KR20220111428A

KR20220111428A - 디지털 이미지 기반 암반평점값 산출 방법 및 장치

Info

Publication number: KR20220111428A
Application number: KR1020210014659A
Authority: KR
Inventors: 김광염
Original assignee: 한국해양대학교 산학협력단
Priority date: 2021-02-02
Filing date: 2021-02-02
Publication date: 2022-08-09
Also published as: KR102535780B1

Abstract

본 발명은 디지털 이미지 기반 암반평점값 산출 방법 및 장치에 관한 것으로, 본 발명의 일면에 따른 디지털 이미지 기반 암반평점값 산출 방법은 암반면 이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분하기 위해 미리 정해진 제1 학습 모델을 학습시키는 단계, 평가대상 암반면을 촬영함에 따라 생성되는 평가대상이미지를 입력받는 단계, 제1 학습 모델에 평가대상이미지를 적용하여 평가대상이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분함에 따른 불연속면 표시 이미지를 생성하는 단계, 불연속면 표시 이미지에서 불연속면에 대응되는 픽셀들의 조합들을 검출함에 따라 불연속면 표시 이미지에 속하는 적어도 하나의 불연속면 객체를 인식하는 단계, 인식된 불연속면 객체의 개수를 불연속면 객체들의 길이로 나눔에 따른 빈도값에 기초하여 암질지수값을 산출하는 단계, 암질지수값에 따라 선택되는 암질평점값에 기초하여 평가대상 암반면에 대한 암반평점값을 산출하는 단계를 포함한다.

Description

디지털 이미지 기반 암반평점값 산출 방법 및 장치{METHOD AND APPARATUS FOR CALCULATING A RATING VALUE OF BEDROCK BASED ON DIGITAL IMAGES}

본 발명은 디지털 이미지 기반 암반평점값 산출 방법 및 장치에 관한 것으로, 더욱 상세하게는 암반면에 대한 이미지를 입력받아 암반면의 평가를 위한 암반평점값을 산출할 수 있는 디지털 이미지 기반 암반평점값 산출 방법 및 장치에 관한 것이다.

산림청에 따르면 한국의 산지면적은 전체 국토의 63%로, 국토의 반 이상이 산으로 둘러싸여 있다.이에 따라 빠른 이동을 위한 터널, 도로 개발이 지속적으로 이뤄지고 있다. 또한 경사지에서의 주택, 아파트, 태양광과 같은 발전 설비 건축도 계속 진행되고 있어, 개발 전후의 안전 확보를 위한 암반면 평가 기술의 중요성이 커지고 있다.

암반면(또는 암반사면)은 주요구성물질이 암반으로 구성된 사면을 지칭하며, 파괴형태가 다양하고 복잡하다. 암반면에는 불연속면이 존재하게 되는데, 이러한 불연속면들은 암반면의 안전성에 큰 영향을 끼친다.

이에 암반면의 이미지 분석 또는 3차원 데이터 분석을 통해 암반면을 평가하기 위한 기술들이 제시되고 있다. 이러한 종래의 기술들은 암반면의 형태를 기반으로 암반면을 평가하는 것으로 강도, 밀도와 같은암반면의 다른 속성을 반영한 암반면 평가 기술을 제공하지 못한다는 문제가 있었다.

또한, 미리 저장된 영향인자들과 각 영향인자에 대해 부여된 가중치를 적용하여 지반조건에 따라 지반의 위험을 분류하는 기술이 제시되고 있으나, 이러한 종래의 기술은 영향인자를 기입받는 것을 개시하고 있을 뿐 영향인자를 산출하기 위한 구성은 제시하지 못한다는 한계가 있었다.

즉, 위험 분류의 기준이 되는 점수 산출에 적용되는 영향인자들은 모두 외부로부터 기입되는 것으로, 지반의 위험을 평가하기 위해 평가 대상 지반에 대한 영향인자들을 매번 별도로 조사하고 기입해야 하므로, 사전 준비 과정이 번거롭다는 문제가 있었다.

대한민국 특허출원번호 제10-2018-0044790호 대한민국 특허출원번호 제10-2019-0005692호

본 발명의 목적은 상기 문제점을 해결하기 위한 것으로, 암반면에 대한 디지털 이미지를 이용하여 암반면에 포함된 불연속면을 검출하고, 검출한 불연속면에 기초하여 암반면 평가를 위한 암반평점값을 산출할 수 있는 디지털 이미지 기반 암반평점값 산출 방법 및 장치를 제공하는 것이다.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.

전술한 목적을 달성하기 위한 본 발명의 일면에 따른 디지털 이미지 기반 암반평점값 산출 방법은 암반면 이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분하기 위해 미리 정해진 제1 학습 모델에 복수 개의 암반면들을 촬영함에 따라 생성되는 복수 개의 암반면 이미지와 복수 개의 암반면 이미지 각각에 속하는 불연속면들을 배경과 구분함에 따른 라벨링 이미지들을 입력하여, 제1 학습 모델을 학습시키는 단계, 평가대상 암반면을 촬영함에 따라 생성되는 평가대상이미지를 입력받는 단계, 제1 학습 모델에 평가대상이미지를 적용함에 따라, 평가대상이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분함에 따른 불연속면 표시 이미지를 생성하는 단계, 불연속면 표시 이미지에서 불연속면에 대응되는 픽셀들의 조합들을 검출함에 따라 불연속면 표시 이미지에 속하는 적어도 하나의 불연속면 객체를 인식하는 단계, 인식된 불연속면 객체의 개수를 불연속면 객체들의 길이로 나눔에 따른 빈도값에 기초하여 암질지수값을 산출하는 단계, 암질지수값에 따라 선택되는 암질평점값에 기초하여 평가대상 암반면에 대한 암반평점값을 산출하는 단계를 포함한다.

본 발명의 다른 면에 따른 디지털 이미지 기반 암반평점값 산출 장치는 암반면 이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분하기 위해 미리 정해진 제1 학습 모델에 복수 개의 암반면들을 촬영함에 따라 생성되는 복수 개의 암반면 이미지와 복수 개의 암반면 이미지 각각에 속하는 불연속면들을 배경과 구분함에 따른 라벨링 이미지들을 입력하여, 제1 학습 모델을 학습시키는 제1 학습부, 평가대상 암반면을 촬영함에 따라 생성되는 평가대상이미지를 입력받는 평가대상이미지 입력부, 제1 학습 모델에 평가대상이미지를 적용함에 따라, 평가대상이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분함에 따른 불연속면 표시 이미지를 생성하는 불연속면 표시 이미지 생성부, 불연속면 표시 이미지에서 불연속면에 대응되는 픽셀들의 조합들을 검출함에 따라 불연속면 표시 이미지에 속하는 적어도 하나의 불연속면 객체를 인식하는 불연속면 객체 인식부, 불연속면 객체 인식부에서 인식한 불연속면 객체의 개수를 불연속면 객체들의 길이로 나눔에 따른 빈도값에 기초하여 암질지수값을 산출하는 암질지수값 산출부 및 암질지수값에 따라 기설정된 복수 개의 암질평점값 중 어느 하나의 암질평점값을 선택하고, 선택한 암질평점값에 기초하여 평가대상 암반면에 대한 암반평점값을 산출하는 암반평점값 산출부를 포함한다.

본 발명에 따르면 암반면에 대한 디지털 이미지를 이용하여 암반면에 포함된 불연속면을 검출하고, 검출한 불연속면에 기초하여 암반면 평가를 위한 암반평점값을 산출할 수 있는 디지털 이미지 기반 암반평점값 산출 방법 및 장치를 제공하는 효과가 있다.

본 발명의 효과는 상기에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일실시예에 따른 디지털 이미지 기반 암반평점값 산출 장치의 블록도이다.
도 2는 본 발명의 다른 실시예에 따른 디지털 이미지 기반 암반평점값 산출 방법의 순서도이다.
도 3은 본 발명의 또 다른 실시예에 따른 디지털 이미지 기반 암반평점값 산출 방법의 순서도이다.
도 4는 본 발명의 또 다른 실시예에 따른 디지털 이미지 기반 암반평점값 산출 방법의 순서도이다.
도 5는 본 발명의 실시예들에 있어서 암질지수값 산출을 설명하기 위한 예시도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것으로서, 본 발명은 청구항의 기재에 의해 정의될 뿐이다. 한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며, 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.

도 1은 본 발명의 일실시예에 따른 디지털 이미지 기반 암반평점값 산출 장치의 블록도이고, 도 2는 본 발명의 다른 실시예에 따른 디지털 이미지 기반 암반평점값 산출 방법의 순서도이며, 도 3은 본 발명의 또 다른 실시예에 따른 디지털 이미지 기반 암반평점값 산출 방법의 순서도이고, 도 4는 본 발명의 또 다른 실시예에 따른 디지털 이미지 기반 암반평점값 산출 방법의 순서도이다.

본 발명의 실시예들에 따른 디지털 이미지 기반 암반평점값 산출 방법은 본 발명의 일 실시예에 따른 디지털 이미지 기반 암반평점값 산출 장치(10)에 의해 수행될 수 있다.

이하 설명의 편의를 위하여 도 1 내지 도 4에 있어서, 기능적으로 일치되는 기능부들의 도면 부호를 일치시켜 설명하고 중복하여 설명하지 않도록 한다.

본 발명의 실시예들에 따른 디지털 이미지 기반 암반평점값 산출 장치(10)는 제1 암반면 이미지 입력부(101), 라벨링 이미지 입력부(103), 제1 학습부(110), 평가대상이미지 입력부(105), 불연속면 표시 이미지 생성부(120), 불연속면 객체 인식부(130), 암질지수값 산출부(140), 간격값 산출부(150), 제2 암반면 이미지 입력부(161), 일축 압축 강도값 입력부(163), 제2 학습부(170), 강도값 출력부(180), 암반평점값 출력부(200)를 포함하는 것일 수 있다.

제1 암반면 이미지 입력부(101)는 복수 개의 암반면들을 촬영함에 따라 생성되는 복수 개의 암반면 이미지를 외부로부터 입력받는 것일 수 있다(S101).

라벨링 이미지 입력부(103)는 제1 암반면 이미지 입력부(101)에서 입력된 복수 개의 암반면 이미지 각각에 속하는 불연속면들을 배경과 구분함에 따라 생성되는 복수 개의 라벨링 이미지를 외부로부터 입력받는 것일 수 있다(S101).

제1 학습부(110)는 암반면 이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분하기 위해 미리 정해진 제1 학습 모델에 제1 암반면 이미지 입력부(101)에서 입력된 복수 개의 암반면 이미지와, 복수 개의 암반면 이미지 각각에 대해 라벨링 이미지 입력부(103)에서 입력되는 복수 개의 라벨링 이미지를 입력하여 제1 학습 모델을 학습시키는 것일 수 있다(S103).

여기서 제1 학습 모델은 R-CNN 신경망 또는 의미적 분할(Semantic segmentation) 신경망일 수 있다.

제1 학습부(110)는 복수 개의 콘볼루션 연산층과 완전 연결층을 구비하는 제1 학습 모델에 제1 암반면 이미지 입력부(101)를 통해 입력되는 복수 개의 암반면 이미지와, 복수 개의 암반면 이미지에 대한 지도학습값으로 라벨링 이미지 입력부(103)로부터 입력되는 복수 개의 라벨링 이미지를 입력하여, 제1 학습 모델의 기설정된 신경망 구조의 파라미터들이 정리되도록 함에 따라 제1 학습 모델을 학습시키는 것일 수 있다(S103).

제1 학습 모델은 암반면 이미지에서 주변 픽셀들간의 차이에 기초하여 불연속면에 대응되는 영역을 추정함에 따라 결과이미지를 생성하고 결과이미지와 암반면 이미지에 대한 라벨링 이미지를 비교하여 미리 정해진 신경망 구조의 파라미터들을 조정함으로써 학습되는 것일 수 있다.

평가대상이미지 입력부(105)는 외부로부터 평가대상 암반면을 촬영함에 따라 생성되는 평가대상이미지를 입력받는 것일 수 있다(S105).

불연속면 표시 이미지 생성부(120)는 제1 학습부(110)에서 미리 학습된 제1 학습 모델에 평가대상이미지 입력부(105)에서 입력받은 평가대상이미지를 적용함에 따라, 평가대상이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분함에 따른 불연속면 표시 이미지를 생성하는 것일 수 있다(S107).

불연속면 표시 이미지 생성부(120)는 제1 학습부(110)에서 미리 학습된 제1 학습 모델의 완전 연결층에 연결되고 평가대상이미지 입력부(105)로부터 입력되는 평가대상이미지를 제2 학습 모델의 완전 연결층에 입력함에 따라 평가대상이미지에 있어서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분함에 따른 불연속면 표시 이미지를 생성하여 출력하는 것일 수 있다(S107).

불연속면 객체 인식부(130)는 불연속면 표시 이미지 생성부(120)에서 생성한 불연속면 표시 이미지에서 불연속면에 대응되는 픽셀들의 조합들을 검출함에 따라 상기 불연속면 표시 이미지에 속하는 적어도 하나의 불연속면 객체를 인식하는 것일 수 있다(S109).

불연속면 객체 인식부(130)는 불연속면 표시 이미지 생성부(120)에서 생성된 불연속면 표시 이미지에서 불연속면에 대응되는 픽셀들의 조합에 따른 적어도 하나의 직선을 검출하고 검출한 직선을 라벨링함에 따라 적어도 하나의 불연속면 객체를 인식하는 것일 수 있다(S109).

불연속면 객체 인식부(130)는 허프(Hough) 변환을 이용하여 불연속면 표시 이미지로부터 불연속면에 대응되는 픽셀들의 조합들에 따른 적어도 하나의 직선을 검출하고 검출한 직선을 라벨링함에 따라 적어도 하나의 불연속면 객체를 인식하는 것일 수 있다(S109).

불연속면 객체 인식부(130)는 불연속면 표시 이미지에서 불연속면에 대응되는 각 픽셀을 기준으로 모든 각도에 대한 서로 다른 기울기값을 가지는 직선들 중 불연속면에 대응되는 픽셀들을 가장 많이 포함하는 기울기값을 가지는 직선을 검출하고, 검출한 직선을 라벨링함에 따라 적어도 하나의 불연속면 객체를 인식하는 것일 수 있다(S109).

암질지수값 산출부(140)는 불연속면 객체 인식부(130)에서 인식한 불연속면 객체의 개수를 불연속면 객체들의 길이로 나눔에 따른 빈도값에 기초하여 암질지수값을 산출하는 것일 수 있다(S201, S211).

암질지수값 산출부(140)는 불연속면 객체 인식부(130)에서 인식한 불연속면 객체들 중 서로 인접한 불연속면 객체를 그룹화함에 따라 적어도 하나의 그룹을 생성하고, 각 그룹에 속하는 불연속면 객체의 개수를 각 그룹에 속하는 불연속면 객체들의 길이로 나눔에 따라 그룹별 빈도값을 산출하며, 그룹변 빈도값을 합산한 값에 기초하여 암질지수값을 산출하는 것일 수 있다(S201, S211)

여기서, 서로 인접한 불연속면 객체란 불연속면 조사를 위한 임의의 스캔라인(scane line)을 형성하였을 때, 동일한 스캔라인 상에 위치하는 불연속면 객체를 의미하는 것일 수 있다.

도 5는 본 발명의 실시예들에 있어서 암질지수값 산출을 설명하기 위한 예시도로, 도 5를 참조하면, 암질지수값 산출부(140)는 불연속면 객체 인식부(130)에서 인식된 불연속면 객체들(701, 702, 703, 704, 705, 706, 711, 712, 713, 714) 중 서로 인접한 불연속면 객체들을 그룹화하는 것일 수 있다.

예를 들어 701, 702, 703, 704, 705, 706을 제 1그룹으로 711, 712, 713, 714를 제2 그룹으로 그룹화하는 것일 수 있다.

이후, 암질지수값 산출부(140)는 각 그룹에 속하는 불연속면 객체의 개수(예를 들어 제1 그룹은 6개, 제2 그룹은 4개)를 각 그룹에 속하는 불연속면 객체들의 길이(l₁, l₂)로 나눔에 따른 그룹별 빈도값(6/l₁, 4/l₂)을 합산한 값에 기초하여 평가대상이미지에 대한 암질지수값을 산출하는 것일 수 있다(S201, S211).

암질지수값 산출부(140)는 그룹별 빈도값을 합산한 값을 기설정된 수학식에 반영함에 따라 암질지수값을 산출하는 것일 수 있다(S201, S211).

암질지수값 산출부(140)은 아래의 수학식 1을 이용하여 암질지수값(Rock Quality Designation, RQD)을 산출하는 것일 수 있다(S201, S211).

여기서

는 불연속면 표시 이미지에 대해 불연속면 객체 인식부(130)에서 인식한 적어도 하나의 불연속면 객체들로부터 산출한 빈도값을 합산한 값으로 아래의 수학식 2와 같다.

여기서 n은 그룹화된 그룹의 수를 의미하고, N₁, …, N_n은 각 그룹에 속하는 불연속면 객체의 개수를 의미하며, l₁, …, l_n은 각 그룹에 속하는 불연속면 객체들의 길이를 의미하고, λ₁, …, λ_n은 그룹별 빈도값을 의미한다.

간격값 산출부(150)는 불연속면 객체 인식부(130)에서 인식한 적어도 하나의 불연속면 객체 간의 간격에 기설정된 배율을 적용함에 따라 간격값을 산출하는 것일 수 있다(S211).

여기서 배율은 평가대상 암반면에 대한 평가대상이미지에서 불연속면 객체 간의 간격으로부터 실제 평가대상 암반면에서의 간격을 산출하기 위해 사용자의 입력에 따라 미리 설정되는 것일 수 있다.

제2 암반면 이미지 입력부(161)는 암반면에서 미리 정해진 강도 측정 대상 영역 각각을 촬영함에 따라 생성되는 각 강도 측정 대상 영역에 대한 이미지를 외부로부터 입력받는 것일 수 있다.

일축 압축 강도값 입력부(163)는 암반면에서 미리 정해진 강도 측정 대상 영역 각각에 대한 일축 압축 강도값을 외부로부터 입력받는 것일 수 있다.

제2 학습부(170)는 제2 암반면 이미지 입력부(161)에서 입력되는 암반면의 강도 측정 대상 영역 각각에 대한 이미지와 지도학습값으로 일축 압축 강도값 입력부(163)에서 입력되는 암반면의 강도 측정 대상 영역 각각에 대한 일축 압축 강도값을 미리 정해진 제2 학습 모델에 입력하여, 암반면에 대한 이미지를 입력받아 암반면에 대한 강도값을 출력가능하도록 제2 학습 모델을 미리 학습시키는 것일 수 있다.

제2 학습부(170)는 복수 개의 콘볼루션 연산층과 완전 연결층을 구비한 제2 학습 모델 제2 암반면 이미지 입력부(161)에서 입력되는 암반면의 강도 측정 대상 영역 각각에 대한 이미지와 지도학습값으로 일축 압축 강도값 입력부(163)에서 입력되는 암반면의 강도 측정 대상 영역 각각에 대한 일축 압축 강도값을 입력하여, 제2 학습 모델의 기설정된 신경망 구조의 파라미터들이 정리되도록함에 따라 제2 학습 모델을 미리 학습시키는 것일 수 있다.

강도값 출력부(180)는 암반면에 대한 이미지를 입력받아 암반면에 대한 강도값을 출력가능하도록 미리 학습된 제2 학습 모델에 평가대상이미지입력부(105)에서 입력되는 평가대상이미지를 적용하여 평가대상 암반면에 대한 강도값을 출력하는 것일 수 있다(S223).

암반평점값 출력부(200)는 암질지수값 산출부(140)에서 산출한 암질지수값에 따라 기설정된 복수 개의 암질평점값 중 어느 하나의 암질평점값을 선택하고, 선택한 상기 암질평점값에 기초하여 평가대상 암반면에 대한 암반평점값을 산출하는 것일 수 있다(S205, S215, S225).

아래의 표 1은 복수 개의 암질지수값(RQD)에 대응되는 복수 개의 암질평점값들을 예시로 나타낸 것이다.

RQD(%)	90이상	75이상 90미만	50이상 75미만	25 이상 50 미만	25미만
암질평점값	20	17	13	8	3

암반평점값 출력부(200)는 암질지수값 산출부(140)에서 산출한 암질지수값에 따라 기설정된 복수 개의 암질평점값 중 어느 하나의 암질평점값을 선택하고 선택한 암질평점값과 기설정된 초기값(예를 들어 0)을 합함에 따라 평가대상 암반면에 대한 암반평점값을 산출하는 것일 수 있다.

다른 예에서 암반평점값 산출부(200)는 암질지수값 산출부(140)에서 산출한 암질지수값에 따라 기설정된 복수 개의 암질평점값 중 어느 하나의 암질평점값을 선택하고 강도값 출력부(180)에서 출력되는 강도값에 기초하여 기설정된 복수 개의 강도평점값들 중 어느 하나의 강도평점값을 선택하며 선택한 암질평점값과 강도평점값을 합함에 따라 평가대상 암반면에 대한 암반평점값을 산출하는 것일 수 있다

아래의 표 2은 강도값에 따른 복수 개의 강도평점값들을 예시로 나타낸 것으로, 이에 한정되는 것은 아니다.

강도값(Mpa)	10초과	4초과 10이하	2초과 4이하	2이하
강도평점값	15	12	7	4

또 다른 예에서 암반평점값 산출부(200)는 암질지수값 산출부(140)에서 산출한 암질지수값에 따라 기설정된 복수 개의 암질평점값 중 어느 하나의 암질평점값을 선택하고 간격값 산출부(150)에서 산출된 간격값에 기초하여 기설정된 복수 개의 간격평점값 중 어느 하나의 간격평점값을 선택하며 선택한 암질평점값과 간격평점값을 합함에 따라 평가대상 암반면에 대한 암반평점값을 산출하는 것일 수 있다.

아래의 표 3은 복수 개의 간격값에 따른 복수 개의 간격평점값들을 예시로 나타낸 것이다.

간격값(m)	2초과	0.6초과 2이하	0.2초과 0.6이하	0.06이상 0.2이하	0.06 미만
간격평점값	20	15	10	8	5

또 다른 예에서 암반평점값 산출부(200)는 암질지수값 산출부(140)에서 산출한 암질지수값에 따라 기설정된 복수 개의 암질평점값 중 어느 하나의 암질평점값을 선택하고 간격값 산출부(150)에서 산출된 간격값에 기초하여 기설정된 복수 개의 간격평점값 중 어느 하나의 간격평점값을 선택하며 강도값 출력부(180)에서 출력되는 강도값에 기초하여 기설정된 복수 개의 강도평점값들 중 어느 하나의 강도평점값을 선택하고 선택한 암질평점값과 간격평점값과 강도평점값을 합함에 따라 평가대상 암반면에 대한 암반평점값을 산출하는 것일 수 있다.

평가대상 암반면에 대해 암반평점값 산출부(190)에서 출력하는 암반평점값이 클 수록 평가대상 암반면이 안정적임을 의미한다.

본 발명의 실시예들에 따른 디지털 이미지 기반 암반평점값 산출 장치(10)에 있어서 암반평점값 산출부(200)는 불연속면에 대한 평가항목인 암질지수값에 기초하여 암반면의 평가를 위한 암반평점값을 산출할 수 있다.

본 발명에 따르면 평가대상이 되는 암반면의 디지털 이미지를 학습 모델에 적용하여 이미지에 포함된 불연속면들을 자동으로 구분하고 구분된 불연속면들을 이용하여 평가대상면에 대한 암질지수값을 산출할 수 있으며, 산출한 암질지수값에 기초하여 암반면의 평가를 위한 암반평점값을 산출할 수 있다.

또한, 암반면의 강도값에 따른 강도평점값과 암반면의 불연속면에 따른 암질평점값 또는 간격평점값을 합하여 암반평점값을 산출함으로써, 암반면에 형성된 불연속면의 형태와 암반면의 강도를 모두 반영한 암반평점값을 산출할 수 있다.

즉, 본 발명의 실시예들에 따르면 평가대상 암반면의 밀도, 경도, 강도와 같은 영향인자들을 조사하지 않고 평가대상 암반면의 이미지를 이용하여 평가대상 암반면의 강도와 같은 내적요소와 불연속면과 같은 외형에 대한 암반평점값을 산출하여, 암반평점값을 통해 평가대상 암반면에 대한 평가가 가능하도록 한다.

본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구의 범위에 의하여 나타내어지며, 특허청구의 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

10 : 디지털 이미지 기반 암반평점값 산출 장치
101 : 암반면 이미지 입력부
103 : 라벨링 이미지 입력부
105 : 평가대상이미지 입력부
110 : 제1 학습부
120 : 불연속면 표시 이미지 생성부
130 : 불연속면 객체 인식부
140 : 암질지수값 산출부
150 : 간격값 산출부
161 : 제2 암반면 이미지 입력부
163 : 일축 압축 강도값 입력부
170 : 제2 학습부
180 : 강도값 출력부
200 : 암반평점값 산출부

Claims

암반면 이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분하기 위해 미리 정해진 제1 학습 모델에 복수 개의 암반면들을 촬영함에 따라 생성되는 복수 개의 암반면 이미지와 상기 복수 개의 암반면 이미지 각각에 속하는 불연속면들을 배경과 구분함에 따른 라벨링 이미지들을 입력하여, 상기 제1 학습 모델을 학습시키는 단계;
평가대상 암반면을 촬영함에 따라 생성되는 평가대상이미지를 입력받는 단계;
상기 제1 학습 모델에 상기 평가대상이미지를 적용함에 따라, 상기 평가대상이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분함에 따른 불연속면 표시 이미지를 생성하는 단계;
상기 불연속면 표시 이미지에서 불연속면에 대응되는 픽셀들의 조합들을 검출함에 따라 상기 불연속면 표시 이미지에 속하는 적어도 하나의 불연속면 객체를 인식하는 단계;
인식된 불연속면 객체의 개수를 불연속면 객체들의 길이로 나눔에 따른 빈도값에 기초하여 암질지수값을 산출하는 단계;
상기 암질지수값에 따라 선택되는 암질평점값에 기초하여 상기 평가대상 암반면에 대한 암반평점값을 산출하는 단계;를 포함하는 디지털 이미지 기반 암반평점값 산출 방법.
제1항에 있어서,
상기 평가대상이미지에 대한 암질지수값을 산출하는 단계는
상기 적어도 하나의 불연속면 객체 간의 간격에 기설정된 배율을 적용함에 따라 간격값을 더 산출하는 것이고,
상기 암반평점값을 산출하는 단계는
기설정된 복수 개의 암질평점값 중 상기 암질지수값에 따라 선택되는 어느 하나의 암질평점값과 기설정된 복수 개의 간격평점값 중 상기 간격값에 따라 선택되는 어느 하나의 간격평점값을 합함에 따라 상기 평가대상 암반면에 대한 암반평점값을 산출하는 것
인 디지털 이미지 기반 암반평점값 산출 방법.
제1항에 있어서,
상기 암질지수값을 산출하는 단계 이후와 상기 평가대상 암반면에 대한 암반평점값을 산출하는 단계 이전에 있어서,
암반면의 이미지를 입력받아 암반면에 대한 강도값을 출력 가능하도록 미리 학습된 제2 학습 모델에 상기 평가대상이미지를 적용함에 따라 상기 평가 대상 암반면에 대한 강도값을 출력하는 단계;를 더 포함하고
상기 암반평점값을 산출하는 단계는
기설정된 복수 개의 암질평점값 중 상기 암질지수값에 따라 선택되는 어느 하나의 암질평점값과 기설정된 복수 개의 강도평점값 중 상기 강도값에 따라 선택되는 어느 하나의 강도평점값을 합함에 따라 상기 평가대상 암반면에 대한 암반평점값을 산출하는 것
인 디지털 이미지 기반 암반평점값 산출 방법.
제1항에 있어서,
상기 암질지수값을 산출하는 단계는
아래의 수학식에 의해 암질지수값을 산출하는 것
인 디지털 이미지 기반 암반평점값 산출 방법.
[수학식]

여기서,
는 상기 불연속면 표시 이미지에 속하는 적어도 하나의 불연속면 객체로부터 산출된 빈도값을 합산한 값이다.
암반면 이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분하기 위해 미리 정해진 제1 학습 모델에 복수 개의 암반면들을 촬영함에 따라 생성되는 복수 개의 암반면 이미지와 상기 복수 개의 암반면 이미지 각각에 속하는 불연속면들을 배경과 구분함에 따른 라벨링 이미지들을 입력하여, 상기 제1 학습 모델을 학습시키는 제1 학습부;
평가대상 암반면을 촬영함에 따라 생성되는 평가대상이미지를 입력받는 평가대상이미지 입력부;
상기 제1 학습 모델에 상기 평가대상이미지를 적용함에 따라, 상기 평가대상이미지에서 불연속면에 대응되는 픽셀들을 불연속면에 대응되지 않는 픽셀들과 구분함에 따른 불연속면 표시 이미지를 생성하는 불연속면 표시 이미지 생성부;
상기 불연속면 표시 이미지에서 불연속면에 대응되는 픽셀들의 조합들을 검출함에 따라 상기 불연속면 표시 이미지에 속하는 적어도 하나의 불연속면 객체를 인식하는 불연속면 객체 인식부;
상기 불연속면 객체 인식부에서 인식한 불연속면 객체의 개수를 불연속면 객체들의 길이로 나눔에 따른 빈도값에 기초하여 암질지수값을 산출하는 암질지수값 산출부; 및
상기 암질지수값에 따라 기설정된 복수 개의 암질평점값 중 어느 하나의 암질평점값을 선택하고, 선택한 상기 암질평점값에 기초하여 상기 평가대상 암반면에 대한 암반평점값을 산출하는 암반평점값 산출부;를 포함하는 디지털 이미지 기반 암반평점값 산출 장치.
제5항에 있어서,
상기 불연속면 객체 인식부에서 인식한 적어도 하나의 불연속면 객체 간의 간격에 기설정된 배율을 적용함에 따라 간격값을 산출하는 간격값 산출부;를 더 포함하고,
상기 암반평점값 산출부는
상기 간격값에 따라 기설정된 복수 개의 간격평점값 중 어느 하나의 간격평점값을 더 선택하고, 선택한 상기 간격평점값과 상기 암질평점값을 합함에 따라 상기 평가대상 암반면에 대한 암반평점값을 산출하는 것
인 디지털 이미지 기반 암반평점값 산출 장치.
제6항에 있어서,
암반면에서 미리 정해진 강도 측정 대상 영역 각각에 대한 이미지와 일축 압축 강도값을 입력받아, 외부로부터 입력되는 암반면 이미지에 대한 강도값을 출력 가능하도록 미리 학습된 제2 학습 모델에 상기 평가대상이미지를 적용함에 따라 상기 평가 대상 암반면에 대한 강도값을 출력하는 강도값 출력부;를 더 포함하고,
상기 암반평점값 산출부는
상기 강도값에 따라 기설정된 복수 개의 강도평점값들 중 어느 하나의 강도평점값을 더 선택하고, 선택한 상기 강도평점값과 상기 암질평점값을 합함에 따라 상기 평가대상 암반면에 대한 암반평점값을 산출하는 것
인 디지털 이미지 기반 암반평점값 산출 장치.
제5항에 있어서,
상기 암질지수값 산출부는
아래의 수학식에 의해 암질지수값을 산출하는 것
인 디지털 이미지 기반 암반평점값 산출 장치.
[수학식]

여기서,
는 상기 불연속면 표시 이미지에 속하는 적어도 하나의 불연속면 객체로부터 산출된 빈도값을 합산한 값이다.