KR20210083865A - Deep learning based concrete crack width detection system - Google Patents

Deep learning based concrete crack width detection system Download PDF

Info

Publication number
KR20210083865A
KR20210083865A KR1020190176584A KR20190176584A KR20210083865A KR 20210083865 A KR20210083865 A KR 20210083865A KR 1020190176584 A KR1020190176584 A KR 1020190176584A KR 20190176584 A KR20190176584 A KR 20190176584A KR 20210083865 A KR20210083865 A KR 20210083865A
Authority
KR
South Korea
Prior art keywords
concrete
deep learning
crack
camera module
detection system
Prior art date
Application number
KR1020190176584A
Other languages
Korean (ko)
Other versions
KR102388064B1 (en
Inventor
김홍진
설동현
Original Assignee
경북대학교 산학협력단
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 경북대학교 산학협력단 filed Critical 경북대학교 산학협력단
Priority to KR1020190176584A priority Critical patent/KR102388064B1/en
Publication of KR20210083865A publication Critical patent/KR20210083865A/en
Application granted granted Critical
Publication of KR102388064B1 publication Critical patent/KR102388064B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0033—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by determining damage, crack or wear
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/026—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by measuring distance between sensor and object
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D11/00—Component parts of measuring arrangements not specially adapted for a specific variable
    • G01D11/30—Supports specially adapted for an instrument; Supports specially adapted for a set of instruments
    • 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

Abstract

A deep learning-based concrete crack detection system according to an embodiment of the present invention comprises: a deep learning execution unit that performs deep learning through a network on cracks formed on a concrete surface; a camera module that takes pictures of cracked concrete; an image processing unit for converting photographed data captured by the camera module into image data; and a calculation unit for calculating crack characteristics of the concrete based on the image data generated by the deep learning data and the image processing unit derived from the deep learning execution unit.

Description

딥러닝 기반 콘크리트 균열 감지 시스템{DEEP LEARNING BASED CONCRETE CRACK WIDTH DETECTION SYSTEM} Deep learning-based concrete crack detection system {DEEP LEARNING BASED CONCRETE CRACK WIDTH DETECTION SYSTEM}

본 발명은 딥러닝 기반 콘크리트 균열 감지 시스템에 대한 것으로, 딥러닝 모델을 통해서 입력된 데이터를 학습하여 콘크리트에 형성된 균열과 이 균열폭을 신속하고 정확하게 감지하는 딥러닝 기반 콘크리트 균열 감지 시스템에 관한 것이다. The present invention relates to a deep learning-based concrete crack detection system, and to a deep learning-based concrete crack detection system that learns data input through a deep learning model to quickly and accurately detect cracks formed in concrete and the crack width.

현재 건축구조물의 유지관리는 시설물 안전관리에 관한 특별법에 정한 주기나 기준에 의해 점검 및 진단 하며 이러한 과정에서 가장 중요한 기본조사인 외관조사는 육안에 의존하여 수행되었다. Currently, the maintenance and management of building structures is inspected and diagnosed according to the cycle or standards set by the Special Act on Safety Management of Facilities, and in this process, the most important basic inspection, the exterior inspection, was performed with the naked eye.

그러나 육안에 의한 조사는 점검자 주관에 의존하기 때문에 누락이나 오류로 인해 자칫 대형사고로 이어질 수 있으며 정밀하고 객관적인 점검결과가 필요한 실정이다. However, since the inspection by the naked eye depends on the subjectivity of the inspector, omissions or errors can lead to major accidents, and precise and objective inspection results are required.

특히, 콘크리트 표면의 균열은 고체의 표면이나 내부에 금이 가는 현상으로 콘크리트의 경우 외력에 의한 응력 발생, 또는 시공 후 관리 불량에 따른 수분 손실 등이 원인이며, 발생 원인에 따라 구조물에 심각한 손상을 초래할 수 있기 때문에 정확히 탐지하는 기술이 필요하며 발견 뒤에는 적절한 조치가 필수이다. In particular, cracks on the concrete surface are cracks on the surface or inside of a solid, and in the case of concrete, stress caused by external forces or moisture loss due to poor management after construction, etc. technology to accurately detect it, and appropriate action after discovery is essential.

구조물에 발생하는 콘크리트 균열은 다양한 원인으로 발생하기 때문에 균열조사는 구조물의 유지관리에 매우 중요한 요소이고, 균열조사는 균열의 길이와 균열폭을 측정하는 방식으로 이뤄지는데, 사람이 자(scale)나 현미경으로 직접 균열폭을 측정하기 때문에 결과가 주관적이다. Since cracks in concrete occur from various causes, crack investigation is a very important factor in the maintenance of structures, and crack investigation is performed by measuring the length and width of cracks. Since the crack width is measured directly with

위에서 언급된 배경기술에 기재된 내용들은 단지 본 발명의 배경기술을 이해시키기 위해서 작성된 것이므로, 이 기술의 당업자에게 이미 알려진 공지기술 외의 내용을 포함할 수 있다. Since the contents described in the above-mentioned background are only prepared for understanding the background of the present invention, it may include contents other than those already known to those skilled in the art.

대한민국 출원번호 10-2017-0166548Republic of Korea Application No. 10-2017-0166548 대한민국 등록번호 10-1995326Republic of Korea registration number 10-1995326 대한민국 공개특허 10-1922831Republic of Korea Patent Publication 10-1922831

본 발명의 목적은 입력된 데이터를 딥러닝 모델을 통해서 학습하여 콘크리트에 형성된 균열과 이 균열폭을 신속하고 정확하게 감지하는 딥러닝 기반 콘크리트 균열 감지 시스템을 제공하는 것이다. An object of the present invention is to provide a deep learning-based concrete crack detection system that quickly and accurately detects cracks formed in concrete and the crack width by learning input data through a deep learning model.

또한, 본 발명의 목적은 카메라 모듈의 촬영거리가 달라지더라도 균열 이미지로부터 균열의 길이나 폭을 정확하고 신속하게 연산할 수 있는 딥러닝 기반 콘크리트 균열 감지 시스템을 제공하는 것이다. In addition, it is an object of the present invention to provide a deep learning-based concrete crack detection system that can accurately and quickly calculate the length or width of a crack from a crack image even if the shooting distance of the camera module is different.

본 발명의 실시예에 따른 딥러닝 기반 콘크리트 균열 감지 시스템은, 콘크리트 표면에 형성된 균열에 대해서 네트워크를 통해서 딥러닝을 수행하는 딥러닝 수행부, 균열이 형성된 콘크리트를 촬영하는 카메라 모듈, 상기 카메라 모듈에서 촬영된 촬영데이터를 이미지데이터로 변환하는 영상 처리부, 및 상기 딥러닝 수행부에서 도출된 딥러닝데이터 및 상기 영상 처리부에서 생성된 상기 이미지데이터를 기초로 상기 콘크리트의 균열특성을 연산하는 연산부를 포함할 수 있다. A deep learning-based concrete crack detection system according to an embodiment of the present invention is a deep learning performing unit that performs deep learning through a network for cracks formed on the concrete surface, a camera module for photographing concrete with cracks formed, and in the camera module An image processing unit for converting the photographed data into image data, and a calculation unit for calculating the crack characteristics of the concrete based on the deep learning data derived from the deep learning performing unit and the image data generated by the image processing unit. can

본 발명의 실시예에 따른 딥러닝 기반 콘크리트 균열 감지 시스템에서, 상기 콘크리트의 균열특성은 균열의 폭, 루트, 길이, 및 형태 중 적어도 하나를 포함할 수 있다. In the deep learning-based concrete crack detection system according to an embodiment of the present invention, the crack characteristics of the concrete may include at least one of a crack width, a root, a length, and a shape.

본 발명의 실시예에 따른 딥러닝 기반 콘크리트 균열 감지 시스템은, 상기 카메라 모듈과 상기 콘크리트 표면 사이에 거리데이터를 감지하는 거리 감지부를 더 포함하고, 상기 연산부는 상기 거리데이터에 따라서 상기 균열특성을 보정할 수 있다. The deep learning-based concrete crack detection system according to an embodiment of the present invention further comprises a distance detection unit for detecting distance data between the camera module and the concrete surface, and the calculating unit corrects the crack characteristics according to the distance data. can do.

본 발명의 실시예에 따른 딥러닝 기반 콘크리트 균열 감지 시스템은, 상기 콘크리트의 온도데이터를 설정기간 동안 감지하는 온도 감지부를 더 포함하고, 상기 연산부는 설정기간 감지된 상기 온도데이터의 온도 변동폭에 따라서 상기 균열특성을 시간 기준으로 예측하여 도출할 수 있다. The deep learning-based concrete crack detection system according to an embodiment of the present invention further comprises a temperature sensing unit for detecting the temperature data of the concrete for a set period, and the calculating unit according to the temperature fluctuation range of the detected temperature data for a set period. It can be derived by predicting the crack characteristics based on time.

본 발명의 실시예에 따른 딥러닝 기반 콘크리트 균열 감지 시스템은, 상기 카메라 모듈을 지면을 따라서 이동시키는 제1 구동부, 상기 카메라 모듈을 상하로 이동시키는 제2 구동부, 상기 카메라 모듈을 상기 콘크리트 표면 측으로 밀거나 반대로 당기는 제3 구동부, 및 상기 카메라 모듈을 상하로 회전시키는 제4 구동부를 포함하고, 상기 제3 구동부는 상기 카메라 모듈과 상기 콘크리트 사이의 거리가 일정하게 유지되도록 할 수 있다. Deep learning-based concrete crack detection system according to an embodiment of the present invention, a first driving unit for moving the camera module along the ground, a second driving unit for moving the camera module up and down, and pushing the camera module toward the concrete surface or a third driving unit for pulling in the opposite direction, and a fourth driving unit for rotating the camera module up and down, wherein the third driving unit may maintain a constant distance between the camera module and the concrete.

본 발명의 실시예들에 따른 딥러닝 기반 콘크리트 균열 감지 시스템은, 딥러닝 모델을 기반으로 촬영거리가 포함된 콘크리트의 균열 이미지로부터 균열의 길이나 폭을 감지하되, 콘크리트 균열을 촬영할 때, 카메라 모듈로부터 촬영거리를 고려하여 균열의 길이나 폭을 정확하게 감지할 수 있다. A deep learning-based concrete crack detection system according to embodiments of the present invention detects the length or width of a crack from a crack image of concrete including a shooting distance based on a deep learning model, but when shooting a concrete crack, a camera module It is possible to accurately detect the length or width of a crack by considering the shooting distance from it.

특히, 거리 감지부는 초음파 센서 구조를 가지고 있고, 이러한 구조는 초음파를 발사하여 반사되어 돌아오는 시간을 측정하여 공기 중의 음속으로부터 거리를 측정할 수 있다. In particular, the distance sensing unit has an ultrasonic sensor structure, and this structure can measure the distance from the speed of sound in the air by measuring the time it takes for the ultrasonic wave to be emitted and reflected back.

또한, 카메라 모듈로부터 촬영된 콘크리트 이미지, 초음파 센서로 측정한 촬영 대상까지의 거리, 촬영된 이미지의 균열데이터로 이루어진 수천 개의 데이터베이스로부터 네트워크를 통해서 딥러닝 학습하고, 훈련된 네트워크는 콘크리트 균열 이미지와 촬영 거리를 입력 받고, 해당 이미지로부터 균열폭을 정확하고 신속하게 연산할 수 있다.In addition, deep learning is learned through a network from thousands of databases consisting of concrete images taken from the camera module, the distance to the shooting target measured by an ultrasonic sensor, and crack data of the captured images, and the trained network is used for concrete crack images and shooting The distance can be input and the crack width can be calculated accurately and quickly from the image.

위에서 언급된 본 발명의 실시예에 따른 효과는 기재된 내용에만 한정되지 않고, 명세서 및 도면으로부터 예측 가능한 모든 효과를 더 포함할 수 있다. The above-mentioned effects according to the embodiments of the present invention are not limited to the described contents, and may further include all effects predictable from the specification and drawings.

도 1은 본 발명의 제1실시예에 따른 딥러닝 기반 콘크리트 균열 감지 시스템의 개략적인 측면도이다.
도 2는 본 발명의 제1실시예에 다른 딥러닝 기반 콘크리트 균열폭 측정 방법을 보여주는 플로우차트이다.
도 3은 본 발명의 제2실시예에 따른 딥러닝 기반 콘크리트 균열 감지 시스템의 개략적인 측면도이다.
도 4는 본 발명의 제3실시예에 따른 딥러닝 기반 콘크리트 균열 감지 시스템의 개략적인 측면도이다. 1 is a schematic side view of a deep learning-based concrete crack detection system according to a first embodiment of the present invention.
2 is a flowchart showing a method for measuring the crack width of concrete based on deep learning according to the first embodiment of the present invention.
3 is a schematic side view of a deep learning-based concrete crack detection system according to a second embodiment of the present invention.
4 is a schematic side view of a deep learning-based concrete crack detection system according to a third embodiment of the present invention.

본 발명은 이하에서 설명되는 특정 실시예에 한정되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변형, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. It should be understood that the present invention is not limited to the specific embodiments described below, and includes all modifications, equivalents and substitutes included in the spirit and scope of the present invention.

본 명세서에서 사용한 용어는 특정 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 뜻하지 않는 한 복수의 표현을 포함할 수 있다. The terms used herein are used to describe specific embodiments, and are not intended to limit the present invention. A singular expression may include a plural expression unless the context clearly dictates otherwise.

"포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 구성이나 작용 등 외에도 다른 구성이나 작용 등을 더 포함할 가능성이 있음을 의미한다. 제1, 제2 등의 용어는 구성요소들을 한정하기 위한 것이 아니며, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적이다. Terms such as “include” or “have” mean that there is a possibility to further include other components or actions in addition to the components or actions described in the specification. Terms such as first, second, etc. are not intended to limit the components, and are for the purpose of distinguishing one component from other components.

이하, 본 발명에 따른 딥러닝 기반 콘크리트 균열 감지 시스템. 의 실시예를 첨부도면을 참조하여 상세히 설명한다.Hereinafter, a deep learning-based concrete crack detection system according to the present invention. An embodiment of the will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 제1실시예에 따른 딥러닝 기반 콘크리트 균열 감지 시스템의 개략적인 구성도이다. 1 is a schematic configuration diagram of a deep learning-based concrete crack detection system according to a first embodiment of the present invention.

도 1을 참조하면, 콘크리트 균열 감지 시스템은 카메라 모듈(100), 및 거리 감지부(110), 및 연산부(230)를 포함하고, 상기 카메라 모듈(100)은 콘크리트(120) 표면에 형성된 균열(130)을 촬영하며, 상기 거리 감지부(110)는 상기 카메라 모듈(100)과 상기 콘크리트(120) 표면 사이의 거리를 감지한다. Referring to FIG. 1 , the concrete crack detection system includes a camera module 100 , a distance detection unit 110 , and an operation unit 230 , and the camera module 100 includes a crack formed on the surface of the concrete 120 ( 130), the distance sensing unit 110 detects a distance between the camera module 100 and the surface of the concrete 120.

상기 거리 감지부(110)는 초음파 센서로 구성될 수 있으며, 이러한 거리센서는 거리를 측정하기 위한 적외선 타입, 자연광 타입, 또는 초음파 방식 등이 있다. The distance sensor 110 may be configured as an ultrasonic sensor, and the distance sensor includes an infrared type, natural light type, or ultrasonic type for measuring a distance.

상기 연산부(230)는 딥러닝 수행부(200), 영상 처리부(210), 연산부(230), 및 데이터 저장부(220)를 포함하고, 상기 딥러닝 수행부(200)는 미리 설정된 딥러닝 모델을 이용하여 입력되는 입력데이터를 이용하여 네트워크를 통해서 딥러닝데이터를 습득할 수 있다. The calculating unit 230 includes a deep learning performing unit 200, an image processing unit 210, a calculating unit 230, and a data storage unit 220, and the deep learning performing unit 200 is a preset deep learning model. You can acquire deep learning data through the network using the input data that is input using

좀 더 상세하게 설명하면, 상기 입력데이터는 수천 또는 수만 개의 이미지데이터와 균열데이터를 포함하고, 상기 딥러닝 수행부(200)는 이미지데이터로부터 콘크리트에 형성된 균열특성을 학습한다. 여기서, 균열특성은 균열의 루트, 형태, 길이, 및 폭 중 적어도 하나를 포함할 수 있다. In more detail, the input data includes thousands or tens of thousands of image data and crack data, and the deep learning performing unit 200 learns the crack characteristics formed in concrete from the image data. Here, the crack characteristics may include at least one of a root, a shape, a length, and a width of a crack.

상기 카메라 모듈(100)은 균열이 형성된 콘크리트(120) 표면을 촬영하고, 상기 영상 처리부(210)는 상기 카메라 모듈(100)에서 촬영된 촬영데이터를 이미지데이터로 변환하며, 상기 데이터 저장부(220)에는 딥러닝데이터, 균열데이터, 이미지데이터, 및 촬영데이터 등을 저장한다. The camera module 100 photographs the surface of the concrete 120 on which the crack is formed, the image processing unit 210 converts the photographed data photographed by the camera module 100 into image data, and the data storage unit 220 ) stores deep learning data, crack data, image data, and shooting data.

상기 연산부(230)는 상기 카메라 모듈(100)에서 촬영되고 상기 영상 처리부(210)에서 처리된 이미지데이터와 딥러닝데이터를 기초로 콘크리트(120)에 형성된 균열(130)의 특성데이터를 연산하며, 상기 거리 감지부(110)에서 감지된 거리데이터를 이용하여 이 특성데이터를 보정한다. The calculation unit 230 calculates the characteristic data of the crack 130 formed in the concrete 120 based on the image data and the deep learning data photographed by the camera module 100 and processed by the image processing unit 210, This characteristic data is corrected using the distance data sensed by the distance sensing unit 110 .

예를 들어서, 상기 특성데이터는 균열폭, 균열길이, 및 균열형태 등을 포함하고, 이러한 특성데이터는 상기 카메라 모듈(100)과 콘크리트(120) 사이의 거리에 따라서 보정될 수 있다. For example, the characteristic data includes a crack width, a crack length, and a crack type, and the characteristic data may be corrected according to a distance between the camera module 100 and the concrete 120 .

특히, 카메라 모듈과 콘크리트 사이의 거리가 길면 이미지 상에서 균열폭이 좁게 보이고, 거리가 짧으면 균열폭이 넓게 보일 수 있는데, 이 거리에 따라서 이미지 상태에서의 균열폭을 보정하여 보다 정확한 균열데이터를 확보할 수 있다. In particular, if the distance between the camera module and concrete is long, the crack width may appear narrow on the image, and if the distance is short, the crack width may appear wide. According to this distance, the crack width in the image state can be corrected to secure more accurate crack data.

도 2는 본 발명의 제1실시예에 다른 딥러닝 기반 콘크리트 균열폭 측정 방법을 보여주는 플로우차트이다. 2 is a flowchart showing a method for measuring the crack width of concrete based on deep learning according to the first embodiment of the present invention.

도 2를 참조하면, S300에서 상기 딥러닝 수행부(200)는 입력된 입력데이터를 이용하여 네트워크를 통해서 딥러닝데이터를 습득한다. 여기서, 입력데이터는 이미지데이터와 균열폭 데이터를 포함할 수 있으며, 수천 개 또는 수만 개의 데이터 개수를 포함할 수 있다. Referring to FIG. 2 , in S300 , the deep learning performing unit 200 acquires deep learning data through a network using input data. Here, the input data may include image data and crack width data, and may include thousands or tens of thousands of data.

S310에서 상기 카메라 모듈(100)은 균열이 형성된 콘크리트 표면을 촬영하고, 상기 거리 감지부(110)는 카메라 모듈(100)과 콘크리트(120) 표면 사이의 거리를 실시간으로 감지한다. In S310, the camera module 100 captures a cracked concrete surface, and the distance sensing unit 110 detects a distance between the camera module 100 and the concrete 120 surface in real time.

S320에서 상기 영상 처리부(210)는 상기 카메라 모듈(100)에서 촬영된 촬영데이터를 처리하여 이미지데이터를 추출하고, S330에서 상기 연산부(230)는 딥러닝데이터와 이미지데이터를 기초로 균열의 폭이나 길이를 갖는 균열특성을 연산하고, S340에서 상기 연산부(230)는 감지된 거리에 따라서 연산된 균열특성을 보정한다. In S320, the image processing unit 210 processes the photographed data taken by the camera module 100 to extract image data, and in S330, the operation unit 230 determines the width of the crack based on the deep learning data and the image data. The crack characteristic having a length is calculated, and in S340, the calculating unit 230 corrects the calculated crack characteristic according to the sensed distance.

도 3은 본 발명의 제2실시예에 따른 딥러닝 기반 콘크리트 균열 감지 시스템의 개략적인 구성도이다. 3 is a schematic configuration diagram of a deep learning-based concrete crack detection system according to a second embodiment of the present invention.

도 1 및 도 3을 참조하면, 콘크리트 균열 감지 시스템은 온도를 감지하는 온도 감지부(400)를 더 포함할 수 있는데, 상기 온도 감지부(400)는 콘크리트의 온도를 감지할 수 있다. Referring to FIGS. 1 and 3 , the concrete crack detection system may further include a temperature sensing unit 400 for sensing a temperature, and the temperature sensing unit 400 may detect the temperature of the concrete.

일반적으로, 온도변화에 따라서 콘크리트의 균열특성이 달라질 수 있다. 예를 들어서, 온도의 높은 상태와 낮은 상태가 반복될 경우에 균열의 전파속도와 균열폭의 증가속도가 더 빨라질 수 있다. In general, cracking properties of concrete may vary depending on temperature change. For example, when the high and low temperature conditions are repeated, the crack propagation speed and the crack width increase speed can be increased.

따라서, 본 발명의 실시예에서는 콘크리트(120)에 형성된 균열(130)의 폭, 길이, 및 형태 등을 카메라 모듈(100)과 콘크리트(120) 사이의 거리에 따라서 보정하고, 또한 온도변화폭에 따라서 균열특성을 보다 정확하게 예측할 수 있다. Therefore, in the embodiment of the present invention, the width, length, and shape of the crack 130 formed in the concrete 120 is corrected according to the distance between the camera module 100 and the concrete 120, and also according to the temperature change width The crack characteristics can be predicted more accurately.

하나의 실시예로써, 상기 카메라 모듈(100)과 상기 온도 감지부(400)는 설정된 기간 동안(하루 또는 일년) 하나의 콘크리트 균열을 감지할 수 있고, 이러한 감지 기간 동안 온도변화 특성에 따라서 상기 콘크리트에 형성된 균열특성(폭 또는 형태)의 변화를 그래프 데이터와 같이 예측할 수 있다. As an embodiment, the camera module 100 and the temperature sensing unit 400 may detect one concrete crack for a set period (one day or a year), and according to the temperature change characteristics during this sensing period, the concrete Changes in the crack characteristics (width or shape) formed in the crack can be predicted like graph data.

즉, 본 발명의 실시예에서, 상기 온도 감지부(400)에 의해서 일정기간(하루, 한달, 또는 일년) 감지된 온도의 최대 변동폭이 20도이면, 균열폭의 증가속도가 1mm/year로 설정된다. 따라서, 현재의 균열폭이 1mm이라면, 일년후의 균열폭은 2mm로 예측될 수 있다. That is, in the embodiment of the present invention, if the maximum fluctuation range of the temperature sensed for a certain period (day, month, or year) by the temperature sensing unit 400 is 20 degrees, the rate of increase of the crack width is set to 1 mm/year . Therefore, if the current crack width is 1 mm, the crack width after one year can be predicted to be 2 mm.

또한, 상기 온도 감지부(400)에 의해서 일정기간(하루, 한달, 또는 일년) 감지된 온도의 최대 변동폭이 40도이면, 균열폭의 증가속도가 1.5mm/year로 설정된다. 따라서, 현재의 균열폭이 1mm이라면, 일년후의 균열폭은 2.5mm로 예측될 수 있다. In addition, if the maximum fluctuation range of the temperature sensed by the temperature sensing unit 400 for a certain period (one day, one month, or one year) is 40 degrees, the rate of increase of the crack width is set to 1.5 mm/year. Therefore, if the current crack width is 1 mm, the crack width after one year can be predicted to be 2.5 mm.

도 4는 본 발명의 제3실시예에 따른 딥러닝 기반 콘크리트 균열 감지 시스템의 개략적인 측면도이다. 4 is a schematic side view of a deep learning-based concrete crack detection system according to a third embodiment of the present invention.

도 4를 참조하면, 대차(500), 제1 구동부(505), 지지대(515), 제2 구동부(510), 마운팅부(520), 제3 구동부(535), 제4 구동부(530), 레일(525), 카메라 모듈(100), 온도 감지부(400), 및 거리 감지부(110)를 포함한다. Referring to FIG. 4 , a bogie 500, a first driving unit 505, a support 515, a second driving unit 510, a mounting unit 520, a third driving unit 535, a fourth driving unit 530, It includes a rail 525 , a camera module 100 , a temperature sensing unit 400 , and a distance sensing unit 110 .

상기 대차(500) 하부에는 구동휠이 배치되고, 상기 대차(500)에는 상기 구동휠을 회전시키는 제1 구동부(505)가 배치되며, 상기 지지대(515)는 텔레스코픽 구조를 가지며, 상기 지지대(515)의 상단에 상기 마운팅부(520)가 회전 가능하게 배치되며, 상기 카메라 모듈(100)은 레일(525)을 따라서 상기 마운팅부(520) 위에서 앞뒤로 이동 가능하게 배치된다. A driving wheel is disposed under the bogie 500, a first driving unit 505 for rotating the driving wheel is disposed on the bogie 500, the support 515 has a telescopic structure, and the support 515 ), the mounting part 520 is rotatably disposed on the upper end, and the camera module 100 is disposed to be movable back and forth on the mounting part 520 along the rail 525 .

상기 제1 구동부(505)는 상기 대차(500)를 지면을 따라서 이동시키고, 상기 제2 구동부(510)는 상기 지지대(515)를 통해서 상기 마운팅부(520)를 상부 또는 하부로 이동시킨다. The first driving unit 505 moves the bogie 500 along the ground, and the second driving unit 510 moves the mounting unit 520 upward or downward through the support 515 .

또한, 제3 구동부(535)는 상기 카메라 모듈(100)을 상기 마운팅부(520) 위에 형성된 레일(525)을 따라서 상기 콘크리트(120) 표면 측으로 밀거나 반대로 당길 수 있고, 상기 제4 구동부(530)는 상기 마운팅부(520)를 상기 지지대(515) 위에서 회전시켜, 상기 카메라 모듈(100)을 상부 또는 하부로 회전시킬 수 있다. In addition, the third driving unit 535 may push or pull the camera module 100 toward the surface of the concrete 120 along the rail 525 formed on the mounting unit 520 , or reversely pull the camera module 100 , the fourth driving unit 530 . ) may rotate the mounting part 520 on the support 515 to rotate the camera module 100 upward or downward.

본 발명의 실시예에서, 상기 제3 구동부(535)는 상기 카메라 모듈(100)과 상기 콘크리트(120) 사이의 거리가 일정하게 유지되도록 하여 균열의 폭을 안정적으로 감지하고 예측할 수 있다. In an embodiment of the present invention, the third driving unit 535 can stably detect and predict the width of a crack by maintaining a constant distance between the camera module 100 and the concrete 120 .

이상에서 본 발명의 실시예들에 대하여 설명하였으나, 본 발명의 사상은 본 명세서에 제시되는 실시 예에 제한되지 아니하며, 본 발명의 사상을 이해하는 당업자는 동일한 사상의 범위 내에서, 구성요소의 부가, 변경, 삭제, 추가 등에 의해서 다른 실시 예를 용이하게 제안할 수 있을 것이나, 이 또한 본 발명의 사상범위 내에 든다고 할 것이다. Although the embodiments of the present invention have been described above, the spirit of the present invention is not limited to the embodiments presented herein, and those skilled in the art who understand the spirit of the present invention can add components within the scope of the same spirit. , changes, deletions, additions, etc. may easily suggest other embodiments, but this will also fall within the scope of the present invention.

100: 카메라 모듈 110: 거리 감지부
120: 콘크리트 130: 균열
200: 딥러닝 수행부 210: 영상 처리부
220: 데이터 저장부 230: 연산부
400: 온도 감지부 500: 대차
505: 제1 구동부 510: 제2 구동부
515: 지지대 520: 마운팅부
525: 레일 530: 제4 구동부
535: 제3 구동부 600: 드론100: camera module 110: distance detection unit
120: concrete 130: crack
200: deep learning performing unit 210: image processing unit
220: data storage unit 230: operation unit
400: temperature sensing unit 500: bogie
505: first driving unit 510: second driving unit
515: support 520: mounting portion
525: rail 530: fourth driving unit
535: third driving unit 600: drone

Claims (5)

콘크리트 표면에 형성된 균열에 대해서 네트워크를 통해서 딥러닝을 수행하는 딥러닝 수행부;
균열이 형성된 콘크리트를 촬영하는 카메라 모듈;
상기 카메라 모듈에서 촬영된 촬영데이터를 이미지데이터로 변환하는 영상 처리부; 및
상기 딥러닝 수행부에서 도출된 딥러닝데이터 및 상기 영상 처리부에서 생성된 상기 이미지데이터를 기초로 상기 콘크리트의 균열특성을 연산하는 연산부; 를 포함하는 딥러닝 기반 콘크리트 균열 감지 시스템. a deep learning performing unit that performs deep learning through a network on cracks formed on the concrete surface;
A camera module for taking pictures of cracked concrete;
an image processing unit converting the photographed data captured by the camera module into image data; and
a calculating unit for calculating crack characteristics of the concrete based on the deep learning data derived from the deep learning performing unit and the image data generated by the image processing unit; A deep learning-based concrete crack detection system that includes 제 1 항에 있어서,
상기 콘크리트의 균열특성은 균열의 폭, 루트, 길이, 및 형태 중 적어도 하나를 포함하는 것을 특징으로 하는 딥러닝 기반 콘크리트 균열 감지 시스템. The method of claim 1,
The crack characteristic of the concrete is a deep learning-based concrete crack detection system, characterized in that it includes at least one of a crack width, a root, a length, and a shape. 제 2 항에 있어서,
상기 카메라 모듈과 상기 콘크리트 표면 사이에 거리데이터를 감지하는 거리 감지부; 를 더 포함하고,
상기 연산부는 상기 거리데이터에 따라서 상기 균열특성을 보정하는 것을 특징으로 하는 딥러닝 기반 콘크리트 균열 감지 시스템. 3. The method of claim 2,
a distance detector for detecting distance data between the camera module and the concrete surface; further comprising,
Deep learning-based concrete crack detection system, characterized in that the calculating unit corrects the crack characteristics according to the distance data. 제 2 항에 있어서,
상기 콘크리트의 온도데이터를 설정기간 동안 감지하는 온도 감지부; 를 더 포함하고,
설정기간 감지된 상기 온도데이터에서 온도 변동폭의 크기에 따라서 상기 연산부는 상기 균열특성을 예측하는 것을 특징으로 하는 딥러닝 기반 콘크리트 균열 감지 시스템. 3. The method of claim 2,
a temperature sensor for detecting the temperature data of the concrete for a set period; further comprising,
Deep learning-based concrete crack detection system, characterized in that the calculating unit predicts the crack characteristics according to the magnitude of the temperature fluctuation in the temperature data sensed for a set period. 제 2 항에 있어서,
상기 카메라 모듈을 지면을 따라서 이동시키는 제1 구동부;
상기 카메라 모듈을 상하로 이동시키는 제2 구동부;
상기 카메라 모듈을 상기 콘크리트 표면 측으로 밀거나 반대로 당기는 제3 구동부; 및
상기 카메라 모듈을 상하로 회전시키는 제4 구동부; 를 포함하고,
상기 제3 구동부는 상기 카메라 모듈과 상기 콘크리트 사이의 거리가 일정하게 유지되도록 하는 것을 특징으로 하는 딥러닝 기반 콘크리트 균열 감지 시스템. 3. The method of claim 2,
a first driving unit for moving the camera module along the ground;
a second driving unit for moving the camera module up and down;
a third driving unit for pushing or pulling the camera module toward the concrete surface side; and
a fourth driving unit for rotating the camera module up and down; including,
The third driving unit deep learning-based concrete crack detection system, characterized in that the distance between the camera module and the concrete is maintained constant.
KR1020190176584A 2019-12-27 2019-12-27 Deep learning based concrete crack width detection system KR102388064B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190176584A KR102388064B1 (en) 2019-12-27 2019-12-27 Deep learning based concrete crack width detection system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190176584A KR102388064B1 (en) 2019-12-27 2019-12-27 Deep learning based concrete crack width detection system

Publications (2)

Publication Number Publication Date
KR20210083865A true KR20210083865A (en) 2021-07-07
KR102388064B1 KR102388064B1 (en) 2022-04-19

Family

ID=76862191

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190176584A KR102388064B1 (en) 2019-12-27 2019-12-27 Deep learning based concrete crack width detection system

Country Status (1)

Country Link
KR (1) KR102388064B1 (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115372363A (en) * 2022-07-05 2022-11-22 港珠澳大桥管理局 Box girder image acquisition device
KR102492814B1 (en) * 2022-04-07 2023-01-26 이흥열 Leak inspection method using helium injection device and refurbishment method of semiconductior manufacturing equipment including the same
KR102492815B1 (en) * 2022-04-07 2023-01-26 이흥열 Leak inspection method using helium injection device and leak detector and refurbishment method of semiconductior manufacturing equipment including the same
CN116309447A (en) * 2023-03-17 2023-06-23 水利部交通运输部国家能源局南京水利科学研究院 Dam slope crack detection method based on deep learning

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000234986A (en) * 1999-02-16 2000-08-29 Babcock Hitachi Kk System and method for evaluating crack development
JP2003075350A (en) * 2001-09-03 2003-03-12 Takenaka Komuten Co Ltd Scanning device for inspection camera
KR100845022B1 (en) * 2007-10-26 2008-07-08 주식회사 케이엠티엘 Crack measure system and method for safety check-up of construction
KR20140125262A (en) * 2013-04-18 2014-10-28 (주)세니츠코퍼레이션 Crack measuring device
KR101922831B1 (en) 2018-01-31 2018-11-27 서울시립대학교 산학협력단 Image analysis apparatus and method for discriminating concrete status
KR101995326B1 (en) 2018-05-08 2019-07-03 (주)우림이엔지건축사사무소 Concrete Structure of Crack Safety Measurement System

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000234986A (en) * 1999-02-16 2000-08-29 Babcock Hitachi Kk System and method for evaluating crack development
JP2003075350A (en) * 2001-09-03 2003-03-12 Takenaka Komuten Co Ltd Scanning device for inspection camera
KR100845022B1 (en) * 2007-10-26 2008-07-08 주식회사 케이엠티엘 Crack measure system and method for safety check-up of construction
KR20140125262A (en) * 2013-04-18 2014-10-28 (주)세니츠코퍼레이션 Crack measuring device
KR101922831B1 (en) 2018-01-31 2018-11-27 서울시립대학교 산학협력단 Image analysis apparatus and method for discriminating concrete status
KR101995326B1 (en) 2018-05-08 2019-07-03 (주)우림이엔지건축사사무소 Concrete Structure of Crack Safety Measurement System

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102492814B1 (en) * 2022-04-07 2023-01-26 이흥열 Leak inspection method using helium injection device and refurbishment method of semiconductior manufacturing equipment including the same
KR102492815B1 (en) * 2022-04-07 2023-01-26 이흥열 Leak inspection method using helium injection device and leak detector and refurbishment method of semiconductior manufacturing equipment including the same
CN115372363A (en) * 2022-07-05 2022-11-22 港珠澳大桥管理局 Box girder image acquisition device
CN116309447A (en) * 2023-03-17 2023-06-23 水利部交通运输部国家能源局南京水利科学研究院 Dam slope crack detection method based on deep learning
CN116309447B (en) * 2023-03-17 2024-01-05 水利部交通运输部国家能源局南京水利科学研究院 Dam slope crack detection method based on deep learning

Also Published As

Publication number Publication date
KR102388064B1 (en) 2022-04-19

Similar Documents

Publication Publication Date Title
KR102388064B1 (en) Deep learning based concrete crack width detection system
US10422705B2 (en) Apparatus and method for measuring body temperature of a human body
US11009340B2 (en) Film thickness measuring method and film thickness measuring apparatus
CN104204777A (en) Process and apparatus for measuring the crystal fraction of crystalline silicon casted mono wafers
KR101094069B1 (en) Calibration Device and Method for revision of Crack Detection System by Using Image Processing Technology
CN111608731B (en) Shield tunnel safety state monitoring and early warning device and monitoring and early warning method thereof
JP5494566B2 (en) Defect detection method for steel
Gromke et al. Snow particle characteristics in the saltation layer
WO2022157152A3 (en) Aircraft and method for inspecting equipment in coking plants to detect sources of error
CN104215179A (en) Method for dynamically measuring width of steel billet by using laser displacement sensors
CN103759675A (en) Synchronous detection method for aspheric surface micro-structures of optical elements
KR101434393B1 (en) A displacement vibration measuring method using camera image
KR20200029860A (en) Method and apparatus for measuring crack depth of structure using thermo-graphical image
JP2010025646A (en) Calibration method of gas measuring device
CN106769731B (en) Method and device for measuring concentration of particulate matter
Garrido et al. Algorithms for the automatic detection and characterization of pathologies in heritage elements from thermographic images
JP2019011995A (en) Rigidity measuring device, rigidity measuring method, and program
CN114627121B (en) Structural member stress detection method, device, equipment and medium
Seo et al. A study on development of portable concrete crack measurement device using image processing technique and laser sensors
JP2020132936A5 (en)
Bartels et al. Environmental influence on structural health monitoring systems
JP2012251901A (en) Material testing device
KR101437920B1 (en) A correctopn method for the camera wobble when measuring the vibration displacement using camera image
TWI493177B (en) Method of detecting defect on optical film with periodic structure and device thereof
CN108549068B (en) Three-dimensional scanning data processing method and data processing system

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant