KR20230012265A - 열화상 이미지의 발열 및 반사열 판별 방법 - Google Patents
열화상 이미지의 발열 및 반사열 판별 방법 Download PDFInfo
- Publication number
- KR20230012265A KR20230012265A KR1020210092826A KR20210092826A KR20230012265A KR 20230012265 A KR20230012265 A KR 20230012265A KR 1020210092826 A KR1020210092826 A KR 1020210092826A KR 20210092826 A KR20210092826 A KR 20210092826A KR 20230012265 A KR20230012265 A KR 20230012265A
- Authority
- KR
- South Korea
- Prior art keywords
- heat
- thermal image
- region
- interest
- thermal
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000001931 thermography Methods 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000020169 heat generation Effects 0.000 claims description 20
- 238000010438 heat treatment Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 4
- 230000001747 exhibiting effect Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000007435 diagnostic evaluation Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000002826 coolant Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003758 nuclear fuel Substances 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Radiation Pyrometers (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
본 발명에 따른 열화상 이미지의 발열 및 반사열 판별 방법은 a) 열화상 카메라로 피사체를 촬영하여 피사체의 열화상 이미지를 수집하는 단계, b) 열화상 이미지의 열화상의 온도 분포에 따른 특징을 분석하는 단계, c) b) 단계에서의 분석에 따른 열화상 이미지에서의 발열 및 반사열을 검출하는 단계 및 d) c) 단계에서 검출된 열화상 이미지에서의 발열 및 반사열을 열화상 이미지에 발열 및 반사열 영역을 표시하는 단계를 포함하는 것을 특징으로 한다.
Description
본 발명은 열화상 이미지의 발열 및 반사열 판별 방법에 관한 것으로서, 보다 상세하게는 피사체로부터 열화상 이미지를 촬영 및 수집하여 열화상 이미지의 발열 및 반사열을 인공 지능으로 분석하는 열화상 이미지의 발열 및 반사열 판별 방법에 관한 것이다.
화력 발전소는 석탄 등과 같은 화석 연료를 이용하여 열 에너지를 발생 및 열 에너지에 의해 생성된 증기를 터빈으로 공급하여 전기를 생산하는 발전 시스템이다. 원자력 발전소는 핵 연료의 핵 반응에 의한 열 에너지를 발생 및 열 에너지에 의해 생성된 증기를 터빈으로 공급하여 전기를 생산하는 발전 시스템이다.
이러한 화력 발전소와 원자력 발전소는 열 에너지를 이용하여 터빈으로 공급하는 증기를 생성하기 때문에 발전소의 각각의 설비 또는 고온의 유체가 유동되는 배관 등에 열 충격 등의 열 에너지의 영향이 발생한다. 예를 들어, 원자력 발전소는 기본적으로 핵 반응이 발생하는 원자로 및 원자로로부터 제공되는 고온의 1차 냉각재의 유동에 의해 증기를 발생하는 증기발생기를 포함함과 함께 원자로와 증기발생기 사이에 1차 냉각재가 순환하도록 순환 배관이 배치된다.
한편, 열 에너지를 이용하여 증기를 생성하는 발전소의 설비는 상술한 바와 같이 각각의 설비 및 배관 등에 열 에너지에 의한 열 충격 등의 이상 상태에 따른 파손 방지 및 신속한 고장 처리를 위해서 지속적인 모니터링이 필요하다. 예를 들어, 발전소 각각의 설비 및 배관 등의 열화상 이미지를 수집하여 고온 및 저온의 온도에 대한 트래킹을 통하여 열적 상태를 분석하는 방식을 사용한다. 즉, 발전소 각각의 설비 및 배관 등의 열화상 이미지의 온도 값에 의존한 진단 평가를 수행하고, 나아가 열화상 이미지의 분석은 열화상 분석 담당자에 의해 이루어진다.
그런데, 상술한 바와 같은 발전소 각각의 설비 및 배관 등의 열화상 이미지를 수집하고 고온 및 저온의 온도에 대한 트래킹을 수행하여 온도 값을 취득하는 방식은 진단 대상의 진단 평가 소요 시간이 증가되는 문제점이 있다. 또한, 열화상 이미지의 고온 및 저온의 온도에 대한 트래킹에 따른 온도 값에 의존한 진단 평가는 실제 발열 및 반사열 영향에 대한 정확한 판별 없이 수행되어 진단 평가의 신뢰도가 저하되는 문제점이 있을 뿐만 아니라 열화상 이미지의 분석 시 열화상 분석 담당자의 진단 대상에 대한 지식이 정도에 따라 진단 평가의 신뢰도의 차이가 발생하는 문제점도 있다.
본 발명의 목적은 인공 지능을 이용하여 진단 대상인 피사체의 열화상 이미지 분석하고 분석에 따른 발열 및 반사열을 검출 및 표시할 수 있는 열화상 이미지의 발열 및 반사열 판별 방법을 제공하는 것이다.
상기 과제의 해결 수단은, 본 발명에 따라 a) 열화상 카메라로 피사체를 촬영하여 피사체의 열화상 이미지를 수집하는 단계와, b) 상기 열화상 이미지의 열화상의 온도 분포에 따른 특징을 분석하는 단계와, c) 상기 b) 단계에서의 분석에 따른 상기 열화상 이미지에서의 발열 및 반사열을 검출하는 단계와, d) 상기 c) 단계에서 검출된 상기 열화상 이미지에서의 발열 및 반사열을 상기 열화상 이미지에 발열 및 반사열 영역을 표시하는 단계를 포함하는 것을 특징으로 하는 열화상 이미지의 발열 및 반사열 판별 방법에 의해 이루어진다.
상기 a) 단계는 상기 열화상 카메라로 피사체의 동영상 데이터를 생성하고 생성된 상기 동영상 데이터를 프레임별 상기 열화상 이미지로 추출하여 수집할 수 있다.
상기 b) 단계는 (ⅰ) 객체 추출 신경망을 활용한 머신러닝 학습을 통해 상기 열화상 이미지의 관심 영역을 추출하는 단계와, (ⅱ) 상기 관심 영역의 픽셀 별 RAW DATA를 추출하는 단계와, (ⅲ) 상기 관심 영역의 온도 데이터를 추출 후 추출된 온도 데이터를 별도 관리 또는 파일화 하는 단계를 포함할 수 있다.
상기 관심 영역에서 추출된 온도 데이터를 정제하고 상기 관심 영역에서 저열 분포를 보이는 영역에 대해서 픽셀 단위로 탐색하여 상기 관심 영역에서 제외할 수 있다.
상기 관심 영역에서 유사 특성을 보이는 열 분포를 군집화 하고 일정 기준치 미만의 크기를 갖는 군집은 제외할 수 있다.
상기 c) 단계는 상기 관심 영역에서의 일정 임계치 이상의 값을 가진 발열 지점을 픽셀 단위로 검출할 수 있다.
상기 c) 단계는 상기 관심 영역에서의 분석 대상 픽셀과 주변 픽셀과의 온도 변화량을 분석하여 기설정된 임계값 이상을 반사열로 판단할 수 있다.
기타 실시 예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명에 따른 열화상 이미지의 발열 및 반사열 판별 방법의 효과는 다음과 같다.
첫째, 인공 지능을 활용하여 열화상 진단 평가 분야에서 열화상 카메라로부터 촬영하여 수집된 피사체의 열화상 이미지의 온도 분포를 분석하고 분석된 열화상 이미지의 발열 및 반사열을 검출 및 표시할 수 있으므로, 열화상 진단 평가의 정확도 및 신뢰성을 향상할 수 있다.
둘째, 열화상 이미지 내에서 관심 영역의 발열 및 반사열 구분 알고리즘을 통해 실시간 열화상 모니터링 기술에 대한 진단 오류를 최소화하여 신뢰도 및 정확도를 향상할 수 있을 뿐만 아니라 열화상 이미지 내에 시각적인 발열 및 반사열 표시를 통해 관련 업무자/작업자에게 업무/작업 효율을 향상시킬 수 있다.
도 1은 본 발명의 실시 예에 따른 열화상 이미지의 발열 및 반사열 판별 시스템의 개략 구성도,
도 2는 본 발명의 실시 예에 따른 열화상 이미지의 발열 및 반사열 판별 방법에서 수집된 열화상 이미지의 예시도,
도 3은 도 2에 도시된 열화상 이미지에 관심 영역을 추출하는 예시도,
도 4는 도 3에서 도시된 열화상 이미지의 관심 영역의 추출 예시도,
도 5는 본 발명의 실시 예에 따른 열화상 이미지의 발열 및 반사열 판별 방법에 대한 작동 흐름도이다.
도 2는 본 발명의 실시 예에 따른 열화상 이미지의 발열 및 반사열 판별 방법에서 수집된 열화상 이미지의 예시도,
도 3은 도 2에 도시된 열화상 이미지에 관심 영역을 추출하는 예시도,
도 4는 도 3에서 도시된 열화상 이미지의 관심 영역의 추출 예시도,
도 5는 본 발명의 실시 예에 따른 열화상 이미지의 발열 및 반사열 판별 방법에 대한 작동 흐름도이다.
이하, 본 발명의 실시 예에 따른 열화상 이미지의 발열 및 반사열 판별 방법에 대해 첨부된 도면을 참조하여 상세히 설명한다.
설명하기에 앞서, 본 발명의 실시 예에 따른 열화상 이미지의 발열 및 반사열 판별 방법은 열 에너지를 이용하는 발전소 설비를 피사체로 한정하여 기재하고 있으나, 이에 한정되지 않고 열 에너지를 이용하는 다양한 산업분야에서의 설비를 피사체로 하여 적용할 수 있음을 미리 밝혀둔다.
도 1은 본 발명의 실시 예에 따른 열화상 이미지의 발열 및 반사열 판별 시스템의 개략 구성도, 도 2는 본 발명의 실시 예에 따른 열화상 이미지의 발열 및 반사열 판별 방법에서 수집된 열화상 이미지의 예시도, 도 3은 도 2에 도시된 열화상 이미지에 관심 영역을 추출하는 예시도, 그리고 도 4는 도 3에서 도시된 열화상 이미지의 관심 영역의 추출 예시도이다.
도 1 내지 도 4에 도시된 바와 같이, 본 발명의 실시 예에 따른 열화상 이미지의 발열 및 반사열 판별 시스템(10)은 열화상 카메라(100), 데이터 수집부(300), 데이터 분석부(500), 검출부(700) 및 표시부(900)를 포함한다. 본 발명의 실시 예에 따른 열화상 이미지의 발열 및 반사열 판별 시스템(10)은 발전소의 설비를 피사체로 하여 발열 및 반사열을 판별한다.
열화상 카메라(100)는 도 2에 도시된 바와 같이, 피사체를 촬영한다. 여기서, 열화상 카메라(100)에 의해 촬영되는 피사체는 발전소의 설비 및 배관 등을 포함한다. 열화상 카메라(100)는 발전소의 설비 및 배관 등의 피사체를 촬영한다. 열화상 카메라(100)는 피사체의 열화상 이미지(F)를 동영상 파일로 촬영한다. 열화상 카메라(100)에 의해 촬영된 동영상 파일은 정지 영상의 프레임 단위의 열화상 이미지(F)로 추출된다. 이렇게 열화상 카메라(100)로 피사체의 동영상 파일을 촬영하고, 촬영된 동영상 파일은 정지 영상의 프레임 단위의 열화상 이미지(F)로 추출되어 데이터 분석부(500)에서 학습 데이터로 훈련될 때 학습 데이터의 부족이 발생하는 것을 방지할 수 있다.
상세하게 열화상 카메라(100)는 1초에 30프레임의 동영상을 촬영하고, 열화상 카메라(100)에 의해 촬영된 동영상은 프레임 별로 잘라져 학습 데이터로 생성된다. 본 발명의 일 실시 예와 같이, 초당 30프레임의 동영상을 프레임 별의 학습 데이터로 생성하면 약 1분의 동영상 파일은 1800장의 학습 데이터로 생성된다.
데이터 수집부(300)는 열화상 카메라(100)로부터 촬영된 열화상 이미지(F)를 학습 데이터로 수집한다. 데이터 수집부(300)는 데이터 분석부(500)에서 객체 추출 신경망을 활용한 머신러닝 학습을 통해 훈련되도록 동영상 파일로부터 추출된 정지 영상의 프레임 단위의 열화상 이미지(F)를 수집한다.
데이터 분석부(500)는 데이터 수집부(300)에서 확보된 열화상 이미지(F)의 학습 데이터를 분석한다. 상세하게 데이터 분석부(500)는 도 3 및 도 4에 도시된 바와 같이, 객체 추출 신경망을 활용한 머신러닝 학습을 통해 열화상 이미지(F)의 관심 영역(I)을 추출, 관심 영역(I)의 픽셀 별 RAW DATA를 추출 및 관심 영역(I)의 온도 데이터룰 추출한 후 추출된 온도 데이터를 별도 관리 또는 파일화 한다. 여기서, 데이터 분석부(500)에서 사용되는 객체 추출 신경망을 활용한 머신러닝 학습은 본 발명의 일 실시 예로서, 딥러닝 기반의 객체 검출 알고리즘을 사용한다. 딥러닝 기반의 객체 검출 알고리즘은 본 발명이 일 실시 예로서 Faster R-CNN 알고리즘을 사용하나, 이에 한정되지 않고 다양한 딥러닝 기반의 객체 검출 알고리즘이 사용될 수 있다.
데이터 분석부(500)는 객체 추출 신경망을 활용한 머신러닝 학습을 통해 열화상 이미지(F)의 관심 영역(I)을 추출하고, 관심 영역(I)에서 추출된 온도 데이터를 정제한다. 관심 영역(I)에서 추출된 온도 데이터를 정제한 후, 관심 영역(I)에서 저열 분포를 보이는 영역에 대해서 픽셀 단위로 탐색하여 관심 영역(I)에서 제외한다.
여기서, 관심 영역(I)에서 추출된 온도 데이터의 정제는 열화상 이미지(F)의 특징 분석의 속도 및 정확도를 향상할 수 있다. 관심 영역(I)에서 저열 분포를 보이는 영역에 대해서 픽셀 단위 탐색하여 제거한 후, 관심 영역(I)에서 유사 특성을 보이는 열 분포를 군집화 하고 일정 기준치 미만의 크기를 갖는 군집은 제외한다. 구체적으로 열화상 이미지(F)의 특징 분석 중 군집 크기가 작은 군집은 측정 오류 가능성이 크므로 일정 기준치 미만의 군집은 분석에서 제외하는 예외 처리 알고리즘을 적용함으로써, 열화상 이미지(F)의 판별 정확도를 향상할 수 있다.
다음으로 검출부(700)는 수집된 열화상 이미지(F)의 분석에 따른 열화상 이미지(F)에서의 발열 및 반사열을 검출한다. 상세하게 검출부(700)는 관심 영역(I)에서의 일정 임계치 이상의 값을 가진 발열 지점을 픽셀 단위로 검출하고, 관심 영역(I)에서의 분석 대상 픽셀과 주변 픽셀과의 온도 변화량을 분석하여 기설정된 임계 값 이상을 반사열로 판단한다. 예를 들면, 관심 영역(I) 내에서의 일정 임계치 이상의 값을 가진 상위 n% 발열 지점을 픽셀 단위로 검출한다. 본 발명의 일 실시 예로서, 상위 5% 발열 지점을 픽셀 단위로 검출할 수 있다. 물론, 상위 5% 발열 지점을 픽셀 단위로 검출하는 것은 일 실시 예일 뿐 상위 n%는 설계 변경할 수 있다.
마지막으로 표시부(900)는 검출부(700)로부터 검출된 발열 및 반사열을 열화상 이미지(F)에 발열 및 반사열 영역을 표시한다. 표시부(900)는 열화상 이미지(F)의 비교 이미지를 생성하고 원본 열화상 이미지(F)에 발열 및 반사열을 표시한다. 여기서, 본 발명의 일 실시 예로서 검출부(700)와 표시부(900)는 별도로 구분되어 있으나 통합하여 사용할 수 있다.
도 5는 본 발명의 실시 예에 따른 열화상 이미지의 발열 및 반사열 판별 방법에 대한 작동 흐름도이다.
본 발명의 실시 예에 따른 열화상 이미지(F)의 발열 및 반사열 판별 방법은 다음과 같다.
우선 열화상 카메라(100)로 피사체를 촬영하여 피사체의 열화상 이미지(F)를 수집한다(S100). 열화상 카메라(100)는 발전소의 설비를 피사체로 하여 동영상으로 촬영하고, 열화상 카메라(100)로부터 촬영된 피사체의 동영상 파일은 정지 영상의 프레임 단위의 열화상 이미지(F)로 추출한다. 이렇게 열화상 카메라(100)로부터 촬영된 동영상 파일을 정지 영상의 프레임 단위의 열화상 이미지(F)로 추출하여 학습 데이터로 확보함으로써, 열화상 이미지(F)의 특징 분석 시 객체 추출 신경망을 활용한 머신러닝 학습에서 필요한 학습 데이터의 부족을 방지할 수 있다.
열화상 이미지(F)의 열화상의 온도 분포에 따른 특징을 분석한다(S300). 여기서, S300 단계는 객체 추출 신경망을 활용한 머신러닝 학습을 통해 열화상 이미지(F)의 관심 영역(I)을 추출하고, 관심 영역(I)의 픽셀 별 RAW DATA를 추출한다. 그리고, S300 단계는 관심 영역(I)의 온도 데이터를 추출한 후, 추출된 온도 데이터를 별도 관리 또는 파일화 한다. 세부적으로 S300 단계는 관심 영역(I)에서 추출된 온도 데이터를 정제하고, 관심 영역(I)에서 저열 분포를 보이는 영역에 대해서 픽셀 단위로 탐색하여 관심 영역(I)에서 제외한다. 또한, S300 단계는 관심 영역(I)에서 유사 특성을 보이는 열 분포를 군집화 하고, 일정 기준치 미만의 크기를 갖는 군집은 제외한다. 이러한 관심 영역(I)에서 추출된 온도 데이터를 정제하여 저열 분포의 픽셀을 제외 및 일정 기준치 미만의 크기를 갖는 열분포 군집은 제외함으로써, 열화상 이미지(F)에서의 발열 및 반사열 검출 시 오류 발생을 제한하여 열화상 이미지(F)의 발열 및 반사열 판별에 대한 정확도 및 신뢰도를 향상할 수 있다.
열화상 이미지(F)에서의 발열 및 반사열을 검출한다(S500). S500 단계는 관심 영역(I)에서의 일정 임계치 이상의 값을 가진 발열 지점을 픽셀 단위로 검출한다. 또한, S500 단계는 관심 영역(I)에서의 분석 대상 픽셀과 주변 픽셀과의 온도 변화량을 분석하여 기설정된 임계 값 이상을 반사열로 판단한다. 상세하게 S500 단계는 관심 영역(I) 내에서의 일정 임계치 이상의 값을 가진 상위 n% 발열 지점을 픽셀 단위로 검출한다. 상술한 바와 같이, 본 발명의 일 실시 예로서 상위 n% 발열 지점은 상위 5% 발열 지점으로 기재하였으나, 이러한 예는 일 실시 예일뿐 설계 변경에 따라 n% 값은 변경될 수 있다. 열화상 이미지(F)에 검출된 발열 및 반사열 영역을 표시한다(S700). S700 단계는 S500 단계에서 검출된 열화상 이미지(F)에서의 발열 및 반사열을 열화상 이미지(F)에 발열 및 반사열 영역을 표시한다. 구체적으로 S700 단계는 열화상 이미지(F)의 비교 이미지를 생성하고 원본 열화상 이미지(F)에 발열 및 반사열을 표시한다.
이에, 인공 지능을 활용하여 열화상 진단 평가 분야에서 열화상 카메라로부터 촬영하여 수집된 피사체의 열화상 이미지의 온도 분포를 분석하고 분석된 열화상 이미지의 발열 및 반사열을 검출 및 표시할 수 있으므로, 열화상 진단 평가의 정확도 및 신뢰성을 향상할 수 있다.
또한, 열화상 이미지 내에서 관심 영역의 발열 및 반사열 구분 알고리즘을 통해 실시간 열화상 모니터링 기술에 대한 진단 오류를 최소화하여 신뢰도 및 정확도를 향상할 수 있을 뿐만 아니라 열화상 이미지 내에 시각적인 발열 및 반사열 표시를 통해 관련 업무자/작업자에게 업무/작업 효율을 향상시킬 수 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시 예들을 설명하였지만, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 그 기술적 사상이나 필수적인 특징들이 변경되지 않고서 다른 구체적인 형태로 실시될 수 있다는 것으로 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10: 열화상 이미지의 발열 및 반사열 판별 시스템
100: 열화상 카메라 300: 데이터 수집부
500: 데이터 분석부 700: 검출부
900: 표시부 F: 열화상 이미지
I: 관심 영역
100: 열화상 카메라 300: 데이터 수집부
500: 데이터 분석부 700: 검출부
900: 표시부 F: 열화상 이미지
I: 관심 영역
Claims (7)
- a) 열화상 카메라로 피사체를 촬영하여, 피사체의 열화상 이미지를 수집하는 단계와;
b) 상기 열화상 이미지의 열화상의 온도 분포에 따른 특징을 분석하는 단계와;
c) 상기 b) 단계에서의 분석에 따른 상기 열화상 이미지에서의 발열 및 반사열을 검출하는 단계와;
d) 상기 c) 단계에서 검출된 상기 열화상 이미지에서의 발열 및 반사열을 상기 열화상 이미지에 발열 및 반사열 영역을 표시하는 단계를 포함하는 것을 특징으로 하는 열화상 이미지의 발열 및 반사열 판별 방법.
- 제 1항에 있어서,
상기 a) 단계는 상기 열화상 카메라로 피사체의 동영상 데이터를 생성하고, 생성된 상기 동영상 데이터를 프레임별 상기 열화상 이미지로 추출하여 수집하는 것을 특징으로 하는 열화상 이미지의 발열 및 반사열 판별 방법.
- 제 1항에 있어서,
상기 b) 단계는,
(ⅰ) 객체 추출 신경망을 활용한 머신러닝 학습을 통해 상기 열화상 이미지의 관심 영역을 추출하는 단계와;
(ⅱ) 상기 관심 영역의 픽셀 별 RAW DATA를 추출하는 단계와;
(ⅲ) 상기 관심 영역의 온도 데이터를 추출 후, 추출된 온도 데이터를 별도 관리 또는 파일화 하는 단계를 포함하는 것을 특징으로 하는 열화상 이미지의 발열 및 반사열 판별 방법.
- 제 3항에 있어서,
상기 관심 영역에서 추출된 온도 데이터를 정제하고, 상기 관심 영역에서 저열 분포를 보이는 영역에 대해서 픽셀 단위로 탐색하여 상기 관심 영역에서 제외하는 것을 특징으로 하는 열화상 이미지의 발열 및 반사열 판별 방법.
- 제 3항에 있어서,
상기 관심 영역에서 유사 특성을 보이는 열 분포를 군집화 하고, 일정 기준치 미만의 크기를 갖는 군집은 제외하는 것을 특징으로 하는 열화상 이미지의 발열 및 반사열 판별 방법.
- 제 3항에 있어서,
상기 c) 단계는 상기 관심 영역에서의 일정 임계치 이상의 값을 가진 발열 지점을 픽셀 단위로 검출하는 것을 특징으로 하는 열화상 이미지의 발열 및 반사열 판별 방법.
- 제 3항 또는 제 6항에 있어서,
상기 c) 단계는 상기 관심 영역에서의 분석 대상 픽셀과 주변 픽셀과의 온도 변화량을 분석하여, 기설정된 임계 값 이상을 반사열로 판단하는 것을 특징으로 하는 열화상 이미지의 발열 및 반사열 판별 방법.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210092826A KR20230012265A (ko) | 2021-07-15 | 2021-07-15 | 열화상 이미지의 발열 및 반사열 판별 방법 |
| EP21950283.8A EP4372676A1 (en) | 2021-07-15 | 2021-11-30 | Method for determining heat and reflected heat in thermal image |
| CN202180100563.6A CN117730341A (zh) | 2021-07-15 | 2021-11-30 | 用于确定热图像中的热量和反射热量的方法 |
| PCT/KR2021/017882 WO2023286941A1 (ko) | 2021-07-15 | 2021-11-30 | 열화상 이미지의 발열 및 반사열 판별 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210092826A KR20230012265A (ko) | 2021-07-15 | 2021-07-15 | 열화상 이미지의 발열 및 반사열 판별 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230012265A true KR20230012265A (ko) | 2023-01-26 |
Family
ID=84919399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210092826A KR20230012265A (ko) | 2021-07-15 | 2021-07-15 | 열화상 이미지의 발열 및 반사열 판별 방법 |
Country Status (4)
| Country | Link |
|---|---|
| EP (1) | EP4372676A1 (ko) |
| KR (1) | KR20230012265A (ko) |
| CN (1) | CN117730341A (ko) |
| WO (1) | WO2023286941A1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180127782A (ko) | 2017-05-22 | 2018-11-30 | 삼성전자주식회사 | 카메라를 이용하여 획득한 이미지를 처리하는 전자 장치 및 그 동작 방법 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018175495A1 (en) * | 2017-03-20 | 2018-09-27 | Oy Halton Group Ltd. | Fire safety devices methods and systems |
| KR102204814B1 (ko) * | 2017-12-26 | 2021-01-20 | 재단법인대구경북과학기술원 | 열화상 영상처리장치 및 열화상 영상처리방법 |
| KR20200142147A (ko) * | 2019-06-11 | 2020-12-22 | 주식회사 비즈모델라인 | 열화상 인식 기반 객체 정보 인식 방법 |
| KR102219598B1 (ko) * | 2019-10-28 | 2021-02-24 | 주식회사 엠투아이코퍼레이션 | 설비용 화재 모니터링 시스템 |
| KR102242477B1 (ko) * | 2020-12-30 | 2021-04-20 | 주식회사 인텔리코드 | 머신러닝 기반 열화상 영상의 객체 이상 현상 탐지 장치 및 방법 |
-
2021
- 2021-07-15 KR KR1020210092826A patent/KR20230012265A/ko not_active Application Discontinuation
- 2021-11-30 CN CN202180100563.6A patent/CN117730341A/zh active Pending
- 2021-11-30 WO PCT/KR2021/017882 patent/WO2023286941A1/ko active Application Filing
- 2021-11-30 EP EP21950283.8A patent/EP4372676A1/en active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180127782A (ko) | 2017-05-22 | 2018-11-30 | 삼성전자주식회사 | 카메라를 이용하여 획득한 이미지를 처리하는 전자 장치 및 그 동작 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023286941A1 (ko) | 2023-01-19 |
| EP4372676A1 (en) | 2024-05-22 |
| CN117730341A (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111624229B (zh) | 一种基于红外成像的带电设备故障智能诊断方法 | |
| US7432505B2 (en) | Infrared-based method and apparatus for online detection of cracks in steam turbine components | |
| CN111047568A (zh) | 一种漏汽缺陷检测识别方法及系统 | |
| CN107729907A (zh) | 一种基于红外热成像系统的故障识别方法 | |
| KR101806217B1 (ko) | 태양광 어레이의 열적외선 영상으로부터 오작동 패널을 자동 검출하는 방법 및 장치 | |
| CN111751002A (zh) | 一种基于红外热成像的带电设备故障智能诊断方法 | |
| Kim et al. | Automatic photovoltaic panel area extraction from UAV thermal infrared images | |
| CN112697798B (zh) | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 | |
| CN117237367B (zh) | 一种基于机器视觉的螺旋叶片厚度磨损检测方法及系统 | |
| CN117523177A (zh) | 一种基于人工智能混合大模型的燃气管道监测系统和方法 | |
| Liu et al. | Monitoring and detection of combustible gas leakage by using infrared imaging | |
| Devereux et al. | A new approach for crack detection and sizing in nuclear reactor cores | |
| CN115802027A (zh) | 基于图像处理的在线监控设备运行异常检测方法 | |
| CN111896112A (zh) | 一种锅炉水冷壁壁温分布快速检测分析评估系统 | |
| KR20230012265A (ko) | 열화상 이미지의 발열 및 반사열 판별 방법 | |
| CN113778091A (zh) | 一种风电场升压站设备巡检方法 | |
| JP2020016527A (ja) | 定置式ガス検知装置の設置箇所の調査方法 | |
| Charitha et al. | Machine learning based fault detection in induction motor using thermal imaging | |
| CN111626104A (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
| Kim et al. | Automatic detection of malfunctioning photovoltaic modules using unmanned aerial vehicle thermal infrared images | |
| Widodo et al. | Application of self organizing map for intelligent machine fault diagnostics based on infrared thermography images | |
| KR102192717B1 (ko) | 체렌코프 복사 영상을 이용한 노심 진단 장치 및 그 방법 | |
| CN112255141A (zh) | 一种热成像气体监测系统 | |
| KR20230012264A (ko) | 인공 지능을 이용한 설비의 예측 진단 방법 | |
| CN117670838A (zh) | 一种ftu超级电容后备能力检测装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |