KR20220015093A - 사용자의 x-ray 영상 판독을 지원하는 시스템 및 방법 - Google Patents

사용자의 x-ray 영상 판독을 지원하는 시스템 및 방법 Download PDF

Info

Publication number
KR20220015093A
KR20220015093A KR1020200095158A KR20200095158A KR20220015093A KR 20220015093 A KR20220015093 A KR 20220015093A KR 1020200095158 A KR1020200095158 A KR 1020200095158A KR 20200095158 A KR20200095158 A KR 20200095158A KR 20220015093 A KR20220015093 A KR 20220015093A
Authority
KR
South Korea
Prior art keywords
ray image
image
reading
ray
training
Prior art date
Application number
KR1020200095158A
Other languages
English (en)
Other versions
KR102378742B1 (ko
Inventor
조정현
조현우
박해솔
김익재
Original Assignee
한국과학기술연구원
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 한국과학기술연구원 filed Critical 한국과학기술연구원
Priority to KR1020200095158A priority Critical patent/KR102378742B1/ko
Priority to US17/104,404 priority patent/US11676407B2/en
Publication of KR20220015093A publication Critical patent/KR20220015093A/ko
Application granted granted Critical
Publication of KR102378742B1 publication Critical patent/KR102378742B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G01N23/043—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using fluoroscopic examination, with visual observation or video transmission of fluoroscopic images
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/083—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the radiation being X-rays
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/10—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the material being confined in a container, e.g. in a luggage X-ray scanners
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/532—Query formulation, e.g. graphical querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/538—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Library & Information Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Toxicology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Image Analysis (AREA)

Abstract

실시예들은 판독 대상이 배치된 판독 공간에 X-RAY를 투과 또는 반사시켜 촬영한 대상 X-RAY 영상을 획득하는 단계; 입력 영상에서 특징을 추출하는 판독 모델에 상기 대상 X-RAY 영상을 적용하는 단계; 및 상기 대상 X-RAY 영상으로부터 추출된 제1 특징세트에 기초하여 상기 판독 대상을 설정된 클래스로 분류할 경우, 분류된 클래스에 대응하는 객체로 상기 판독 대상을 식별하는 단계를 포함하는 X-RAY 영상 판독 지원 방법 및 이를 수행하는 X-RAY 영상 판독 지원 시스템에 관련된다.

Description

사용자의 X-RAY 영상 판독을 지원하는 시스템 및 방법{SYSTEM AND METHOD FOR SUPPORTING USER TO READ X-RAY IMAGE}
본 발명의 실시예들은 X-RAY 영상 판독 지원 시스템 및 방법에 관한 것으로서, 보다 상세하게는 사용자가 판독 대상의 대상 X-RAY 영상을 판독하는 업무를 지원하기 위해, 가상 X-RAY 영상을 이용하여 학습된 판독 모델에 기초하여 대상 X-RAY 영상에 나타난 판독 대상을 식별할 수 있는 X-RAY 영상 판독을 지원하는 시스템 및 방법에 관련된다.
현대 사회는 운송 산업 및 IT 산업의 발전으로 인해, 국내/국외의 화물 운송은 활발하게 이루어지고 있다. 국외 운송을 위한 화물은 개인의 여행에 따라서 개인이 탑승하는 운송 수단(예컨대, 항공기 또는 선박)에 함께 적재되는 개인 화물, 그리고 기업 거래에 따라 대규모로 적재되는 수출 화물을 포함한다.
국외 운송 시에는 운송 수단의 출발 국가에서 화물이 반출될 때, 및/또는 운송 수단의 도착 국가에서 화물이 반입될 때 해당 국가의 세관 기관은 세관 규정, 운송 규정, 또는 보안 규정 등과 같은 국외 화물 관련 규정에 위반되는 화물이 없는지 검사하게 된다. 예를 들어, 출발 국가의 세관 기관에서는 항공 보안을 위해 항공기에 적재 불가능한 화물(예컨대, 위험물)이 개인 화물에 포함되어 있는지를 검사할 수 있다. 또는 도착 국가의 세관 기관에서는 관세 규정에 부적합한 밀수품이 있는지를 검사할 수 있다.
이러한 화물 검사는 화물이 적재된 공간(예컨대, 컨테이너, 또는 화물칸 등)을 개방하여 세관 직원이 직접 검사하는 방식; 또는 X-RAY 검사기기를 통해 획득된 X-RAY 영상에 기초하여 검사하는 방식이 있다. 먼저 컨테이너 등을 개방하여 검사하는 방식은 시간이 많이 걸리고 검사 비용이 많이 드는 단점이 있다. 따라서, 단위 시간 동안 많은 화물을 검사할 수 있는 X-RAY 기반 검사 방식에 의해 국외 운송의 화물 검사가 진행된다.
도 1은, 종래의 일 실시예에 따른, X-RAY 기반 검사 방식의 개념도이고, 도 2는, 도 1의 검사에 활용되는 영상을 도시한 도면이다.
도 1을 참조하면, 외국으로부터 운송된 수출 화물에 대한 세관 검사의경우, 판독 공간은 운송수단(예컨대, 컨테이너 트럭)에서 화물이 배치된 공간(예컨대, 컨테이너)을 포함한다. 판독 공간에 X선을 방출하여 물체를 투과 또는 반사한 양을 감지하면 촬영 정보가 획득되고, 결국 도 2에 도시된 바와 같이 판독 공간의 X-RAY 영상을 획득한다. 종래에는 세관원이 판독 공간에 포함된 화물에 관한 정보와 판독 공간을 직접 촬영하여 획득된 X-RAY 영상을 대조하여 판독 공간의 X-RAY 영상에서 나타난 객체가 화물목록에 포함된 물품에 해당되는지 판독한다. 즉, 대상 X-RAY 영상에서 판독될 대상에 대한 텍스트 정보와 상기 대상 X-RAY 영상을 대조하는 방식을 통해 검사가 진행된다.
그러나, 이러한 X-RAY 기반 검사 방식은 검사 결과가 판독자의 숙련도 또는 피로도에 의존하는 한계가 있다.
특허등록공보 제10-1917000호 (2018.11.02.)
본 발명의 다양한 측면들에 따르면, 판독자의 숙련도 또는 컨디션에 대한 의존도를 최소화하기 위해, 사용자가 판독 대상의 대상 X-RAY 영상을 판독하는 업무를 지원하기 위해, 가상 X-RAY 영상을 이용하여 학습된 판독 모델에 기초하여 대상 X-RAY 영상에 나타난 판독 대상을 식별할 수 있는 X-RAY 영상 판독을 지원하는 시스템 및 방법을 제공할 수도 있다.
본 발명의 일 측면에 따른 X-RAY 영상 판독 지원 시스템은, 판독 대상이 배치된 판독 공간에 X-RAY를 투과 또는 반사시켜 대상 X-RAY 영상을 촬영하는 X-RAY 촬영기기; 객체에 관한 목록 정보를 수신하는 인터페이스부; 상기 객체의 비 X-RAY 영상을 획득하는 영상 검색부; 목록 내 항목 객체의 비 X-RAY 영상을 가상 X-RAY 영상(fake X-RAY image)으로 변환하는 영상 변환부; 및 입력 영상에서 특징을 추출하는 판독 모델에 상기 대상 X-RAY를 적용하여 추출된, 제1 특징 세트에 기초하여 상기 판독 대상을 식별하는 물품 판별부를 포함할 수도 있다.
일 실시예에서, 상기 영상 검색부는, 상기 객체에 관한 목록 정보에 포함된 상기 객체의 식별 정보에 기초하여 해당 객체에 대한 검색 쿼리를 생성하고, 그리고 상기 검색 쿼리를 웹 서버에 전송하여 검색한 영상을 상기 객체의 비 X-RAY 영상으로 수신하도록 구성될 수도 있다.
일 실시예에서, 상기 웹 서버는, 월드 와이드 웹을 통해 액세스 가능하며, 웹 검색 가능하도록 구성된 서버일 수도 있다.
일 실시예에서, 상기 영상 변환부는, 상기 비 X-RAY 영상의 객체를 세그먼트로 분할하여 상기 비 X-RAY 영상의 분할 정보를 산출하고 - 상기 세그먼트는 상기 객체의 영역 또는 부분의 영역으로 형성되며, 상기 분할 정보는 영상 내 세그먼트의 경계 및 위치 정보 중 하나 이상을 포함함, 상기 분할 정보에서 상기 객체에 대응한 세그먼트의 외곽선 영역을 산출하며, 임의의 X-RAY 영상에서 텍스처 맵을 산출하고, 상기 분할 정보와 텍스처 맵을 영상 변환 모델에 적용하도록 구성될 수도 있다.
일 실시예에서, 상기 영상 변환 모델은, 상기 X-RAY 촬영기기가 상기 분할 정보의 객체를 촬영 대상으로 상기 임의의 X-RAY 영상의 배경에서 촬영한 실제 X-RAY 영상과 동일 또는 유사한 가상 X-RAY 영상을 출력하도록 미리 학습된 모델일 수도 있다.
일 실시예에서, 상기 영상 변환부는, 상기 임의의 X-RAY 영상 내 객체가 포함된 경우, 상기 임의의 X-RAY 영상을 분할하여 상기 임의의 X-RAY 영상 내 객체의 외곽선 영역을 산출하고, 상기 텍스처 정보에서 상기 임의의 X-RAY 영상 내 객체의 외곽선 영역을 제거하여 텍스처 맵을 산출하도록 더 구성된 될 수도 있다.
일 실시예에서, 상기 영상 변환부는, 상기 분할 정보의 세그먼트를 하나 이상의 다른 위치에 임의로 배치하도록 더 구성될 수도 있다. 상기 영상 변환 모델에 적용되는 분할 정보는 상기 비 X-RAY 영상에서 원래의 위치에 배치된 세그먼트 및 다른 위치에 임의로 배치된 세그먼트를 포함한다.
일 실시예에서, 상기 영상 변환부는, 상기 분할 정보의 세그먼트를 객체로 포함하고 상기 텍스처 맵을 배경으로 포함하는 합성 영상을 생성하고, 상기 합성 영상을 영상 변환 모델에 적용할 수도 있다.
일 실시예에서, 상기 분할 정보는 상기 검색된, 목록 내 항목 객체의 비 X-RAY 영상을 분할 모델에 적용하여 산출되며, 상기 분할 모델은 입력되는 영상의 픽셀을 미리 학습된 클래스로 레이블링하도록 구성될 수도 있다.
일 실시예에서, 상기 임의의 X-RAY 영상은 상기 판독 공간의 실제 X-RAY 영상일 수도 있다.
일 실시예에서, 상기 영상 변환 모델은, 데이터를 입력 받은 경우 학습에 사용된 훈련 영상의 데이터 분포와 복원 오차가 최소가 되거나 상기 데이터 분포에 속하게 되는 출력 영상의 데이터를 가상 X-RAY 영상으로 생성하도록 학습될 수도 있다.
일 실시예에서, 상기 영상 변환 모델은 복수의 제1 훈련 샘플을 포함한 제1 훈련 데이터 세트를 통해 학습된 모델로서, 상기 복수의 제1 훈련 샘플 각각은 제1 훈련 객체의 실제 X-RAY 영상, 상기 제1 훈련 객체의 실제 X-RAY 영상의 분할 정보 및 텍스처 맵을 각각 포함하거나, 또는 상기 제1 훈련 객체의 실제 X-RAY 영상과 상기 제1 훈련 객체의 실제 X-RAY 영상의 분할 정보 및 텍스처 맵에 기초한 합성 영상을 각각 포함할 수도 있다.
일 실시예에서, 상기 제1 훈련 샘플은, 상기 제1 훈련 객체의 실제 X-RAY 영상에서 상기 제1 훈련 객체를 세그먼트로 분할하여 분할 정보를 산출하고, 상기 분할 정보에서 상기 제1 훈련 객체의 외곽선 영역을 산출하며, 상기 훈련 객체의 실제 X-RAY 영상에서 텍스처 정보를 산출하고, 상기 텍스처 정보에서 상기 제1 훈련 객체의 외곽선 영역을 제거하여 텍스처 맵을 산출하여, 생성될 수도 있다.
일 실시예에서, 상기 비 X-RAY 영상은 가시광선으로 촬영된 영상일 수도 있다.
일 실시예에서, 상기 판독 모델은, 입력 영상에서 특징을 추출하는 특징 추출 부분; 및 추출된 특징에 기초하여 상기 입력 영상의 객체를 훈련 데이터 세트를 이용하여 설정된 클래스로 분류하는 분류 부분을 포함하며, 상기 판독 모델은, 복수의 제2 훈련 샘플을 포함한 제2 훈련 데이터 세트(training data set)를 이용하여 학습된 기계 학습 모델로서, 상기 제2 훈련 데이터 세트는 개별 객체로 서브 세트화되고, 상기 복수의 제2 훈련 샘플 각각은 제2 훈련 객체의 실제 X-RAY 영상 또는 상기 제2 훈련 객체의 가상 X-RAY 영상를 각각 포함할 수도 있다.
일 실시예에서, 상기 물품 판별부는, 상기 대상 X-RAY 영상으로부터 추출된 제1 특징 세트에 기초하여 상기 판독 대상을 설정된 클래스로 분류할 경우, 분류된 클래스에 대응하는 객체로 상기 판독 대상을 식별할 수도 있다.
일 실시예에서, 상기 판독 모델에 의해 상기 판독 대상이 식별되지 않는 경우, 상기 인터페이스부는 상기 판독 대상에 관련된, 하나 이상의 항목 객체를 포함한 목록 정보를 수신하고, 상기 영상 검색부는 상기 목록 정보에 기초하여, 상기 판독 대상과 관련된 목록 내 항목 객체의 비 X-RAY 영상을 획득하며, 상기 영상 변환부는 상기 목록 내 항목 객체의 비 X-RAY 영상을 가상 X-RAY 영상으로 변환할 수도 있다. 상기 물품 판별부는, 상기 목록 내 항목 객체의 가상 X-RAY 영상을 상기 특징 추출 부분에 적용하여 상기 목록 내 항목 객체의 가상 X-RAY 영상으로부터 제2 특징 세트를 추출하며, 추출된 제1 및 제2 특징 세트에 기초하여 상기 대상 X-RAY 영상에 표현된 상기 판독 대상이 상기 목록 내 항목 객체와 매칭하는 것으로 결정되면 상기 목록 내 항목 객체로 상기 판독 대상을 식별하도록 더 구성될 수도 있다.
본 발명의 다른 일 측면에 따른 프로세서에 의해 수행되는, X-RAY 영상 판독 지원 방법은: 판독 대상이 배치된 판독 공간에 X-RAY를 투과 또는 반사시켜 촬영한 대상 X-RAY 영상을 획득하는 단계; 입력 영상에서 특징을 추출하는 판독 모델에 상기 대상 X-RAY 영상을 적용하는 단계; 및 상기 대상 X-RAY 영상으로부터 추출된 제1 특징세트에 기초하여 상기 판독 대상을 설정된 클래스로 분류할 경우, 분류된 클래스에 대응하는 객체로 상기 판독 대상을 식별하는 단계를 포함할 수도 있다. 상기 판독 모델은 입력 영상에서 특징을 추출하는 부분과 추출된 특징에 기초하여 상기 입력 영상의 객체를 복수의 훈련 샘플을 이용하여 설정된 클래스로 분류하는 부분을 포함하며, 상기 판독 모델은 복수의 제1 훈련 샘플을 이용하여 학습된 기계 학습 모델로서, 상기 복수의 제1 훈련 샘플은 개별 객체로 서브 세트화되고, 상기 복수의 제1 훈련 샘플 각각은 제1 훈련 객체의 실제 X-RAY 영상 또는 상기 제1 훈련 객체의 가상 X-RAY 영상를 각각 포함할 수도 있다.
일 실시예에서, 상기 가상 X-RAY 영상은, 상기 제1 훈련 객체의 비 X-RAY 영상에서 상기 제1 훈련 객체를 세그먼트로 분할하여 분할 정보를 산출하고 - 상기 세그먼트는 상기 제1 훈련 객체의 영역 또는 일부의 영역으로 형성되며, 상기 분할 정보는 영상 내 세그먼트의 경계 및 위치 정보 중 하나 이상을 포함함, 상기 분할 정보에서 상기 제1 훈련 객체의 외곽선 영역을 산출하며, 임의의 X-RAY 영상으로부터 텍스처 맵을 산출하고, 상기 제1 훈련 객체의 분할 정보와 상기 임의의 X-RAY 영상의 텍스처 맵을 영상 변환 모델에 적용하여,
생성된 것을 특징으로 하는 X-RAY 영상 판독 지원 방법.
일 실시예에서, 상기 영상 변환 모델은,
X-RAY 촬영기기가 상기 분할 정보의 객체를 촬영 대상으로 상기 임의의 X-RAY 영상의 배경에서 촬영한 실제 X-RAY 영상과 동일 또는 유사한 가상 X-RAY 영상을 출력하도록 미리 학습된 것을 특징으로 하는 X-RAY 영상 판독 지원 방법.
일 실시예에서, 상기 판독 대상에 관련된, 하나 이상의 객체 항목을 포함한 목록 정보를 수신하는 단계; 상기 목록 정보에 기초하여, 상기 판독 대상과 관련된 목록 내 항목 객체의 비 X-RAY 영상을 획득하는 단계; 상기 목록 내 항목 객체의 비 X-RAY 영상을 가상 X-RAY 영상(fake X-RAY image)으로 변환하는 단계; 및 상기 판독 대상이 클래스로 식별되지 않는 경우, 상기 목록 내 항목 객체의 가상 X-RAY 영상으로부터 제2 특징세트를 추출하고, 추출된 제1 및 제2 특징세트에 기초하여 상기 대상 X-RAY 영상에 표현된 상기 판독 대상이 상기 목록 내 항목 객체와 매칭하는 것으로 결정되면 상기 목록 내 항목 객체로 상기 판독 대상을 식별하도록 더 구성될 수도 있다.
일 실시예에서, 상기 판독 모델은, 복수의 제2 훈련 샘플을 포함한 제2 훈련 데이터 세트(training data set)를 이용하여 학습된 기계 학습 모델로서, 상기 제2 훈련 데이터 세트는 개별 객체로 서브 세트화되고, 상기 복수의 제2 훈련 샘플 각각은 제2 훈련 객체의 실제 X-RAY 영상 또는 상기 제2 훈련 객체의 가상 X-RAY 영상를 각각 포함할 수도 있다.
본 발명의 또 다른 일 측면에 따른 컴퓨터 판독가능 기록매체는 컴퓨팅 장치에 의해 판독가능하고, 상기 컴퓨팅 장치에 의해 동작 가능한 프로그램 명령어를 저장할 수도 있다. 상기 프로그램 명령어는 상기 컴퓨팅 장치의 프로세서에 의해 실행되는 경우 상기 프로세서가 상술한 실시예들에 따른 X-RAY 영상 판독 지원 방법을 수행하게 한다.
본 발명의 일 측면에 따른 X-RAY 판독 지원 시스템은, 실제 촬영 영상에 제한 없이 다양한 물품에 대한 판독 작업을 지원할 수도 있다. 웹 검색에 기초하여 다양한 객체의 가상 X-RAY 영상을 생성하고, 이를 학습 데이터로 사용하여 판독 대상을 식별하는 판독 모델을 학습하기 때문이다.
그 결과, 저장 영상이 상대적으로 제한적인 내부 데이터베이스를 이용하는 경우와 비교하여 무제한 범위의 화물목록에 대해서 활용될 수 있어, 높은 활용 가능성을 가진다.
아울러, 일차적인 판독 결과 판독 대상이 식별되지 않으면, 대조 근거 자료의 객체에 대한 가상 X-RAY 영상을 생성하고 대상 X-RAY 영상과 가상 X-RAY 영상을 자동으로 비교하는, 이 단계의 판독 과정을 통해 보다 정밀한 판독 작업을 지원할 수도 있다.
한편, 일 실시예에서, 비 X-RAY 영상으로부터 전술한 가상 X-RAY 영상을 생성하는 영상 변환 모델은 SegNet 기반의 영상의 분할 정보로부터 GAN 기반의 영상 생성을 학습하여 구성된다. 이러한 구성을 통해 비 X-RAY 영상과 실제 X-RAY 영상을 반드시 픽셀 수준의 대응 관계가 있는 쌍으로 구성하여 영상 변환 모델을 학습해야하는 제약 조건이 요구될 필요가 없어, 세관에 실제로 사용하기에 적합한, 높은 사용 적합성을 가진다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명 또는 종래 기술의 실시예의 기술적 해결책을 보다 명확하게 설명하기 위해, 실시예에 대한 설명에서 필요한 도면이 아래에서 간단히 소개된다. 아래의 도면들은 본 명세서의 실시예를 설명하기 목적일 뿐 한정의 목적이 아니라는 것으로 이해되어야 한다. 또한, 설명의 명료성을 위해 아래의 도면들에서 과장, 생략 등 다양한 변형이 적용된 일부 요소들이 도시될 수 있다.
도 1은, 종래의 일 실시예에 따른, X-RAY 기반 검사 방식의 개념도이다.
도 2는, 도 1의 검사에 활용되는 영상을 도시한 도면이다.
도 3은, 본 발명의 일 실시예에 따른, X-RAY 판독 지원 시스템의 개념도이다.
도 4는, 도 3의 X-RAY 판독 지원 시스템에 의해 수행되는 동작의 개념도이다.
도5는, 본 발명의 일 실시예에 따른, 영상 변환 모델의 개념적인 네트워크 아키텍처(network architecture) 도면이다.
도 6은, 본 발명의 일 실시예에 따른, 영상 변환 모델을 학습하는데 사용되는 제1 훈련 데이터 세트를 생성하는 과정의 흐름도이다.
도 7은, 도 6의 단계별 처리 결과를 영상으로 도시한 도면이다.
도 8은, 본 발명의 일 실시예에 따른, 판독 모델을 학습하는데 사용되는 제2 훈련 데이터 세트를 생성하는 과정의 흐름도이다.
도 9는, 본 발명의 다른 일 실시예에 따른, 판독 모델을 학습하는데 사용되는 제2 훈련 데이터 세트를 생성하는 과정의 흐름도이다.
도 10은, 본 발명의 일 실시예에 따른, X-RAY 영상 판독 지원 방법의 흐름도이다.
여기서 사용되는 전문 용어는 단지 특정 실시예를 언급하기 위한 것이며, 본 발명을 한정하는 것을 의도하지 않는다. 여기서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다. 명세서에서 사용되는 "포함하는"의 의미는 특정 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분을 구체화하며, 다른 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분의 존재나 부가를 제외시키는 것은 아니다.
다르게 정의하지는 않았지만, 여기에 사용되는 기술용어 및 과학용어를 포함하는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미와 동일한 의미를 가진다. 보통 사용되는 사전에 정의된 용어들은 관련기술문헌과 현재 개시된 내용에 부합하는 의미를 가지는 것으로 추가 해석되고, 정의되지 않는 한 이상적이거나 매우 공식적인 의미로 해석되지 않는다.
이하에서, 도면을 참조하여 본 발명의 실시예들에 대하여 상세히 살펴본다.
도 3은, 본 발명의 일 실시예에 따른, X-RAY 판독 지원 시스템의 블록도이고, 도 4는, 도 3의 X-RAY 판독 지원 시스템에 의해 수행되는 동작의 개념도이다.
도 3을 참조하면, 사용자의 X-RAY 영상 판독을 지원하는 시스템(이하, “X-RAY 판독 지원 시스템”)(1000)은 인터페이스부(10); 영상 검색부(20); 영상 변환부(40); 및 물품 판별부(60)를 포함할 수도 있다. 특정 실시예들에서, 상기 X-RAY 판독 지원 시스템(1000)은 x선을 통해 촬영 범위에 존재하는 객체를 촬영하는 X-RAY 촬영기기(미도시)와 전기 통신하도록 더 구성될 수도 있다. 일 실시예에서, 상기 X-RAY 촬영기기의 촬영 결과는 상기 인터페이스부(10)로 전송될 수도 있다.
실시예들에 따른 X-RAY 판독 지원 시스템(1000)은 전적으로 하드웨어이거나, 전적으로 소프트웨어이거나, 또는 부분적으로 하드웨어이고 부분적으로 소프트웨어인 측면을 가질 수 있다. 예컨대, 시스템은 데이터 처리 능력이 구비된 하드웨어 및 이를 구동시키기 위한 운용 소프트웨어를 통칭할 수 있다. 본 명세서에서 "부(unit)", “모듈(module)”“장치”, 또는 "시스템" 등의 용어는 하드웨어 및 해당 하드웨어에 의해 구동되는 소프트웨어의 조합을 지칭하는 것으로 의도된다. 예를 들어, 하드웨어는 CPU(Central Processing Unit), GPU(Graphic Processing Unit) 또는 다른 프로세서(processor)를 포함하는 데이터 처리 기기일 수 있다. 또한, 소프트웨어는 실행중인 프로세스, 객체(object), 실행파일(executable), 실행 스레드(thread of execution), 프로그램(program) 등을 지칭할 수 있다.
X-RAY 촬영기기는 객체를 포함한 판독 공간으로 x선을 방출하고, 그리고 상기 판독 공간을 투과 또는 반사한 x선을 수신하여 촬영 정보를 출력하도록 구성된다. X-RAY 촬영기기에 의해, 도 2에 도시된 것과 같은 X-RAY 영상이 획득된다.
판독 공간은 X-RAY 판독 지원 시스템(1000)이 설치되는 장소에 따라 다양하다. 예를 들어, X-RAY 판독 지원 시스템(1000)이 항만 부두에 적용된 경우, 판독 공간은 컨테이너가 위치 또는 통과하는 공간을 포함할 수 있다. 또는 X-RAY 판독 지원 시스템(1000)이 공항 검색대에 적용된 경우, 판독 공간은 수화물이 위치 또는 통과하는 공간을 포함할 수 있다.
x선을 사용하여 X-RAY 영상을 생성하게 하는 다양한 기기가 상기 X-RAY 판독 지원 시스템100의 X-RAY 촬영기기로서 사용될 수 있다.
일 예에서, 상기 X-RAY 촬영기기는 일종의 투시기기로서 촬영 정보를 컴퓨터 등과 같은 외부의 컴퓨팅 장치(예컨대, 구성요소(10, 20, 40 또는 70)에 전송하면, 상기 컴퓨팅 장치가 수신한 촬영 정보를 영상 처리하여 도 2와 같은 X-RAY 영상을 생성할 수 있다. 이 경우, 촬영 정보는, 투시 결과를 포함한, 도 2의 투과 또는 반사된 영상을 생성하게 하는 기초 정보일 수도 있다.
다른 일 예에서, 상기 X-RAY 촬영기기는 프로세서를 포함하며, 영상 처리를 통해 출력 영상을 생성하도록 더 구성될 수 있다. 그러면, 상기 X-RAY 촬영기기가 자체적으로 X-RAY 영상을 생성할 수 있다. 이 경우, 외부 컴퓨팅 장치로 전송되는 촬영 정보는 X-RAY 영상일 수 있다.
이러한 X-RAY 촬영기기를 통해 도 2에 도시된 것과 같은 X-RAY 영상은 일반적으로 흑백 또는 컬러 영상으로 표현되며 촬영되는 물체를 구성하는 원소 기호에 따라 명도 또는 색상으로 표시하게 된다.
X-RAY 영상은 하나 이상의 객체 및 배경을 포함할 수 있다. 상기 하나 이상의 객체는 사용자가 판독을 원하는 판독 대상을 포함할 수 있다.
X-RAY 촬영기기는 상기 X-RAY 판독 지원 시스템(1000)의 다른 구성요소(예를 들어, 영상 변환부 또는 물품 판별부 등)에 상기 판독 대상이 배치된 판독 공간에 -RAY를 투과 또는 반사시켜 촬영한 대상 X-RAY 영상을 제공할 수도 있다.
상기 X-RAY 판독 지원 시스템(1000)은 프로세서를 포함한 컴퓨팅 장치로서, 예를 들어, 랩탑 컴퓨터, 노트북 컴퓨터, 스마트폰 등을 포함할 수 있다. 상기 X-RAY 판독 지원 시스템(1000)의 일부 또는 전부는 유/무선의 전기 통신을 통해 외부 장치와 데이터를 송/수신하도록 구성된다. 특정 실시예들에서, 상기 X-RAY 판독 지원 시스템(1000)(예컨대, 인터페이스부(10))는 X-RAY 촬영기기와 전기적으로 연결되어, X-RAY 촬영기기의 촬영 정보를 직접적으로 수신할 수 있다. 또는 다른 특정 실시예들에서, 상기 X-RAY 판독 지원 시스템(1000)은 X-RAY 촬영기기의 촬영 정보를 간접적으로 수신할 수도 있다. 이 경우, X-RAY 판독 지원 시스템(1000)은 다른 컴퓨팅 장치에 의해 생성된 X-RAY 촬영기기의 X-RAY 영상을 수신할 수 있다.
인터페이스부(10)는 외부 컴퓨팅 장치로부터 데이터를 획득하거나, 또는 사용자 입력에 의해 데이터를 획득하도록 구성된다. 인터페이스부(10)는 판독 대상에 관한 정보를 수신할 수도 있다.
판독 대상은 사용자가 판독하길 원하는 객체로서, 예를 들어 컨테이너에 적재된 적하물, 또는 항공기에 선적 예정인 수화물 등을 포함한다. 또한, 상기 판독 대상은 물건에 제한되지 않으며, 밀입국자, 또는 방역 대상인 동물과 같은 생물을 포함할 수 있다. X-RAY 판독 지원 시스템(1000)은 수신한 객체 관련 정보에 미리 설정된 규칙을 적용하여 객체 관련 정보에 포함된 객체 중 적어도 일부를 판독 대상으로 결정할 수 있다.
일 실시예에서, 판독 대상에 관한 정보는 판독 공간에 배치된 판독 대상의 객체에 관한 정보일 수도 있다. 특정 실시예들에서, 판독 대상에 관한 정보는 하나 이상의 항목으로 이루어진 목록 정보일 수도 있다. 이 목록 정보의 목록에는 하나 이상의 항목에 해당하는 객체(이하, “항목 객체”)가 포함된다.
판독 공간에 배치된 객체가 화물인 경우, 상기 목록 정보는 판독 공간에 배치된 물품들의 목록일 수도 있다. 예를 들어, 물품들의 목록은 화물목록(또는 적하목록)일 수도 있다. 이 경우, 판독 공간은 화물 이외의 다른 객체(예컨대, 화물 지지 부품)를 더 포함할 수도 있다.
사용자가 세관원인 경우, 컨테이너에 적하된 물품이 판독 대상이고, 컨테이너에 적하되었다고 세관원에게 제출된 화물목록이 판독 대상과 관련된 목록 정보로 획득된다.
상기 실시예에서, 인터페이스부(10)에 의해 판독 대상에 관한 정보로서 획득된, 목록 정보는 항목 객체의 식별 정보를 포함한다. 상기 항목 객체의 식별 정보는, 예를 들어, 객체의 명칭(또는 제품 명칭), 객체의 제작자에 의해 제공되는 코드(예컨대, 제품 코드) 또는 정부 기관 등에 의해 제공되는 코드(예컨대, 세관 코드)를 포함할 수도 있다.
그러나, 판독 대상과 관련된 정보는 이에 제한되지 않으며 판독 공간에 배치된 객체 중 적어도 하나와 관련된 정보를 갖는 다양한 정보를 포함할 수 있다.
이를 위해, X-RAY 영상 판독 지원 시스템(1000)은 객체의 명칭을 표현하는 텍스트, 또는 명칭에 연관된 코드 등을 입력하게 하는 필드를 포함한 UI를 표시하도록 더 구성될 수 있다. X-RAY 영상 판독 지원 시스템(1000)은 화물목록 등의 획득을 위한 UI를 제공하여 화물목록의 사용자 입력을 인터페이스부(10)를 통해 수신하고, 사용자의 UI 입력에 기초하여 화물목록 데이터를 획득할 수도 있다.
예를 들어 사용자가 화물목록을 입력하면, X-RAY 판독 지원 시스템(1000)은 수신한 화물목록에 포함된 하나 이상의 물품의 비 X-RAY 영상을 판독 대상의 비 X-RAY 영상으로 획득하도록 구성된다.
이하, 설명의 명료성을 위해, 판독대상과 관련된 정보는 화물목록으로, 판독 공간은 화물목록 내 물품이 배치되는 컨테이너, 그리고 판독대상은 컨테이너에 배치된 물품으로 지칭하여 본 발명을 보다 상세하게 서술한다.
영상 검색부(20)는 (예컨대, 인터페이스부(10)에 의해 획득된) 화물목록의 정보에 기초하여 화물목록 내 물품의 비 X-RAY 영상을 획득한다. 상기 화물목록 내 물품의 비 X-RAY 영상은 화물목록 내 물품이 상기 판독 공간에 배치된 상태를 표현하거나, 또는 그렇지 않은 상태를 표현할 수도 있다.
일 실시예에서, 비 X-RAY 영상은 가시광선을 사용하여 획득된 색상 영상일 수 있다. 예를 들어, 비 X-RAY 영상은 인터넷에서 특정 객체를 검색할 때 검색되는 대부분의 가시광선 영상일 수도 있다. 그러나, 이에 제한되지 않으며 적외선 등과 같은, x선과 상이한 파장(예컨대, 자외선 등)을 사용하여 획득된 영상일 수도 있다.
화물목록에 다수의 물품이 포함된 경우, 개별 물품에 대해서 비 X-RAY 영상이 획득될 수도 있다. 예를 들어, 컨테이너의 화물목록이 자동차, 트럭을 포함한 경우, 도 4에 도시된 바와 같이, 컨테이너와 다른 배경을 갖는 자동차의 비 X-RAY 영상, 트럭의 비 X-RAY 영상이 획득될 수도 있다. 또한, 영상 검색부(20)는 컨테이너의 화물목록이 (예를 들어 제품 명칭이 다른 것과 같이) 서로 다른 자동차를 포함한 경우, 각각의 자동차의 비 X-RAY 영상을 획득할 수도 있다.
일 실시예에서, 영상 검색부(20)는 상기 판독 대상에 관한 정보에 포함된 상기 판독 대상의 명칭에 기초하여 검색 쿼리를 생성하고, 그리고 상기 검색 쿼리를 웹 서버에 전송하여 검색한 영상을 상기 판독 대상의 비 X-RAY 영상으로 수신하도록 구성된다.
영상 검색부(20)가 수신한 화물목록에 포함된 물품 중 일부 또는 전부가 판독 대상이다. 영상 검색부(20)는 화물목록에 포함된 적어도 하나의 물품에 대한 검색 쿼리를 생성한다. 그러면, 영상 검색부(20)는 검색 쿼리를 웹 서버(미도시)에 전송한다.
웹 서버는 네트워크 통신망을 통해 X-RAY 영상 판독 지원 시스템(1000)과 연결된다. 상기 네트워크 통신망은 유선 및/또는 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있다. 일 실시예에서, 네트워크 통신망은 공지의 월드 와이드 웹(WWW; World Wide Web)일 수 있다.
월드 와이드 웹을 통해 연결된 웹 서버는 영상을 검색 가능하도록 구성된 웹 페이지를 갖는 서버로서, 일 예로서 포털 사이트의 운영 서버일 수 있다. 웹 서버는 웹 페이지를 실행하는 검색 엔진을 통해 영상 검색부(20)의 검색 쿼리에 응답하여 검색을 수행한다.
웹 서버가 월드 와이드 웹을 통해 연결된 경우, 영상 검색부(20)는 화물목록 내 물품의 식별정보(예컨대, 명칭 또는 제품 코드 등)을 기초로 검색 쿼리를 생성하고, 상기 검색 쿼리를 월드 와이드 웹을 통해 웹 서버로 전송한다.
일 실시예에서, 영상 검색부(20)는 수신한 화물목록 내 물품의 명칭 등의 식별 정보, 또는 물품의 유형 정보(예컨대, 유형의 명칭)를 판독 대상의 식별 정보로 추출하고, 추출된 판독 대상의 식별 정보에 기초하여 검색 쿼리를 생성할 수도 있다.
그러면, 웹 서버는, X-RAY 영상 판독 지원 시스템(1000)로부터 수신한 검색 쿼리에 기초하여 웹 서버의 데이터베이스에 저장된 비 X-RAY 영상에서 검색 쿼리의 물품(즉, 판독 대상)의 비 X-RAY 영상을 검색하고, 검색된 물품의 비 X-RAY 영상을 검색 쿼리에 대한 응답으로 X-RAY 영상 판독 지원 시스템(1000)에 전송하는, 웹 검색 동작을 수행할 수 있다. 이러한 웹 검색 동작, 즉 월드 와이드 웹을 통한 비 X-RAY 영상 검색은, 예를 들어, 화물목록에 포함된 객체 자체의 명칭 텍스트, 제품 코드 텍스트 또는 유형 텍스트 등과 같은 식별 정보의 텍스트를 검색 포탈에 입력하여 해당 객체와 동일 또는 유사 영상을 검색하는 것과 같이, 검색 엔진에 검색어를 입력하여 영상을 획득하는 검색 과정으로 진행될 수 있다.
또한, X-RAY 영상 판독 지원 시스템(1000)은 화물목록 내 항목 객체의 명칭과 같은 텍스트를 획득한 이후에, 검색의 효율성을 높이기 위해 화물목록 내 물품 관련 표현을 수정하도록 더 구성될 수 있다. 일 실시예에서, X-RAY 영상 판독 지원 시스템(1000)은 추가 검색 조건을 객체의 명칭의 표현에 부가할 수 있다. 상기 추가 검색 조건은 비 X-RAY 영상의 속성을 포함한다. 상기 영상 속성은 예를 들어 '측면 영상'와 같은 뷰어 조건, 및/또는 '해상도 크기'와 같은 해상도 조건 등을 포함한, 다양한 영상의 속성을 포함한다.
다른 일 실시예에서, 네트워크 통신망은 로컬 네트워크일 수 있다. 이 경우, 웹 서버는 복수의 객체에 각각 연관된 하나 이상의 비 X-RAY 영상을 미리 구축하도록 구성된다. 또한, X-RAY 영상 판독 지원 시스템(1000)은 상기 로컬 네트워크에 대해 미리 지정된 프로토콜에 따라 검색 쿼리를 생성하고, 상기 검색 쿼리를 로컬 네트워크를 통해 웹 서버로 전송한다.
영상 변환부(40)는 검색된, 화물목록 내 물품의 비 X-RAY 영상을, 실제 X-RAY 영상과 구분하기 어려운 가상 X-RAY 영상으로 변환한다. 여기서, 실제 X-RAY 영상은 촬영 객체를 X-RAY 촬영기기에 의해 직접 촬영하면 획득될 영상을 나타낸다. 물품을 포함한 컨테이너 내부를 촬영하면 직접 촬영되는 영상이 상기 실제 X-RAY 영상일 수도 있다. 가상 X-RAY 영상은 상기 실제 X-RAY 영상과 동일 또는 유사하게 X-RAY 영상의 특성을 가지지만, X-RAY 촬영기기에 의해 직접 촬영된 영상은 아니다.
일 실시예에서, 영상 변환부(40)는 검색된 비 X-RAY 영상에 포함된, 화물목록 내 물품을 세그먼트로 분할하여 상기 비 X-RAY 영상의 분할 정보를 산출할 수도 있다. 영상 변환부(40)는 검색된 비 X-RAY 영상의 분할 정보에 기초하여 가상 X-RAY 영상을 생성한다.
검색 엔진을 통해 검색되는 영상의 거의 대부분은 객체만을 포함하도록 구성되지 않는다. 검색되는 영상은 해당 객체 및 배경의 조합, 또는 해당 객체, 다른 객체 및 배경의 조합을 포함한다.
영상 변환부(40)는 영상에서 특징을 추출하여 영상에 포함된 객체를 세그먼트로 분할하도록 구성된다. 특정 실시예들에서, 영상 변환부(40)는 입력 영상에서 객체를 분할하는 분할 모델을 포함할 수 있다.
상기 분할 모델은 영상에 포함된 각 픽셀을 해당되는 클래스로 레이블링하도록 구성된다. 상기 클래스는, 예를 들어 자동차 등과 같은 객체 또는 상기 자동차의 바퀴, 몸체 등과 같은, 객체의 부분을 포함한다. 분할 모델이 레이블링 가능한 클래스의 수는 분할 모델의 학습 데이터 세트에 포함된 서브 세트의 수에 의존하여 설정된다.
일 실시예에서, 분할 모델은 복수의 학습 샘플을 통해 학습된다. 각 학습 샘플은 후보 판독 대상의 비 X-RAY 영상과 상기 비 X-RAY 영상 내 세그먼트 정보를 포함한다.
분할 모델은 컨볼루션 필터 등을 포함한 다양한 네트워크 아키텍처를 가질 수 있다. 분할 모델은 예를 들어, FCN (fully convolutional networks), SegNet, DeepLab 구조에 기초하여 구성될 수 있다.
영상 변환부(40)는 분할 모델에 의해 검색된 비 X-RAY 영상에 포함된 각 픽셀을 해당 클래스로 레이블링하여 하나 이상의 세그먼트로 분할함으로써, 분할 정보를 산출할 수 있다. 상기 분할 정보는 입력 영상(예컨대, 검색된 비 X-RAY 영상) 내에서 세그먼트의 경계 및/또는 위치 정보 등을 포함한다. 상기 분할 정보를 영상화하면, 입력 영상 내에 분할된 객체만 표현된 영상이 구현될 수도 있다.
이러한 분할 처리에 따라 획득된 세그먼트의 위치 및/또는 경계로 인해, 검색된 영상에 포함된 화물목록 내 물품의 영역을 보다 효율적으로 영상 변환할 수도 있다.
또한, 영상 변환부(40)는 분할 처리를 통해 검색된 영상에서 배경을 제거할 수 있다. 배경이 제거된 영상에서 기존의 배경 영역은, 예를 들어 흑색 처리될 수 있으나, 이에 제한되진 않으며, 다른 색상(예컨대, 하얀색)으로 처리될 수도 있다. 배경이 제거된 영상에서 객체(예컨대, 화물목록 내 물품가 적어도 하나의 세그먼트로 구성된다. 예를 들어, 화물목록 내 물품이 자동차인 경우, 바퀴는 제1 세그먼트, 본체는 제2 세그먼트, 창문은 제3 세그먼트로 분할되며 화물목록 내 물품은 3개의 세그먼트를 포함할 수 있다. 일부 실시예에서, 영상 변환부(40)는 배경이 제거된 영상에 대해서 사용자에게 확인을 유도하는 UI를 제공하도록 더 구성될 수 있다. 이 경우, 영상 변환부(40)는 사용자 입력에 따라서 영상에서 배경 영역을 설정하고, 설정된 영역을 제거하도록 더 구성될 수 있다.
추가적으로, 영상 변환부(40)는 화물목록 내 물품의 비 X-RAY 영상에 각 픽셀을 연관된 레이블을 나타내도록 표시 처리된 영상을 구현할 수 있도록 분할 정보를 산출할 수도 있다.
또한, 영상 변환부(40)는 분할 처리로 인한 세그먼트에 대하여 세그먼트 특성 정보를 생성할 수 있다. 이 경우 상기 분할 정보는 세그먼트 특성 정보를 더 포함한다.
일 실시예에서, 상기 세그먼트의 특성 정보는 화물목록에 기초하여 생성된다. 상기 세그먼트의 특성 정보는 분할 처리에 의해 비 X-RAY 영상으로부터 도출되기는 어려우나, X-RAY 영상을 판독하는데 영향을 미칠 수 있는 (예컨대, 오차를 유발하는) 화물의 제품 특성 등을 포함한다.
예를 들어 자동차와 같은 제품의 경우 바디, 라이트, 타이어, 휠, 윈도우 등을 구분하여 세그먼트의 특성 정보로 삼는다.
또한, 영상 변환부(40)는 검색된 비 X-RAY 영역의 화물목록 내 물품의 외곽선 영역을 산출할 수도 있다.
일 실시예에서, 영상 변환부(40)는 분할 정보에서 세그먼트의 외곽선 영역을 산출할 수도 있다. 분할 정보에 화물목록 내 물품에 대응하는 세그먼트의 경계 정보 및/또는 위치 정보가 포함되어 있으므로, 영상 변환부(40)는 경계 정보 및/또는 위치 정보에 기초하여 세그먼트의 경계로 이루어진 영역을 비 X-RAY 영상의 화물목록 내 물품의 외곽선 영역으로 산출할 수도 있다.
일 실시예에서, 영상 변환부(40)는 분할 처리된 세그먼트를 하나 이상의 다른 위치에 임의로 배치할 수도 있다. 그러면, 기존의 영상(예컨대, 검색된 비 X-RAY 영상)에서 원래의 위치에 배치된 객체의 세그먼트; 그리고 다른 위치에 임의로 배치된, 상기 객체의 일부 또는 전부를 포함한 다른 세그먼트를 포함하는 분할 정보가 생성될 수도 있다.
세그먼트가 배치되는 영상 사이즈 및/또는 위치는 아래의 임의의 X-RAY 영상의 사이즈에 기초할 수도 있다. 예를 들어, 단일 객체를 포함한 비 X-RAY 영상이 검색된 경우에도, 도 4에 도시된 바와 같이 상기 단일 객체가 상기 임의의 X-RAY 영상의 사이즈 내에 임의로 배치된다. 그러면, 다수의 상기 단일 객체에 대한 외곽선 영역이 산출될 수도 있다.
이와 같이 임의로 배치된 세그먼트를 더 포함하는 분할 정보가 아래의 영상 변환 모델에 적용된다.
영상 변환부(40)는 임의의 X-RAY 영상에서 텍스처 정보를 산출할 수도 있다. 임의의 X-RAY 영상은 화물목록 내 물품에 대응하는 세그먼트를 배치하기 적합한 배경 영상일 수도 있다.
일 실시예에서, 상기 텍스처 정보가 산출되는 임의의 X-RAY 영상은 판독 공간의 실제 X-RAY 영상일 수도 있다. 영상 변환부(40)는 X-RAY 영상 판독 지원 시스템(1000)에 미리 저장된 판독 공간(예컨대, 컨테이너)의 X-RAY 영상에서 텍스처 정보를 산출할 수도 있다.
영상 변환부(40)는 X-RAY 영상의 텍스처 정보를 산출하기 위해, 판독 대상의 물품과 다른 물품이 포함된, X-RAY 영상을 사용할 수도 있다.
상기 영상 변환부(40)는, 예를 들어, LBP(local binary pattern), SEF(Sobel Edge Filter)(또는 Sobel Edge Detector로도 지칭됨), 또는 LTH(Local ThresHolding)에 의해 영상에서 텍스처 정보를 산출할 수도 있으나, 이에 제한되지 않으며 다른 다양한 텍스처 추출 알고리즘에 의해 텍스처 정보를 산출할 수도 있다.
영상 변환부(40)는 임의의 X-RAY 영상의 텍스처 정보에서 상기 임의의 X-RAY 영상 내 객체가 포함된 경우, 상기 객체의 외곽선 영역을 상기 텍스처 정보에서 제거하여 텍스처 맵을 산출할 수도 있다. 상기 객체는 화물목록에 포함되지 않은 객체일 수도 있다.
임의의 X-RAY 영상이 객체를 포함한 경우, 텍스처 정보에는 배경의 텍스처 및 객체(예를 들어, 판독 대상의 물품 또는 다른 물품)의 텍스처가 포함되어 있다. 그러면, 텍스처 정보에는 여전히 개별 객체의 대략적인 모양에 대한 정보가 포함되어 있다.
임의의 X-RAY 영상의 객체의 텍스처 성분을 제거하기 위해, 상기 임의의 X-RAY 영상 내 객체의 외곽선 영역을 상기 텍스처 정보에서 제거한다. 그러면, 임의의 X-RAY 영상의 배경 텍스처로 이루어진 텍스처 맵이 산출된다.
또한, 특정 실시예들에서, 영상 변환부(40)는 컨테이너 내에 물품이 없는 X-RAY 영상을 상기 임의의 X-RAY 영상으로 사용하여 텍스처 정보를 산출할 수도 있다. 이 경우, 상기 텍스처 정보가 바로 텍스처 맵으로 활용된다.
영상 변환부(40)는 텍스처 맵과 분할 정보를 조합하여 합성 영상을 생성할 수도 있다. 예를 들어, 도 4에 도시된 바와 같이, 텍스처 맵이 배경 영상으로 사용되고, 분할 정보의 세그먼트가 배경 영상에 중첩되어 합성 영상이 생성될 수도 있다.
일 실시예에서, 상기 합성 영상은 임의의 X-RAY 영상으로부터의 텍스처 맵과 검색된 비 X-RAY 영상으로부터의 외곽선 영역을 조합하여 생성된다. 그러면, X-RAY 영상의 텍스처 성분을 배경으로 가지고, 물품에 대한 무제한 범위의 외곽선 형상이 조합된 합성 영상을 생성할 수도 있다.
영상 변환부(40)는 화물목록 내 물품의 가상 X-RAY 영상을 출력하도록 미리 학습된 영상 변환 모델을 포함한다.
상기 영상 변환 모델에 의해 출력되는, 화물목록 내 물품의 가상 X-RAY 영상은 상기 임의의 X-RAY 영상의 배경에서 화물목록 내 물품을 X-RAY 촬영기기가 직접 촬영한 실제 X-RAY 영상과 대응하는 영상이다. 상기 가상 X-RAY 영상은 전술한 실제 X-RAY 영상과 동일하거나, 매우 유사한 X-RAY 영상일 수도 있다.
촬영대상 영상으로 객체 영역을 포함한 영상과 배경 영상이 상기 영상 변환 모델에 입력될 경우, 해당 객체와 배경으로 이루어진 전체 X-RAY 영상이 출력된다.
상기 영상 변환 모델은 입력 데이터에 기초하여 영상을 생성하는 기계학습 모델로서, 예를 들어 AE(Auto-Encoder), VAE(Variational Auto-Encoder), GAN(Generative Adversarial Network) 등을 포함한 영상 생성 구조를 가진다.
도5는, 본 발명의 일 실시예에 따른, 영상 변환 모델의 개념적인 네트워크 아키텍처(network architecture) 도면이다.
도 5를 참조하면, 영상 변환 모델은 GAN 기반으로 구성될 수 있다. GAN 구조는 생성자 및 판별자를 포함한다. 상기 생성자는 입력 데이터에 노이즈를 적용하여 새로운 데이터를 출력하도록 구성된다.
특정 실시예들에서, 상기 영상 변환 모델은 GAN 구조에서 생성자일 수도 있다. 상기 생성자는 스킵 연결을 사용한 인코더-디코더 구조를 가질 수도 있다.
일 실시예에서, 도 5에 도시된 바와 같이, 영상 변환 모델로 동작하는 생성자에 분할 정보(또는 외곽선 영역)와 텍스처 맵이 함께 입력될 수도 있다. 다른 일 실시예에서, 상기 생성자에 분할 정보(또는 외곽선 영역)와 텍스처 맵에 기초한 합성 영상이 입력될 수도 있다.
상기 영상 변환 모델은 다른 기계 학습 모델과 상호작용해서 학습될 수도 있다. 예를 들어, 상기 영상 변환 모델은 GAN 구조의 판별자(discriminator, D)와 상호작용하여, 입력 영상의 가상 X-RAY 영상을 출력하도록 학습될 수도 있다.
상기 생성자는 실제 데이터와 가까운 데이터를 생성함으로써 판별자를 속여 그 가까운 데이터를 실제 데이터로 판별하게 하는 것을 목표로 가진다. 판별자는 상기 실제 데이터와 생성자의 출력 데이터를 식별하는 것을 목표로 가진다. 예를 들어, 상기 생성자는 객체의 실제 X-RAY 영상과 가까운 가상 X-RAY 영상을 생성하는 것을 목표로 가지며, 판별자는 생성자가 출력한 가상 X-RAY 영상과 상기 객체를 직접 촬영하여 획득된 실제 X-RAY 영상을 판별하는 것을 목표로 가진다. 영상 변환 모델은 복수의 제1 훈련 샘플을 포함한 제1 훈련 데이터 세트에 의해 학습된다.
일 실시예에서, 복수의 제1 훈련 샘플(training sample) 각각은 각 제1 훈련 객체(each training object)의 X-RAY 영상, 제1 훈련 객체의 실제 X-RAY 영상의 분할 정보(또는 외곽선 영역) 및 제1 훈련 객체의 실제 X-RAY 영상의 텍스처 맵을 각각 포함하거나, 상기 제1 훈련 객체의 실제 X-RAY 영상과 상기 제1 훈련 객체의 실제 X-RAY 영상의 분할 정보 및 텍스처 맵에 기초한 합성 영상을 각각 포함할 수도 있다. 상기 합성 영상은 제1 훈련 객체의 실제 X-RAY 영상의 텍스처 맵 및 상기 분한 정보(또는 외곽선 영역)와 텍스처 맵이 조합되어 생성된다.
도 6은, 본 발명의 일 실시예에 따른, 영상 변환 모델을 학습하는데 사용되는 제1 제1 훈련 데이터 세트를 생성하는 과정의 흐름도이고, 도 7은, 도 6의 단계별 처리 결과를 영상으로 도시한 도면이다.
도 6 및 도 7을 참조하면, 영상 변환 모델을 학습하기 위해, 우선 제1 훈련 객체를 포함하는 X-RAY 영상이 준비된다(S601). 다수의 훈련용 X-RAY 영상이 외부 장치로부터 수신되어 학습을 위해 준비될 수도 있다. 예를 들어, 도 7에 도시된 바와 같이, 자동차가 제1 훈련 객체로 포함된 X-RAY 영상이 준비된다(S601).
상기 학습 과정은: 단계(S601)의 X-RAY 영상에 포함된 제1 훈련 객체를 상기 X-RAY 영상에서 세그먼트로 분할하여 분할 정보를 산출하는 단계(S610)를 포함한다. 준비된 제1 훈련 객체의 X-RAY 영상이 하나 이상의 세그먼트로 분할 처리되면, 제1 훈련 객체의 비 X-RAY 영상에 포함된 객체 또는 객체의 일부가 세그먼트로 레이블링되어 분할 정보가 산출될 수도 있다. 상기 분할 정보는 세그먼트의 위치 및/또는 경계 정보를 포함한다. 도 7에 도시된 바와 같이, 분할 정보의 영상은 제1 훈련 객체가 세그먼트로 표현된 영상으로 구현된다. 단계(S610)는 영상 변환부(40)에 의해 수행되는 분할 정보의 산출 동작과 유사하므로, 자세한 설명은 생략한다.
상기 학습 과정은: 단계(S610)의 분할 정보에서 제1 훈련 객체의 외곽선 영역을 산출하는 단계(S620)를 포함한다. 도 7에 도시된 바와 같이, 외곽선 영역은 제1 훈련 객체의 외곽선이 형상화된 영상으로 구현된다. 단계(S620)는 영상 변환부(40)에 의해 수행되는 분할 정보에서 판독 대상(즉, 물품)의 외곽선 영역을 산출하는 동작과 유사하므로, 자세한 설명은 생략한다.
상기 학습 과정은: 단계(S601)의 X-RAY 영상에서 텍스처 정보를 산출하는 단계(S630)를 포함한다. 텍스처 정보는 배경의 텍스처 성분 및 객체의 텍스처 성분을 포함한다. 도 7에 도시된 바와 같이, 텍스처 정보의 영상은 배경의 텍스처 성분 및 제1 훈련 객체의 텍스처 성분을 포함한 영상으로 구현된다. 단계(S630)는 영상 변환부(40)에 의해 수행되는, 임의의 X-RAY 영상에서 텍스처 정보를 산출하는 동작과 유사하므로, 자세한 설명은 생략한다.
상기 학습 과정은: 단계(S630)의 텍스처 정보에서 외곽선 영역을 제거하여 단계(S601)의 X-RAY 영상의 텍스처 맵을 산출하는 단계(S640)를 포함한다. 상기 제1 훈련 객체의 텍스처 성분의 영역은 상기 단계(S620)의 외곽선 영역과 동일 또는 유사하게 형성된다. 동일한 제1 훈련 객체를 포함한 동일한 X-RAY 영상으로부터 외곽선 영역 및 텍스처 정보가 산출되기 때문이다. 따라서, 텍스처 정보에서 제1 훈련 객체의 외곽선 영역을 제거하면, 텍스처 정보에 포함된 제1 훈련 객체의 텍스처 성분이 제거되고, 결국 단계(S601)의 X-RAY 영상에서 배경의 텍스처 성분으로 이루어진 텍스처 맵이 획득된다.
전술한 단계들(S601 내지 S640)에 의해 제1 훈련 객체의 실제 X-RAY 영상, 제1 훈련 객체의 실제 X-RAY 영상의 분할 정보(또는 외곽선 영역) 및 제1 훈련 객체의 실제 X-RAY 영상의 텍스처 맵을 각각 포함하는 제1 훈련 샘플의 세트가 생성된다. 또는 개별 제1 훈련 객체의 실제 X-RAY 영상 및 이에 기초한 합성 영상을 각각 포함하는 제1 훈련 샘플의 세트가 생성된다.
이와 같이, 텍스처 맵과 분할 정보의 세그먼트를 별도로 사용하는 목적은 영상 변환 모델의 네트워크가 분할 정보로부터 객체(예컨대, 차량)의 모양 정보와 텍스처 맵으로부터 텍스처 정보를 학습하길 원하기 때문이다. 텍스처 맵에 도 7과 같이 차량 모양에 대한 정보가 포함 된 경우, 영상 변환 모델의 네트워크는 분할 정보가 아닌 텍스처 맵으로부터 모양에 대한 중요한 정보를 배울 수 있으므로, 분할 정보로부터 모양을 학습하는데 효율이 저하된다. 때문에 단계(S640)에서 형태학적 연산을 사용하여 텍스처 맵에서 객체의 모양 정보(즉, 외곽선 영역)가 제거된다.
이러한 제1 훈련 샘플 세트를 통해 영상 변환 모델은 객체의 실제 X-RAY 영상, 분할 정보, 텍스처 맵, 합성 영상에 기초하여 제1 훈련 객체의 영역의 세그먼트 정보(예컨대, 레이블 정보)와 배경 영역의 텍스처 정보를 이용하여 배경과 객체를 동시에 X-RAY 영상으로 변환하도록 학습된다(S650).
단계(S650)에서 학습이 진행되면, 생성자와 판별자는 각각의 목표를 달성하기 위해 모델 내 파라미터를 갱신한다. 상기 판별자는 실수할 확률을 낮추기 위해 학습하고, 생성자는 임의의 노이즈로부터 출력한 데이터에 대해서 판별자가 실수할 확률을 높이기 위해 학습한다. 즉, 상기 생성자와 판별자는 minimax problem을 풀기 위해 학습된다.
통상적으로 GAN 모델에서 Minimax problem을 풀기위한 손실 함수에 단순히 세그먼트만을 고려할 경우, 학습 과정은 다음의 수학식으로 표현되는, 손실 함수를 최소화하는 방향으로 수행된다.
Figure pat00001
상기 수학식 1의 Lc 및 L1은 다음의 수학식들로 표현된다.
Figure pat00002
Figure pat00003
여기서, G는 생성자이고, D는 판별기이며, y는 실제 배경 영상, z는 생성자의 노이즈(예컨대, latent noise), λ는 GAN 구조에서 균형 파라미터를 각각 나타낸다.
그러나, 상기 수학식 1의 손실 함수의 기초가 되는 수학식 2 및 3은, 비 X-RAY 영상과 같이, 훈련 영상에서 텍스처의 중요도가 객체(즉, 세그먼트)의 중요도에 비해 상대적으로 낮게 고려된 함수이다.
일 실시예에서, 상기 영상 변환 모델은 상기 수학식 1의 손실 함수를 최소화하는 방향으로 학습될 수도 있다. 상기 수학식 1의 Lc 및 L1은 다음의 수학식 4 및 5으로 대체된다.
Figure pat00004
Figure pat00005
여기서, t는 추출된 텍스처 맵(또는 텍스처 정보)로서, 학습을 위해서는 단계(S601)의 제1 훈련 객체의 실제 X-RAY 영상으로부터 추출된다. 이와 같이 훈련 영상의 텍스처가 고려된 손실 함수를 사용하여 학습되기 때문에, 생성자로서 영상 분석 모델과 이와 상호작용하는 판별자는 텍스처를 고려하여 학습된다.
이러한 학습 과정(S670)에서 판별자는 입력 값의 정답(즉, 훈련 데이터)로부터 피드백을 받고, 생성자는 판별자로부터 피드백을 받는다. 충분히 학습되어 학습 완료된 생성자는 입력 데이터와 최대한 가까운 데이터를 출력하도록 갱신되어 결국 학습이 완료된다. 여기서, 가까운 데이터란 두 데이터가 따르는 확률 분포가 유사하다는 (예를 들어, 두 데이터의 확률 분포의 차이가 소정의 임계치 이하) 의미이다.
영상 변환부(40)는 화물목록 내 물품의 분할 정보(또는 외곽선 영역)와 임의의 X-RAY 영상으로서 컨테이너 촬영 영상의 텍스처 맵을 도 6의 훈련 데이터 세트를 이용하여 학습된 판독 모델에 적용하여 화물목록 내 물품의 가상 X-RAY 영상을 생성할 수도 있다. 그러면, 검색된 화물목록 내 물품의 비 X-RAY 영상이 상기 화물목록 내 물품의 실제 X-RAY 영상과 동일 또는 매우 유사한 가상 X-RAY 영상으로 변환된다.
영상 변환부(40)는 상기 화물목록 내 물품의 가상 X-RAY 영상을 물품 판별부(60)에 제공할 수도 있다.
물품 판별부(60)는 X-RAY 촬영기기에 의해 촬영된 대상 X-RAY 영상에서 판독 대상을 식별하도록 구성된다.
일 실시예에서, 물품 판별부(60)는 입력 영상에서 특징을 추출하는 판독 모델을 포함할 수도 있다. 판독 모델은 입력 영상에서 특징을 추출하는 특징 추출 부분; 및 추출된 특징에 기초하여 상기 입력 영상의 객체를 해당 클래스로 분류하는 분류 부분을 포함하도록 구성된다.
상기 클래스는 입력 영상의 객체를 식별하도록 학습하는데 사용되는 훈련 데이터 세트(training data set)에 기초하여 설정된다. 훈련 데이터 세트는 클래스별로 서브 세트화될 수도 있다.
상기 판독 모델은 입력 영상(또는 입력 영상의 객체)를 분류하는 다양한 기계 학습 모델의 구조로 구성될 수도 있다. 상기 판독 모델은, 예를 들어, 인공신경망(NN, Nueral Network), CNN(Convoluntion Nueral Network) 기반의 구조로 구성될 수도 있으나 이에 제한되진 않는다. 상기 판독 모델이 CNN 기반 구조로 구성될 경우, 상기 특징 추출 부분은 컨볼루션 레이어를 포함하고, 상기 분류 부분은 완전 연결 레이어를 포함할 수도 있다.
일 실시예에서, 상기 판독 모델은 복수의 제2 훈련 샘플을 포함한 제2 훈련 데이터 세트(training data set)를 이용하여 학습된 기계 학습 모델이다. 상기 제2 훈련 데이터 세트는 개별 객체로 서브 세트화될 수도 있으며, 학습 결과 개별 객체에 대응하는 클래스가 생성될 수도 있다. 그러면, 분류 부분을 통해 개별 객체에 대응하는 클래스로 입력 영상의 객체가 분류된다.
상기 복수의 제2 훈련 샘플 각각은 제2 훈련 객체의 실제 X-RAY 영상 및/또는 상기 제2 훈련 객체의 가상 X-RAY 영상를 각각 포함할 수도 있다. 예를 들어, 제2 훈련 샘플은 판독 모델의 학습을 위한 제2 훈련 객체를 실제 촬영한, 실제 X-RAY 영상을 포함할 수도 있다. 또는, 제2 훈련 샘플은 상기 제2 훈련 객체의 가상 X-RAY 영상을 포함할 수도 있다. 또는, 상기 제2 훈련 샘플은 상기 제2 훈련 객체의 실제 X-RAY 영상 및 가상 X-RAY 영상을 포함할 수도 있다.
또한, 일부 실시예에서, 복수의 제2 훈련 샘플 각각은 포함한 영상에 대한 정보(예를 들어, 객체 정보 등)를 더 포함할 수도 있다. 예를 들어, 제2 훈련 샘플은 자동차의 가상 X-RAY 영상 및 상기 가상 X-RAY 영상 내 객체가 자동차란 정보를 포함할 수도 있다.
이와 같이 제2 훈련 데이터 세트는 제1 훈련 데이터 세트와 달리 가상의 X-RAY 영상을 더 포함하기 때문에, 더 많은 개별 객체에 대해 학습할 수 있다.
도 8은, 본 발명의 일 실시예에 따른, 판독 모델을 학습하는데 사용되는 제2 훈련 데이터 세트를 생성하는 과정의 흐름도이다.
도 8의 단계(S810 내지 S890)는 영상 변환부(40)가 수행하는 비 X-RAY 영상을 가상 X-RAY 영상으로 변환하는 동작과 유사하므로, 차이점을 위주로 설명한다.
도 8을 참조하면, 상기 판독 모델을 학습하는데 사용되는 가상 X-RAY 영상을 생성하는 과정은: 상기 제2 훈련 객체의 비 X-RAY 영상에서 상기 제2 훈련 객체를 세그먼트로 분할하여 분할 정보를 산출하는 단계(S810)를 포함한다. 일부 실시예에서, 사용자가 의도한 비 X-RAY 영상이 직접 준비될 수도 있다. 또는 다른 일부 실시예에서, 사용자가 의도한 비 X-RAY 영상이 간접적으로 준비될 수도 있다. 예를 들어, 사용자는 객체의 검색 쿼리를 생성하는데 요구되는 일부 정보(예를 들어, 명칭 등)를 입력하면, 검색 쿼리에 기초하여 해당 객체의 비 X-RAY 영상이 훈련 객체의 비 X-RAY 영상으로 준비될 수도 있다.
단계(S810)에서 상기 세그먼트는 상기 제1 훈련 객체의 영역 또는 일부의 영역으로 형성되며, 상기 분할 정보는 영상 내 세그먼트의 경계 및 위치 정보 중 하나 이상을 포함할 수도 있다.
일 실시예에서, 분할 정보는 세그먼트 모델에 의해 산출될 수도 있다. 상기 세그먼트 모델은 비 X-RAY 영상에서 객체를 세그먼트로 레이블링하도록 학습된다.
또한, 도 8의 과정은: 상기 분할 정보에서 상기 제2 훈련 객체의 외곽선 영역을 산출하는 단계(S830)를 포함한다.
또한, 도 8의 과정은: 임의의 X-RAY 영상으로부터 텍스처 맵을 산출하는 단계(S850)를 포함한다. 상기 임의의 X-RAY 영상은 판독 모델이 식별하는 판독 대상이 배치 가능한 공간을 촬영한 실제 X-RAY 영상이다. 일 실시예에서, 상기 임의의 X-RAY 영상은 상기 대상 X-RAY 영상이 촬영되는 배경, 즉 판독 공간의 실제 X-RAY 영상을 포함한다. 그러면, 판독 모델은 상기 판독 공간을 배경으로 학습하게 된다.
일 실시예에서, 상기 단계(S850)는, 상기 임의의 X-RAY 영상에서 텍스처 정보를 산출하는 단계를 포함한다.
상기 임의의 X-RAY 영상이 객체를 포함하지 않고 배경을 포함한 경우, 텍스처 정보가 텍스처 맵으로 사용된다.
상기 임의의 X-RAY 영상이 객체를 포함한 경우, 상기 단계(S850)는: 임의의 X-RAY 영상의 텍스처 정보에서 상기 임의의 X-RAY 영상 내 객체의 외곽선 영역을 산출하는 단계; 및 텍스처 정보에서 상기 임의의 X-RAY 영상 내 객체의 외곽선 영역을 제거하여 텍스처 맵을 산출하는 단계를 포함한다. 상기 임의의 X-RAY 영상 내 객체는 판독 공간에 배치될 가능성이 있을 수도 있다. 예를 들어, 상기 임의의 X-RAY 영상 내 객체는 상기 화물목록 내 물품과 동일 또는 상이할 수도 있다.
또한, 도 8의 과정은: 단계(S830)의 상기 제2 훈련 객체의 분할 정보와 상기 임의의 X-RAY 영상의 텍스처 맵을 영상 변환 모델에 적용하여 상기 제2 훈련 객체의 가상 X-RAY 영상을 생성하는 단계(S870)를 포함한다.
일 실시예에서, 영상 변환 모델에 단계(S830)의 분할 정보와 단계(S850)의 텍스처 맵이 입력될 수도 있다.
다른 일 실시예에서, 영상 변환 모델에 단계(S830)의 분할 정보 및 단계(S850)의 텍스처 맵에 기초한 합성 영상이 입력될 수도 있다.
도 8의 단계(S810 내지 S870)에 의해 판독 모델을 학습하는데 사용되는 제2 훈련 객체의 가상 X-RAY 영상이 생성된다.
도 9는, 본 발명의 다른 일 실시예에 따른, 판독 모델을 학습하는데 사용되는 제2 훈련 데이터 세트를 생성하는 과정의 흐름도이다.
도 9의 단계(S910 내지 S990)는 도 8의 단계(S810 내지 S890)와 유사하므로, 차이점을 위주로 설명한다.
도 9의 과정은: 단계(S910)의 분할 정보의 세그먼트를 하나 이상의 다른 위치로 임의로 배치하는 단계(S920)를 포함한다.
그러면, 단계(S930)에서 외곽선 영역을 산출하는데 사용되는 분할 정보는, 상기 비 X-RAY 영상에서 원래의 위치에 배치된 세그먼트 및 다른 위치에 임의로 배치된 세그먼트를 포함한다. 단계(S930)에서 산출되는 외곽선 영역은 단계(S910)의 객체의 외곽선 영역 및 단계(S920)에서 추가로 임의로 배치된 객체의 외곽선 영역을 포함한다. 단계(S950 내지 S990)는 단계(S850 내지 S850)와 유사하므로, 자세한 설명은 생략한다.
이와 같이 도 9의 실시예에 따르면 단일 객체 또는 적은 객체(few objects)가 촬영된 비 X-RAY 영상으로부터 해당 공간에 많은 수로 배치된 영상에 대해서도 판독 모델이 식별 동작을 학습할 수도 있다.
도 8 및 도 9의 과정에 의해 생성된 제2 훈련 객체의 가상 X-RAY 영상이 판독 모델의 학습을 위해 사용될 경우, 실제 X-RAY 영상만을 이용하여 학습된 판독 모델에 비해 다음의 장점을 가진다: a) 훈련 객체를 X-RAY 촬영기기로 실제로 매번 촬영해서 훈련을 위한 X-RAY 영상을 준비할 필요가 없고, b) 실질적으로 무제한 범위의 객체에 대한 학습이 가능하다. 인터넷 검색 등의 웹 기반 비 X-RAY 영상으로부터 생성된 X-RAY 영상을 이용하여 상기 판독 모델의 X-RAY 영상 내 객체를 식별하는 성능을 학습하기 때문이다. 또한, c) X-RAY 영상 내 다양한 위치를 고려해서 객체 식별 성능이 학습될 수도 있다. 도 9에 도시된 바와 같이 분할된 세그먼트를 임의로 배치한 분할 정보를 이용해서 학습할 수도 있기 때문이다.
물품 판별부(60)는 전술한 제2 훈련 데이터 세트를 이용하여 학습된 판독 모델을 이용해, X-RAY 촬영기기에 의해 촬영된, 판독 대상으로서 물품의 실제 X-RAY 영상(이하, 대상 X-RAY 영상으로 지칭됨)에서 해당 물품을 식별할 수도 있다.
일 실시예에서, 물품 판별부(60)는 대상 X-RAY 영상을 상기 판독 모델에 적용하여, 제1 특징 세트를 추출할 수도 있다. 상기 제1 특징 세트(예컨대, 특징 벡터 또는 특징맵)는 대상 X-RAY 영상으로부터 추출된 특징으로 이루어지며, 상기 특징은 대상 X-RAY 영상에 표현된 판독 대상을 묘사하는 특징이다. 상기 제1 특징 세트는 판독 모델의 특징 추출 부분에 의해 추출된다.
상기 물품 판별부(60)는, 상기 대상 X-RAY 영상으로부터 추출된 제1 특징세트에 기초하여 상기 판독 대상이 설정된 클래스로 분류될 경우, 분류된 클래스에 대응하는 객체로 상기 판독 대상을 식별하도록 더 구성된다. 상기 분류 동작은 판독 모델의 분류 부분에 의해 수행된다. 제2 훈련 데이터 세트에 판독 대상에 대응하는 훈련 객체의 영상이 포함된 경우, 판독 모델에 의해 바로 판독 대상이 식별될 수도 있다.
제2 훈련 데이터 세트가 판독 대상에 대응한 훈련 객체의 영상을 포함하지 않거나, 판독 대상의 영상의 수가 상대적으로 부족하여 판독 대상을 분류하는 성능이 약하게 학습된 경우가 있을 수도 있다. 그러면 판독 모델이 대상 X-RAY 영상 내 판독 대상이 속하는 클래스를 결정하는 대신에, 판독 대상이 클래스로 분류되지 않는다고 결정할 수도 있다.
그러면, 물품 판별부(60)는 판독 대상과 관련된 목록 정보(예컨대, 화물목록)를 이용하여, 촬영된 판독 대상이 화물목록 내 어느 물품과 매칭하는지 판단함으로써 판독 대상을 식별하도록 더 구성된다.
이를 위해, 물품 판별부(60)는 화물목록 내 물품의 가상 X-RAY 영상을 판독 모델에 적용하여 제2 특징 세트를 추출할 수도 있다. 상기 제2 특징 세트는 판독 모델의 특징 추출 부분에 의해 추출된다.
물품 판별부(60)는 촬영된 물품의 대상 X-RAY 영상으로부터 추출된 제1 특징 세트와 화물목록 내 물품의 가상 X-RAY 영상으로부터 추출된 제2 특징 세트를 비교하여 촬영된 물품이 화물목록에 속하는 물품인지 판독한다.
물품 판별부(60)는 다양한 유사도 비교 알고리즘을 통해 상기 제1 특징 세트와 제2 특징 세트 간의 유사도를 산출할 수도 있다.
예를 들어, 물품 판별부(60)는 유클리디안 거리(Euclidian distance), 코사인 거리(Cosine distance), 마할라노비스 거리(Mahalanobis distance) 또는 결합 베이지안(joint Bayesian)을 통해 제1 특징 세트와 제2 특징 세트 간의 유사도를 산출할 수도 있다.
산출된 유사도가 미리 설정된 임계치와 동일하거나 보다 큰 경우, 물품 판별부(60)는 촬영된 물품이 화물목록 내 물품과 매칭하는 것으로 판단하고, 촬영된 물품을 화물목록 내 매칭하는 물품으로 판독한다.
화물목록 내 물품이 복수인 경우, 상기 물품 판별부(60)는 화물목록 내 복수의 물품에 대한 다수의 제2 특징 세트를 각각 미리 산출하고, 촬영된 물품의 제1 특징 세트와 각각 비교할 수도 있다. 단일 제1 특징 세트와 다수의 제2 특징 세트 간의 비교는 (예컨대, 화물목록 내 물품의 순서에 따라) 순차적으로 수행될 수도 있다.
이와 같이, X-RAY 판독 지원 시스템(1000)은 대상 X-RAY 영상에 나타난 객체 중에서 화물목록에 포함된 화물에 해당하는 판독 대상이 있는지를 검출하는, 판독 동작을 자체적으로 수행할 수 있다. 또한, 판독 결과를 사용자에게 제공할 수도 있다. 이로 인해, X-RAY 판독 지원 시스템(1000)은 전술한 영상 변환 동작 및 물품 판독 동작 등을 통해, 종래에는 사용자가 수동으로 수행하던 대상 X-RAY 영상을 판독하는 업무를 지원할 수 있다.
상기 영상 변환 모델, 분할 모델 및/또는 판독 모델은 X-RAY 판독 지원 시스템(1000)에 의해 생성된 모델일 수 있다. 이를 위해, X-RAY 판독 지원 시스템(1000)은 영상 변환 모델, 분할 모델 및/또는 판독 모델을 모델링하는 학습부(미도시)를 더 포함할 수도 있다. 또는, 상기 영상 변환 모델은 X-RAY 판독 지원 시스템(1000)의 외부 구성요소에 의해 생성된 모델일 수 있다. 이 경우, 상기 영상 변환 모델은 X-RAY 판독 지원 시스템(1000)에 원격 위치한 외부 컴퓨팅 장치에 의해 미리 생성된 영상 변환 모델을 변환 동작 이전에 수신하여 저장하고 X-RAY 영상을 생성하기 위해 사용할 수 있다. 이를 위해, X-RAY 판독 지원 시스템(1000)는 영상 변환 모델을 저장하기 위한 저장 장치(미도시)를 더 포함할 수 있다. 상기 저장 장치는 휘발성 메모리(미도시), 비휘발성 메모리(미도시) 및 외장형 메모리(미도시) 중 적어도 하나를 포함하여 구성될 수 있다. 예를 들어, 휘발성 메모리는 읽기 전용 메모리(RAM) 또는 동기 동적 읽기 전용 메모리(synchronous DRAM, SDRAM), 2배속(DDR) SDRAM, 또는 램버스 DRAM(RDRAM) 등과 같은 동적 임의 접근 메모리 중 어느 하나일 수도 있고, 비휘발성 메모리는 읽기 전용 메모리(ROM), 플래시 메모리 중 어느 하나일 수도 있으며, 외장형 메모리는 MMC형, SD형, 및 CF형 메모리 카드 중 어느 하나일 수도 있다.
일 실시예에서, X-RAY 판독 지원 시스템(1000)는 전원 공급의 차단 등으로 인해 리셋이 수행되더라도 저장된 데이터가 소실되지 않는 비휘말성 메모리에 미리 학습된 모델을 다시 전원 공급이 시작된 이후에도 활용할 수 있도록 비휘말성 메모리에 미리 학습된 모델을 저장할 수 있다.
상기 X-RAY 판독 지원 시스템(1000) 또는 일부 구성요소가 본 명세서에 서술되지 않은 다른 구성요소를 포함할 수도 있다는 것이 통상의 기술자에게 명백할 것이다. 예를 들어, 상기 X-RAY 판독 지원 시스템(1000)은 네트워크 인터페이스, 데이터 엔트리를 위한 입력 장치, 데이터를 저장하는 메모리, 및 디스플레이, 인쇄 또는 다른 데이터 표시를 위한 출력 장치를 포함하는, 본 명세서에 서술된 동작에 필요한 다른 하드웨어 요소를 포함할 수도 있다.
본 발명의 다른 일 측면에 따른 X-RAY 영상 판독 지원 방법은 프로세서를 포함한 컴퓨팅 장치에 의해 수행된다. 상기 프로세서를 포함한 컴퓨팅 장치는, 예를 들어 X-RAY 판독 지원 시스템(1000) 또는 일부 구성요소 또는 다른 컴퓨팅 장치를 포함할 수도 있다. 이하, 설명의 명료성을 위해서, X-RAY 영상 판독 지원 방법이 X-RAY 판독 지원 시스템(1000)에 의해 수행되는 실시예들로 본 발명을 보다 상세하게 서술한다.
도 10은, 본 발명의 일 실시예에 따른, X-RAY 영상 판독 지원 방법의 흐름도이다.
도 10의 단계들은 X-RAY 판독 지원 시스템(1000)의 구성요소들의 동작과 유사하므로, 자세한 설명은 생략한다.
상기 X-RAY 영상 판독 지원 방법은: 판독 대상이 배치된 판독 공간에 X-RAY를 투과 또는 반사시켜 촬영한 대상 X-RAY 영상을 획득하는 단계(S1010); 및 입력 영상에서 특징을 추출하는 판독 모델에 상기 대상 X-RAY 영상을 적용하는 단계(S1020)를 포함한다.
상기 판독 모델은, 전술한 바와 같이, 복수의 제2 훈련 샘플로 이루어진 제2 훈련 데이터 세트를 이용하여 학습된 기계 학습 모델로서, 제2 훈련 데이터 세트는 개별 객체로 서브 세트화된다. 그리고 상기 복수의 제2 훈련 샘플 각각은 제2 훈련 객체의 실제 X-RAY 영상 및/또는 상기 제2 훈련 객체의 가상 X-RAY 영상을 각각 포함할 수도 있다. 상기 판독 모델을 학습하는데 사용되는 상기 제2 훈련 객체의 가상 X-RAY 영상은 도 8 또는 도 9의 과정에 의해 생성된다.
단계(S1020)에서 판독 대상의 제1 특징 세트가 추출된다.
상기 판독 모델이 판독 대상을 미리 설정된 클래스로 분류할 경우, 판독 대상은 클래스에 대응하는 객체로 식별된다(1030).
만약 판독 모델에 의해 상기 판독 대상의 클래스가 결정되지 않는 경우, 판독 대상과 관련된 목록 정보 내 항목 객체와 매칭하는지를 판단하여, 판독 대상을 식별한다.
일 실시예에서, 상기 X-RAY 영상 판독 지원 방법은: 상기 판독 대상에 관련된, 하나 이상의 객체 항목을 포함한 목록 정보를 수신하는 단계(S1040); 상기 목록 정보에 기초하여, 상기 판독 대상과 관련된 목록 내 항목 객체의 비 X-RAY 영상을 획득하는 단계(S1050); 상기 목록 내 항목 객체의 비 X-RAY 영상을 가상 X-RAY 영상(fake X-RAY image)으로 변환하는 단계(S1060); 및 상기 판독 대상이 분류될 클래스가 결정되지 않아 상기 클래스에 대응하는 객체로 식별되지 않는 경우, 상기 목록 내 항목 객체의 가상 X-RAY 영상으로부터 제2 특징세트를 추출하는 단계(S1070); 및 추출된 제1 및 제2 특징세트에 기초하여 상기 대상 X-RAY 영상에 표현된 상기 판독 대상이 상기 목록 내 항목 객체와 매칭하는지 판단하는 단계(S1080)를 더 를 포함할 수도 있다.
단계(S1040)에서 하나 이상의 항목 객체를 포함한 목록 정보를 수신된다. 일 실시예에서, 하나 이상의 물품을 포함한 화물목록이 판독 대상과 관련된, 하나 이상의 항목 객체를 포함한 목록 정보로 수신될 수도 있다(S1040). 예를 들어, 판독 대상과 관련된 화물목록이 세관에 제출된 경우, 해당 화물목록이 단계(S1040)에서 판독 대상을 판독하기 위해 수신된다.
단계(S1050)에서 화물목록 내 물품의 비 X-RAY 영상은 인터넷 웹 검색을 통해 획득될 수도 있다.
단계(S1050)에서 화물목록 내 물품의 식별 정보(예컨대, 제품 정보)에 기초하여 검색 쿼리가 생성되고 웹 검색에 의해 목록 내 물품의 비 X-RAY 형식의 인터넷 영상이 획득될 수도 있다.
일 실시예에서, 상기 단계(S1060)는: 비 X-RAY 영상에 포함된, 상기 목록 정보 내 항목 객체(예를 들어, 화물목록 내 물품)를 세그먼트로 분할하여 상기 비 X-RAY 영상의 분할 정보를 산출하는 단계 - 상기 세그먼트는 상기 항목 객체 또는 항목 객체의 부분의 영역으로 형성되며, 상기 분할 정보는 영상 내 세그먼트의 경계 및 위치 정보 중 하나 이상을 포함; 상기 분할 정보에서 상기 항목 객체에 대응한 세그먼트의 외곽선 영역을 산출하는 단계; 임의의 X-RAY 영상에서 텍스처 정보를 산출하는 단계; 상기 임의의 X-RAY 영상 내 객체가 포함된 경우, 상기 임의의 X-RAY 영상을 분할하여 상기 임의의 X-RAY 영상 내 객체의 외곽선 영역을 산출하는 단계; 및 상기 텍스처 정보에서 상기 임의의 X-RAY 영상 내 객체의 외곽선 영역을 제거하여 상기 텍스처 맵을 산출하는 단계; 상기 분할 정보와 텍스처 맵을 영상 변환 모델에 적용하는 단계를 포함할 수도 있다.
단계(S1060)에서 영상 변환 모델은 상기 X-RAY 촬영기기가 상기 분할 정보의 객체를 촬영 대상으로 상기 임의의 X-RAY 영상의 배경에서 촬영한 실제 X-RAY 영상과 동일 또는 유사한 가상 X-RAY 영상을 출력하도록 미리 학습된 모델이다. 단계(S1060)에서 화물목록 내 물품의 검색 영상이 화물목록 내 상기 물품의 가상 X-RAY 영상으로 변환된다.
영상 변환 모델은 상기 분할 정보의 객체를 촬영 대상으로 포함하고, 상기 임의의 X-RAY 영상을 텍스처 맵 측면에서 배경으로 포함하는 가상 X-RAY 영상을 생성할 수도 있다. 상기 가상 X-RAY 영상은 데이터를 입력 받은 경우 학습에 사용된 훈련 샘플의 데이터 분포와 복원 오차가 최소가 되거나 상기 데이터 분포에 속하게 되는 출력 데이터로 생성된다.
상기 영상 변환 모델은, 복수의 제1 훈련 샘플을 포함한 제1 훈련 데이터 세트(training data set)를 이용하여 학습된 기계 학습 모델로서, 상기 제1 훈련 데이터 세트는 개별 훈련 객체로 서브 세트화될 수도 있다. 상기 제1 훈련 데이터 세트는 도 6의 과정에 의해 생성되므로, 자세한 설명은 생략한다.
단계(S1020)에서 추출된 상기 판독 대상의 대상 X-RAY 영상에서 제1 특징 세트와 단계(S1070)에서 추출된 제2 특징 세트는 대상 X-RAY 영상 및 물품의 가상 X-RAY 영상이 동일한 판독 모델에 각각 적용되어 추출된
일 실시예에서, 상기 단계(S1080)는: 상기 제1 특징 세트 및 제2 특징 세트의 유사도를 산출하는 단계; 상기 유사도를 미리 설정된 임계치와 비교하는 단계; 및: 상기 유사도에 기초하여 상기 판독 대상이 상기 목록 내 항목 객체와 매칭하는지 결정하는 단계를 포함할 수도 있다.
단계(S1080)에서 유사도가 임계치와 동일 또는 그 보다 큰 경우, 상기 판독 대상이 상기 목록 내 항목 객체와 매칭하는 것으로 판단된다.
또한, 상기 X-RAY 영상 판독 지원 방법은: 단계(S1080)의 매칭 이후, 대상 X-RAY 영상 내 다른 판독 대상이 존재하는 경우, 단계(S1020) 내지 (S1080)의 단계를 수행하는 단계를 더 포함할 수도 있다. 이 단계는 영상 내 다른 판독 대상의 일부 또는 전부에 대해 판독이 완료될 때까지 반복될 수도 있다.
만약 단계(S1080)에서 매칭이 되지 않은 것으로 판단되면 상기 판독 대상은 화물목록 내 비교되었던 물품이 아닌 것으로 판독된다.
상기 화물목록 내 물품이 복수인 경우, 단계(S1040) 이후의 다음 단계들(S1050 내지 S1080)이 화물목록 내 복수의 물품에 대해 수행될 수도 있다. 그러면, 상기 판독 대상은 화물목록 내 다른 물품의 제2 특징 세트와 다시 비교된다.
상기 판독 대상이 화물목록 내 모든 물품과 매칭하지 않는 것으로 판독된 경우, 상기 판독 공간에 배치된 판독 대상이 화물목록 내에 포함되지 않는 것으로 판독될 수도 있다. 전술한 판독 결과들 중 적어도 하나가 사용자에게 제공될 수도 있다.
이러한 X-RAY 영상 판독 지원 시스템(1000) 및 방법을 사용하면, 실제 촬영 영상에 제한 없이 다양한 물품에 대한 판독 작업을 지원할 수도 있다. 미리 학습된 영상 변환 모델을 이용하여 웹 검색을 통해 획득된 다양한 객체의 비 X-RAY 영상을 가상 X-RAY 영상으로 변환하고, 이를 학습 데이터로 사용하여 판독 대상을 식별하는 판독 모델을 학습하기 때문이다. 여기서, 영상 변환 모델은 촬영 대상을 직접 X선으로 촬영하여 획득되는 실제 X-RAY 영상(real X-RAY iamge)과 구별하기 어려울 정도로 동일 또는 유사한 가상 X-RAY 영상으로 변환하도록 학습된다.
그 결과, 저장 영상이 상대적으로 제한적인 내부 데이터베이스를 이용하는 경우와 비교하여 무제한 범위의 화물목록에 대해서 활용될 수 있어, 높은 활용 가능성을 가진다.
아울러, 일차적인 판독 결과 판독 대상이 식별되지 않으면, 대조 근거 자료의 객체에 대한 가상 X-RAY 영상을 생성하고 대상 X-RAY 영상과 가상 X-RAY 영상을 자동으로 비교하는, 이 단계의 판독 과정을 통해 보다 정밀한 판독 작업을 지원할 수도 있다.
한편, 일 실시예에서, 비 X-RAY 영상으로부터 전술한 가상 X-RAY 영상을 생성하는 영상 변환 모델은 SegNet 기반의 영상의 분할 정보로부터 GAN 기반의 영상 생성을 학습하여 구성된다. 이러한 구성을 통해 비 X-RAY 영상과 실제 X-RAY 영상을 반드시 픽셀 수준의 대응 관계가 있는 쌍으로 구성하여 영상 변환 모델을 학습해야하는 제약 조건이 요구될 필요가 없어, 세관에 실제로 사용하기에 적합한, 높은 사용 적합성을 가진다.
이상에서 설명한 실시예들에 따른 X-RAY 영상 판독 지원 시스템(1000) 및 방법에 의한 동작은 적어도 부분적으로 컴퓨터 프로그램으로 구현되어, 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 예를 들어, 프로그램 코드를 포함하는 컴퓨터-판독가능 매체로 구성되는 프로그램 제품과 함께 구현되고, 이는 기술된 임의의 또는 모든 단계, 동작, 또는 과정을 수행하기 위한 프로세서에 의해 실행될 수 있다.
상기 컴퓨터는 데스크탑 컴퓨터, 랩탑 컴퓨터, 노트북, 스마트 폰, 또는 이와 유사한 것과 같은 컴퓨팅 장치일 수도 있고 통합될 수도 있는 임의의 장치일 수 있다. 컴퓨터는 하나 이상의 대체적이고 특별한 목적의 프로세서, 메모리, 저장공간, 및 네트워킹 구성요소(무선 또는 유선 중 어느 하나)를 가지는 장치다. 상기 컴퓨터는 예를 들어, 마이크로소프트의 윈도우와 호환되는 운영 체제, 애플 OS X 또는 iOS, 리눅스 배포판(Linux distribution), 또는 구글의 안드로이드 OS와 같은 운영체제(operating system)를 실행할 수 있다.
상기 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록신원확인 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장신원확인 장치 등을 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 또한, 본 실시예를 구현하기 위한 기능적인 프로그램, 코드 및 코드 세그먼트(segment)들은 본 실시예가 속하는 기술 분야의 통상의 기술자에 의해 용이하게 이해될 수 있을 것이다.
이상에서 살펴본 본 발명은 도면에 도시된 실시예들을 참고로 하여 설명하였으나 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시예의 변형이 가능하다는 점을 이해할 것이다. 그러나, 이와 같은 변형은 본 발명의 기술적 보호범위 내에 있다고 보아야 한다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다.
본 발명의 일 측면에 따른 X-RAY 판독 지원 시스템은 4차 산업 기술 중 하나인 기계학습 기술을 사용해 비 X-RAY 영상 내 객체를 분할하고, 또한 상기 비 X-RAY 영상 내 객체를 X-RAY 촬영기기로 직접 촬영한 실제 X-RAY 영상과 동일 또는 유사한 가상의 X-RAY 영상을 생성할 수 있다. 따라서, 무제한의 물품 범위에 대해서 가상의 X-RAY 영상을 획득할 수도 있고, 나아가 동일한 물품에 대한 다양한 가상의 X-RAY 영상을 획득할 수 있다. 그 결과, 높은 판독 범위를 가져 X-RAY 판독 기술이 사용되는 검사 관련 기술 분야에서 매우 높은 산업상 이용 가능성을 가진다.

Claims (23)

  1. X-RAY 영상 판독 지원 시스템에 있어서,
    판독 대상이 배치된 판독 공간에 X-RAY를 투과 또는 반사시켜 대상 X-RAY 영상을 촬영하는 X-RAY 촬영기기;
    객체에 관한 목록 정보를 수신하는 인터페이스부;
    상기 객체의 비 X-RAY 영상을 획득하는 영상 검색부;
    목록 내 항목 객체의 비 X-RAY 영상을 가상 X-RAY 영상(fake X-RAY image)으로 변환하는 영상 변환부; 및
    입력 영상에서 특징을 추출하는 판독 모델에 상기 대상 X-RAY를 적용하여 추출된, 제1 특징 세트에 기초하여 상기 판독 대상을 식별하는 물품 판별부를 포함하는 X-RAY 영상 판독 지원 시스템.
  2. 제1항에 있어서, 상기 영상 검색부는,
    상기 객체에 관한 목록 정보에 포함된 상기 객체의 식별 정보에 기초하여 해당 객체에 대한 검색 쿼리를 생성하고, 그리고
    상기 검색 쿼리를 웹 서버에 전송하여 검색한 영상을 상기 객체의 비 X-RAY 영상으로 수신하도록 구성된 것을 특징으로 하는 X-RAY 영상 판독 지원 시스템.
  3. 제2항에 있어서, 상기 웹 서버는,
    월드 와이드 웹을 통해 액세스 가능하며, 웹 검색 가능하도록 구성된 서버인 것을 특징으로 하는 X-RAY 영상 판독 지원 시스템.
  4. 제1항에 있어서, 상기 영상 변환부는,
    상기 비 X-RAY 영상의 객체를 세그먼트로 분할하여 상기 비 X-RAY 영상의 분할 정보를 산출하고 - 상기 세그먼트는 상기 객체의 영역 또는 부분의 영역으로 형성되며, 상기 분할 정보는 영상 내 세그먼트의 경계 및 위치 정보 중 하나 이상을 포함함,
    상기 분할 정보에서 상기 객체에 대응한 세그먼트의 외곽선 영역을 산출하며,
    임의의 X-RAY 영상에서 텍스처 맵을 산출하고,
    상기 분할 정보와 텍스처 맵을 영상 변환 모델에 적용하도록 구성되는 것을 특징으로 하는 X-RAY 영상 판독 지원 시스템.
  5. 제4항에 있어서, 상기 영상 변환 모델은,
    상기 X-RAY 촬영기기가 상기 분할 정보의 객체를 촬영 대상으로 상기 임의의 X-RAY 영상의 배경에서 촬영한 실제 X-RAY 영상과 동일 또는 유사한 가상 X-RAY 영상을 출력하도록 미리 학습된 것을 특징으로 하는 X-RAY 영상 판독 지원 시스템.
  6. 제4항에 있어서, 상기 영상 변환부는,
    상기 임의의 X-RAY 영상 내 객체가 포함된 경우, 상기 임의의 X-RAY 영상을 분할하여 상기 임의의 X-RAY 영상 내 객체의 외곽선 영역을 산출하고,
    상기 텍스처 정보에서 상기 임의의 X-RAY 영상 내 객체의 외곽선 영역을 제거하여 텍스처 맵을 산출하도록 더 구성된 것을 특징으로 하는 X-RAY 영상 판독 지원 시스템.
  7. 제4항에 있어서, 상기 영상 변환부는,
    상기 분할 정보의 세그먼트를 하나 이상의 다른 위치에 임의로 배치하도록 더 구성되고,
    상기 영상 변환 모델에 적용되는 분할 정보는 상기 비 X-RAY 영상에서 원래의 위치에 배치된 세그먼트 및 다른 위치에 임의로 배치된 세그먼트를 포함하는 X-RAY 영상 판독 지원 시스템.
  8. 제7항에 있어서, 상기 영상 변환부는,
    상기 분할 정보의 세그먼트를 객체로 포함하고 상기 텍스처 맵을 배경으로 포함하는 합성 영상을 생성하고,
    상기 합성 영상을 영상 변환 모델에 적용하는 것을 특징으로 하는 X-RAY 영상 판독 지원 시스템.
  9. 제4항에 있어서,
    상기 분할 정보는 상기 검색된, 목록 내 항목 객체의 비 X-RAY 영상을 분할 모델에 적용하여 산출되며,
    상기 분할 모델은 입력되는 영상의 픽셀을 미리 학습된 클래스로 레이블링하도록 구성된 것을 특징으로 하는 X-RAY 영상 판독 지원 시스템.
  10. 제4항에 있어서,
    상기 임의의 X-RAY 영상은 상기 판독 공간의 실제 X-RAY 영상인 것을 특징으로 하는 X-RAY 영상 판독 지원 시스템.
  11. 제4항에 있어서, 상기 영상 변환 모델은,
    데이터를 입력 받은 경우 학습에 사용된 훈련 영상의 데이터 분포와 복원 오차가 최소가 되거나 상기 데이터 분포에 속하게 되는 출력 영상의 데이터를 가상 X-RAY 영상으로 생성하도록 학습된 것을 특징으로 하는 X-RAY 영상 판독 지원 시스템.
  12. 제11항에 있어서, 상기 영상 변환 모델은
    복수의 제1 훈련 샘플을 포함한 제1 훈련 데이터 세트를 통해 학습된 모델로서,
    상기 복수의 제1 훈련 샘플 각각은 제1 훈련 객체의 실제 X-RAY 영상, 상기 제1 훈련 객체의 실제 X-RAY 영상의 분할 정보 및 텍스처 맵을 각각 포함하거나, 또는
    상기 제1 훈련 객체의 실제 X-RAY 영상과 상기 제1 훈련 객체의 실제 X-RAY 영상의 분할 정보 및 텍스처 맵에 기초한 합성 영상을 각각 포함하는 것을 특징으로 하는 X-RAY 영상 판독 지원 시스템.
  13. 제12항에 있어서, 상기 제1 훈련 샘플은,
    상기 제1 훈련 객체의 실제 X-RAY 영상에서 상기 제1 훈련 객체를 세그먼트로 분할하여 분할 정보를 산출하고,
    상기 분할 정보에서 상기 제1 훈련 객체의 외곽선 영역을 산출하며,
    상기 훈련 객체의 실제 X-RAY 영상에서 텍스처 정보를 산출하고,
    상기 텍스처 정보에서 상기 제1 훈련 객체의 외곽선 영역을 제거하여 텍스처 맵을 산출하여,
    생성된 것을 특징으로 하는 X-RAY 영상 판독 지원 시스템.
  14. 제1항에 있어서,
    상기 비 X-RAY 영상은 가시광선으로 촬영된 영상인 것을 특징으로 하는 X-RAY 영상 판독 지원 시스템.
  15. 제1항에 있어서, 상기 판독 모델은,
    입력 영상에서 특징을 추출하는 특징 추출 부분; 및
    추출된 특징에 기초하여 상기 입력 영상의 객체를 훈련 데이터 세트를 이용하여 설정된 클래스로 분류하는 분류 부분을 포함하며,
    상기 판독 모델은,
    복수의 제2 훈련 샘플을 포함한 제2 훈련 데이터 세트(training data set)를 이용하여 학습된 기계 학습 모델로서, 상기 제2 훈련 데이터 세트는 개별 객체로 서브 세트화되고,
    상기 복수의 제2 훈련 샘플 각각은 제2 훈련 객체의 실제 X-RAY 영상 또는 상기 제2 훈련 객체의 가상 X-RAY 영상를 각각 포함하는 것을 특징으로 하는 X-RAY 영상 판독 지원 시스템.
  16. 제15항에 있어서, 상기 물품 판별부는,
    상기 대상 X-RAY 영상으로부터 추출된 제1 특징 세트에 기초하여 상기 판독 대상을 설정된 클래스로 분류할 경우, 분류된 클래스에 대응하는 객체로 상기 판독 대상을 식별하는 X-RAY 영상 판독 지원 시스템.
  17. 제15항에 있어서, 상기 판독 모델에 의해 상기 판독 대상이 식별되지 않는 경우,
    상기 인터페이스부는 상기 판독 대상에 관련된, 하나 이상의 항목 객체를 포함한 목록 정보를 수신하고,
    상기 영상 검색부는 상기 목록 정보에 기초하여, 상기 판독 대상과 관련된 목록 내 항목 객체의 비 X-RAY 영상을 획득하며,
    상기 영상 변환부는 상기 목록 내 항목 객체의 비 X-RAY 영상을 가상 X-RAY 영상으로 변환하고,
    상기 물품 판별부는,
    상기 목록 내 항목 객체의 가상 X-RAY 영상을 상기 특징 추출 부분에 적용하여 상기 목록 내 항목 객체의 가상 X-RAY 영상으로부터 제2 특징 세트를 추출하며,
    추출된 제1 및 제2 특징 세트에 기초하여 상기 대상 X-RAY 영상에 표현된 상기 판독 대상이 상기 목록 내 항목 객체와 매칭하는 것으로 결정되면 상기 목록 내 항목 객체로 상기 판독 대상을 식별하도록 더 구성되는 것을 특징으로 하는 X-RAY 영상 판독 지원 시스템.
  18. 프로세서에 의해 수행되는, X-RAY 영상 판독 지원 방법에 있어서,
    판독 대상이 배치된 판독 공간에 X-RAY를 투과 또는 반사시켜 촬영한 대상 X-RAY 영상을 획득하는 단계;
    입력 영상에서 특징을 추출하는 판독 모델에 상기 대상 X-RAY 영상을 적용하는 단계; 및
    상기 대상 X-RAY 영상으로부터 추출된 제1 특징세트에 기초하여 상기 판독 대상을 설정된 클래스로 분류할 경우, 분류된 클래스에 대응하는 객체로 상기 판독 대상을 식별하는 단계를 포함하고,
    상기 판독 모델은 입력 영상에서 특징을 추출하는 부분과 추출된 특징에 기초하여 상기 입력 영상의 객체를 복수의 훈련 샘플을 이용하여 설정된 클래스로 분류하는 부분을 포함하며,
    상기 판독 모델은 복수의 제1 훈련 샘플을 이용하여 학습된 기계 학습 모델로서, 상기 복수의 제1 훈련 샘플은 개별 객체로 서브 세트화되고, 상기 복수의 제1 훈련 샘플 각각은 제1 훈련 객체의 실제 X-RAY 영상 또는 상기 제1 훈련 객체의 가상 X-RAY 영상를 각각 포함하는 것을 특징으로 하는 X-RAY 영상 판독 지원 방법.
  19. 제18항에 있어서, 상기 가상 X-RAY 영상은,
    상기 제1 훈련 객체의 비 X-RAY 영상에서 상기 제1 훈련 객체를 세그먼트로 분할하여 분할 정보를 산출하고 - 상기 세그먼트는 상기 제1 훈련 객체의 영역 또는 일부의 영역으로 형성되며, 상기 분할 정보는 영상 내 세그먼트의 경계 및 위치 정보 중 하나 이상을 포함함,
    상기 분할 정보에서 상기 제1 훈련 객체의 외곽선 영역을 산출하며,
    임의의 X-RAY 영상으로부터 텍스처 맵을 산출하고,
    상기 제1 훈련 객체의 분할 정보와 상기 임의의 X-RAY 영상의 텍스처 맵을 영상 변환 모델에 적용하여,
    생성된 것을 특징으로 하는 X-RAY 영상 판독 지원 방법.
  20. 제19항에 있어서, 상기 영상 변환 모델은,
    X-RAY 촬영기기가 상기 분할 정보의 객체를 촬영 대상으로 상기 임의의 X-RAY 영상의 배경에서 촬영한 실제 X-RAY 영상과 동일 또는 유사한 가상 X-RAY 영상을 출력하도록 미리 학습된 것을 특징으로 하는 X-RAY 영상 판독 지원 방법.
  21. 제18항에 있어서,
    상기 판독 대상에 관련된, 하나 이상의 객체 항목을 포함한 목록 정보를 수신하는 단계;
    상기 목록 정보에 기초하여, 상기 판독 대상과 관련된 목록 내 항목 객체의 비 X-RAY 영상을 획득하는 단계;
    상기 목록 내 항목 객체의 비 X-RAY 영상을 가상 X-RAY 영상(fake X-RAY image)으로 변환하는 단계; 및
    상기 판독 대상이 클래스로 식별되지 않는 경우, 상기 목록 내 항목 객체의 가상 X-RAY 영상으로부터 제2 특징세트를 추출하고,
    추출된 제1 및 제2 특징세트에 기초하여 상기 대상 X-RAY 영상에 표현된 상기 판독 대상이 상기 목록 내 항목 객체와 매칭하는 것으로 결정되면 상기 목록 내 항목 객체로 상기 판독 대상을 식별하도록 더 구성되는 것을 특징으로 하는 X-RAY 영상 판독 지원 방법.
  22. 제21항에 있어서, 상기 판독 모델은,
    복수의 제2 훈련 샘플을 포함한 제2 훈련 데이터 세트(training data set)를 이용하여 학습된 기계 학습 모델로서, 상기 제2 훈련 데이터 세트는 개별 객체로 서브 세트화되고,
    상기 복수의 제2 훈련 샘플 각각은 제2 훈련 객체의 실제 X-RAY 영상 또는 상기 제2 훈련 객체의 가상 X-RAY 영상를 각각 포함하는 것을 특징으로 하는 X-RAY 영상 판독 지원 방법.
  23. 컴퓨팅 장치에 의해 판독가능하고, 상기 컴퓨팅 장치에 의해 동작 가능한 프로그램 명령어를 저장하는 컴퓨터 판독가능 기록매체로서, 상기 프로그램 명령어가 상기 컴퓨팅 장치의 프로세서에 의해 실행되는 경우 상기 프로세서가 제18항 내지 제22항 중 어느 하나의 항에 따른 X-RAY 영상 판독 지원 방법을 수행하게 하는 컴퓨터 판독가능 기록매체.
KR1020200095158A 2020-07-30 2020-07-30 사용자의 x-ray 영상 판독을 지원하는 시스템 및 방법 KR102378742B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200095158A KR102378742B1 (ko) 2020-07-30 2020-07-30 사용자의 x-ray 영상 판독을 지원하는 시스템 및 방법
US17/104,404 US11676407B2 (en) 2020-07-30 2020-11-25 System and method for supporting user to read X-RAY image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200095158A KR102378742B1 (ko) 2020-07-30 2020-07-30 사용자의 x-ray 영상 판독을 지원하는 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20220015093A true KR20220015093A (ko) 2022-02-08
KR102378742B1 KR102378742B1 (ko) 2022-03-28

Family

ID=80004474

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200095158A KR102378742B1 (ko) 2020-07-30 2020-07-30 사용자의 x-ray 영상 판독을 지원하는 시스템 및 방법

Country Status (2)

Country Link
US (1) US11676407B2 (ko)
KR (1) KR102378742B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007524438A (ja) * 2003-03-25 2007-08-30 イメージング セラピューティクス，インコーポレーテッド 放射線画像処理技術における補償の方法
JP2017531228A (ja) * 2014-08-08 2017-10-19 ケアストリーム ヘルス インク ボリューム画像への顔テクスチャのマッピング
KR101890538B1 (ko) * 2017-12-29 2018-08-30 (주)제이엘케이인스펙션 영상 변환 방법 및 장치
KR101917000B1 (ko) 2015-11-18 2018-11-08 눅테크 컴퍼니 리미티드 화물을 검사하는 방법 및 그 시스템
KR101969022B1 (ko) * 2017-12-29 2019-04-15 (주)제이엘케이인스펙션 영상 분석 장치 및 방법

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101973221B1 (ko) 2011-09-07 2019-04-26 라피스캔 시스템스, 인코포레이티드 적하목록 데이터를 이미징/검출 프로세싱에 통합시키는 x-선 검사시스템
CN104751163B (zh) 2013-12-27 2018-06-19 同方威视技术股份有限公司 对货物进行自动分类识别的透视检查系统和方法
GB201421837D0 (en) * 2014-12-09 2015-01-21 Reishig Peter A method of generating a fingerprint for a gemstone using X-ray imaging
US10558783B2 (en) * 2015-10-30 2020-02-11 Medstreaming, Inc. Image data ingestion application of a medical imaging data processing and retrieval system
GB2595986A (en) * 2016-02-22 2021-12-15 Rapiscan Systems Inc Systems and methods for detecting threats and contraband in cargo
KR20180114232A (ko) * 2016-03-08 2018-10-17 난트 홀딩스 아이피, 엘엘씨 이미지 기반의 오브젝트 인식을 위한 이미지 피쳐 조합
KR101778503B1 (ko) 2016-03-25 2017-09-14 한국해양과학기술원 화물 검사 정보 제공 방법, 이를 수행하는 화물 검사 정보 제공 장치 및 이를 저장한 기록매체
CA3064559A1 (en) * 2017-05-22 2018-11-29 L3 Security & Detection Systems, Inc. Systems and methods for image processing
US10210631B1 (en) 2017-08-18 2019-02-19 Synapse Technology Corporation Generating synthetic image data
US10540578B2 (en) * 2017-12-21 2020-01-21 International Business Machines Corporation Adapting a generative adversarial network to new data sources for image classification
US11132792B2 (en) * 2018-02-22 2021-09-28 Siemens Healthcare Gmbh Cross domain medical image segmentation
US11475684B1 (en) * 2020-03-25 2022-10-18 Amazon Technologies, Inc. Methods and systems for performing noise-resistant computer vision techniques

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007524438A (ja) * 2003-03-25 2007-08-30 イメージング セラピューティクス，インコーポレーテッド 放射線画像処理技術における補償の方法
JP2017531228A (ja) * 2014-08-08 2017-10-19 ケアストリーム ヘルス インク ボリューム画像への顔テクスチャのマッピング
KR101917000B1 (ko) 2015-11-18 2018-11-08 눅테크 컴퍼니 리미티드 화물을 검사하는 방법 및 그 시스템
KR101890538B1 (ko) * 2017-12-29 2018-08-30 (주)제이엘케이인스펙션 영상 변환 방법 및 장치
KR101969022B1 (ko) * 2017-12-29 2019-04-15 (주)제이엘케이인스펙션 영상 분석 장치 및 방법

Also Published As

Publication number Publication date
US11676407B2 (en) 2023-06-13
US20220036066A1 (en) 2022-02-03
KR102378742B1 (ko) 2022-03-28

Similar Documents

Publication Publication Date Title
US20200051017A1 (en) Systems and methods for image processing
AU2019345266B2 (en) Ventral-dorsal neural networks: object detection via selective attention
Nordeng et al. DEBC detection with deep learning
CN112633297A (zh) 目标对象的识别方法、装置、存储介质以及电子装置
US20210042561A1 (en) X-ray image processing system and method, and program therefor
US20130259371A1 (en) Appearance and Context Based Object Classification in Images
US11151370B2 (en) Text wrap detection
CN111124863A (zh) 智能设备性能测试方法、装置及智能设备
US10997407B2 (en) Detecting document objects
Seyfi et al. A literature review on deep learning algorithms for analysis of X-ray images
KR102378742B1 (ko) 사용자의 x-ray 영상 판독을 지원하는 시스템 및 방법
KR102158967B1 (ko) 영상 분석 장치, 영상 분석 방법 및 기록 매체
CN110705590B (zh) 通过计算机执行的、用于识别车辆部件的方法及装置
US20210166028A1 (en) Automated product recognition, analysis and management
US11734831B2 (en) Method for supporting X-RAY image reading using image transform model and system performing the same
CN114445363A (zh) 基于多模态数据注意力模型实现危险品识别的系统、方法、装置、处理器及其存储介质
US11494377B2 (en) Multi-detector probabilistic reasoning for natural language queries
JP7095574B2 (ja) 画像処理プログラム、画像処理方法、および画像処理装置
CN113312970A (zh) 目标物体识别方法、装置、计算机设备和存储介质
US20240101149A1 (en) Apparatus and method of automatically detecting dynamic object recognition errors in autonomous vehicles
JP2020087037A (ja) 識別装置および識別方法
Schwegmann et al. Transfer learning for multi-frequency synthetic aperture radar applications
US20240046512A1 (en) Inference device, inference method, and non-transitory computer-readable medium
Sriram et al. A Traffic Road Sign Recognition System using Raspberry pi with Open CV Libraries Based On Embedded Technologies
Shen et al. Cargo segmentation in stream of commerce (SoC) x-ray images with deep learning algorithms

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant