KR20210086478A - 매설물 결함 정보를 제공하는 시스템 및 그에 대한 방법 - Google Patents

매설물 결함 정보를 제공하는 시스템 및 그에 대한 방법 Download PDF

Info

Publication number
KR20210086478A
KR20210086478A KR1020200168941A KR20200168941A KR20210086478A KR 20210086478 A KR20210086478 A KR 20210086478A KR 1020200168941 A KR1020200168941 A KR 1020200168941A KR 20200168941 A KR20200168941 A KR 20200168941A KR 20210086478 A KR20210086478 A KR 20210086478A
Authority
KR
South Korea
Prior art keywords
defect detection
detection data
defect
data set
neural network
Prior art date
Application number
KR1020200168941A
Other languages
English (en)
Inventor
유휘용
송홍석
조성호
김동규
김대광
김재준
양승웅
Original Assignee
한국가스공사
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 한국가스공사 filed Critical 한국가스공사
Priority to KR1020200168941A priority Critical patent/KR20210086478A/ko
Publication of KR20210086478A publication Critical patent/KR20210086478A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/40—Investigating fluid-tightness of structures by using electric means, e.g. by observing electric discharges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/30—Polynomial surface description

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Computer Graphics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)

Abstract

본 발명에 기술된, 실제 매설물에 대한 매설물 결함을 제공하는 시스템은 기존 매설물의 결함 검출 데이터 세트 및 인공 매설물의 결함 검출 데이터 세트 중 적어도 하나의 결함 검출 데이터 세트를 저장하는 결함 검출 데이터 세트 저장부와, 결함 검출 데이터 세트를 기계 학습시켜 신경망을 생성하는 신경망 생성부와, 그리고 신경망 생성부에 입력되는 실제 결함 검출 데이터를 획득하는 매설물 결함 검출부를 포함하며, 신경망 생성부는 기계 학습된 신경망의 결함 검출 데이터 세트를 기반으로 하여, 실제 결함 검출 데이터를 3D 모델 데이터로 생성한다.

Description

매설물 결함 정보를 제공하는 시스템 및 그에 대한 방법{System and Method for Providing Information on Buried material's Defects}
본 발명은 매설물 결함을 제공하는 시스템 및 그에 대한 방법에 관한 것으로, 보다 상세하게는 인텔리전트 피그(intelligent pig)와 같은 매설물 결함 검출부를 이용하여, 상기 피그로부터 얻은 데이터로부터 지하 매설물의 결함 형태 및 크기를 검출하고, 이를 기계 학습을 통해 보다 정확한 3D 모델로 재건할 수 있는 매설물 결함을 제공하는 시스템 및 그에 대한 방법에 관한 것이다.
상하수도 시설 노후화, 송유관 등의 부식, 피로, 결함 등으로 인해 지하 매설물이 파손되는 사고가 많이 발생되고 있다. 특히 지하에 매설된 배관 또는 파이프와 같은 지하 매설물이 결함이 일어나는 경우, 지반이 악화되고, 이는 결과적으로 지반이 갑자기 함몰될 수 있는 대형 싱크홀까지 유발함으로써 큰 인명를 불러 올 수 있다. 이 때문에, 매설 배관 등이 사전에 결함이 있는지 항상 관리해야 하며, 결함이 있는 경우 적절한 조치를 신속하게 취해야 한다.
최근에는 이를 위해 배관의 내부 및 외부 각각에 LADAR 모듈 및 관리 모듈을 설치함으로써 배관 결함을 감지하는 기술이 대두되고 있다. 그러나 이러한 기술은 단지 배관의 결함 유무 상태를 알려줄 뿐, 결함의 형태나 크기에 대한 부분을 파악할 수 없다는 문제점을 가진다.
설사, 상기와 같은 결함의 형태나 크기에 대한 부분을 검출하는 기술이 있다 하더라도 현재에는 이러한 검출에 관한 분석을 사람, 즉 분석가가 수행하여야 하며, 이에 따라 분석가의 능력 및 컨디션에 따라 상이한 결과가 도출될 수 있다.
그러므로, 지하 매설물의 결함의 형상 및 크기를 정확하게 나타내고, 분석 결과가 분석가의 자질에 따른 것이 아니라, 객관적이고 일관성이 있도록 할 필요가 있다.
특허 문헌 1: 한국공개특허공보 제10-2016-0055470호, "오폐수 관리 시스템"
본 발명의 목적은 상술된 바와 같은 문제점을 해결하기 위한 것으로, 배관건전성관리제도(IMP, Integrity Management Program)에 따라 주기적으로 노후 배관을 관리, 예를 들면, 클리닝 및 결함 검출 등을 할 수 있는 인텔리전트 피그를 이용하여, 상기 피그로부터 얻은 데이터로부터 지하 매설물의 결함 형태 및 크기를 검출하고, 이를 기계 학습을 통해 보다 정확한 3D 모델로 재건할 수 있는 매설물 결함 제공 시스템 및 그에 대한 방법에 관한 것이다.
본 발명의 실시예에 따른 실제 매설물에 대한 매설물 결함을 제공하는 시스템은 기존 매설물의 결함 검출 데이터 세트 및 인공 매설물의 결함 검출 데이터 세트 중 적어도 하나의 결함 검출 데이터 세트를 저장하는 결함 검출 데이터 세트 저장부와, 결함 검출 데이터 세트를 기계 학습시켜 신경망을 생성하는 신경망 생성부와, 그리고 신경망 생성부에 입력되는 실제 결함 검출 데이터를 획득하는 매설물 결함 검출부를 포함하며, 신경망 생성부는 기계 학습된 신경망의 결함 검출 데이터 세트를 기반으로 하여, 실제 결함 검출 데이터를 3D 모델 데이터로 생성한다.
바람직하게는, 신경망 생성부는 실제 결함 검출 데이터 및 3D 모델 데이터를 실제 결함 검출 데이터 세트로서 서로 연관시키고, 실제 결함 검출 데이터 세트를 결함 검출 데이터 세트 저장부에 저장한다.
본 발명의 실시예에 따른 매설물 결함 제공 시스템은 인공 매설물의 결함 검출 데이터를 획득하는 인공 매설물 결함 검출부와, 그리고 3D 모델 데이터를 시각적으로 출력하는 표시부를 더 포함한다.
바람직하게는, 기존 매설물 및 실제 매설물은 지표면 아래에서 임의의 매체가 존재하거나, 유동 또는 이동할 수 있는, 다양한 형상으로 구현된 공간을 포함하며, 매설물 결함 검출부는 공간 내를 주행하여 매설물 결함의 크기 및 형태를 검출한다.
바람직하게는, 기존 매설물의 결함 검출 데이터 세트는 매설물 결함 검출부와 유사하거나 동일한 장치로부터 사전에 획득된 매설물 결함의 크기 및 형태에 대한 기존 결함 검출 데이터 및 기존 결함 검출 데이터와 연관된 3D 모델 데이터를 포함한다.
바람직하게는, 인공 매설물의 결함 검출 데이터 세트는 인공 매설물 결함 검출부가 인위적으로 가공된 인공 결함의 형태 및 크기를 측정하여 나타낸 인공 결함 검출 데이터 및 인공 결함 검출 데이터와 연관된 3D 모델 데이터를 포함한다.
바람직하게는 매설물 결함 검출부는 마그넷타이저 및 홀 센서를 포함하며, 실제 결함 검출 데이터는 마그넷타이저의 자석이 매설물을 자화시켜 매설물의 두께에 따라 누설되는 자속을 홀 센서로 측정한 매설물 결함의 형태 및 크기에 대한 데이터이다.
매설물 결함 검출부는 유무선 통신이 이루어지지 않는 지표면 아래에서 실제 매설물의 상태를 검출하여 매설물 상태에 대한 데이터를, 실제 결함 검출 데이터와 함께 생성한다.
본 발명의 실시예에 따른 매설물 결함 제공 시스템이 매설물 결함을 제공하는 방법은 가) 기존 매설물의 결함 검출 데이터 세트 및 인공 매설물의 결함 검출 데이터 세트 중 적어도 하나의 결함 검출 데이터 세트를 저장하는 단계와, 나) 결함 검출 데이터 세트를 기계 학습시켜 신경망을 생성하는 단계와, 다) 실제 결함 검출 데이터를 획득하여 생성된 신경망에 입력하는 단계와, 라) 기계 학습된 신경망의 결함 검출 데이터 세트를 기반으로 하여, 실제 결함 검출 데이터를 3D 모델 데이터로 생성하는 단계와, 그리고 마) 3D 모델 데이터를 시각적으로 출력하는 표시하는 단계를 포함한다.
바람직하게는, 라) 단계는 실제 결함 검출 데이터 및 3D 모델 데이터를 실제 결함 검출 데이터 세트로서 서로 연관시키는 단계를 더 포함한다.
본 발명의 실시예에 따른 매설물 결함 제공 방법은 라) 단계와 마) 단계 사이, 마) 단계 이후, 또는 마) 단계와 동시에, 실제 결함 검출 데이터 세트를 저장하는 단계를 더 포함한다.
본 발명의 특징 및 이점들은 첨부도면에 의거한 다음의 상세한 설명으로 더욱 명백해질 것이다.
이에 앞서 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이고 사전적인 의미로 해석되어서는 아니 되며, 발명자가 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합되는 의미와 개념으로 해석되어야만 한다.
본 발명의 실시예에 따르면, 매설물 결함에 대한 분석 시간을 단축시키고, 정확도를 향상시키며, 그리고 작업의 편리성 증대로 기술 도입 후 경쟁력을 높일 수 있다.
본 발명의 실시예에 따르면, 정확도 높은 신경망 구축을 위해 매설물 결함에 대한 학습 데이터가 충분히 제공되고, 재학습이 가능하므로 시간의 지남에 따라 정확도가 점점 높아질 수 있다.
본 발명의 실시예에 따르면, 인공지능을 통한 매설물 결함의 3차원 가시적 정보 제공으로 분석가의 작업에 대한 효율성 및 정확도가 높아질 수 있다.
도 1은 본 발명의 실시예에 따른 매설물 결함 제공 시스템에 대한 블록도를 도시한다.
도 2는 결함 검출 데이터 및 결함 검출 3D 모델 데이터를 도시한 것으로, 도 2a 및 도 2b는 기존 매설물의 결함 검출 데이터 세트 및 인공 매설물의 결함 검출 데이터 세트 중 적어도 하나에 포함된 결함 검출 데이터를 도시하고, 도 2c 및 도 2d는 상기와 같은 결함 검출 데이터를 3D 모델링 구현 장치를 통해 얻은 결함 검출 3D 모델 데이터를 도시한다.
도 3은 본 발명의 실시예에 따른 매설물 결함 제공 시스템의 신경망 생성부에 실제 결함 검출 데이터가 입력될 시에, 신경망 생성부가 기계 학습된 신경망의 결함 검출 데이터 세트를 기반으로 하여, 실제 결함 검출 데이터에 가장 부합하는 실제 결함 검출 3D 모델 데이터를 생성하는 도면이다.
도 4는 본 발명의 실시예에 따른 매설물 결함을 제공하는 방법을 개념적으로 나타내는 흐름도이다.
본 발명의 목적, 특정한 장점들 및 신규한 특징들은 첨부된 도면들과 연관되어지는 이하의 상세한 설명과 실시예들로부터 더욱 명백해질 것이다. 본 명세서에서 각 도면의 구성요소들에 참조번호를 부가함에 있어서, 동일한 구성 요소들에 한해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 번호를 가지도록 하고 있음에 유의하여야 한다. 또한, 본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다. 본 명세서에서, 제1, 제2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 상기 용어들에 의해 제한되는 것은 아니다. 첨부 도면에 있어서, 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 실시예에 따른 매설물 결함을 제공할 수 있는 시스템에 대한 블록도를 도시한다.
도 1을 참조하면, 본 발명의 실시예에 의한 매설물 결함 제공 시스템(10)은 결함 검출 데이터 세트 저장부(100), 신경망 생성부(200), 매설물 결함 검출부(300) 및 표시부(400)를 포함한다.
결함 검출 데이터 세트 저장부(100)는 기존 매설물의 결함 검출 데이터 세트(110) 및 인공 매설물의 결함 검출 데이터 세트(120) 중 적어도 하나의 결함 검출 데이터 세트를 저장하도록 구성된다.
기존 매설물의 결함 검출 데이터 세트(110)는 이전에 매설물 결함 검출 장치(매설물 결함 검출부(300)와 유사하거나 동일함)로부터 얻은 데이터를 포함한다. 매설물 결함 검출부(300)는 지하에 매설된 배관 또는 매설 배관과 같은 매설물을 검출하는 장치로서, 한 예로 인텔리전트 피그와 같은 장치이다. 이러한 인텔리전트 피그는 매설 배관의 상태를 검출하기 위해 상기 매설 배관을 점검, 검사, 클리닝, 관리, 위치 추적 등을 수행하는 주행 장치로서, 매설물의 공간 내에서 주행하여 매설 배관의 상태에 대한 데이터를, 상기 피그의 ILI(In-Line Inspection) 수행을 통해 획득된 데이터로서 생성하도록 구성된다. 또한, 본 명세서에서 "매설물"은 상기와 같은 매설 배관을 포함하지만, 이에 제한되지 않고, 지표면 아래에서 임의의 매체가 존재하거나, 유동 또는 이동할 수 있는, 다양한 형상으로 구현된 공간을 포함한 구성을 의미한다. 예를 들면 상기 공간은 지하에서 전선 등과 같은 고체 매체가 존재하거나, 물 등과 같은 액체, 가스 등과 같은 기체가 이동하도록, 다양한 형상을 가진 부분을 나타낸다.
특히, 인텔리전트 피그는 매설물의 공간 내를 주행함으로써, 상기와 같은 매설 배관의 상태에 대한 데이터뿐만 아니라 매설 배관의 결함의 형태 및 크기에 대한 데이터, 예를 들면, 매설 배관 결함의 길이, 폭, 너비 및 깊이 등에 대한 매설물 결함 검출 데이터를 획득할 수 있다. 이러한 매설물 결함 검출 데이터를 획득하기 위해서, 인텔리전트 피그는 마그넷타이저 및 홀 센서를 포함할 수 있다. 예를 들면, 상기 피그가 지하에서 매설물 결함을 측정할 시에, 마그넷타이저의 자석이 매설물을 자화시켜 상기 매설물의 두께에 따라 누설되는 자속을 상기 홀 센서로 측정함으로써, 상기 피그는 매설물 결함의 형태 및 크기에 대한 매설물 결함 검출 데이터를 얻을 수 있다.
한편, 인텔리전트 피그가 유무선 통신이 이루어지지 않는 지표면 아래에서, 예를 들면 지하 깊은 곳에서 임무를 수행하기 때문에, 상기 피그가 지하로부터 지상으로 벗어난 이후에, 즉 상기 피그가 임무를 완수한 이후에, 분석가는 획득된 매설물 결함 검출 데이터를 수집할 수 있음에 유의한다.
또한, 기존 매설물의 결함 검출 데이터 세트(110)는 사전에 매설물 결함 검출 장치로부터 얻은 매설물 결함 검출 데이터 이외에, 상기 데이터와 연관된 매설물 결함 검출 3D 모델 데이터도 포함한다. 여기에서, 매설물 결함 검출 3D 모델 데이터는 3D 스캔 장치와 같은 3D 모델링 구현 장치를 통해 출력된 것으로서, 분석가가 매설물 결함 검출부(300)로부터 수집한 매설물 결함 검출 데이터를 3D 모델링 구현 장치에 입력하면, 3D 모델 데이터를 출력함으로써, 상기와 같은 매설물 결함 검출 3D 모델 데이터를 얻을 수 있다.
인공 매설물의 결함 검출 데이터 세트(120) 역시, 기존 매설물의 결함 검출 데이터 세트(110)와 유사하게 인공 결함에 대한 인공 결함 검출 데이터, 및 이를 3D 모델링 구현 장치를 통해 얻은 인공 결함 검출 3D 모델 데이터를 포함한다.
인공 결함 검출 데이터는 인텔리전트 피그가 검출하려는 배관의 결함과 같은, 인위적으로 가공된 인공물 결함의 길이, 폭, 너비 및 깊이 등을 포함한 형태 및 크기를 측정한 데이터이다. 이러한 인공 결함 검출 데이터는, 상술된 인텔리전트 피그와 같이 인공물을 자화시켜 상기 인공물의 두께에 따라 누설되는 자속을 측정하는 인공 매설물 결함 검출부를 이용하여 얻을 수 있다. 물론 도 1에서는 도시되어 있지 않지만, 상기 인공 매설물 결함 검출부는 매설물 결함 제공 시스템(10)에 포함될 수 있다.
도 2a 및 도 2b는 기존 매설물의 결함 검출 데이터 세트 및/또는 인공 매설물의 결함 검출 데이터 세트에 포함된 결함 검출 데이터를 도시하고, 도 2c 및 도 2d는 상기와 같은 결함 검출 데이터를 3D 모델링 구현 장치를 통해 얻은 결함 검출 3D 모델 데이터를 도시한다. 도 2b 및 도 2d에 도시된 바와 같이 결함 검출 데이터 및 결함 검출 3D 모델 데이터 각각은 메시 타입의 데이터로도 나타날 수 있지만, 이에 제한됨 없이, 다양한 표시를 가진 데이터로 나타낼 수 있음은 물론이다.
신경망 생성부(200)는 결함 검출 데이터 세트, 즉 기존 매설물 및 인공 매설물에 대한 결함 검출 데이터 세트를 기계 학습시켜 신경망을 생성하도록 구성된다.
신경망은 공지된 바와 같이 일반적으로 자기 조직화 지도(SOM: Self-Organizing Map), 순환 신경망(RNN: Recurrent Neural Network), 콘볼루션 신경망(CNN: Convolutional Neural Network), 다층 퍼셉트론(MLP: Multi-Layer Perceptron), 방사 기저 함수(RBF, Radial Basis Function)와 같은 다양한 모델에 대한 총칭으로, 그 종류는 수십 가지에 이른다. 본 명세서에서 신경망 생성부(200)는 기계 학습을 통해 이러한 신경망을 생성할 수 있는 것으로, 상기와 같은 결함 검출 데이터 세트를 반복적으로 기계 학습시킴으로써, 임의적인 제 1 결함 검출 데이터를 입력할 시에 저장된 하나 이상의 결함 검출 데이터 세트(예를 들면, 하나 이상의 인공 결함 검출 데이터 및 하나 이상의 인공 결함 검출 3D 모델 데이터로 구성됨)를 기반으로 하여, 제 1 결함 검출 3D 모델 데이터를 생성할 수 있다.
예를 들면, 다음 [표 1]과 같이 제 1부터 제 N까지 결함 검출 데이터 세트를, 검출 데이터 세트 저장부(100)로부터 신경망 생성부(200)가 가져와서 기계 학습을 했다고 가정한다.
제 1 검출 데이터 세트 제 1 결함 검출 데이터, 제 1 결함 검출 3D 모델 데이터
제 2 검출 데이터 세트 제 2 결함 검출 데이터, 제 2 결함 검출 3D 모델 데이터
... ..., ...
제 N 검출 데이터 세트 제 N 결함 검출 데이터, 제 N 결함 검출 3D 모델 데이터
그 후에, 도 3에 도시된 바와 같이, 임의적인 제 N+1 결함 검출 데이터(210)(예를 들면, 실제 결함 검출 데이터)가 기계 학습된 신경망 생성부(200)에 입력되면, 상기 신경망 생성부(200)는 제 1 내지 제 N의 결함 검출 데이터 세트에 기반하여, 다시 말해, 제 1 내지 제 N 결함 검출 데이터 세트의 데이터 관계, 예를 들면, 제 1 내지 제 N 결함 검출 데이터와 제 1 내지 제 N 결함 검출 3D 모델 데이터와의 관계를 신경망으로 추론하여, 제 N+1 결함 검출 데이터에 가장 부합할 수 있는 제 N+1 결함 검출 3D 모델 데이터(220)(예를 들면, 실제 결함 검출 3D 모델 데이터)를 생성할 수 있다.
이에 따라, 매설물 결함 검출부(300)가 현재 매설물, 예를 들면 매설 배관으로부터 실제 결함 검출 데이터를 획득하고, 이를 신경망 생성부(200)에 입력하면, 신경망 생성부(200)는 기계 학습된 신경망의 결함 검출 데이터 세트를 기반으로 하여, 실제 결함 검출 데이터에 가장 부합하는 실제 결함 검출 3D 모델 데이터를 생성할 수 있고, 매설물 결함 제공 시스템(10)에 포함된 표시부(400)를 통하여 이러한 3D 모델 데이터를 시각적으로 출력할 수 있다.
상술된 바와 같이, 종래에는 매설물 결함 검출부(300)가 매설 배관으로부터 실제 결함 검출 데이터를 얻으면, 분석가는 이 같은 데이터를 실제 결함 검출 3D 모델 데이터로 변환시키기 위해, 3D 스캔 장치를 이용해야 했지만, 본 발명의 실시예에 따르면, 3D 스캔 장치를 더 이상 사용하지 않고, 상기와 같은 실제 결함 검출 데이터를 단지 신경망 생성부(200)에 입력만 시키면, 이에 대한 3D 모델 데이터를 쉽게 시각적으로 얻을 수 있기 때문에, 작업의 편의성을 극대화시킬 수 있다.
또한, 종래에는 매설물 결함 검출부(300)로부터 얻은 실제 결함 검출 데이터를 3D 모델링 구현 장치에 입력하기 전에 분석가가 풀-리그(Pull-Rig) 시험을 통한 임의의 가공 결함 데이터를 기준으로 직접 판단하기 때문에, 분석가의 경험에 따라 실제 결함 검출 데이터를 다르게 해석한다는 문제점(예를 들면, 매설 배관 결함의 크기 및 형태가 달라질 수 있음)이 있었지만, 본 발명의 실시예에 따르면, 기계 학습된 신경망 생성부(200)를 이용하기 때문에, 분석가의 해석이 요구되지 않으므로, 정확하고 객관적인 데이터를 얻을 수 있다.
한편, 신경망 생성부(200)는 상기와 같은 실제 결함 검출 데이터와, 그리고 상기 신경망 생성부(200)로부터 생성된 실제 결함 검출 3D 모델 데이터를 실제 결함 검출 데이터 세트로서 서로 연관시키고, 이 데이터 세트를 결함 검출 데이터 세트 저장부(100)로 전송하여 상기 저장부에 저장할 수 있다.
이와 같이, 결함 검출 데이터를 수집하고, 수집된 결함 검출 데이터와 신경망 생성부(200)로 생성된 결함 검출 3D 모델 데이터를 연관 및 저장되는 과정이 반복되면, 신경망 생성부(200)는 누적되는 결함 검출 데이터 세트로 인해, 즉 신경망의 재학습으로 인해 매설물 결함 형태 및 크기를 보다 더 정확하게 나타낼 수 있고, 분석 결과에 대한 신뢰도도 향상될 수 있다.
도 4는 본 발명의 실시예에 따른, 매설물 결함 제공 시스템(10)으로 매설물 결함을 제공하는 방법을 개념적으로 나타내는 흐름도이다. 상기 매설물 결함 제공 시스템(10)은 결함 검출 데이터 세트 저장부(100), 신경망 생성부(200), 매설물 결함 검출부(300) 및 표시부(400)를 포함하는 것으로, 이들 구성은 상술된 바와 같으므로, 각 구성에 대한 설명은 생략하도록 한다.
도 4를 참조하면, 상기 방법은 결함 검출 데이터 세트 저장부(100)가 기존 매설물의 결함 검출 데이터 세트 및 인공 매설물의 결함 검출 데이터 세트 중 적어도 하나의 결함 검출 데이터 세트를 저장하는 단계(S100)와, 신경망 생성부(200)가 결함 검출 데이터 세트를 기계 학습시켜 신경망을 생성하는 단계(S200)와, 매설물 결함 검출부(300)에 의해 획득된 제 1 실제 결함 검출 데이터를 상기 생성된 신경망에 입력하는 단계(S300)와, 신경망 생성부(200)가 기계 학습된 신경망의 결함 검출 데이터 세트를 기반으로 하여, 제 1 실제 결함 검출 데이터를 제 1 3D 모델 데이터로 생성하는 단계(S400)와, 그리고 표시부(400)가 제 1 3D 모델 데이터를 시각적으로 출력하여 표시하는 단계(S500)를 포함한다.
기존 매설물 및 인공 매설물의 결함 검출 데이터 세트 각각은 상술한 바와 같이 매설물 결함 검출부(300)로부터 획득된 매설물 결함의 형태 및 크기에 대한 기존 결함 검출 데이터 및 상기 기존 결함 검출 데이터와 연관된 3D 모델 데이터와, 인공 매설물 결함 검출부가 인위적으로 형성된 인공 결함의 형태 및 크기를 측정하여 나타낸 인공 결함 검출 데이터 및 상기 인공 결함 검출 데이터와 연관된 3D 모델 데이터를 포함하며, 그리고 이들 3D 모델 데이터 각각은 기존 결함 검출 데이터 및 인공 결함 검출 데이터 각각을 3D 스캔 장치와 같은 3D 모델링 구현 장치에 입력시킴으로써 출력되는 데이터이다.
S400 단계는 신경망 생성부(200)가 제 1 실제 결함 검출 데이터와, 기계 학습된 신경망의 결함 검출 데이터 세트를 기반으로 하여 상기 실제 결함 검출 데이터로부터 생성된 제 1 3D 모델 데이터를 제 1 실제 결함 데이터 세트로서 서로 연관시키는 단계(S410 단계)를 더 포함한다. 즉, S400 단계에서는 제 1 실제 결함 데이터 세트가 기존 매설물의 결함 데이터 세트 또는 인공 매설물의 결함 데이터 세트와 유사하게, 제 1 실제 결함 검출 데이터와 제 1 3D 모델 데이터를 포함하고 있다.
본 발명의 실시예에 따른 상기와 같은 방법은 신경망 생성부(200)가 제 1 실제 결함 검출 데이터 세트를 전송하여, 상기 제 1 실제 결함 검출 데이터 세트를 상기 결함 검출 데이터 세트 저장부에 저장하는 단계(S420 단계)를 S400 단계와 S500 단계 사이에서 더 포함한다. 그 후, 신경망 생성부(200)는 기존 매설물 및 인공 매설물의 각각의 결함 검출 데이터 세트와, 그리고 추가된 제 1 실제 결함 검출 데이터 세트를 다시 기계 학습시켜 신경망을 생성하며, 추후에 제 2 실제 결함 검출 데이터가 입력될 시에 제 1 실제 결함 검출 데이터 세트까지 포함된 결함 검출 데이터 세트를 기반으로 하여, 상기 제 2 실제 결함 검출 데이터를 제 2 3D 모델 데이터로 생성하거나 변환시킴으로써, 제 2 실제 결함 검출 데이터 및 제 2 3D 모델 데이터를 제 2 실제 결함 검출 데이터 세트로서 서로 연관시키고, 상기 제 2 실제 결함 검출 데이터 세트를 결함 검출 데이터 세트 저장부에 저장한다.
이에 따라서, 실제 결함 검출 데이터를 다수 번 입력시킴에 따라, 신경망 생성부(200)의 신경망은 이러한 결함 검출 데이터의 재학습을 통해, 정확도가 점점 더 높아지는 결과물을 제공할 수 있게 되어, 분석가는 더 이상의 3D 스캔 장치를 요구함 없이, 매설물 결함 제공 시스템(10)을 통해 정확하고 객관적인 매설물의 결함 검출 데이터를 얻을 수 있다.
상술된 바와 같이, 제 1 실제 결함 검출 데이터 세트를 결함 검출 데이터 세트 저장부에 저장하는 S420 단계가 S400 단계와 S500 단계 사이에 존재하는 것으로 기술하였지만, 분석가가 신경망 생성부(200)의 설정을 조정함으로써, S420 단계는 S500 단계와 동시에 또는 S500 단계 이후에 진행할 수 있다.
본 명세서에서 설명되는 실시 예와 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 예시적으로 설명하는 것에 불과하다. 따라서, 본 명세서에 개시된 실시예들은 본 발명의 기술적 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이므로, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아님은 자명하다. 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시 예는 모두 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
10: 매설물 결함 제공 시스템
100: 결함 검출 데이터 세트 저장부
110: 기존 매설물의 결함 검출 데이터 세트
120: 인공 매설물의 결함 검출 데이터 세트
200: 신경망 생성부
210: 제 N+1 결함 검출 데이터
220: 제 N+1 결함 검출 3D 모델 데이터
300: 매설물 결함 검출부
400: 표시부

Claims (1)

  1. 실제 매설물에 대한 매설물 결함 정보를 제공하는 시스템에 있어서,
    3D 스캔을 통한 초기 3D 모델 데이터를 각각 포함하는 기존 매설물의 결함 검출 데이터 세트 및 인공 매설물의 결함 검출 데이터 세트 중 적어도 하나의 결함 검출 데이터 세트를 저장하는 결함 검출 데이터 세트 저장부;
    상기 결함 검출 데이터 세트를 기계 학습시켜 신경망을 생성하는 신경망 생성부;
    상기 신경망 생성부에 입력되는 실제 결함 검출 데이터를 획득하는 매설물 결함 검출부; 및
    상기 신경망 생성부로부터 출력되는 3D 모델 데이터를 시각적으로 출력하여 표시하는 표시부;를 포함하며,
    상기 신경망 생성부는 상기 기계 학습된 신경망의 결함 검출 데이터 세트를 기반으로 하여, 상기 3D 스캔 없이 상기 실제 결함 검출 데이터를 제 1 3D 모델 데이터로 생성하고, 상기 표시부는 상기 제 1 3D 모델 데이터를 출력하는, 매설물 결함 정보 제공 시스템.
KR1020200168941A 2019-12-30 2020-12-04 매설물 결함 정보를 제공하는 시스템 및 그에 대한 방법 KR20210086478A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200168941A KR20210086478A (ko) 2019-12-30 2020-12-04 매설물 결함 정보를 제공하는 시스템 및 그에 대한 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190178727 2019-12-30
KR1020200168941A KR20210086478A (ko) 2019-12-30 2020-12-04 매설물 결함 정보를 제공하는 시스템 및 그에 대한 방법

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020190178727 Division 2019-12-30 2019-12-30

Publications (1)

Publication Number Publication Date
KR20210086478A true KR20210086478A (ko) 2021-07-08

Family

ID=76894265

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200168941A KR20210086478A (ko) 2019-12-30 2020-12-04 매설물 결함 정보를 제공하는 시스템 및 그에 대한 방법

Country Status (1)

Country Link
KR (1) KR20210086478A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113870267A (zh) * 2021-12-03 2021-12-31 深圳市奥盛通科技有限公司 缺陷检测方法、装置、计算机设备及可读存储介质
KR20230086895A (ko) * 2021-12-09 2023-06-16 한국전력기술 주식회사 매설 배관의 결함 탐상 시스템 및 탐상 방법
WO2023182855A1 (ko) * 2022-03-25 2023-09-28 경상국립대학교산학협력단 상하수도 시설물 결함 검출 방법 및 이를 지원하는 결함 검출 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160055470A (ko) 2014-11-10 2016-05-18 재단법인대구경북과학기술원 오폐수 관리 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160055470A (ko) 2014-11-10 2016-05-18 재단법인대구경북과학기술원 오폐수 관리 시스템

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113870267A (zh) * 2021-12-03 2021-12-31 深圳市奥盛通科技有限公司 缺陷检测方法、装置、计算机设备及可读存储介质
CN113870267B (zh) * 2021-12-03 2022-03-22 深圳市奥盛通科技有限公司 缺陷检测方法、装置、计算机设备及可读存储介质
KR20230086895A (ko) * 2021-12-09 2023-06-16 한국전력기술 주식회사 매설 배관의 결함 탐상 시스템 및 탐상 방법
WO2023182855A1 (ko) * 2022-03-25 2023-09-28 경상국립대학교산학협력단 상하수도 시설물 결함 검출 방법 및 이를 지원하는 결함 검출 시스템

Similar Documents

Publication Publication Date Title
KR20210086478A (ko) 매설물 결함 정보를 제공하는 시스템 및 그에 대한 방법
KR102332466B1 (ko) 파이프, 압력 용기 및 파이프 시스템에서의 수소-유발 크래킹(hic)의 신속 예측 및 관련 조치를 위한 시스템 및 방법
Liu et al. State of the art review of inspection technologies for condition assessment of water pipes
US8841901B2 (en) System and method for inspecting a subsea pipeline
CN113075065B (zh) 基于图像识别的深海管道裂纹扩展监测与可靠性评估系统
CA2843394C (en) System and method for inspecting a subsea pipeline
JP2019028960A (ja) 画像処理システム
CN116482227B (zh) 一种管道腐蚀监测方法、装置及系统
AU2020271967B2 (en) Method for determining the geometry of a defect on the basis of non-destructive measurement methods using direct inversion
CN113348349A (zh) 分析管道状况的方法和系统
RU2571159C2 (ru) Способ автоматизации метода визуального и измерительного контроля поверхности труб и устройство для его осуществления
Mohamed et al. A hybrid intelligent approach for metal-loss defect depth prediction in oil and gas pipelines
CN116127314B (zh) 基于自适应多尺度深度学习网络预测地下密度的方法
CN112525923A (zh) 一种共享果汁平台管道内壁检测方法、系统及可读存储介质
CN110363863B (zh) 一种神经网络的输入数据生成方法和系统
KR101943426B1 (ko) 관거의 내벽 상태에 대한 도면을 생성하는 방법, 장치, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체, 관거의 내벽 상태를 조사하는 방법, 장치, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체
Lee et al. Hierarchical rule based classification of MFL signals obtained from natural gas pipeline inspection
Christen et al. Automatic flaw detection in NDE signals using a panel of neural networks
Nguyen et al. An efficient 3-D model for remaining wall thicknesses of cast iron pipes in nondestructive testing
Ferreira et al. Corrosion-like defect severity estimation in pipelines using convolutional neural networks
KR102607277B1 (ko) 결함 감지 시스템 및 그 방법
KR102575189B1 (ko) 배전선로에서 장애위치를 파악하는 방법 및 장치
CN116576405B (zh) 一种风管泄漏信号检测方法及系统
CN115935241B (zh) 一种多参数相互融合的清管器实时定位方法及装置
Wang et al. Research on the error correction algorithm for caliper center offset in the offshore pipeline