KR20220135065A

KR20220135065A - 건축물 하자보수 견적 예측 장치 및 방법

Info

Publication number: KR20220135065A
Application number: KR1020210040593A
Authority: KR
Inventors: 최진영; 김현조
Original assignee: 주식회사 율리
Priority date: 2021-03-29
Filing date: 2021-03-29
Publication date: 2022-10-06

Abstract

본 발명의 예측 장치는 드론에 의해 촬영된 건축물의 외벽 이미지를 분석하고, 상기 건축물의 외벽에 발생된 균열을 탐지하는 탐지 유니트; 탐지된 상기 균열을 유지보수하는데 소요되는 비용에 해당하는 견적을 산출하는 견적 유니트;를 포함할 수 있다.

Description

건축물 하자보수 견적 예측 장치 및 방법{Apparatus and method for predicting an estimate of defect repair of a building}

본 발명은 건축물의 하자를 보수하는데 필요한 견적을 예측하는 장치 및 방법에 관한 것이다.

건축물 외관의 경우, 육안으로 상세한 하자를 파악하기에는 한계가 있다.

건축물에 발생된 균열의 정도에 따라 보수 또는 시공에 차이가 있으나, 단순 이미지만으로는 균열의 정도를 파악하기가 곤란하다.

이미지를 통해 파악할 수 있는 정보가 한정적이기 때문에 전문가가 현장을 방문하여 진단하는 절차가 필요하다. 하지만, 전문가의 현장 방문 및 답사는 많은 시간을 소요하는 문제가 있다.

따라서, 현장 관계자는 유지 보수에 필요한 자재 정보를 알더라도, 유지 보수에 필요한 견적가를 가늠할 수 없다.

한국등록특허공보 제1924275호에는 콘크리트 구조물에 설치된 다채널 센서 장치로부터 철근 콘크리트 내 열화 인자의 침투 상태를 모니터링하는 시스템이 나타나 있다.

한국등록특허공보 제1924275호

본 발명은 드론을 이용해서 건축물에 발생된 균열을 모니터링하고, 해당 균열의 유지 보수를 위해 필요한 견적을 예측하는 예측 장치 및 예측 방법을 제공하기 위한 것이다.

본 발명의 일 실시예에 따른 예측 장치는, 드론에 의해 촬영된 건축물의 외벽 이미지를 분석하고, 상기 건축물의 외벽에 발생된 균열을 탐지하는 탐지 유니트; 및 탐지된 상기 균열을 유지보수하는데 소요되는 비용에 해당하는 견적을 산출하는 견적 유니트;를 포함한다.

상기 탐지 유니트는: 드론에 의해 촬영된 건축물의 외벽 이미지를 수집하는 수집부; 상기 외벽 이미지에 포함된 균열 이미지를 탐지하는 탐지부; 및 상기 균열 이미지의 분석을 통해 균열의 물리적 특성이 포함된 균열 정보를 생성하는 분석부;를 포함할 수 있다.

상기 탐지 유니트는: 기계 학습을 통해, 상기 외벽 이미지에 포함된 균열 이미지를 탐지하는 탐지 모델과 상기 균열 이미지를 분석하는 분석 모델 중 적어도 하나를 생성하는 제1 학습부가 마련되고, 상기 탐지부가 상기 외벽 이미지를 입력으로 하는 상기 탐지 모델을 이용하여 상기 균열 이미지를 탐지하거나, 상기 분석부가 상기 균열 이미지를 입력으로 하는 상기 분석 모델을 이용하여 상기 균열의 물리적 특성을 분석할 수 있다.

상기 탐지 유니트는: 기계 학습을 통해, 상기 외벽 이미지에 포함된 페인트와 그림자 중 적어도 하나가 포함된 주변 요소를 탐지하는 제1 탐지 모델과 상기 외벽 이미지에 포함된 균열 이미지를 탐지하는 제2 탐지 모델을 생성하는 제1 학습부가 마련될 수 있다.

상기 탐지부는 상기 외벽 이미지에 포함된 균열 이미지를 탐지하고, 상기 탐지부는 상기 균열 이미지가 탐지되면, 상기 균열 이미지가 페인트의 영역 또는 그림자의 영역인지 재탐지할 수 있다.

상기 탐지부는 상기 외벽 이미지에 포함된 페인트의 영역 또는 그림자의 영역을 탐지하고, 상기 탐지부는 탐지된 상기 페인트의 영역 또는 상기 그림자의 영역을 상기 외벽 이미지에서 배제시키며, 상기 탐지부는 상기 페인트의 영역 또는 상기 그림자의 영역이 배제되고 남은 상기 외벽 이미지의 나머지 영역에서 상기 균열 이미지를 재탐지할 수 있다.

상기 분석부는 상기 균열 이미지의 분석을 통해 상기 균열의 길이와 폭과 면적과 영역 중 적어도 하나가 포함된 상기 균열 정보를 생성하고, 상기 분석부는 표시부를 통해 상기 균열 정보를 출력하거나, 상기 균열의 유지보수 견적을 산출하는 견적 유니트에 상기 균열 정보를 제공할 수 있다.

상기 수집부는 상기 외벽 이미지와 함께 상기 외벽 이미지를 촬영한 상기 드론의 촬영 배율 정보 및 상기 드론과 상기 건축물의 외벽 간의 거리 정보를 추가로 수집하고, 상기 분석부는 상기 촬영 배율 정보 및 상기 거리 정보를 이용하여 상기 균열 이미지를 분석하고, 분석을 통해 상기 균열의 실제 길이, 실제 폭, 실제 면적 및 실제 영역 중 적어도 하나를 도출해서 상기 균열 정보에 포함시킬 수 있다.

상기 분석부는 특정 외벽 이미지를 기초로 특정 균열 정보가 생성되면, 상기 특정 외벽 이미지의 촬영 대상이 된 특정 대상물의 위치 정보 또는 상기 특정 외벽 이미지를 촬영한 시점의 상기 드론의 위치 정보를 상기 특정 균열 정보에 더 포함시킬 수 있다.

상기 견적 유니트는: 건축물의 균열 정보, 건축물 정보, 하자 보수 정보를 획득하는 획득부; 및 상기 균열 정보 및 상기 건축물 정보를 분석해서 상기 건축물의 균열을 유지보수하는데 소요되는 비용에 해당하는 견적을 산출하는 견적부;를 포함할 수 있다.

상기 견적 유니트는: 기계 학습을 통해, 전체 건축물의 면적 대비 균열의 크기 비율, 상기 건축물 정보를 이용해서 상기 견적을 예측하는 견적 모델을 생성하는 제2 학습부가 마련되고, 상기 견적부는 상기 균열 정보 및 상기 건축물 정보를 입력으로 하는 상기 견적 모델을 이용하여 상기 견적을 산출할 수 있다.

상기 견적부는 상기 건축물 정보를 이용해서 건축물 년식, 원자재 중 적어도 하나를 추출하고, 상기 견적부는 상기 건축물 년식과 상기 원자재를 이용해 상기 균열의 유지 보수에 필요한 재료를 추출하며, 상기 견적부는 현재 시점을 기준으로 상기 재료의 호환물을 탐색하고, 현재 시점의 상기 호환물 관련 비용을 상기 견적에 포함시킬 수 있다.

본 발명의 일 실시예에 따른 예측 방법은, 예측 장치에 의해 수행되는 예측 방법에 있어서, 드론에 의해 촬영된 상기 건축물의 외벽 이미지를 수집하고, 상기 건축물의 식별 정보를 입수하는 수집 단계; 상기 외벽 이미지 속 균열을 탐지하고, 상기 드론의 촬영 배율 정보 및 상기 드론과 상기 건축물의 외벽 간의 거리 정보를 이용해서 상기 균열의 실제 크기를 분석하는 탐지 단계; 및

상기 균열의 실제 크기가 포함된 균열 정보, 상기 수집 단계에서 입수된 상기 건축물의 식별 정보를 이용해서 추출한 건축물 정보를 이용해서 상기 균열의 유지보수 견적을 산출하는 견적 단계;를 포함한다.

상기 수집 단계는 상기 균열을 촬영할 당시의 상기 드론의 위치 정보를 추가로 입수하고, 상기 견적 단계는, 상기 위치 정보를 이용해서 상기 균열이 발생된 외벽 위치를 파악하며, 상기 건축물 정보로부터 상기 외벽 위치의 재료를 추출하고, 상기 재료의 호환물의 비용을 산출하며, 산출된 비용을 상기 견적에 포함시킬 수 있다.

본 발명의 일 실시예에 따른 기록 매체는, 컴퓨터로 읽을 수 있는 기록 매체에 있어서, 상기 예측 방법을 컴퓨터로 실행하기 위한 프로그램이 기록된 기록 매체를 포함할 수 있다.

본 발명은 육안으로 파악하기 어려운 균열 이미지, 하자 이미지를 수집할 수 있다.

본 발명은 드론을 통해 취득한 건축물 이미지에 포함된 균열 이미지의 분석을 통해 건축물의 하자 보수에 필요한 견적을 예측할 수 있다. 본 발명의 예측 장치는 건축물 정보, 드론을 통해 취득한 균열 이미지의 분석 결과에 해당하는 하자 정보, 기존 견적 로그 등을 취합하여 하자 보수에 필요한 견적가를 산출할 수 있다.

본 발명에 따르면, 하자 보수의 견적 산출을 위한 하자 정도 파악에 소요되는 인력 및 시간이 개선될 수 있다.

본 발명의 따르면, 기계 학습을 통해 결과가 산출되므로 기간이 경과할수록 균열 이미지를 모니터링하거나 견적을 산출하는 모델의 성능이 개선될 수 있다.

본 발명의 예측 장치 및 예측 방법은 주거용 건물뿐만 아니라 공장이나 각종 시설물에도 적용이 가능하다. 따라서, BTB(Business To Business Integration) 솔루션으로의 서비스 성장 및 확장이 기대된다.

본 발명의 예측 장치는 드론의 구동 주기, 구동 대수의 조정에 따라 건축물에 대한 사전 모니터링 및 하자 발생시 자동 보수 서비스로 연결해주는 형태의 확장도 가능하다.

도 1은 본 발명의 예측 장치를 나타낸 개략도이다.
도 2는 탐지 유니트를 나타낸 블록도이다.
도 3은 외벽 이미지를 나타낸 개략도이다.
도 4는 견적 유니트를 나타낸 블록도이다.
도 5는 본 발명의 예측 방법을 나타낸 흐름도이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

본 명세서에서, 동일한 구성요소에 대해서 중복된 설명은 생략한다.

또한 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

또한, 본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로써, 본 발명을 한정하려는 의도로 사용되는 것이 아니다.

또한 본 명세서에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.

또한 본 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품, 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐, 하나 또는 그 이상의 다른 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 할 것이다.

또한 본 명세서에서, '및/또는' 이라는 용어는 복수의 기재된 항목들의 조합 또는 복수의 기재된 항목들 중의 어느 항목을 포함한다. 본 명세서에서, 'A 또는 B'는, 'A', 'B', 또는 'A와 B 모두'를 포함할 수 있다.

또한 본 명세서에서, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략될 것이다.

도 1은 본 발명의 예측 장치(300)를 나타낸 개략도이다.

도 1에 도시된 예측 장치(300)는 탐지 유니트(100), 견적 유니트(200)를 포함할 수 있다.

탐지 유니트(100)는 드론(10)에 의해 촬영된 건축물(90)의 외벽 이미지를 분석하고, 건축물(90)의 외벽에 발생된 균열을 탐지할 수 있다. 건축물(90)은 건물, 아파트, 빌딩, 탑, 구조물, 공장, 주택, 교량 등을 포함할 수 있다.

드론(10)은 공중을 비행할 수 있으며, 카메라 등을 이용해 건축물(90)의 외벽을 촬영할 수 있다. 드론(10)에는 카메라에서 촬영된 건축물(90)의 외벽 이미지를 저장하는 저장 수단 또는 탐지 유니트(100)에 외벽 이미지를 실시간으로 무선 전송하는 통신 수단이 마련될 수 있다.

외벽 이미지에 담긴 균열 등의 실체 물체가 삐뚤어지지 않도록, 드론(10)은 건축물(90)의 모양 및 형태를 고려하여 건축물(90)의 외벽과 수직인 상태에서 건축물(90)의 외벽을 촬영할 수 있다.

탐지 유니트(100)는 드론(10)의 저장 수단에 저장된 외벽 이미지를 사후적으로 수집하거나, 드론(10)의 통신 수단을 통해 외벽 이미지를 실시간으로 수집할 수 있다.

탐지 유니트(100)는 수집된 외벽 이미지를 분석하고, 건축물(90)의 외벽에 발생된 균열을 나타내는 균열 이미지를 탐지할 수 있다.

견적 유니트(200)는 탐지 유니트(100)에서 탐지된 균열을 유지보수하는데 소용되는 비용에 해당하는 견적을 산출할 수 있다.

예측 장치(300)는 드론(10)에 의해 촬영된 건축물(90)의 외벽 이미지가 입수되면, 자동으로 건축물(90) 외벽의 균열을 탐지하고, 탐지된 균열의 하자 보수 견적을 자동으로 산출할 수 있다.

균열의 자동 탐지는 탐지 유니트(100)에서 담당하고, 견적의 자동 예측 또는 자동 산출은 견적 유니트(200)에서 담당할 수 있다.

도 2는 탐지 유니트(100)를 나타낸 블록도이다. 도 3은 외벽 이미지를 나타낸 개략도이다.

도 2에 도시된 탐지 유니트(100)는 수집부(110), 탐지부(130), 분석부(150), 제1 학습부(190), 표시부(170)를 포함할 수 있다.

수집부(110)는 드론(10)에 의해 촬영된 건축물(90)의 외벽 이미지를 수집할 수 있다.

일 예로, 수집부(110)에는 드론(10)의 저장 수단에 저장된 외벽 이미지를 유무선으로 추출할 수 있는 인터페이스가 마련되거나, 드론(10)의 통신 수단과 무선 통신하는 통신 모듈이 마련될 수 있다.

드론(10)에 설치된 카메라의 특성 한계로 인해, 드론(10)이 촬영할 수 있는 외벽의 면적은 제한될 수 있다. 따라서, 드론(10)은 외벽 전체를 촬영하기 위해, 지속적으로 이동하면서 외벽을 촬영할 수 있다.

일 예로, 드론(10)이 한 번에 촬영할 수 있는 외벽의 크기가 가로 2m, 세로 2m인 경우, 드론(10)은 특정 지점을 촬영한 후, 상하 방향 또는 좌우 방향으로 2m 움직인 후 다음 지점을 촬영할 수 있다.

결국, 목표로 하는 면적의 건축물(90) 외벽을 모두 촬영하기 위해서 드론(10)은 복수의 촬영을 수행하고, 복수의 외벽 이미지를 생성할 수 있다.

수집부(110)는 드론(10)으로부터 복수의 외벽 이미지를 수집할 수 있다.

탐지부(130)는 외벽 이미지에 포함된 균열 이미지 crack을 탐지할 수 있다.

분석부(150)는 탐지된 균열 이미지 crack의 분석을 통해 실제 균열의 물리적 특성이 포함된 균열 정보를 생성할 수 있다.

제1 학습부(190)는 기계 학습을 통해, 외벽 이미지에 포함된 균열 이미지를 탐지하는 탐지 모델과 균열 이미지를 분석하는 분석 모델 중 적어도 하나를 생성할 수 있다.

탐지부(130)는 외벽 이미지를 입력으로 하는 탐지 모델을 이용하여 균열 이미지를 탐지할 수 있다. 또는, 분석부(150)는 균열 이미지를 입력으로 하는 분석 모델을 이용하여 균열의 물리적 특성을 분석할 수 있다.

균열 이미지의 추출 정확도를 개선하기 위해, 제1 학습부(190)는 기계 학습을 통해 제1 탐지 모델과 제2 탐지 모델을 생성할 수 있다.

제1 탐지 모델은 도 3과 같은 외벽 이미지에 포함된 페인트와 그림자 중 적어도 하나가 포함된 주변 요소를 탐지할 수 있다.

제2 탐지 모델은 도 3과 같은 외벽 이미지에 포함된 균열 이미지 crack을 탐지할 수 있다.

제1 학습부(190)에서 생성된 제1 탐지 모델 및 제2 탐지 모델은 탐지부(130)에 탑재된 상태로 구동될 수 있다.

일 예로, 탐지부(130)는 제2 탐지 모델을 이용하여 외벽 이미지에 포함된 균열 이미지를 탐지할 수 있다.

탐지부(130)는 제2 탐지 모델에 의해 균열 이미지가 탐지되면, 해당 균열 이미지가 페인트의 영역 또는 그림자의 영역인지 재탐지할 수 있다.

본 실시예에 따르면 1차 탐지를 통해 균열 이미지로 예측되는 이미지가 탐지되고, 2차 탐지를 통해 해당 이미지 중 그림자 또는 페인트칠로 판별된 이미지가 배제될 수 있다. 2차 탐지를 통해 배제되고 남은 이미지가 최종 균열 이미지에 해당될 수 있다.

다른 예로, 탐지부(130)는 외벽 이미지에 포함된 페인트의 영역 또는 그림자의 영역을 탐지할 수 있다.

탐지부(130)는 탐지된 페인트의 영역 또는 그림자의 영역을 외벽 이미지에서 배제시킬 수 있다.

탐지부(130)는 페인트의 영역 또는 그림자의 영역이 배제되고 남은 외벽 이미지의 나머지 영역에서 균열 이미지를 재탐지할 수 있다.

본 실시예에 따르면 1차 탐지를 통해 균열 이미지로 오인될 소지가 있는 그림자 또는 페인트칠의 영역이 일단 외벽 이미지에서 배제될 수 있다. 2차 탐지를 통해 해당 외벽 이미지에서 그림자와 페인트칠이 배제되고 남은 나머지 영역을 대상으로 균열 이미지의 탐지 작업이 수행될 수 있다.

제1 탐지 모델과 제2 탐지 모델이 함께 이용되면, 균열로 오인식된 그림자 또는 페인트칠 대부분이 배제될 수 있다.

분석부(150)는 균열 이미지 crack의 분석을 통해 균열의 길이와 폭과 면적과 영역 b 중 적어도 하나가 포함된 균열 정보를 생성할 수 있다.

직선 형상의 균열의 길이가 2m이고 균열의 폭이 0.03m이면, 균열의 면적은 0.06㎡일 수 있다.

영역 b는 일반적으로 불규칙한 형상을 갖는 크랙의 수리 영역을 정의하기 위해 사용될 수 있다. 일 예로, 영역 b는 직사각형 형상의 가상 폐곡선에 의해 형성될 수 있다. 해당 가상 폐곡선은 크랙에 내접하는 크기로 형성될 수 있다.

분석부(150)는 표시부(170)를 통해 균열 정보를 출력하거나, 균열의 유지보수 견적을 산출하는 견적 유니트(200)에 균열 정보를 제공할 수 있다.

사용자는 표시부(170)를 통해 표시된 균열 정보를 인지하고, 직접 유지보수하거나 보수 업체를 직접 알아볼 수 있다.

표시부(170)는 균열 정보를 시각적으로 표시하는 LCD(Liquid Crystal Display, LED(Light Emitting Diode) 등의 각종 디스플레이를 포함할 수 있다.

한편, 외벽 이미지에 포함된 균열 이미지를 이용해서 실제의 균열의 크기(길이, 폭, 면적, 영역 b 중 적어도 하나를 포함)를 정확하게 산출하기 위해 추가 정보가 수집부(110)를 통해 획득될 수 있다.

일 예로, 수집부(110)는 외벽 이미지와 함께 외벽 이미지를 촬영한 드론(10)의 촬영 배율 정보를 추가로 수집할 수 있다. 또한, 수집부(110)는 드론(10)과 건축물(90)의 외벽 간의 거리 정보를 추가로 수집할 수 있다.

촬영 배율 정보 및 거리 정보를 이용하면, 외벽 이미지에 담긴 물체, 균열의 실제 크기를 분석할 수 있다. 분석부(150)는 촬영 배율 정보 및 거리 정보를 이용하여 균열 이미지 crack을 분석할 수 있다. 분석부(150)는 해당 분석을 통해 균열의 실제 길이, 실제 폭, 실제 면적 및 실제 영역 중 적어도 하나를 도출해서 균열 정보에 포함시킬 수 있다.

분석부(150)를 통해 파악된 실제 균열이 실제 건축물(90)의 어디에 위치하는지 나타낼 필요가 있다. 보수 부위가 어디인가를 나타내는 지시자로 사용되는 위치 정보가 요구될 수 있다.

일 예로, 분석부(150)는 특정 외벽 이미지를 기초로 특정 균열 정보가 생성되면, 특정 외벽 이미지의 촬영 대상이 된 특정 대상물의 위치 정보를 특정 균열 정보에 더 포함시킬 수 있다. 또는, 분석부(150)는 특정 외벽 이미지를 촬영한 시점의 드론(10)의 위치 정보를 특정 균열 정보에 더 포함시킬 수 있다. 특정 대상물의 위치 정보 또는 드론(10)의 위치 정보는 수집부(110)를 통해 획득되고 분석부(150)에 전달될 수 있다.

건축물(90)의 외벽 이미지에는 해당 외벽의 위치를 나타내는 정보가 포함될 수 있다. 예를 들어, 건축물(90)의 외벽에 위치를 나타내는 글자가 새겨져 있거나, 위치를 나타내는 특정 물건이 포함될 수 있다. 분석부(150)는 외벽 이미지에 포함된 글자 또는 특정 물건을 이용해서 해당 외벽 이미지가 나타내는 건축물(90) 외벽의 위치를 파악할 수 있다.

드론(10)에는 자체 위치를 파악하는 GPS(Global Positioning System) 모듈 등이 탑재될 수 있다.

드론(10)은 외벽 이미지를 생성할 때, GPS 모듈을 통해 파악된 위치 정보를 외벽 이미지에 함께 포함시킬 수 있다. 해당 외벽 이미지는 수집부(110)를 통해 입수되고 분석부(150)에 전달될 수 있다.

분석부(150)는 외벽 이미지에 포함된 위치 정보를 이용해서, 해당 외벽을 촬영할 때의 드론(10) 위치를 파악할 수 있다. 드론(10)의 위치는 타겟 대상물이 되는 외벽으로부터 제한된 거리 내에 존재할 것이므로, 드론(10)의 위치를 이용하면 균열이 발생된 외벽의 위치가 대략적으로 파악될 수 있다.

한편, 드론(10)의 GPS 모듈은 건물에 의한 신호 간섭으로 인해 오차가 포함된 위치 정보를 생성할 수 있다.

해당 오차가 너무 크면, 전혀 엉뚱한 위치가 균열이 발생된 외벽 위치로 파악될 수 있다. 따라서, 해당 오차는 적어도 보수자가 GSP 모듈이 나타낸 위치에서 주변을 둘러봤을 때 실제의 균열을 찾아낼 수 있는 정도의 범위 내로 제한되는 것이 좋다.

분석부(150)는 드론(10)의 위치 정보 오차를 설정 범위 내로 제한하기 위한 방안을 마련할 수 있다.

일 예로, 균열 정보가 생성 대상이 된 특정 외벽 이미지를 촬영한 시점을 제1 시점으로 정의할 때, 분석부(150)는 제1 시점의 바로 이전 시점에 촬영된 이전 외벽 이미지에 포함된 이전 위치 정보를 추가로 추출할 수 있다. 또한, 분석부(150)는 제1 시점의 바로 다음 시점에 촬영된 다음 외벽 이미지에 포함된 다음 위치 정보를 추가로 추출할 수 있다.

분석부(150)는 제1 시점의 위치 정보가 이전 위치 정보와 다음 위치 정보를 벗어나면, 제1 시점의 위치 정보를 대신하여 이전 위치 정보와 다음 위치 정보의 평균값을 균열 정보에 포함시킬 수 있다.

도 4는 견적 유니트(200)를 나타낸 블록도이다.

도 4에 도시된 견적 유니트(200)는 획득부(210), 견적부(230), 제2 학습부(290)를 포함할 수 있다.

획득부(210)는 건축물(90)의 균열 정보, 건축물 정보를 획득할 수 있다. 균열 정보는 탐지 유니트(100)로부터 획득될 수 있다. 건축물 정보는 건축물 데이터베이스로부터 획득될 수 있다.

획득부(210)에는 탐지 유니트(100), 건축물 데이터베이스 중 적어도 하나와 통신할 수 있는 통신 모듈이 마련될 수 있다. 건축물 정보가 사용자에 의해 직접 입력되는 경우, 획득부(210)에는 사용자에 의해 조작되는 키보드, 키패드 등의 입력 수단이 마련될 수 있다.

견적부(230)는 균열 정보, 건축물 정보를 분석해서 건축물(90)의 균열을 유지보수하는데 소요되는 비용에 해당하는 견적을 산출할 수 있다.

견적부(230)는 제2 학습부(290)를 통해 제공된 견적 모델을 이용하여 견적을 산출할 수 있다.

제2 학습부(290)는 기계 학습을 통해, 전체 건축물(90)의 면적 대비 균열의 크기 비율, 건축물 정보를 이용해서 견적을 예측하는 견적 모델을 생성할 수 있다.

견적부(230)는 균열 정보 및 건축물 정보를 입력으로 하는 견적 모델을 이용하여 견적을 산출할 수 있다.

균열 정보에는 균열의 크기, 예를 들어 균열의 길이, 균열의 폭, 균열의 면적, 균열의 영역 b, 균열의 위치(대상물의 위치 정보 또는 드론(10)의 위치 정보 포함) 등이 포함될 수 있다.

건축물 정보에는 건축물(90)의 건축물 년식, 건축 재질, 외벽의 재질(원자재) 등의 정보가 포함될 수 있다.

견적부(230)는 건축물 정보를 이용해서 건축물 년식, 원자재 중 적어도 하나를 추출할 수 있다.

견적부(230)는 건축물 년식과 원자재를 이용해 균열의 유지 보수에 필요한 재료를 추출할 수 있다.

견적부(230)는 현재 시점을 기준으로 재료의 호환물을 탐색할 수 있다. 호환물은 해당 재료 자체이거나 해당 재료를 대체할 수 있는 대체물을 나타낼 수 있다.

견적부(230)는 현재 시점을 기준으로 호환물 관련 비용을 탐색할 수 있다. 호환물 관련 비용은 해당 호환물을 구입하는데 필요한 비용, 작업자의 인건비 등을 포함할 수 있다.

견적부(230)는 현재 시점의 호환물 관련 비용을 견적에 포함시킬 수 있다. 현재 시점의 호환물 관련 비용은 물가 상승 등으로 인해 과거의 비용과 다를 수 있다. 견적부(230)는 인터넷 서버, 건축 자재 매매 서버 등을 통해 호환물을 탐색하고, 해당 호환물의 현재 가격 또는 현재 인건비를 입수할 수 있다. 입수된 현재 가격 또는 인건비는 견적에 포함되며, 해당 견적은 현실적인 비용을 사용자에게 제시할 수 있다.

도 5는 본 발명의 예측 방법을 나타낸 흐름도이다.

도 5에 도시된 예측 방법은 도 1의 예측 장치(300), 도 2의 탐지 유니트(100), 도 4의 견적 유니트(200) 중 어느 하나에 의해 수행될 수 있다.

예측 방법은 수집 단계(S 510, S 520, S 710), 탐지 단계(S 610), 견적 단계(S 730)를 포함할 수 있다.

수집 단계는 드론(10)에 의해 촬영된 건축물(90)의 외벽 이미지를 수집하고(S 510), 건축물(90)의 식별 정보를 입수할 수 있다(S 520). 외벽 이미지는 수집부(110)에 의해 수집될 수 있다. 건축물(90)의 식별 정보는 획득부(210)에 의해 입수될 수 있다. 수집 단계는 균열을 촬영할 당시의 드론(10)의 위치 정보를 추가로 입수할 수 있다.

탐지 단계(S 610)는 외벽 이미지 속 균열을 탐지하고, 드론(10)의 촬영 배율 및 드론(10)과 건축물(90)의 외벽 간의 거리 정보를 이용해서 균열의 실제 크기를 분석할 수 있다.

견적 단계(S 730)는 균열의 실제 크기가 포함된 균열 정보, 수집 단계에서 입수된 건축물(90)의 식별 정보를 이용해서 추출한 건축물 정보를 이용해서 균열의 유지보수 견적을 산출할 수 있다.

견적 단계는 드론(10)의 위치 정보를 이용해서 균열이 발생된 외벽 위치를 파악할 수 있다. 그리고, 건축물 정보로부터 외벽 위치의 재료를 추출할 수 있다. 그리고, 재료의 호환물의 비용을 산출하며, 산출된 비용을 견적에 포함시킬 수 있다.

해당 견적은 견적부(230)에 의해 표시부(170) 등을 통해 표시되거나 사용자(관리자)의 단말기로 전송될 수 있다(S 530).

본 발명에 따르면, 건축물(90)의 외벽이 촬영된 각종 외벽 이미지가 이미지 데이터베이스에 저장될 수 있다. 수집부(110)에 의해 수집된 외벽 이미지 역시 수집부(110)를 통해 이미지 데이터베이스에 추가로 저장될 수 있다(S 620).

이미지 데이터베이스에 저장된 각종 외벽 이미지는 제1 학습부(190)의 기계 학습을 통해 탐지 모델 또는 분석 모델을 생성하는 입력 데이터셋으로 이용될 수 있다(S 620).

현장의 탐지부(130)에 탑재된 탐지 모델은 드론(10)을 이용하여 수집된 외벽 이미지에서 균열을 분류할 수 있다. 현장의 분석부(150)에 탑재된 분석 모델은 각 균열의 길이와 넓이 등을 계산하여 균열의 양을 분석할 수 있다.

각종 건축물(90)의 균열에 대한 견적이 하자 보수 데이터베이스에 저장될 수 있다. 견적부(230)에 의해 산출된 견적 역시 견적부(230)를 통해 하자 보수 데이터베이스에 추가로 저장될 수 있다(S 720).

하자 보수 데이터베이스에 저장된 각종 견적은 제2 학습부(290)의 기계 학습을 통해 견적 모델을 생성하는 입력 데이터셋으로 이용될 수 있다(S 720).

현장의 견적부(230)에 탑재된 견적 모델은 분석 모델을 통해 획득된 균열 정보, 전체 건축물(90) 대비 탐지된 균열 면적의 비율, 건물의 정보(년식, 원자재 등)를 이용해, 외벽의 균열을 유지보수하는데 소요되는 견적을 예측할 수 있다.

주변 환경 요소(외벽의 페인트, 그림자 등)를 분석하는 제1 탐지 모델이 탐지부(130) 또는 분석부(150)에 탑재될 수 있다.

제1 탐지 모델은 균열과 비슷한 형태의 외부 요소들을 판단하기 위한 모델이며, 균열을 탐지하는 제2 탐지 모델의 혼동을 예방할 수 있다.

제1 탐지 모델 또는 제2 탐지 모델은 CNN, 전이학습 등의 기계 학습을 통해 제1 학습부(190)에서 생성될 수 있다.

CNN(Convolution Neural Network)은 수동으로 특징을 추출할 필요 없이 데이터로부터 직접 학습하는 딥러닝을 위한 신경망 아키텍처일 수 있다. 패턴을 파악하는데 강점을 가지며 Convolution 과정과 Pooling 과정을 통해 진행하며 이미지 분류 모델에 주로 사용된다.

머신러닝을 이용하여 이미지를 분류하는 경우 학습 데이터의 양과 질이 모델의 품질에 큰 영향을 미친다. 데이터의 양이 적은 경우 학습률이 저하되며, 올바른 분류를 하는 모델을 생성하는 것이 제한적이다. 따라서 이미지 분류 모델 학습에 사용할 양질의 데이터가 충분히 확보되지 않았을 경우, 좋은 성능의 이미지 분류 모델을 기반으로 일부 층의 가중치를 미세 조정하여 새로운 이미지 분류 모델을 생성하는 것을 전이학습이라고 한다. 새롭게 분류하려는 데이터의 양, 그리고 기반 모델의 학습에 사용된 데이터와 새롭게 분류하려는 데이터의 특징의 차이에 따라서 미세 조정하는 층의 수와 종류를 다르게 해야 하며, 잘못된 전이학습은 과적합(over-fitting)을 발생시켜 모델의 성능을 저하시킬 수 있다.

제1 탐지 모델 또는 제2 탐지 모델은 기존 이미지 분류에 특화되어 있는 분류 모델을 베이스로 할 수 있다. 해당 분류 모델은 전이학습(transfer learning)을 통하여 건축물(90) 외벽의 균열 또는 주변 요소를 분류하기 위한 가중치가 조정된 상태에서, 각 탐지 모델을 형성할 수 있다.

생성된 각 탐지 모델은 제1 학습부(190)에 의해 교차검증(cross-validation)을 통하여 검증될 수 있다. 제1 학습부(190)는 검증 과정에서 발생한 RMSE(Root-Mean-Square Error)를 비교하여 복수의 후보 모델 중에서 최적의 제1 탐지 모델 또는 최적의 제2 탐지 모델을 선택할 수 있다.

수집부(110)를 통해 입수한 외벽 이미지가 입력되면 제2 탐지 모델은 외벽 이미지에 포함된 균열 이미지를 검출할 수 있다. 제1 탐지 모듈은 제2 탐지 모델에서 검출된 균열 이미지가 실제 균열에 해당하는 여부를 판단할 수 있다.

제1 탐지 모델에 의해 실제 균열이 맞는 것으로 판단되면, 분석부(150)는 해당 균열 이미지를 분석하고 균열 정보를 생성할 수 있다.

분석부(150)는 드론(10)의 카메라의 배율 및 촬영 거리 기준으로 외벽 이미지 속 균열의 실제 크기를 산출 또는 예측할 수 있다. 산출 결과 또는 예측 결과는 균열 정보에 포함될 수 있다.

균열 정보는 획득부(210)를 통해 견적부(230)에 전달될 수 있다.

견적부(230)는 견적 모델을 이용해 균열이 포함된 하자 보수의 견적을 산출할 수 있다.

견적 모델은 제2 학습부(290)에 의해 생성될 수 있다.

제2 학습부(290)는 하자 보수 데이터베이스에 저장되어 있는 기존 견적 데이터, 기존 하자 보수 데이터를 학습 데이터셋으로 선정할 수 있다.

제2 학습부(290)는 수학식 1의 다중 회귀 분석 모델을 사용하여, 견적 모델을 생성할 수 있다.

다중 회귀 분석 모델을 생성할 때, 제2 학습부(290)는 다중공선성, 과적합(over fitting) 또는 과소적합(under fitting)을 회피하기 위해 변수 선택을 진행하며, 변수 선택법을 변경해가면서 복수의 후보 모델을 생성할 수 있다.

회귀 분석은 변수 간의 경향성을 설명하기 위해 사용되는 데이터 분석 방법이다. 전체 데이터 내에 있는 독립변수와 종속변수간의 경향성을 수학적 함수로 표현하여 새로운 독립변수에 대한 종속변수의 값을 추정하는 통계적 분석 방법이다.

다중 회귀 분석을 할 때, 기본적으로 독립 변수 간의 상관관계가 없어야 한다. 하지만 독립변수 간의 밀접한 상관관계가 존재한다면 회귀모델의 성능을 저하시킬 수 있다. 이렇게 독립변수 간의 밀접한 상관관계가 있는 경우를 다중 공선성(multicollinearity)이라고 말하며, 이를 방지하기 위하여 변수를 선택하는 과정에서 변수 간의 상관관계를 확인하는 것이 필요하다.

변수 선택법에 따른 모델들은 결정 계수와 교차 검증을 통하여 검증될 수 있다. 이때, 발생하는 결정 계수와 RMSE를 비교하여 최적의 후보의 모델이 견적 모델로 선정될 수 있다.

회귀분석 모델을 생성할 때 모델의 정확성을 판단하기 위한 지표로써, 실제 값과 예측된 모델간의 오차를 표현한다. 일반적인 결정 계수의 범위는 0부터 1의 값을 가지며, 1에 가까울 수록 회귀식의 정확도가 높다.

평균 제곱근 편차(RMSE, Root-Mean-Square error)는 추정값 또는 모델이 예측한 값과 실제 환경에서 관찰되는 값의 차이를 다룰 때 사용되는 측도로, 정밀도(precision)을 표현하는 데 적합. 각각의 차이값은 잔차(residual)이라고도 하며, 평균 제곱근 편차는 잔차들을 하나의 측도로 종합할 때 사용된다.

견적부(230)에 탑재된 견적 모델의 입력 데이터는 균열 정보, 획득부(210)를 통해 획득된 건축물(90)의 식별 정보를 통해 파악된 건축물 정보 등을 포함할 수 있다.

견적 모델은 위와 같은 정보들을 이용하여, 균열을 유지보수하는데 필요한 견적을 예측할 수 있다.

한편, 본 발명의 실시예는 지금까지 설명한 장치 및/또는 방법을 통해서만 구현되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있으며, 이러한 구현은 상술한 실시예의 기재로부터 본 발명이 속하는 기술 분야의 통상의 기술자라면 쉽게 구현할 수 있는 것이다.

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 통상의 기술자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

10...드론
90...건축물
100...탐지 유니트
110...수집부
130...탐지부
150...분석부
170...표시부
190...제1 학습부
200...견적 유니트
210...획득부
230...견적부
290...제2 학습부
300...예측 장치

Claims

드론에 의해 촬영된 건축물의 외벽 이미지를 분석하고, 상기 건축물의 외벽에 발생된 균열을 탐지하는 탐지 유니트; 및
탐지된 상기 균열을 유지보수하는데 소요되는 비용에 해당하는 견적을 산출하는 견적 유니트;
를 포함하는 예측 장치.
제1항에 있어서,
상기 탐지 유니트는:
드론에 의해 촬영된 건축물의 외벽 이미지를 수집하는 수집부;
상기 외벽 이미지에 포함된 균열 이미지를 탐지하는 탐지부; 및
상기 균열 이미지의 분석을 통해 균열의 물리적 특성이 포함된 균열 정보를 생성하는 분석부;
를 포함하는 예측 장치.
제2항에 있어서,
상기 탐지 유니트는:
기계 학습을 통해, 상기 외벽 이미지에 포함된 균열 이미지를 탐지하는 탐지 모델과 상기 균열 이미지를 분석하는 분석 모델 중 적어도 하나를 생성하는 제1 학습부가 마련되고,
상기 탐지부가 상기 외벽 이미지를 입력으로 하는 상기 탐지 모델을 이용하여 상기 균열 이미지를 탐지하거나,
상기 분석부가 상기 균열 이미지를 입력으로 하는 상기 분석 모델을 이용하여 상기 균열의 물리적 특성을 분석하는 예측 장치.
제2항에 있어서,
상기 탐지 유니트는:
기계 학습을 통해, 상기 외벽 이미지에 포함된 페인트와 그림자 중 적어도 하나가 포함된 주변 요소를 탐지하는 제1 탐지 모델과 상기 외벽 이미지에 포함된 균열 이미지를 탐지하는 제2 탐지 모델을 생성하는 제1 학습부가 마련된 예측 장치.
제2항에 있어서,
상기 탐지부는 상기 외벽 이미지에 포함된 균열 이미지를 탐지하고,
상기 탐지부는 상기 균열 이미지가 탐지되면, 상기 균열 이미지가 페인트의 영역 또는 그림자의 영역인지 재탐지하는 예측 장치.
제2항에 있어서,
상기 탐지부는 상기 외벽 이미지에 포함된 페인트의 영역 또는 그림자의 영역을 탐지하고,
상기 탐지부는 탐지된 상기 페인트의 영역 또는 상기 그림자의 영역을 상기 외벽 이미지에서 배제시키며,
상기 탐지부는 상기 페인트의 영역 또는 상기 그림자의 영역이 배제되고 남은 상기 외벽 이미지의 나머지 영역에서 상기 균열 이미지를 재탐지하는 예측 장치.
제2항에 있어서,
상기 분석부는 상기 균열 이미지의 분석을 통해 상기 균열의 길이와 폭과 면적과 영역 중 적어도 하나가 포함된 상기 균열 정보를 생성하고,
상기 분석부는 표시부를 통해 상기 균열 정보를 출력하거나, 상기 균열의 유지보수 견적을 산출하는 견적 유니트에 상기 균열 정보를 제공하는 예측 장치.
제7항에 있어서,
상기 수집부는 상기 외벽 이미지와 함께 상기 외벽 이미지를 촬영한 상기 드론의 촬영 배율 정보 및 상기 드론과 상기 건축물의 외벽 간의 거리 정보를 추가로 수집하고,
상기 분석부는 상기 촬영 배율 정보 및 상기 거리 정보를 이용하여 상기 균열 이미지를 분석하고, 분석을 통해 상기 균열의 실제 길이, 실제 폭, 실제 면적 및 실제 영역 중 적어도 하나를 도출해서 상기 균열 정보에 포함시키는 예측 장치.
제2항에 있어서,
상기 분석부는 특정 외벽 이미지를 기초로 특정 균열 정보가 생성되면, 상기 특정 외벽 이미지의 촬영 대상이 된 특정 대상물의 위치 정보 또는 상기 특정 외벽 이미지를 촬영한 시점의 상기 드론의 위치 정보를 상기 특정 균열 정보에 더 포함시키는 예측 장치.
제1항에 있어서,
상기 견적 유니트는:
건축물의 균열 정보, 건축물 정보, 하자 보수 정보를 획득하는 획득부; 및
상기 균열 정보 및 상기 건축물 정보를 분석해서 상기 건축물의 균열을 유지보수하는데 소요되는 비용에 해당하는 견적을 산출하는 견적부;
를 포함하는 예측 장치.
제10항에 있어서,
상기 견적 유니트는:
기계 학습을 통해, 전체 건축물의 면적 대비 균열의 크기 비율, 상기 건축물 정보를 이용해서 상기 견적을 예측하는 견적 모델을 생성하는 제2 학습부가 마련되고,
상기 견적부는 상기 균열 정보 및 상기 건축물 정보를 입력으로 하는 상기 견적 모델을 이용하여 상기 견적을 산출하는 예측 장치.
제10항에 있어서,
상기 견적부는 상기 건축물 정보를 이용해서 건축물 년식, 원자재 중 적어도 하나를 추출하고,
상기 견적부는 상기 건축물 년식과 상기 원자재를 이용해 상기 균열의 유지 보수에 필요한 재료를 추출하며,
상기 견적부는 현재 시점을 기준으로 상기 재료의 호환물을 탐색하고, 현재 시점의 상기 호환물 관련 비용을 상기 견적에 포함시키는 예측 장치.
예측 장치에 의해 수행되는 예측 방법에 있어서,
드론에 의해 촬영된 건축물의 외벽 이미지를 수집하고, 상기 건축물의 식별 정보를 입수하는 수집 단계;
외벽 이미지 속 균열을 탐지하고, 상기 드론의 촬영 배율 정보 및 상기 드론과 상기 건축물의 외벽 간의 거리 정보를 이용해서 상기 균열의 실제 크기를 분석하는 탐지 단계; 및
상기 균열의 실제 크기가 포함된 균열 정보, 상기 수집 단계에서 입수된 상기 건축물의 식별 정보를 이용해서 추출한 건축물 정보를 이용해서 상기 균열의 유지보수 견적을 산출하는 견적 단계;
를 포함하는 예측 방법.
제13항에 있어서,
상기 수집 단계는 상기 균열을 촬영할 당시의 상기 드론의 위치 정보를 추가로 입수하고,
상기 견적 단계는,
상기 위치 정보를 이용해서 상기 균열이 발생된 외벽 위치를 파악하며,
상기 건축물 정보로부터 상기 외벽 위치의 재료를 추출하고,
상기 재료의 호환물의 비용을 산출하며, 산출된 비용을 상기 견적에 포함시키는 예측 방법.
컴퓨터로 읽을 수 있는 기록 매체에 있어서,
상기 제13항 및 상기 제14항 중 어느 한 항에 따른 예측 방법을 컴퓨터로 실행하기 위한 프로그램이 기록된 기록 매체.