KR20210089365A - 인공지능을 이용한 구조물 손상 탐지 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 - Google Patents
인공지능을 이용한 구조물 손상 탐지 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 Download PDFInfo
- Publication number
- KR20210089365A KR20210089365A KR1020200002435A KR20200002435A KR20210089365A KR 20210089365 A KR20210089365 A KR 20210089365A KR 1020200002435 A KR1020200002435 A KR 1020200002435A KR 20200002435 A KR20200002435 A KR 20200002435A KR 20210089365 A KR20210089365 A KR 20210089365A
- Authority
- KR
- South Korea
- Prior art keywords
- virtual image
- unit
- damage detection
- damage
- neural network
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 70
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 239000004567 concrete Substances 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 16
- 238000011156 evaluation Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000007786 learning performance Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 239000010409 thin film Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004299 exfoliation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
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
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06Q50/08—Construction
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Image Analysis (AREA)
Abstract
인공지능을 이용한 구조물 손상 탐지 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체가 개시된다. 인공지능을 이용한 구조물 손상 탐지 시스템은 손상 탐지부, 손상 탐지 학습부, 및 가상영상 생성부를 포함한다. 손상 탐지부는 심층 신경망을 이용하여 관측영상에서 구조물의 손상을 탐지하고, 손상 탐지 학습부는 가상영상을 이용하여 손상 탐지부의 심층 신경망을 학습시키며, 가상영상 생성부는 가상영상을 생성한다. 이때, 가상영상 생성부는, 심층 신경망을 이용하여 가상영상을 생성하고, 가상 영상을 미리 설정된 가상영상 판별부로 출력하며, 가상영상 판별부의 판별 결과를 이용하여 가상영상 생성부의 심층 신경망을 개선한다.
Description
본 발명은 콘크리트 구조물의 유지관리를 위한 손상 탐지 기술에 관한 것으로서, 더욱 상세하게는 촬영 영상과 인공지능 알고리즘을 이용하여 구조물의 콘크리트 손상을 탐지하기 위한 시스템 및 방법에 관한 것이다.
SOC 시설물은 완공 이후에도 유지관리를 위한 주기적 검사가 필요하다. 예를 들어, 철도 터널의 경우 경과 년수별 현황 분석 결과에 따르면 20년 이상 된 터널의 비중이 전체의 41.8%를 차지하고 있어 주기적인 검사가 필수적이다. 도 1은 철도 터널의 경과년수별 현황을 나타낸 표이다.
한편, 종래 SOC 시설물의 상태평가시 점검자의 주관적인 판단 및 경험에 따라 손상정보가 기록되며, 이로 인해 작업 때마다 상이한 평가결과가 도출되어 그 결과에 대한 객관성 및 신뢰성이 떨어진다.
이에 따라, 4차 산업혁명 기술을 활용한 시설물 안전 및 유지관리 패러다임 변화로, 빅데이터와 3D 지하지도, 드론, 로봇 등 스마트 신기술을 활용한 시설물의 유지관리체계가 구축되고 있다. 하지만, 개발된 점검 로봇들은 객관적 평가 도구보다는 정보수집을 위한 도구에 치우쳐 있는 실정이다.
따라서, 객관적 평가를 위한 영상 정보를 활용한 딥러닝 등을 이용한 자동 상태평가 기술 필요하지만, 영상 데이터의 수집이 어려운 경우에는 상태평가를 위한 심층 신경망의 학습이 곤란해 구조물의 정확한 상태평가를 수행할 수 없는 문제가 있다.
본 발명은 상술한 종래의 문제점을 해결하기 위해 안출된 것으로서, 딥러닝 기반의 상태평가 기술을 적용하기 위한 효과적인 영상 데이터를 효율적으로 구축하고, 구축된 데이터들을 바탕으로 구조물의 손상을 탐지할 수 있도록 해 주는 시스템 및 방법을 제공하는 것을 목적으로 한다.
상기 목적을 달성하기 위해 본 발명에 따른 인공지능을 이용한 구조물 손상 탐지 시스템은 손상 탐지부, 손상 탐지 학습부, 및 가상영상 생성부를 포함한다. 손상 탐지부는 심층 신경망을 이용하여 관측영상에서 구조물의 손상을 탐지하고, 손상 탐지 학습부는 가상영상을 이용하여 손상 탐지부의 심층 신경망을 학습시키며, 가상영상 생성부는 가상영상을 생성한다.
이때, 가상영상 생성부는, 심층 신경망을 이용하여 가상영상을 생성하고, 가상 영상을 미리 설정된 가상영상 판별부로 출력하며, 가상영상 판별부의 판별 결과를 이용하여 가상영상 생성부의 심층 신경망을 개선한다.
이와 같은 구성에 의하면, 심층 신경망을 이용하여 생성한 가상 영상으로 딥러닝 기반의 상태평가 기술을 적용하기 위한 효과적인 영상 데이터를 구축하고, 구축된 데이터들을 바탕으로 구조물의 콘크리트 손상을 효율적으로 탐지할 수 있게 된다.
이때, 구조물의 손상은 구조물의 콘크리트 손상일 수 있다.
또한, 구조물 손상 탐지 시스템은 가상영상 판별부를 더 포함할 수 있으며, 가상영상 판별부는 심층 신경망을 이용하여 가상영상을 판별하고, 가상영상과 실제영상을 이용하여 가상영상 판별부의 심층 신경망을 개선할 수 있다. 이와 같은 구성에 의하면, 가상영상 생성부와 가상영상 판별부의 경쟁을 통해 보다 효율적으로 가상영상을 생성할 수 있게 된다.
또한, 손상 탐지 학습부는, 실제영상으로부터 학습용 실제영상과 실험용 실제영상을 분리하고, 학습용 실제영상을 이용하여 생성된 학습용 가상영상을 이용하여 손상 탐지 알고리즘을 학습시키며, 실험용 실제영상을 이용하여 손상 탐지 알고리즘의 성능을 검증할 수 있다. 이와 같은 구성에 의하면, 소량의 실제영상을 이용하여 손상 탐지 학습부의 학습과 학습성능의 검증을 효과적으로 수행할 수 있게 된다.
또한, 손상 탐지부는 관측영상에서 손상영역의 특징을 추출하는 특징 추출부, 손상영역을 포함하는 바운딩박스를 산출하는 바운딩박스 산출부, 손상영역에서 손상부위를 분할하는 손상부위 분할부, 및 손상부위의 손상 여부를 확률적으로 산출하는 손상확률 산출부를 포함할 수 있다.
또한, 본 발명에 따른 인공지능을 이용한 구조물 손상 탐지 방법은 가상영상 생성부가 가상 영상을 생성하는 가상영상 생성 단계, 손상 탐지 학습부가 가상영상을 이용하여 손상 탐지부의 심층 신경망을 학습시키는 손상 탐지 학습 단계, 및 손상 탐지부가 심층 신경망을 이용하여 관측영상에서의 콘크리트 손상을 탐지하는 손상 탐지 단계를 포함한다.
이때, 가상영상 생성부는, 심층 신경망을 이용하여 가상영상을 생성하고, 가상영상을 미리 설정된 가상영상 판별부로 출력하며, 가상영상 판별부의 판별 결과를 이용하여 가상영상 생성부의 심층 신경망을 개선한다.
아울러, 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체가 함께 개시된다.
본 발명에 의하면, 심층 신경망을 이용하여 생성한 가상 영상으로 딥러닝 기반의 상태평가 기술을 적용하기 위한 영상 데이터를 효율적으로 구축하고, 구축된 데이터들을 바탕으로 구조물의 콘크리트 손상을 효과적으로 탐지할 수 있게 된다.
또한, 가상영상 생성부와 가상영상 판별부의 경쟁을 통해 보다 효과적으로 가상영상을 생성할 수 있게 된다.
또한, 소량의 실제영상을 이용하여 손상 탐지 학습부의 학습과 학습성능의 검증을 효과적으로 수행할 수 있게 된다.
도 1은 철도 터널의 경과년수별 현황을 나타낸 표.
도 2는 본 발명의 일 실시예에 따른 인공지능을 이용한 구조물 손상 탐지 시스템의 개략적인 블록도.
도 3 내지 도 6은 콘크리트 균열 영상의 예이고, 도 7 내지 도 10은 콘크리트 박리/박막 영상의 예.
도 11은 도 2의 손상 탐지부의 콘크리트 표면 손상 탐지 기술을 설명하기 위한 도면.
도 12는 콘크리트 표면 손상 탐지 심층신경망 성능 고도화 학습 방식을 설명하기 위한 도면.
도 13은 콘크리트 표면 손상 영상 생성 기술을 설명하기 위한 도면.
도 14는 본 발명에서 제시된 주요 기술들을 나타낸 도면.
도 2는 본 발명의 일 실시예에 따른 인공지능을 이용한 구조물 손상 탐지 시스템의 개략적인 블록도.
도 3 내지 도 6은 콘크리트 균열 영상의 예이고, 도 7 내지 도 10은 콘크리트 박리/박막 영상의 예.
도 11은 도 2의 손상 탐지부의 콘크리트 표면 손상 탐지 기술을 설명하기 위한 도면.
도 12는 콘크리트 표면 손상 탐지 심층신경망 성능 고도화 학습 방식을 설명하기 위한 도면.
도 13은 콘크리트 표면 손상 영상 생성 기술을 설명하기 위한 도면.
도 14는 본 발명에서 제시된 주요 기술들을 나타낸 도면.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 설명한다.
도 2는 본 발명의 일 실시예에 따른 인공지능을 이용한 구조물 손상 탐지 시스템의 개략적인 블록도이다. 도 2에서, 인공지능을 이용한 구조물 손상 탐지 시스템(100)은 손상 탐지부(110), 손상 탐지 학습부(120), 가상영상 생성부(130), 및 가상영상 판별부(140)를 포함하며, 손상 탐지부(110)는 다시 특징 추출부(112), 바운딩박스 산출부(114), 손상부위 분할부(116), 및 손상확률 산출부(118)를 포함한다.
손상 탐지부(110)는 심층 신경망을 이용하여 관측영상에서 구조물의 손상을 탐지한다. 이때, 구조물의 손상은 구조물의 콘크리트 손상일 수 있다. 도 3 내지 도 6은 콘크리트 균열 영상의 예이고, 도 7 내지 도 10은 콘크리트 박리/박막 영상의 예이다.
이를 위해, 특징 추출부(112)는 관측영상에서 손상영역의 특징을 추출하고, 바운딩박스 산출부(114)는 손상영역을 포함하는 바운딩박스를 산출하고, 손상부위 분할부(116)는 손상영역에서 손상부위를 분할하며, 손상확률 산출부(118)는 손상부위의 손상 여부를 확률적으로 산출한다.
보다 구체적으로, 손상 탐지부(110)의 탐지 알고리즘은 입력, 특징추출, 판단, 출력 4단계로 구성되어 있으며, 특징 추출 단계와 판단 단계는 심층 신경망으로 이루어져 있다. 도 11은 손상 탐지부(110)의 콘크리트 표면 손상 탐지 기술을 설명하기 위한 도면이다.
도 11에 도시된 바와 같이, 특징추출 심층신경망은 입력 영상에서 손상영역의 특징을 나타낼 수 있는 특징 지도를 만들어내는 역할을 수행하고, 판단 단계 심층 신경망은 손상 영역을 Bounding Box로 나타내는 역할, 손상 여부를 확률적으로 나타내는 역할, 손상 영역에서 손상 부위를 정밀하게 분할을 수행하는 역할을 동시에 수행하는 Multi-task 기반의 알고리즘이다.
손상 탐지 학습부(120)는 가상영상을 이용하여 손상 탐지부(110)의 심층 신경망을 학습시킨다. 이때, 손상 탐지 학습부(120)는 실제영상으로부터 학습용 실제영상과 실험용 실제영상을 분리하고, 학습용 실제영상을 이용하여 생성된 학습용 가상영상을 이용하여 손상 탐지 알고리즘을 학습시키며, 실험용 실제영상을 이용하여 손상 탐지 알고리즘의 성능을 검증할 수 있다.
보다 구체적으로, 탐지 알고리즘의 학습은 가상으로 생성된 콘크리트 손상 영상을 이용하여 수행함으로 탐지 성능을 고도화하는 것을 특징으로 한다. 도 12는 콘크리트 표면 손상 탐지 심층신경망의 성능 고도화 학습 방식을 설명하기 위한 도면이다.
도 12에서 먼저, 심층 신경망을 학습하기 위해 학습용 데이터와 실험용 데이터로 구분하여 학습용 데이터를 이용하여 가상의 데이터를 생성하고, 학습용 데이터에 가상의 데이터를 추가하여 콘크리트 표면 손상 탐지 인공지능 알고리즘의 학습을 수행한다. 이후, 실험용 데이터를 학습된 인공지능에 적용 후 탐지 성능 결과에 따라 학습을 종료하거나 앞선 절차를 반복하여 다시 새로운 가상의 데이터를 추가하여 학습을 재수행한다.
가상영상 생성부(130)는 가상영상을 생성한다. 이때, 가상영상 생성부(130)는, 심층 신경망을 이용하여 가상영상을 생성하고, 가상 영상을 미리 설정된 가상영상 판별부(140)로 출력하며, 가상영상 판별부(140)의 판별 결과를 이용하여 가상영상 생성부(130)의 심층 신경망을 개선한다.
이때, 가상영상 판별부(140)는 심층 신경망을 이용하여 가상영상을 판별하고, 가상영상과 실제영상을 이용하여 가상영상 판별부(140)의 심층 신경망을 개선할 수 있다.
보다 구체적으로, 가상영상 생성부(130)는 생성적 적대 신경망(Generative Adversarial Network: GAN)을 이용한 가상의 영상 생성 기술을 사용하여 소량의 콘크리트 손상 영상으로 무한대의 손상 영상을 생성하는 구성이다.
도 13은 콘크리트 표면 손상 영상 생성 기술을 설명하기 위한 도면이다. 먼저, 가상영상 생성부(130)의 생성자(Generator) 심층신경망은 0과 1사이에 생성되는 1 by 100 배열의 난수를 발생시키고 이를 입력으로 하여 출력을 가상 손상 영상을 만든다.
이어서, 가상영상 판별부(140)의 판별자(Discriminator) 심층 신경망이 실제와 가상 손상 영상을 입력으로 하여 참인지 거짓인지를 50%의 확률로 구분한다. 생성자를 통해 만들어진 가상영상으로 판별자에게 거짓이라고 학습하고, 다음으로 실제 영상으로 다시 판별자에게 참이라고 학습하는 것이다.
이후, 생성자와 판별자를 연결하여 생성자에서 만들어진 가상 영상을 참이라고 하고 생성자 부분만 학습한다. 이와 같은 방식을 충분히 반복하여 완성된 생성자 심층 신경망으로 무수히 많은 콘크리트 손상 영상을 생성한다. 두 개의 심층 신경망을 경쟁관계로 두어 생성자가 만들어내는 가상 영상과 실제 손상 영상을 판별자가 구분하는 결과를 계속해서 학습시키는 것이다.
정리하면, 본 발명에서는 콘크리트 손상(균열, 박리/박락 등)에 대한 영상 정보를 활용한 딥러닝 기반의 상태 평가시 필요한 학습 데이터를 확보하기 위해서 비지도 학습인 생성적 적대 신경망을 이용하여 콘크리트 표면에 발생할 수 있는 가상의 손상 영상을 생성하는 기술과 만들어진 영상정보를 바탕으로 손상을 탐지하는 인공지능 객체 인식 기술을 제시한다.
보다 구체적으로, 콘크리트 구조물의 유지관리를 위한 콘크리트 표면 손상 영상 생성 기술, 콘크리트 표면 손상 탐지 기술, 콘크리트 표면 손상 탐지 심층신경망 성능 고도화 학습 방식을 제안한다. 도 14는 본 발명에서 제시된 주요 기술들을 나타낸 도면이다.
본 발명에 의하면, 도로터널, 철도 터널, 공동구 등을 주기적으로 점검하여 안전사고를 사전에 예방하여 파손에 의한 경제적인 손실을 줄일 수 있을 것으로 예상된다.
예상 적용 분야로는 Hyperloop/Urban Loop 뿐만 아니라, 현재 운용중인 철근콘크리트 터널과 지하 매설 관로에서도 충분히 적용이 가능하여 활용도가 매우 높다고 예상된다.
본 발명이 비록 일부 바람직한 실시예에 의해 설명되었지만, 본 발명의 범위는 이에 의해 제한되어서는 아니 되고, 특허청구범위에 의해 뒷받침되는 상기 실시예의 변형이나 개량에도 미쳐야할 것이다.
100: 인공지능을 이용한 구조물 손상 탐지 시스템
110: 손상 탐지부
112: 특징 추출부
114: 바운딩박스 산출부
116: 손상부위 분할부
118: 손상확률 산출부
120: 손상 탐지 학습부
130: 가상영상 생성부
140: 가상영상 판별부
110: 손상 탐지부
112: 특징 추출부
114: 바운딩박스 산출부
116: 손상부위 분할부
118: 손상확률 산출부
120: 손상 탐지 학습부
130: 가상영상 생성부
140: 가상영상 판별부
Claims (8)
- 심층 신경망을 이용하여 관측영상에서 구조물의 손상을 탐지하는 손상 탐지부;
가상영상을 이용하여 상기 손상 탐지부의 심층 신경망을 학습시키는 손상 탐지 학습부; 및
상기 가상영상을 생성하는 가상영상 생성부를 포함하는 인공지능을 이용한 구조물 손상 탐지 시스템으로서,
상기 가상영상 생성부는,
심층 신경망을 이용하여 상기 가상영상을 생성하고,
상기 가상 영상을 미리 설정된 가상영상 판별부로 출력하며,
상기 가상영상 판별부의 판별 결과를 이용하여 상기 가상영상 생성부의 심층 신경망을 개선하는 것을 특징으로 하는 인공지능을 이용한 구조물 손상 탐지 시스템.
- 청구항 1에 있어서,
상기 구조물의 손상은 상기 구조물의 콘크리트 손상인 것을 특징으로 하는 인공지능을 이용한 구조물 손상 탐지 시스템.
- 청구항 1에 있어서,
상기 가상영상 판별부를 더 포함하는 것을 특징으로 하는 인공지능을 이용한 구조물 손상 탐지 시스템.
- 청구항 1에 있어서,
상기 가상영상 판별부는 심층 신경망을 이용하여 상기 가상영상을 판별하고,
상기 가상영상과 실제영상을 이용하여 상기 가상영상 판별부의 심층 신경망을 개선하는 것을 특징으로 하는 인공지능을 이용한 구조물 손상 탐지 시스템.
- 청구항 1에 있어서, 상기 손상 탐지 학습부는,
실제영상으로부터 학습용 실제영상과 실험용 실제영상을 분리하고, 상기 학습용 실제영상을 이용하여 생성된 학습용 가상영상을 이용하여 상기 손상 탐지 알고리즘을 학습시키며, 상기 실험용 실제영상을 이용하여 상기 손상 탐지 알고리즘의 성능을 검증하는 것을 특징으로 하는 인공지능을 이용한 구조물 손상 탐지 시스템.
- 청구항 1에 있어서, 상기 손상 탐지부는,
상기 관측영상에서 손상영역의 특징을 추출하는 특징 추출부;
상기 손상영역을 포함하는 바운딩박스를 산출하는 바운딩박스 산출부;
상기 손상영역에서 손상부위를 분할하는 손상부위 분할부; 및
상기 손상부위의 손상 여부를 확률적으로 산출하는 손상확률 산출부를 포함하는 것을 특징으로 하는 인공지능을 이용한 구조물 손상 탐지 시스템.
- 가상영상 생성부가 상기 가상 영상을 생성하는 가상영상 생성 단계;
손상 탐지 학습부가 상기 가상영상을 이용하여 손상 탐지부의 심층 신경망을 학습시키는 손상 탐지 학습 단계; 및
상기 손상 탐지부가 심층 신경망을 이용하여 관측영상에서의 콘크리트 손상을 탐지하는 손상 탐지 단계를 포함하는 인공지능을 이용한 구조물 손상 탐지 방법으로서,
상기 가상영상 생성부는,
심층 신경망을 이용하여 상기 가상영상을 생성하고,
상기 가상영상을 미리 설정된 가상영상 판별부로 출력하며,
상기 가상영상 판별부의 판별 결과를 이용하여 상기 가상영상 생성부의 심층 신경망을 개선하는 것을 특징으로 하는 인공지능을 이용한 구조물 손상 탐지 방법.
- 청구항 7의 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200002435A KR102311558B1 (ko) | 2020-01-08 | 2020-01-08 | 인공지능을 이용한 구조물 손상 탐지 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200002435A KR102311558B1 (ko) | 2020-01-08 | 2020-01-08 | 인공지능을 이용한 구조물 손상 탐지 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210089365A true KR20210089365A (ko) | 2021-07-16 |
| KR102311558B1 KR102311558B1 (ko) | 2021-10-12 |
Family
ID=77150882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200002435A KR102311558B1 (ko) | 2020-01-08 | 2020-01-08 | 인공지능을 이용한 구조물 손상 탐지 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102311558B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102512016B1 (ko) * | 2021-10-14 | 2023-03-20 | 한국건설기술연구원 | 콘크리트 손상 탐지 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 |
| KR102555009B1 (ko) * | 2022-06-27 | 2023-07-12 | (재) 한국건설품질연구원 | 이미지 획득 자동 제어 기반 손상탐지 방법 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240096977A (ko) | 2022-12-19 | 2024-06-27 | 한국건설기술연구원 | 콘크리트 구조물의 상태손상 검출을 위한 인공지능 학습용 이미지의 품질 분류 및 개선 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180043747A (ko) | 2016-10-20 | 2018-04-30 | 주식회사 포스코건설 | 신경망을 활용한 콘크리트 펌핑시 폐색 이상상태 검측 시스템 및 방법 |
| KR101926561B1 (ko) * | 2018-03-13 | 2018-12-07 | 연세대학교 산학협력단 | 블랙박스 영상을 이용한 딥러닝 기반의 패치 단위 도로 크랙 검출 장치 및 그 방법, 그리고 이 방법을 실행시키기 위해 컴퓨터가 판독 가능한 기록매체에 저장된 컴퓨터 프로그램 |
| KR20190139580A (ko) * | 2018-06-08 | 2019-12-18 | 연세대학교 산학협력단 | 딥러닝을 이용한 고화질 심장 영상 생성장치 및 그 방법 |
-
2020
- 2020-01-08 KR KR1020200002435A patent/KR102311558B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180043747A (ko) | 2016-10-20 | 2018-04-30 | 주식회사 포스코건설 | 신경망을 활용한 콘크리트 펌핑시 폐색 이상상태 검측 시스템 및 방법 |
| KR101926561B1 (ko) * | 2018-03-13 | 2018-12-07 | 연세대학교 산학협력단 | 블랙박스 영상을 이용한 딥러닝 기반의 패치 단위 도로 크랙 검출 장치 및 그 방법, 그리고 이 방법을 실행시키기 위해 컴퓨터가 판독 가능한 기록매체에 저장된 컴퓨터 프로그램 |
| KR20190139580A (ko) * | 2018-06-08 | 2019-12-18 | 연세대학교 산학협력단 | 딥러닝을 이용한 고화질 심장 영상 생성장치 및 그 방법 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102512016B1 (ko) * | 2021-10-14 | 2023-03-20 | 한국건설기술연구원 | 콘크리트 손상 탐지 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 |
| KR102555009B1 (ko) * | 2022-06-27 | 2023-07-12 | (재) 한국건설품질연구원 | 이미지 획득 자동 제어 기반 손상탐지 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102311558B1 (ko) | 2021-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102239377B1 (ko) | 촬영영상 및 설명가능 인공지능 기반의 교량시설물 안전점검 시스템 및 그 방법 | |
| KR102311558B1 (ko) | 인공지능을 이용한 구조물 손상 탐지 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 | |
| CN109598290A (zh) | 一种基于两级检测相结合的图像小目标检测方法 | |
| CN114049356B (zh) | 一种结构表观裂缝检测方法、装置及系统 | |
| CN113435424B (zh) | 一种保密介质销毁颗粒度的识别方法和系统 | |
| KR102346676B1 (ko) | 딥러닝 기반의 시설물 손상영상 분류를 활용한 손상도 생성방법 | |
| CN115096268B (zh) | 基于无人机航拍及超声波探测的桥梁损伤深度检测方法 | |
| CN115311740B (zh) | 一种电网基建现场人体异常行为识别方法及系统 | |
| CN110889338A (zh) | 无监督式的铁路道床异物检测、样本构造方法及装置 | |
| CN114324580A (zh) | 一种结构缺陷的智能敲击检测方法及系统 | |
| CN109360188A (zh) | 一种高铁接触网等电位线不良状态的检测方法 | |
| CN114429563A (zh) | 基于随钻测试与tbm岩渣图像的围岩完整性识别方法及系统 | |
| Ai et al. | A nonballasted rail track slab crack identification method using a level‐set‐based active contour model | |
| Bai et al. | Deep cascaded neural networks for automatic detection of structural damage and cracks from images | |
| CN116091822A (zh) | 一种基于PointNet++的输电线路树障风险识别方法 | |
| CN113780237A (zh) | 一种地下管线的防外力破坏预警方法、装置及系统 | |
| CN118627902A (zh) | 一种管道施工的智能管控方法及系统 | |
| Sun et al. | YOLO based bridge surface defect detection using decoupled prediction | |
| CN112183191A (zh) | 一种基于对抗训练的检测输电线路中鸟巢的方法 | |
| CN117036234B (zh) | 混合钢轨超声波b显图谱伤损识别方法、系统和存储介质 | |
| KR102521825B1 (ko) | 포인트 클라우드 기반 구조물 손상판단을 위한 이상영역 자동 판단 시스템 | |
| CN114199992B (zh) | 一种储油罐罐壁腐蚀检测方法及系统 | |
| Skilton et al. | Visual detection of generic defects in industrial components using generative adversarial networks | |
| CN116206222A (zh) | 基于轻量化目标检测模型的输电线路故障检测方法及系统 | |
| CN115100546A (zh) | 一种基于mobilenet的电力设备小目标缺陷识别方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20200108 |
|
| PA0201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20210608 Patent event code: PE09021S01D |
|
| AMND | Amendment | ||
| PG1501 | Laying open of application | ||
| E601 | Decision to refuse application | ||
| PE0601 | Decision on rejection of patent |
Patent event date: 20210805 Comment text: Decision to Refuse Application Patent event code: PE06012S01D Patent event date: 20210608 Comment text: Notification of reason for refusal Patent event code: PE06011S01I |
|
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| PX0901 | Re-examination |
Patent event code: PX09011S01I Patent event date: 20210805 Comment text: Decision to Refuse Application Patent event code: PX09012R01I Patent event date: 20210614 Comment text: Amendment to Specification, etc. |
|
| PX0701 | Decision of registration after re-examination |
Patent event date: 20210915 Comment text: Decision to Grant Registration Patent event code: PX07013S01D Patent event date: 20210902 Comment text: Amendment to Specification, etc. Patent event code: PX07012R01I Patent event date: 20210805 Comment text: Decision to Refuse Application Patent event code: PX07011S01I Patent event date: 20210614 Comment text: Amendment to Specification, etc. Patent event code: PX07012R01I |
|
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20211005 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20211005 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration | ||
| PR1001 | Payment of annual fee |