정보와 결합하여 구축될 수 있다. Specifically, the learning database is to be built by modeling a virtual railway bridge in 3D, converting the modeled result into a 3D point cloud, and combining it with shape information obtained from the lidar measurement unit. can

바람직하게는, 실제의 철도교량에 대한 라이다 계측 데이터를 기반으로 학습 데이터베이스를 구축하는 것이 가장 정확하다. Preferably, it is most accurate to build a learning database based on LiDAR measurement data for an actual railway bridge.

하지만, 실제의 철도교량에 대한 라이다 계측 시 학습 데이터베이스 구축에 지나치게 많은 시간과 노력이 소요되며, 열차의 운행 때문에 교량 상부에서는 계측이 어려운 문제점이 있다. However, it takes too much time and effort to build a learning database when measuring LiDAR for an actual railway bridge, and there is a problem in that it is difficult to measure at the upper part of the bridge due to the operation of the train.

따라서, 본 단계에서는 가상의 철도교량을 3D로 모델링하고 이를 3D 점군(3D point cloud)로 변환한 후 실제 철도구조물의 라이다 계측 데이터와 결합하여 필요한 학습 데이터베이스를 구축한다. 그 결과, 학습 정확도를 향상시킬 수 있으며, 보다 경제적인 방법으로 학습 데이터베이스의 구축이 가능한 장점이 있다. 하나의 예시로서 도 3의 (a)에는 실제 철도교량에 대한 라이다 계측 데이터가 도시되어 있으며, 도 3의 (b)에는 가상의 3D 모델링 데이터가 비교 도시되어 있다. Therefore, in this step, the virtual railway bridge is modeled in 3D, converted into a 3D point cloud, and combined with the LiDAR measurement data of the actual railway structure to build the necessary learning database. As a result, learning accuracy can be improved, and there is an advantage that a learning database can be built in a more economical way. As an example, Fig. 3 (a) shows lidar measurement data for an actual railway bridge, and Fig. 3 (b) shows a comparison of virtual 3D modeling data.

객체 파라미터 추출 단계(S300)Object parameter extraction step (S300)

본 단계는 객체 파라미터 추출 단계로서, 상기 라이다 계측부(100)에서 획득된 형상정보가 상기 딥러닝 객체 인식부(200)에서 모델링 할 단위 객체로 인식 및 분류된 다음에, 객체 파라미터 추출부(300)에서 철도교량을 이루는 각 객체별 파라미터를 추출한다. 즉, 객체 파라미터 추출부(300)는 각 객체별 주요 설계 변수를 추출하도록 구성될 수 있다. This step is an object parameter extraction step. After the shape information obtained by the lidar measurement unit 100 is recognized and classified as a unit object to be modeled by the deep learning object recognition unit 200, the object parameter extraction unit 300 ), extract the parameters for each object constituting the railway bridge. That is, the object parameter extraction unit 300 may be configured to extract major design variables for each object.

구체적으로는, 객체 파라미터 추출 단계(S300)는 라이다 계측부(100)에서 획득한 3D 점군 데이터(3D point cloud data)에 존재하는 계측 오차를 제거하는 단계를 더 포함할 수 있다. Specifically, the step of extracting the object parameters ( S300 ) may further include removing a measurement error existing in the 3D point cloud data obtained by the lidar measurement unit 100 .

예컨대, 객체 파라미터 추출 단계(S300)는 객체 피라미터 추출부(300)에서, KNN(K-Nearest Neighbor) 알고리즘을 적용하여 철도교량 부분이 아닌 데이터를 제거할 수 있다. For example, in the object parameter extraction step ( S300 ), the object parameter extraction unit 300 may apply a K-Nearest Neighbor (KNN) algorithm to remove data that is not part of a railway bridge.

또한, 객체 파라미터 추출 단계(S300)는 객체 파라미터 추출부(300)에서 계측 오차가 제거된 방향성이 존재하지 않는 3D 점군 데이터에 대해 주 길이 방향으로 좌표변환을 수행하는 단계를 더 포함할 수 있다. 이는, 라이다 계측부(100)에서 획득된 3D 점군 데이터(3D point cloud data)는 방향성이 존재하지 않기 때문에, 주 길이 방향으로 좌표변환을 해주는 것이다. In addition, the object parameter extraction step ( S300 ) may further include performing coordinate transformation in the main longitudinal direction on the 3D point cloud data having no directionality from which the measurement error is removed by the object parameter extraction unit 300 . This is because the 3D point cloud data obtained by the lidar measurement unit 100 does not have a directionality, and thus coordinates are converted in the main longitudinal direction.

예를 들어, 객체 파라미터 추출 단계(S300)는 객체 파라미터 추출부(300)에서 X축을 폭, Y축을 길이, Z축을 높이로 설정하고, 상기 3D 점군 데이터를 각 축에 맞춰주는 작업을 수행하는 단계를 더 포함할 수 있다. For example, in the object parameter extraction step (S300), the object parameter extraction unit 300 sets the X-axis as the width, the Y-axis as the length, and the Z-axis as the height, and aligning the 3D point cloud data with each axis. may further include.

또한, 객체 파라미터 추출 단계(S300)에서, 객체 파라미터 추출부(300)가 3D 점군 데이터에 대해 주 길이 방향을 찾기 위하여 MSAC(M-estimator Sample Consensus) 알고리즘을 적용할 수 있다. Also, in the object parameter extraction step S300 , the object parameter extraction unit 300 may apply an M-estimator Sample Consensus (MSAC) algorithm to find the main length direction for the 3D point cloud data.

다시 말해, 주 길이 방향을 찾기 위해 MSAC(M-estimator Sample Consensus) 알고리즘을 적용하여 가장 길이가 긴 평면을 찾을 수 있다. In other words, the longest plane can be found by applying an M-estimator sample consensus (MSAC) algorithm to find the main longitudinal direction.

예를 들어, 교량 상판의 경우 가장 길이가 긴 평면은 슬래브가 될 수 있다. 이와 같은 방식으로 찾은 슬래브의 법선벡터를 기준으로 3D 점군 데이터(3D point cloud data) 전체에 3차원 회전변환을 적용하여 방향성을 맞춰줄 수 있다. For example, in the case of a bridge deck, the longest plane may be a slab. Based on the normal vector of the slab found in this way, the 3D rotation transformation can be applied to the entire 3D point cloud data to match the direction.

또한, 객체 파라미터 추출 단계(S300)는 상기 3차원 회전변환을 적용한 상기 3D 점군 데이터에 대해 MSAC(M-estimator Sample Consensus) 알고리즘을 반복 적용하여, 하여, 철도교량을 이루는 구성요소별 형상을 찾는 단계를 더 포함할 수 있다. In addition, the object parameter extraction step (S300) is a step of repeatedly applying the MSAC (M-estimator Sample Consensus) algorithm to the 3D point cloud data to which the 3D rotation transformation is applied, thereby finding the shape of each component constituting the railway bridge. may further include.

도 4는 원본인 3D 점군 데이터(즉, 원본 Point Cloud Data)에 3차원 회전변환을 적용하여 방향성을 맞춰주는 작업을 보여주는 도면이다. 4 is a view showing an operation of matching the direction by applying a 3D rotation transformation to the original 3D point cloud data (ie, the original Point Cloud Data).

도시된 바와 같이, 3차원 회전변환이 이루어진 3D 점군 데이터(3D point cloud data)에 다시 한번 MSAC을 반복 적용하여 교량의 구성요소별 형상을 찾을 수 있다. As shown, the shape of each component of the bridge can be found by repeatedly applying MSAC to 3D point cloud data that has undergone three-dimensional rotation transformation.

예를 들어, 철도교량의 상판은 평면, 철도교량의 교각은 원기둥을 찾는 알고리즘을 사용할 수 있다. For example, an algorithm that finds a plane for the top plate of a railway bridge and a cylinder for a pier of a railway bridge can be used.

이와 같이, 본 단계에서는 형상정보로부터 불필요한 점들(outlier)을 제외시키고 필요한 파라미터만을 찾아 추출할 수 있다. 일 예로서, PSC빔 거더교의 파라미터 추출 결과를 도 5를 참조하여 확인할 수 있다. In this way, in this step, unnecessary outliers are excluded from the shape information, and only necessary parameters can be found and extracted. As an example, the parameter extraction result of the PSC beam girder bridge can be confirmed with reference to FIG. 5 .

모델링 단계(S400)modeling step (S400)

본 단계는 모델링 단계로서, 모델링부(400)에서 이전 단계에서 추출된 철도교량의 필요한 파라미터들을 기반으로 BIM 모델링을 수행한다. This step is a modeling step, and the modeling unit 400 performs BIM modeling based on the necessary parameters of the railway bridge extracted in the previous step.

구체적으로는 본 단계는 철도교량의 파라메트릭 BIM 라이브러리(Parametric BIM Library) 기반의 모델링 기술을 사용한다. 이때, 철도교량을 정의할 수 있는 파라미터의 정의가 중요한데, 해당 파라미터를 기반으로 BIM 라이브러리가 모델링 될 수 있다. Specifically, this step uses the modeling technology based on the Parametric BIM Library of the railway bridge. At this time, it is important to define a parameter that can define a railway bridge, and a BIM library can be modeled based on the parameter.

BIM 구축 단계(S500)BIM building stage (S500)

본 단계는 BIM 구축 단계로서, BIM 구축부(500)에서는 철도교량의 파라메트릭 BIM 라이브러리(Parametric BIM Library) 기반의 모델링 기술을 이용하여 모델링 된 BIM을 구축하여 완성한다. 이때, 철도교량의 모델링에 대한 표준화 작업을 통해서 어떤 작업자든 무관하게 일정한 고품질의 BIM 모델링이 가능해 질 수 있다. This step is a BIM building step, and the BIM building unit 500 builds and completes the modeled BIM using the modeling technology based on the parametric BIM library of the railway bridge. At this time, through the standardization work on the modeling of railway bridges, constant high-quality BIM modeling can be made possible regardless of any worker.

상술한 바와 같이, 본 발명의 구성 및 작용에 따르면, 기존의 철도교량에 대한 BIM(Building Information Modeling)을 구축 시 인력에 의한 과도한 작업 시간으로 인한 비용 증가로 현업에 제한적으로 적용되었던 것을 딥러닝, 파라미터 추출, BIM 라이브러리 기술을 이용하여 자동화된 방식으로 대체할 수 있다. 그 결과, 기존의 철도교량에 대한 BIM을 구축하는데 필요한 작업 시간이 단축될 수 있으며, 비용을 대폭 절감할 수 있는 장점이 있다. As described above, according to the configuration and operation of the present invention, when building BIM (Building Information Modeling) for an existing railway bridge, deep learning, which has been limitedly applied to the field due to an increase in cost due to excessive work time by manpower, It can be replaced in an automated way using parameter extraction and BIM library technology. As a result, the work time required to build the BIM for the existing railway bridge can be shortened, and there is an advantage that the cost can be significantly reduced.

나아가, 철도교량의 모델링에 대한 표준화를 통해서 작업자와 상관없이 균일한 품질의 모델링이 가능한 장점이 있다. Furthermore, there is an advantage that uniform quality modeling is possible regardless of the operator through standardization of the modeling of railway bridges.

이상과 같이 본 발명에 대해서 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상의 범위 내에서 통상의 기술자에 의해 다양한 변형이 이루어질 수 있음은 자명하다. 아울러 앞서 본 발명의 실시예를 설명하면서 본 발명의 구성에 따른 작용 효과를 명시적으로 기재하여 설명하지 않았을지라도, 해당 구성에 의해 예측 가능한 효과 또한 인정되어야 함은 당연하다.As described above, the present invention has been described with reference to the illustrated drawings, but the present invention is not limited by the embodiments and drawings disclosed in this specification, and various methods can be obtained by those skilled in the art within the scope of the technical spirit of the present invention. It is obvious that variations can be made. In addition, even if the effects of the configuration of the present invention are not explicitly described and described while describing the embodiments of the present invention, it is natural that the effects predictable by the configuration should also be recognized.

S100: 라이다(Lidar) 계측 단계
S200: 딥러닝에 의한 객체 인식 단계
S300: 객체의 파라미터 추출 단계
S400: 파라메트릭 BIM 라이브러리 기반 모델링 단계
S500: BIM 구축 단계
100: 라이다(Lidar) 계측부
200: 딥러닝 객체 인식부
300: 객체 파라미터 추출부
400: 모델링부(또는 파라메트릭 BIM 라이브러리 기반 모델링부)
500: BIM 구축부
1000: 철도교량의 자동화된 BIM 구축 시스템S100: Lidar measurement stage
S200: object recognition step by deep learning
S300: object parameter extraction step
S400: Parametric BIM library-based modeling phase
S500: BIM Deployment Phase
100: Lidar (Lidar) measurement unit
200: deep learning object recognition unit
300: object parameter extraction unit
400: modeling unit (or parametric BIM library-based modeling unit)
500: BIM Construction Department
1000: Automated BIM building system for railway bridges

Claims (20)

대상 구조물인 기존의 철도교량에 대한 라이다 계측을 수행하여 3D 점군 데이터(3D point cloud data)를 획득하는 라이다 계측부;
상기 라이다 계측부에서 획득된 형상정보인 상기 3D 점군 데이터(3D point cloud data)를 딥러닝 알고리즘을 통해 철도교량을 이루는 각 객체로 인식하는 딥러닝 객체 인식부;
상기 라이다 계측부에서 획득된 형상정보가 상기 딥러닝 객체 인식부에서 모델링 할 단위 객체로 인식 및 분류되면, 철도교량을 이루는 각 객체별 파라미터를 추출하는 객체 파라미터 추출부;
상기 객체 파라미터 추출부에서 추출된 파라미터들을 기반으로 BIM (Building Information Modeling) 모델링을 수행하는 모델링부; 및
상기 모델링부에서 모델링 된 철도교량의 BIM을 구축하는 BIM 구축부;
를 포함하는 철도교량의 자동화된 BIM 구축 시스템.
a lidar measurement unit that acquires 3D point cloud data by performing lidar measurement on an existing railway bridge, which is a target structure;
a deep learning object recognition unit for recognizing the 3D point cloud data, which is shape information obtained from the lidar measurement unit, as each object constituting the railway bridge through a deep learning algorithm;
When the shape information obtained by the lidar measurement unit is recognized and classified as a unit object to be modeled by the deep learning object recognition unit, an object parameter extraction unit for extracting parameters for each object constituting the railway bridge;
a modeling unit configured to perform BIM (Building Information Modeling) modeling based on the parameters extracted by the object parameter extraction unit; and
a BIM construction unit for constructing the BIM of the railway bridge modeled by the modeling unit;
Automated BIM construction system of railway bridges, including.
 제1항에 있어서,
상기 딥러닝 객체 인식부는,
상기 3D 점군 데이터(3D point cloud data)를 철도교량을 이루는 각 객체로 인식하기 위해서 딥러닝 알고리즘을 학습하는 것을 특징으로 하는
철도교량의 자동화된 BIM 구축 시스템.
According to claim 1,
The deep learning object recognition unit,
Characterized in learning the deep learning algorithm to recognize the 3D point cloud data as each object constituting the railway bridge
Automated BIM building system for railway bridges.
 제2항에 있어서,
상기 딥러닝 객체 인식부는,
상기 딥러닝 알고리즘을 학습하기 위해 구축된 학습 데이터베이스를 더 포함하는 것을 특징으로 하는
철도교량의 자동화된 BIM 구축 시스템.
3. The method of claim 2,
The deep learning object recognition unit,
Characterized in that it further comprises a learning database built to learn the deep learning algorithm
Automated BIM building system for railway bridges.
 제2항에 있어서,
상기 학습 데이터베이스는,
가상의 철도교량을 3D로 모델링하고, 상기 모델링 된 결과물을 3D 점군(3D point cloud)으로 변환한 후, 상기 라이다 계측부에서 획득된 형상정보와 결합하여 구축되는 것을 특징으로 하는
철도교량의 자동화된 BIM 구축 시스템.
3. The method of claim 2,
The learning database,
It is characterized in that it is constructed by modeling a virtual railway bridge in 3D, converting the modeled result into a 3D point cloud, and combining it with shape information obtained from the lidar measurement unit.
Automated BIM building system for railway bridges.
 제1항에 있어서,
상기 객체 파라미터 추출부는,
상기 3D 점군 데이터에 존재하는 계측 오차를 제거하는 것을 특징으로 하는
철도교량의 자동화된 BIM 구축 시스템.
According to claim 1,
The object parameter extraction unit,
It is characterized in that the measurement error existing in the 3D point cloud data is removed.
Automated BIM building system for railway bridges.
 제5항에 있어서,
상기 객체 파라미터 추출부는,
상기 계측 오차가 제거된 방향성이 존재하지 않는 상기 3D 점군 데이터에 대해 주 길이 방향으로 좌표변환을 수행하는 것을 특징으로 하는
철도교량의 자동화된 BIM 구축 시스템.
6. The method of claim 5,
The object parameter extraction unit,
Coordinate transformation is performed in the main longitudinal direction on the 3D point cloud data in which the directionality from which the measurement error is removed does not exist.
Automated BIM building system for railway bridges.
 제6항에 있어서,
상기 객체 파라미터 추출부는,
X축을 폭, Y축을 길이, Z축을 높이로 설정하고, 상기 3D 점군 데이터를 각 축에 맞춰주는 작업을 수행하는 것을 특징으로 하는
철도교량의 자동화된 BIM 구축 시스템.
7. The method of claim 6,
The object parameter extraction unit,
Set the X-axis as the width, the Y-axis as the length, and the Z-axis as the height, and performing the operation of aligning the 3D point cloud data to each axis
Automated BIM building system for railway bridges.
 제6항에 있어서,
상기 객체 파라미터 추출부는,
MSAC(M-estimator Sample Consensus) 알고리즘을 적용하여, 상기 3D 점군 데이터에 대해 주 길이 방향을 찾는 것을 특징으로 하는
철도교량의 자동화된 BIM 구축 시스템.
7. The method of claim 6,
The object parameter extraction unit,
It is characterized in that by applying the MSAC (M-estimator Sample Consensus) algorithm, the main longitudinal direction is found for the 3D point cloud data.
Automated BIM building system for railway bridges.
 제6항에 있어서,
상기 객체 파라미터 추출부는,
상기 3D 점군 데이터 전체에 대해 3차원 회전변환을 적용하여 방향성을 맞춰주는 것을 특징으로 하는
철도교량의 자동화된 BIM 구축 시스템.
7. The method of claim 6,
The object parameter extraction unit,
Characterized in that the directionality is matched by applying a three-dimensional rotation transformation to the entire 3D point cloud data.
Automated BIM building system for railway bridges.
 제1항에 있어서,
상기 모델링부는,
파라메트릭 BIM 라이브러리(Parametric BIM Library) 기반의 모델링 방법으로, 상기 객체 파라미터 추출부에서 추출된 철도교량의 파라미터들을 기반으로 상기 BIM을 모델링 하는 것을 특징으로 하는
철도교량의 자동화된 BIM 구축 시스템.
According to claim 1,
The modeling unit,
A parametric BIM library-based modeling method, characterized in that the BIM is modeled based on the parameters of the railway bridge extracted from the object parameter extraction unit.
Automated BIM building system for railway bridges.
 제1항 내지 제 10항 중 어느 한 항의 철도교량의 자동화된 BIM 구축 시스템을 이용한 철도교량의 자동화된 BIM 구축 방법으로서,
상기 라이다 계측부에서, 대상 구조물인 기존의 철도교량에 대한 라이다 계측을 수행하여 3D 점군 데이터(3D point cloud data)를 획득하는 라이다 계측 단계;
상기 딥러닝 객체 인식부에서, 상기 라이다 계측부에서 획득된 형상정보인 상기 3D 점군 데이터(3D point cloud data)를 딥러닝 알고리즘을 통해 철도교량을 이루는 각 객체로 인식하는 딥러닝 객체 인식 단계;
상기 객체 파라미터 추출부에서, 상기 라이다 계측부에서 획득된 형상정보가 상기 딥러닝 객체 인식부에서 모델링 할 단위 객체로 인식 및 분류되면, 철도교량을 이루는 각 객체별 파라미터를 추출하는 객체 파라미터 추출 단계;
상기 모델링부에서, 상기 객체 파라미터 추출부에서 추출된 파라미터들을 기반으로 BIM (Building Information Modeling) 모델링을 수행하는 모델링 단계; 및
상기 BIM 구축부에서, 상기 모델링부에서 모델링 된 철도교량의 BIM을 구축하는 BIM 구축 단계;
를 포함하는 철도교량의 자동화된 BIM 구축 방법.
As an automated BIM construction method of a railway bridge using the automated BIM construction system of any one of claims 1 to 10,
a lidar measurement step of obtaining, in the lidar measurement unit, 3D point cloud data by performing lidar measurement on an existing railway bridge, which is a target structure;
A deep learning object recognition step of recognizing, in the deep learning object recognition unit, the 3D point cloud data, which is shape information obtained from the lidar measurement unit, as each object constituting the railway bridge through a deep learning algorithm;
In the object parameter extraction unit, when the shape information obtained from the lidar measurement unit is recognized and classified as a unit object to be modeled by the deep learning object recognition unit, an object parameter extraction step of extracting parameters for each object constituting the railway bridge;
a modeling step of performing, in the modeling unit, BIM (Building Information Modeling) modeling based on the parameters extracted by the object parameter extraction unit; and
In the BIM construction unit, a BIM construction step of constructing the BIM of the railway bridge modeled in the modeling unit;
An automated BIM construction method of railway bridges, including.
 제11항에 있어서,
상기 딥러닝 객체 인식 단계는,
상기 딥러닝 객체 인식부에서, 상기 3D 점군 데이터(3D point cloud data)를 철도교량을 이루는 각 객체로 인식하기 위해서 딥러닝 알고리즘을 학습하는 단계를 더 포함하는 것을 특징으로 하는
철도교량의 자동화된 BIM 구축 방법.
12. The method of claim 11,
The deep learning object recognition step is,
In the deep learning object recognition unit, characterized in that it further comprises the step of learning the deep learning algorithm to recognize the 3D point cloud data as each object constituting the railway bridge
An automated BIM construction method for railway bridges.
 제12항에 있어서,
상기 딥러닝 객체 인식 단계는,
상기 딥러닝 알고리즘을 학습하기 위해 학습 데이터베이스를 구축하는 단계를 더 포함하는 것을 특징으로 하는
철도교량의 자동화된 BIM 구축 방법.
13. The method of claim 12,
The deep learning object recognition step is,
To learn the deep learning algorithm, characterized in that it further comprises the step of building a learning database
An automated BIM construction method for railway bridges.
 제13항에 있어서,
상기 학습 데이터베이스는, 가상의 철도교량을 3D로 모델링하고, 상기 모델링 된 결과물을 3D 점군(3D point cloud)으로 변환한 후, 상기 라이다 계측부에서 획득된 형상정보와 결합하여 구축되는 것을 특징으로 하는
철도교량의 자동화된 BIM 구축 방법.
14. The method of claim 13,
The learning database is constructed by modeling a virtual railway bridge in 3D, converting the modeled result into a 3D point cloud, and combining it with shape information obtained from the lidar measurement unit
An automated BIM construction method for railway bridges.
 제11항에 있어서,
상기 객체 파라미터 추출 단계는,
상기 객체 파라미터 추출부에서, 상기 3D 점군 데이터에 존재하는 계측 오차를 제거하는 단계를 더 포함하는 것을 특징으로 하는
철도교량의 자동화된 BIM 구축 방법.
12. The method of claim 11,
The object parameter extraction step includes:
The method further comprising the step of removing, in the object parameter extraction unit, a measurement error existing in the 3D point cloud data.
An automated BIM construction method for railway bridges.
 제15항에 있어서,
상기 객체 파라미터 추출 단계는,
상기 객체 파라미터 추출부에서, 상기 계측 오차가 제거된 방향성이 존재하지 않는 상기 3D 점군 데이터에 대해 주 길이 방향으로 좌표변환을 수행하는 단계를 더 포함하는 것을 특징으로 하는
철도교량의 자동화된 BIM 구축 방법.
16. The method of claim 15,
The object parameter extraction step includes:
The method further comprising the step of performing, in the object parameter extraction unit, coordinate transformation in the main longitudinal direction on the 3D point cloud data in which the directionality from which the measurement error is removed does not exist
An automated BIM construction method for railway bridges.
 제16항에 있어서,
상기 객체 파라미터 추출 단계는,
상기 객체 파라미터 추출부에서, X축을 폭, Y축을 길이, Z축을 높이로 설정하고, 상기 3D 점군 데이터를 각 축에 맞춰주는 작업을 수행하는 단계를 더 포함하는 것을 특징으로 하는
철도교량의 자동화된 BIM 구축 시스템.
17. The method of claim 16,
The object parameter extraction step includes:
Setting the X-axis as the width, the Y-axis as the length, and the Z-axis as the height, in the object parameter extraction unit, and performing an operation of matching the 3D point cloud data to each axis
Automated BIM building system for railway bridges.
 제16항에 있어서,
상기 객체 파라미터 추출 단계는,
상기 객체 파라미터 추출부에서, MSAC(M-estimator Sample Consensus) 알고리즘을 적용하여, 상기 3D 점군 데이터에 대해 주 길이 방향을 찾는 단계를 더 포함하는 것을 특징으로 하는
철도교량의 자동화된 BIM 구축 방법.
17. The method of claim 16,
The object parameter extraction step includes:
The method further comprising the step of finding, in the object parameter extraction unit, a main longitudinal direction with respect to the 3D point cloud data by applying an M-estimator Sample Consensus (MSAC) algorithm.
An automated BIM construction method for railway bridges.
 제16항에 있어서,
상기 객체 파라미터 추출 단계는,
상기 객체 파라미터 추출부에서, 상기 3D 점군 데이터 전체에 대해 3차원 회전변환을 적용하여 방향성을 맞춰주는 단계를 더 포함하는 것을 특징으로 하는
철도교량의 자동화된 BIM 구축 방법.
17. The method of claim 16,
The object parameter extraction step includes:
In the object parameter extraction unit, applying a three-dimensional rotation transformation to the entire 3D point cloud data to match the direction, characterized in that it further comprises
An automated BIM construction method for railway bridges.
 제11항에 있어서,
상기 모델링 단계는,
상기 모델링부에서, 파라메트릭 BIM 라이브러리(Parametric BIM Library) 기반의 모델링 방법으로, 상기 객체 파라미터 추출부에서 추출된 철도교량의 파라미터들을 기반으로 철도교량에 대한 BIM을 모델링 하는 것을 특징으로 하는
철도교량의 자동화된 BIM 구축 방법.12. The method of claim 11,
The modeling step is
In the modeling unit, a parametric BIM library-based modeling method, characterized in that the BIM for the railway bridge is modeled based on the parameters of the railway bridge extracted from the object parameter extraction unit.
An automated BIM construction method for railway bridges.
KR1020190160542A 2019-12-05 2019-12-05 Automated bim construction system and method of railway bridge KR102397256B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190160542A KR102397256B1 (en) 2019-12-05 2019-12-05 Automated bim construction system and method of railway bridge

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190160542A KR102397256B1 (en) 2019-12-05 2019-12-05 Automated bim construction system and method of railway bridge

Publications (2)

Publication Number Publication Date
KR20210071151A true KR20210071151A (en) 2021-06-16
KR102397256B1 KR102397256B1 (en) 2022-05-13

Family

ID=76603131

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190160542A KR102397256B1 (en) 2019-12-05 2019-12-05 Automated bim construction system and method of railway bridge

Country Status (1)

Country Link
KR (1) KR102397256B1 (en)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114372303A (en) * 2021-11-28 2022-04-19 湖南康桥智能科技有限公司 Rapid construction method of light-weight BIM (building information modeling) model of beam-bridge bottom structure
KR102403460B1 (en) * 2022-01-18 2022-05-30 주식회사 모션투에이아이코리아 Method, Apparatus, and Computer-readable Medium for Automatic 3D Modeling Method for Warehouse Using Lidar Sensing Data and WMS Data
CN115186349A (en) * 2022-07-20 2022-10-14 山东省路桥集团有限公司 Method and system for building bridge model based on BIM technology
CN115828406A (en) * 2023-02-22 2023-03-21 北京中海兴达建设有限公司 BIM (building information modeling) information management method, device and equipment for railroad bridge and readable storage medium
KR102512419B1 (en) * 2022-09-14 2023-03-22 주식회사 아브로소프트코리아 Precast concrete modular house design method using bim
CN115900543A (en) * 2022-10-31 2023-04-04 中铁二局第一工程有限公司 Steel structure hoisting simulation method combining 3D scanning and BIM
KR20230075315A (en) * 2021-11-22 2023-05-31 주식회사 도화엔지니어링 Railroad retaining wall design method using bim and api
CN116205411A (en) * 2023-04-27 2023-06-02 山东铁路投资控股集团有限公司 Material consumption checking method, device, equipment and medium based on big data
KR20230077815A (en) 2021-11-25 2023-06-02 한국철도기술연구원 BIM based integrated operation system for rail infrastructure life cycle management
KR20230102185A (en) * 2021-12-30 2023-07-07 주식회사 디메타 (D-meta,corp.) Railway asset management server, system, and method based on artificial intelligence

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180131471A (en) * 2017-05-30 2018-12-10 주식회사 위메이드아이앤씨 Apparatus for integrated management of construction errors using 3d scanning with bim and method thereof
KR20190063905A (en) 2017-11-30 2019-06-10 주식회사 서영엔지니어링 Three-dimensional modeling device and method for railway infrastructure

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180131471A (en) * 2017-05-30 2018-12-10 주식회사 위메이드아이앤씨 Apparatus for integrated management of construction errors using 3d scanning with bim and method thereof
KR20190063905A (en) 2017-11-30 2019-06-10 주식회사 서영엔지니어링 Three-dimensional modeling device and method for railway infrastructure

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
정재윤-"포인트 클라우드 기반 딥러닝 기법을 이용한 BIM 객체 분류에 관한 연구", 서울과학기술대학교, pp1-25,(2018.8.31.)* *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230075315A (en) * 2021-11-22 2023-05-31 주식회사 도화엔지니어링 Railroad retaining wall design method using bim and api
KR20230077815A (en) 2021-11-25 2023-06-02 한국철도기술연구원 BIM based integrated operation system for rail infrastructure life cycle management
CN114372303A (en) * 2021-11-28 2022-04-19 湖南康桥智能科技有限公司 Rapid construction method of light-weight BIM (building information modeling) model of beam-bridge bottom structure
KR20230102185A (en) * 2021-12-30 2023-07-07 주식회사 디메타 (D-meta,corp.) Railway asset management server, system, and method based on artificial intelligence
KR102403460B1 (en) * 2022-01-18 2022-05-30 주식회사 모션투에이아이코리아 Method, Apparatus, and Computer-readable Medium for Automatic 3D Modeling Method for Warehouse Using Lidar Sensing Data and WMS Data
CN115186349A (en) * 2022-07-20 2022-10-14 山东省路桥集团有限公司 Method and system for building bridge model based on BIM technology
CN115186349B (en) * 2022-07-20 2024-03-15 山东省路桥集团有限公司 Method and system for constructing bridge model based on BIM technology
KR102512419B1 (en) * 2022-09-14 2023-03-22 주식회사 아브로소프트코리아 Precast concrete modular house design method using bim
KR102578701B1 (en) * 2022-09-14 2023-09-14 주식회사 아브로소프트코리아 User customized precast concrete modular house design method using bim
CN115900543A (en) * 2022-10-31 2023-04-04 中铁二局第一工程有限公司 Steel structure hoisting simulation method combining 3D scanning and BIM
CN115900543B (en) * 2022-10-31 2023-09-15 中铁二局第一工程有限公司 Steel structure hoisting simulation method combining 3D scanning and BIM
CN115828406A (en) * 2023-02-22 2023-03-21 北京中海兴达建设有限公司 BIM (building information modeling) information management method, device and equipment for railroad bridge and readable storage medium
CN116205411A (en) * 2023-04-27 2023-06-02 山东铁路投资控股集团有限公司 Material consumption checking method, device, equipment and medium based on big data

Also Published As

Publication number Publication date
KR102397256B1 (en) 2022-05-13

Similar Documents

Publication Publication Date Title
KR102397256B1 (en) Automated bim construction system and method of railway bridge
KR102457354B1 (en) Automated bim construction system and method of railway tunnel
EP3410102B1 (en) Crack information detection device, crack information detection method, and crack information detection program
US10496762B2 (en) Model generating device, position and orientation calculating device, and handling robot device
US10942130B2 (en) Damage information processing device and damage information processing method
KR102113068B1 (en) Method for Automatic Construction of Numerical Digital Map and High Definition Map
CN115984486B (en) Bridge model generation method and device integrating laser radar and depth camera
CN112101138B (en) Bridge inhaul cable surface defect real-time identification system and method based on deep learning
JP2020027058A (en) Bar arrangement make management system and bar arrangement make management method
CN109635640B (en) Traffic light identification method, device and equipment based on point cloud and storage medium
KR101954963B1 (en) System and Method for Automatic Construction of Numerical Digital Map and High Definition Map
JP2019020220A (en) Image processing apparatus, image processing method, and program
CN108399609B (en) Three-dimensional point cloud data repairing method and device and robot
Gupta et al. Optimization of Project progress using 3d Laser scanning technique
CN115290104A (en) Simulation map generation method, device, equipment and readable storage medium
CN114146865B (en) Intelligent dispensing method for 3D vision-guided vehicle-mounted glass screen and related equipment
CN111958595A (en) Multi-sensor asynchronous information fusion system and method for transformer substation inspection robot
Puri et al. Toward automated dimensional quality control of precast concrete elements using design BIM
CN110929690B (en) Remote sensing image road network extraction method based on deep neural network
US11187992B2 (en) Predictive modeling of metrology in semiconductor processes
Turkan et al. Towards automated progress tracking of erection of concrete structures
CN116071335A (en) Wall surface acceptance method, device, equipment and storage medium
US20220172458A1 (en) Individual identification information generation method, individual identification information generation device, and program
KR20220085242A (en) Method of recognition of types and locations of instrument for machine tools
CN112053401A (en) Chip splicing method, device, equipment and storage medium

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