KR20230047279A - 영상분석을 활용한 철근 정보 추출 자동화 방법 - Google Patents

Abstract

본 발명은 영상분석을 활용한 철근 정보 추출 자동화 방법에 관한 것으로, 태그 정보를 이용하여 철근의 단면을 촬영한 철근 이미지를 학습한 철근 AI 모델을 정확하고 신속하게 생성하고, 이를 추가학습하여 철근 AI 모델의 정확성을 증대시키며, 이를 다방면으로 활용하기 위한 방법을 제공한다.

Description

영상분석을 활용한 철근 정보 추출 자동화 방법{Automated method of extracting rebar information using image analysis}

본 발명은 영상분석을 활용한 철근 정보 추출 자동화 방법에 관한 것이다.

작업 현장에서 철근은 다수개가 포함된 묶음 다발로 납입되고, 이의 정확한 개수, 종류를 파악하여 작업하거나 관리하는 것이 필요하다.

이미지를 이용하여 철근에 관한 정보를 파악하기 위한 다수의 기술들이 개시되어 있다.

예를 들어, 한국등록특허문헌 제1991186호는 철근검출방법 및 그 장치에 관한 것으로, 철근의 개수를 카운팅하는 기술은 개시되어 있으나, 철근의 사이즈를 구분하는 것에 대한 인식은 없어, 철근의 사이즈를 구분하지 못하여 현장에서 실제 적용이 어려운 문제가 있다.

종래에는, 이러한, 철근의 이미지를 촬영하고, 촬영된 이미지를 통해 철근의 개수와 철근의 사이즈를 구분하는 기술은 개시되어 있으나, 인공지능으로 학습하여 촬영된 이미지를 빠르고 정확하게 처리하는 것에 대한 인식이 부족하였다.

예를 들어, 한국등록특허문헌 제1492505호는 철근 조립체의 카메라 촬영 이미지를 이용한 철근 배근 상태 정보 산출 방법에 관한 것으로, 철근 이미지로부터 철근의 직경과 개수를 추정하는 인식은 있으나, 인공지능을 이용하여 철근 이미지를 학습하여 철근의 직경과 개수를 추정하고자 하는 인식은 없다.

예를 들어, 일본공개특허문헌 제2021-060199호는 인공지능 모델을 생성하고, 이를 이용하여 철근의 직경을 추정하는 것에 대한 인식은 있으나, 철근 이미지를 학습하여 철근의 직경과 개수를 신속하게 추정하고자 하는 인식은 부족하다.

(특허문헌 1) 한국등록특허문헌 제1991186호

(특허문헌 2) 한국등록특허문헌 제1492505호

(특허문헌 3) 일본공개특허문헌 제2021-060199호

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것이다.

구체적으로, 본 발명은 태그 정보를 이용하여 철근의 단면을 촬영한 철근 이미지를 학습한 철근 AI 모델을 정확하고 신속하게 생성하기 위함이다.

또한, 철근 AI 모델을 이용하여 철근 이미지가 포함하는 철근의 종류와 철근 개수를 자동으로 카운팅하기 위함이다.

또한, 본 발명은 태그 정보가 포함하는 규격을 확인하고, 이를 철근 AI 모델에서 출력된 철근의 직경과 비교하여 철근 AI 모델을 추가 학습하기 위함이다.

또한, 본 발명은 철근 AI 모델에서 출력된 철근의 종류와 미리 구축된 철근의 종류에 대한 정보를 포함하는 데이터 베이스를 비교하여, 철근 AI 모델을 추가 학습하기 위함이다.

상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예는, (a) 학습데이터 수집 모듈(100)이 태그와 다수의 철근을 포함한 철근 이미지를 수집하는 단계;(b) 입력 모듈(200)은 상기 수집된 철근 이미지를 확인하고, 상기 입력 모듈(200)에 상기 수집된 철근 이미지가 포함한 상기 태그의 스케일이 입력되는 단계;(c) 학습데이터 가공 모듈(300)이 기설정된 방법을 이용하여 상기 태그를 기준으로 상기 철근 이미지의 방향을 조절하고, 상기 입력 모듈(200)로부터 상기 태그의 스케일을 확인하여 상기 태그의 스케일을 기준으로 상기 다수의 철근의 각각의 단면적을 확인하는 단계;(d) 상기 학습데이터 가공 모듈(300)은 상기 (c)단계에서 확인한 상기 다수의 철근의 단면적을 정규분포를 이용하여 분류하고, 상기 정규분포 분류된 단면적을 이용하여 상기 단면적의 차이가 기설정된 차이값 미만인 철근들을 같은 종류로 분류함으로써 상기 다수의 철근을 제1 내지 제n 종류(n은 2이상의 자연수) 중 어느 하나로 분류하는 단계;(e) 상기 학습데이터 가공 모듈(300)은 상기 제1 내지 제n 종류로 분류된 철근의 개수를 각각의 종류마다 확인하고, 상기 다수의 철근의 각각의 단면적을 이용하여 상기 다수의 철근의 각각의 직경을 연산하는 단계;(f) 상기 학습데이터 가공 모듈(300)은 상기 철근 이미지를 입력데이터로 하고, 상기 다수의 철근의 각각의 직경과, 상기 제1 내지 제n 종류와, 각 종류로 분류된 철근의 개수를 출력데이터로 포함하는 학습데이터를 생성하는 단계; 및 (g) AI 구축 모듈(400)은 상기 학습데이터를 이용하여, 철근 AI 모델을 생성하는 단계; 를 포함하는, 방법을 제공한다.

일 실시예에 있어서, 상기 (e)단계에서, (e1) 상기 학습데이터 가공 모듈(300)은 상기 제1 내지 제n 종류 중 어느하나로 분류된 철근의 개수를 각각의 종류마다 확인하고, 동일한 종류로 분류된 다수의 철근의 평균 단면적을 확인하고, 상기 평균 단면적을 이용하여 상기 동일한 종류로 분류된 다수의 철근의 직경을 연산하는 단계;를 더 포함할 수 있다.

일 실시예에 있어서, 상기 (c)단계에서, 상기 기설정된 방법은 호모그래피 기법(homography)을 이용한 방법일 수 있다.

본 발명의 다른 실시예에서, 구축된 철근 AI 모델을 이용하여 다수의 철근의 종류, 직경 및 각 종류별 철근 개수를을 출력하는 방법으로서, 상기 (g)단계 이후, (h) 영상 모듈(C)이 실제 철근 이미지를 수집하고, 상기 실제 철근 이미지를 상기 구축된 철근 AI 모델에 입력하여, 상기 철근 AI 모델이 상기 실제 철근 이미지가 포함하는 다수의 철근의 종류, 직경 및 각 종류별 철근 개수를 출력하는 단계;를 더 포함하는 방법을 제공한다.

본 발명의 다른 실시예에서, 철근 AI 모델에서 출력된 다수의 철근의 종류, 직경 및 각 종류별 철근 개수를 이용하여 철근 AI 모델을 추가 학습하는 방법으로서, 상기 태그는, 규격, 종류 및 기호, 호칭 및 길이, 본수/ 중량에 대한 정보인 태그 정보를 포함하고, 상기 규격은 철근의 직경이며, 상기 (h)단계 이후, (i) 피드백 모듈(500)이 상기 실제 철근 이미지가 포함하는 상기 태그 정보를 확인하고, 상기 태그 정보가 포함하는 상기 규격과 상기 철근 AI 모델에서 출력된 철근의 직경을 비교하여, 추가 학습 데이터를 생성하는 단계; 및 (j) 추가 학습 모듈(600)이 상기 추가 학습 데이터를 이용하여 상기 철근 AI 모델을 추가 학습시키는 단계;를 더 포함할 수 있다.

일 실시예에 있어서, 상기 (i)단계에서, (i1) 상기 피드백 모듈(500)이 상기 실제 철근 이미지가 포함하는 태그 정보를 확인하고, 상기 태그 정보에 포함된 규격과 상기 (h)단계에서 상기 철근 AI 모델에 의해 출력된 철근의 직경을 비교하여, 비교된 직경의 차이가 기설정된 값 미만이면, 상기 실제 철근 이미지를 정답 데이터로 분류하고, 상기 정답 데이터를 포함하는 추가 학습 데이터를 생성하는 단계; 및 (i2) 상기 피드백 모듈(500)이 상기 실제 철근 이미지가 포함하는 태그 정보를 확인하고, 상기 태그 정보에 포함된 규격과 상기 (h)단계에서 철근 AI 모델에 의해 출력된 철근의 직경을 비교하여, 비교된 직경의 차이가 기설정된 값 이상만이면, 상기 실제 철근 이미지를 오답 데이터로 분류하고, 상기 오답 데이터를 포함하는 상기 추가 학습 데이터를 생성하는 단계; 를 포함할 수 있다.

본 발명의 다른 실시예에서, 철근 AI 모델에서 출력된 다수의 철근의 종류, 직경 및 각 종류별 철근 개수를 이용하여 철근 AI 모델을 추가 학습하는 방법으로서, 상기 (h)단계 이후, (k) 피드백 모듈(500)은 상기 (h)단계에서 상기 철근 AI 모델에 의해 출력된 상기 철근의 종류를 확인하고, 데이터베이스에 미리 분류되어 저장된 철근의 종류를 확인하고 이를, 상기 철근 AI 모델에 의해 출력된 철근의 종류를 비교하는 단계; (l) 상기 피드백 모듈(500)은 상기 (k)단계의 비교 결과 상기 철근 AI 모델에 의해 출력된 상기 철근의 종류와 상기 데이터베이스에서 확인된 철근의 종류가 차이가 있는 경우, 상기 기설정된 차이값을 변경하여, 상기 다수의 철근의 종류를 재분류한 추가 학습 데이터를 생성하는 단계; 및 (m) 추가 학습 모듈(600)이 상기 추가 학습 데이터를 이용하여 상기 철근 AI 모델을 추가 학습시키는 단계;를 포함하는 방법을 제공한다.

일 실시예에 있어서, 상기 철근 AI 모델은 어플리케이션 스크린과 전자적으로 연결되어, 상기 철근 AI 모델에서 출력되는 다수의 철근의 종류가 상기 수집된 철근 이미지 상에 가시되고, 같은 종류로 분류된 철근은 동일한 색상으로 상기 어플리케이션 스크린 상에 표시될 수 있다.

일 실시예에 있어서, 상기 철근 AI 모델에서 출력된 다수의 철근의 종류, 직경 및 각 종류별 철근 개수가 모니터링 시스템으로 실시간 전송될 수 있다.

본 발명의 다른 실시예에서, 철근 AI 모델을 이용하여 다수의 철근 공장의 철근의 사용량을 판단하는 방법으로서,

상기 철근 AI 모델은 다수의 철근 공장과 전자적으로 연결되고, 상기 (f)단계 이후, (n) 상기 다수의 철근 공장마다 수집된 철근 이미지가 상기 철근 AI 모델로 전송되고, 상기 철근 AI 모델은 상기 다수의 철근 공장 각각의 다수의 철근의 종류, 직경 및 각 종류별 철근 개수를 출력하고, 상기 철근 AI 모델에서 상기 다수의 철근 공장마다 출력된 다수의 철근의 종류, 직경 및 각 종류별 철근 개수가 재고 관리 시스템으로 전송되는 단계; 및 (o) 상기 (n)단계가 기설정된 시간 마다 반복 수행되고, 상기 재고 관리 시스템은 상기 기설정된 시간 마다 상기 다수의 철근 공장에 위치되는 다수의 철근의 종류, 직경 및 각 종류별 철근 개수를 확인하고, 상기 재고 관리 시스템은 이를 이용하여 다수의 철근 공장 각각의 철근의 사용량을 확인하는 단계;를 포함하는 방법을 제공한다.

본 발명에 따라, 다음과 같은 효과가 달성된다.

본 발명은 태그 정보를 이용하여 철근의 단면을 촬영한 철근 이미지를 학습한 철근 AI 모델을 정확하고 신속하게 생성할 수 있다.

또한, 철근 AI 모델을 이용하여 철근 이미지가 포함하는 철근의 종류와 철근 개수를 자동으로 카운팅하고, 입력된 철근 이미지로부터 신속하게 철근의 직경, 철근의 종류와 철근의 개수를 출력할 수 있다.

또한, 본 발명은 태그 정보가 포함하는 규격을 확인하고, 이를 철근 AI 모델에서 출력된 철근의 직경과 비교하여 철근 AI 모델을 추가 학습하여, 철근 AI 모델의 정확성을 증대시킬 수 있다.

또한, 본 발명은 철근 AI 모델에서 출력된 철근의 종류와 미리 구축된 철근의 종류에 대한 정보를 포함하는 데이터 베이스를 비교하여, 철근 AI 모델을 추가 학습하여, 철근 AI 모델의 정확성을 증대시킬 수 있다.

또한, 본 발명은 학습된 철근 AI 모델에서 출력되는 철근의 개수, 철근의 종류, 철근의 직경을 이용하여, 철근 공장에 실시간으로 납품되는 철근의 사용량, 사이즈를 파악할 수 있고, 이를 이용하여 폐기량, 재고량을 정확하게 파악할 수 있다.

또한, 본 발명은 학습된 철근 AI 모델이 다수의 철근 공장과 연결되고, 다수의 철근 공장으로부터 전송된 철근 이미지를 이용하여 각 공장에 납품되어야 하는 철근의 납품량을 정확하게 파악하고, 각 공장의 폐기량, 재고량을 정확하게 파악하고, 이를 다방면에서 활용할 수 있다.

도 1 내지 도 3은 철근 이미지를 이용하여 철근 AI 모델을 생성하는 방법을 설명하기 위한 도면이다.
도 4는 철근 AI 모델을 추가 학습하는 방법을 설명하기 윈한 도면이다.
도 5는 본 발명에 따라 다수의 철근 공장에서 철근 AI 모델을 활용하는 것을 설명하기 위한 도면이다.

몇몇 경우, 본 발명의 개념이 모호해지는 것을 피하기 위하여 공지의 구조 및 장치는 생략되거나, 각 구조 및 장치의 핵심기능을 중심으로 한 블록도 형식으로 도시될 수 있다.

또한, 본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

이하, "태그의 스케일"은 다수의 철근에 부착된 태그의 실제 크기를 의미하고, 가령, 태그의 스케일은 6.5cm X 9 cm일 수 있으나, 스케일은 이에 제한되는 것은 아니다.

본 발명에 따른 방법은 학습데이터 수집 모듈(100), 입력 모듈(200), 학습데이터 가공 모듈(300), AI 구축 모듈(400), 피드백 모듈(500) 및 추가 학습 모듈(600)을 포함한다.

도 1 내지 도 3을 참조하여, 본 발명에 따라, 철근 AI 모델을 생성하는 방법을 설명한다.

학습데이터 수집 모듈(100)이 태그와 다수의 철근을 포함한 철근 이미지를 수집한다.

다수의 철근은 철근 묶음 다발을 의미하는 것으로, 철근이 다수개로 적층되어 있는 것을 의미하나, 적층되어 있는 형상과 철근의 개수는 특정한 형상과 개수에 제한되는 것은 아니다.

태그는 규격, 종류 및 기호, 호칭 및 길이, 본수/ 중량에 대한 태그 정보를 포함할 수 있으나, 태그가 포함하는 정보는 이에 제한되는 것은 아니다.

이 때, 태그는 다수의 철근의 일면에 부착되어 있으며, 철근 이미지를 수집하는 학습데이터 수집 모듈(100)과 후술하는 영상 모듈(C)은 다수의 철근과 이격되어 위치되는 바, 태그가 포함하는 정보가 정확하게 가시되지 않을 수 있다.

이 때, 태그를 이용하여 피드백 모듈(500)에서 추가 학습 데이터를 생성할 수 있는데, 이에 대한 자세한 설명은 후술하기로 한다.

학습데이터 수집 모듈(100)은 수집된 철근 이미지를 후술하는 학습데이터 가공 모듈(300)로 전송한다.

입력 모듈(200)에 수집된 철근 이미지가 포함한 태그의 스케일이 입력된다.

이 때, 입력 모듈(200)은 수집된 철근 이미지를 확인한 후, 태그의 스케일이 외부에서 입력될 수 있으나, 이에 제한되는 것은 아니다.

이 때, 태그의 스케일은 6.5cm X 9 cm일 수 있으나, 스케일은 이에 제한되는 것은 아니다.

입력 모듈(200)은 태그의 스케일을 후술하는 학습데이터 가공 모듈(300)로 전송한다.

학습데이터 가공 모듈(300)은 기설정된 방법을 이용하여 태그를 기준으로 철근 이미지의 방향을 조절한다.

이 때, 기설정된 방법은 호모그래피 기법(homography)을 의미하나, 이에 제한되는 것은 아니고, 호모그래피는 공지된 기술인 바, 이에 대한 자세한 설명은 생략하기로 한다.

또한, 학습데이터 가공 모듈(300)은 입력 모듈(200)로부터 태그의 스케일을 확인하여 태그의 스케일을 기준으로 다수의 철근의 각각의 단면적을 확인한다.

즉, 학습데이터 가공 모듈(300)은 철근 이미지를 확인된 태그의 픽셀의 개수를 기준으로, 다수의 철근의 각각의 픽셀의 개수를 확인하고, 다수의 철근의 각각의 단면적을 확인한다.

학습데이터 가공 모듈(300)은 조절된 철근 이미지를 확인하고, 이를 기준으로 다수의 철근의 각각의 단면적을 확인한다.

학습데이터 가공 모듈(300)은 확인한 다수의 철근의 단면적을 정규분포를 이용하여 분류하고, 분류된 정규분포를 이용하여 단면적의 차이가 기설정된 차이값 미만인 철근을 같은 종류로 분류하여 다수의 철근을 제1 내지 제n 종류(n은 2이상의 자연수)로 분류한다.

즉, 학습데이터 가공 모듈(300)은 다수의 철근의 단면적의 차이가 기설정된 차이값 미만인 철근을 같은 종류의 철근으로 판단한다.

이 때, 학습데이터 가공 모듈(300)은 다수의 철근의 단면적을 100cm2의 단위로 분류할 수 있으나, 이에 제한되는 것은 아니다.

학습데이터 가공 모듈(300)은 제1 내지 제n 종류로 분류된 다수의 철근의 개수를 각각의 종류마다 확인한다.

또한, 학습데이터 가공 모듈(300)은 확인한 다수의 철근의 단면적에서 직경을 연산한다.

이 때, 학습데이터 가공 모듈(300)은 하기와 같이 널리 알려진 식 1을 이용하여, 다수의 철근의 각각의 직경을 연산할 수 있다.

학습데이터 가공 모듈(300)은 철근 이미지에서 각각의 철근의 직경을 확인하는것이 아니라, 철근 이미지의 사이즈를 조절하여, 각각의 철근의 단면적을 확인한 후 직경을 연산하는 바, 연산속도를 증가시킬 수 있다.

또한, 학습데이터 가공 모듈(300)은 제1 내지 제n 종류로 분류된 다수의 철근의 개수를 각각의 종류마다 확인하고, 동일한 종류로 분류된 다수의 철근의 평균 단면적을 확인하고, 평균 단면적을 이용하여 상기 동일한 종류로 분류된 다수의 철근의 직경을 연산할 수 있다.

이에 따라, 학습데이터 가공 모듈(300)에서는 동일한 종류로 분류된 철근의 평균 단면적을 이용하여, 동일한 종류의 철근에서의 직경을 동일한 것으로 확인할 수도 있고, 이에 따라 학습데이터 가공 모듈(300)에서의 연산속도를 증가시킬 수 있다.

학습데이터 가공 모듈(300)은 철근 이미지를 입력데이터로 하고, 철근 이미지가 포함하는 다수의 철근의 각각의 직경과, 다수의 철근의 철근을 제1 내지 제n종류로 분류한 다수의 철근의 종류와, 각 종류로 분류된 철근의 개수를 출력데이터로 하는 학습데이터를 생성한다.

AI 구축 모듈(400)은 학습데이터를 이용하여, 철근 AI 모델을 생성한다.

이 때, AI 구축 모듈(400)은 CNN(Convolution Neural Network)을 이용하여 학습데이터를 학습할 수 있으나, AI 구축 모듈(400)이 학습하는 방법은 특정한 방법에 제한되는 것은 아니다.

이후, 구축된 철근 AI 모델을 이용하여 납입된 철근의 직경, 철근의 개수와 종류를 판단하는 방법을 설명한다.

영상 모듈(C)이 실제 철근 이미지를 수집한다.

영상 모듈(C)은 실제 철근 이미지를 수집하도록 공사현장, 창고 등에 위치한 CCTV를 의미하나, 이에 제한되는 것은 아니고, 이미지를 수집할 수 있는 장치 및 어플리케이션 등을 모두 포함할 수 있다.

영상 모듈(C)은 실제 철근 이미지를 수집하도록 다수의 철근과 이격되어 위치될 수 있다.

영상 모듈(C)은 수집한 실제 철근 이미지를 구축된 철근 AI 모델로 전송한다.

철근 AI 모델에 실제 철근 이미지를 입력하여, 해당 실제 철근 이미지가 포함하는 철근의 종류와, 철근의 직경을 판단할 수 있다.

영상 모듈(C)은 철근 공장에 다수 개 위치되어 다수의 실제 철근 이미지를 수집할 수 있다. 가령, 영상 모듈(C)은 철근 공장의 기설정된 영역 마다 위치되어, 각 영역마다 실제 철근 이미지를 수집할 수도 있고, 철근 AI 모델은 이를 이용하여 해당 철근 공장 내의 철근의 개수, 종류, 직경을 모두 판단할 수 있다.

또한, 영상 모듈(C)은 새로이 철근이 납입될 때 마다, 실제 철근 이미지를 자동으로 수집할 수 있다.

이 때, 영상 모듈(C)은 철근 이미지를 수집할 때 마다, 철근 AI 모델로 전송할 수 있으나, 영상 모듈(C)에서 철근 이미지를 전송하는 시점은 특정한 시점에 제한되는 것은 아니다.

이후, 도 4를 참조하여 피드백 모듈(500)과 추가 학습 모듈(600)을 이용하여 구축된 철근 AI 모델을 추가 학습하는 방법을 설명한다.

피드백 모듈(500)이 실제 철근 이미지가 포함하는 태그 정보를 확인하고, 태그 정보가 포함하는 상기 규격과 상기 철근 AI 모델에서 출력된 철근의 직경을 비교한다.

이 때, 피드백 모듈(500)에 실제 철근 이미지가 포함하는 태그 정보가 입력되고, 피드백 모듈(500)은 입력된 태그 정보에서의 직경을 확인하는 것을 의미한다.

피드백 모듈(500)은 태그 정보가 포함하는 규격의 직경과 철근 AI 모델에서 출력된 철근의 직경의 차이가 기설정된 값 미만이면, 철근 AI 모델에서 출력된 철근의 직경을 정답 데이터로 분류한다.

피드백 모듈(500)이 실제 철근 이미지가 포함하는 태그 정보를 확인하고, 태그 정보가 포함하는 규격의 직경과 철근 AI 모델에서 출력된 철근의 직경을 비교하여, 비교된 직경의 차이가 기설정된 값 이상이면, 철근 AI 모델에서 출력된 철근의 직경을 오답 데이터로 분류한다.

추가 학습 데이터는 정답 데이터와 오답 데이터를 포함할 수 있다.

피드백 모듈(500)은 생성된 추가 학습 데이터는 추가 학습 모듈(600)로 전송한다.

추가 학습 모듈(600)이 추가 학습 데이터를 이용하여 철근 AI 모델을 추가 학습시킨다.

이에 따라, 추가 학습된 철근 AI 모델에서는, 수집된 철근 이미지가 포함하는 태그 정보와 철근 AI 모델에서 출력된 직경의 차이를 비교하고, 이 직경의 차이가 기설정된 값 이상인 경우, 철근 AI 모델에서 출력된 직경이 오류가 있음을 확인하는 것을 의미한다.

피드백 모듈(500)은 철근 AI 모델에서 출력된 철근의 종류를 확인하고, 피드백 모듈(500)은 데이터베이스에 미리 분류된 철근의 종류와, 철근 AI 모델에서 출력된 철근의 종류를 비교한다.

피드백 모듈(500)은 철근 AI 모델에서 출력된 철근의 종류와 데이터베이스에서 확인된 철근의 종류가 차이가 있는 경우, 기설정된 차이값을 변경하여, 다수의 철근의 종류를 재분류한 추가 학습 데이터를 생성한다.

추가 학습 모듈(600)이 추가 학습 데이터를 이용하여 철근 AI 모델을 추가 학습시킬 수 있다.

또한, 철근 AI 모델은 어플리케이션 스크린과 전자적으로 연결되어, 철근 AI 모델에서 출력되는 다수의 철근의 종류가 수집된 철근 이미지 상에 가시 되되, 같은 종류로 분류된 철근은 동일한 색상으로 어플리케이션 스크린 상에 표시될 수 있다.

또한, 어플리케이션 스크린 상에는 전술한 다수의 철근의 직경과 개수가 함께 표시될 수 있다.

본 발명에 따라 생성된 철근 AI 모델은 모니터링 시스템과 연결되어, 철근 AI 모델에서 출력된 다수의 철근의 개수, 철근의 종류 및 철근의 직경이 모니터링 시스템으로 실시간 전송되어 모니터링 될 수 있다.

또한, 철근 AI 모델에서 출력된 다수의 철근의 개수, 철근의 종류 및 철근의 직경이 재고 관리 시스템으로 전송된다. 재고 관리 모델은 철근 AI 모델로부터 기설정된 시간동안 출력된 다수의 철근의 개수, 철근의 종류 및 철근의 직경을 전송받아, 이를 이용하여 철근의 사용량, 납품량과 폐기량을 확인할 수 있다.

가령, 재고 관리 모델은 1시간 마다, 해당 철근 공장으로 유입되어 철근 AI 모델에서 출력된 다수의 철근의 개수, 철근의 종류 및 철근의 직경을 전송받을 수 있으나, 이에 제한되는 것은 아니다.

또한, 본 발명에 따라 생성된 철근 AI 모델은 다수의 철근 공장과 전자적으로 연결되고, 철근 AI 모델은 각각의 철근 공장에서 납품, 공사현장에서 납입되는 철근의 종류, 직경와 개수를 카운팅하여 철근의 사용량, 폐기량 등을 정확히 파악할 수 있고, 각 철근 공장에 납품할 납품량을 정확하게 결정할 수 있다. 또한, 각 철근 공장에서 폐기되는 철근의 폐기량을 정확하게 파악하여, 폐기량을 다른 방면으로 이용할 수 있다.

가령, 도 5는 다수의 철근 공장과 철근 AI 모델이 전자적으로 연결되며, 각각의 철근 공장에는 영상 모듈(C)이 설치된 것을 도시한다. 철근 공장에서는 9 구역으로 나누어져, 각각의 구역에서 철근의 종류, 직경와 개수를 파악할 수 있다.

이 때, 도 5의 철근 공장에서 구역이 나누어진 것은 공장의 상황과 크기에 따라 얼마든지 다르게 나누어질 수 있는 바, 도시된 바에 제한되는 것은 아니다.

이 때, 본 발명에 따른 철근 AI 모델은 전술한 방법에 제한되는 것은 아니고, 다양한 방면에서 활용될 수 있음은 물론이다.

이상, 본 명세서에는 본 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 도면에 도시한 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당업자라면 본 발명의 실시예로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 보호범위는 특허청구범위에 의해서 정해져야 할 것이다.

100: 학습데이터 수집 모듈
200: 입력 모듈
300: 학습데이터 가공 모듈
400: AI 구축 모듈
500: 피드백 모듈
600: 추가 학습 모듈

Claims (10)

1. (a) 학습데이터 수집 모듈(100)이 태그와 다수의 철근을 포함한 철근 이미지를 수집하는 단계;
   (b) 입력 모듈(200)은 상기 수집된 철근 이미지를 확인하고, 상기 입력 모듈(200)에 상기 수집된 철근 이미지가 포함한 상기 태그의 스케일이 입력되는 단계;
   (c) 학습데이터 가공 모듈(300)이 기설정된 방법을 이용하여 상기 태그를 기준으로 상기 철근 이미지의 방향을 조절하고, 상기 입력 모듈(200)로부터 상기 태그의 스케일을 확인하여 상기 태그의 스케일을 기준으로 상기 다수의 철근의 각각의 단면적을 확인하는 단계;
   (d) 상기 학습데이터 가공 모듈(300)은 상기 (c)단계에서 확인한 상기 다수의 철근의 단면적을 정규분포를 이용하여 분류하고, 상기 정규분포 분류된 단면적을 이용하여 상기 단면적의 차이가 기설정된 차이값 미만인 철근들을 같은 종류로 분류함으로써 상기 다수의 철근을 제1 내지 제n 종류(n은 2이상의 자연수) 중 어느 하나로 분류하는 단계;
   (e) 상기 학습데이터 가공 모듈(300)은 상기 제1 내지 제n 종류로 분류된 철근의 개수를 각각의 종류마다 확인하고, 상기 다수의 철근의 각각의 단면적을 이용하여 상기 다수의 철근의 각각의 직경을 연산하는 단계;
   (f) 상기 학습데이터 가공 모듈(300)은 상기 철근 이미지를 입력데이터로 하고, 상기 다수의 철근의 각각의 직경과, 상기 제1 내지 제n 종류와, 각 종류로 분류된 철근의 개수를 출력데이터로 포함하는 학습데이터를 생성하는 단계; 및
   (g) AI 구축 모듈(400)은 상기 학습데이터를 이용하여, 철근 AI 모델을 생성하는 단계; 를 포함하는,
   방법.
   
2. 제1항에 있어서,
   상기 (e)단계에서,
   (e1) 상기 학습데이터 가공 모듈(300)은 상기 제1 내지 제n 종류 중 어느하나로 분류된 철근의 개수를 각각의 종류마다 확인하고, 동일한 종류로 분류된 다수의 철근의 평균 단면적을 확인하고, 상기 평균 단면적을 이용하여 상기 동일한 종류로 분류된 다수의 철근의 직경을 연산하는 단계;를 더 포함하는,
   방법.
   
3. 제1항에 있어서,
   상기 (c)단계에서,
   상기 기설정된 방법은 호모그래피 기법(homography)을 이용한 방법인,
   방법.
   
4. 제1항에 따라 구축된 철근 AI 모델을 이용하여 다수의 철근의 종류, 직경 및 각 종류별 철근 개수를 출력하는 방법으로서,
   상기 (g)단계 이후,
   (h) 영상 모듈(C)이 실제 철근 이미지를 수집하고, 상기 실제 철근 이미지를 상기 구축된 철근 AI 모델에 입력하여, 상기 철근 AI 모델이 상기 실제 철근 이미지가 포함하는 다수의 철근의 종류, 직경 및 각 종류별 철근 개수를 출력하는 단계;를 더 포함하는,
   방법.
   
5. 제4항에 따른 철근 AI 모델에서 출력된 다수의 철근의 종류, 직경 및 각 종류별 철근 개수를 이용하여 철근 AI 모델을 추가 학습하는 방법으로서,
   상기 태그는,
   규격, 종류 및 기호, 호칭 및 길이, 본수/ 중량에 대한 정보인 태그 정보를 포함하고, 상기 규격은 철근의 직경이며,
   상기 (h)단계 이후,
   (i) 피드백 모듈(500)이 상기 실제 철근 이미지가 포함하는 상기 태그 정보를 확인하고, 상기 태그 정보가 포함하는 상기 규격과 상기 철근 AI 모델에서 출력된 철근의 직경을 비교하여, 추가 학습 데이터를 생성하는 단계; 및
   (j) 추가 학습 모듈(600)이 상기 추가 학습 데이터를 이용하여 상기 철근 AI 모델을 추가 학습시키는 단계;를 더 포함하는,
   방법.
   
6. 제5항에 있어서,
   상기 (i)단계에서,
   (i1) 상기 피드백 모듈(500)이 상기 실제 철근 이미지가 포함하는 태그 정보를 확인하고, 상기 태그 정보에 포함된 규격과 상기 (h)단계에서 상기 철근 AI 모델에 의해 출력된 철근의 직경을 비교하여, 비교된 직경의 차이가 기설정된 값 미만이면, 상기 실제 철근 이미지를 정답 데이터로 분류하고, 상기 정답 데이터를 포함하는 추가 학습 데이터를 생성하는 단계; 및
   (i2) 상기 피드백 모듈(500)이 상기 실제 철근 이미지가 포함하는 태그 정보를 확인하고, 상기 태그 정보에 포함된 규격과 상기 (h)단계에서 철근 AI 모델에 의해 출력된 철근의 직경을 비교하여, 비교된 직경의 차이가 기설정된 값 이상만이면, 상기 실제 철근 이미지를 오답 데이터로 분류하고, 상기 오답 데이터를 포함하는 상기 추가 학습 데이터를 생성하는 단계; 를 포함하는,
   방법.
   
7. 제4항에 따른 철근 AI 모델에서 출력된 다수의 철근의 종류, 직경 및 각 종류별 철근 개수를 이용하여 철근 AI 모델을 추가 학습하는 방법으로서,
   상기 (h)단계 이후,
   (k) 피드백 모듈(500)은 상기 (h)단계에서 상기 철근 AI 모델에 의해 출력된 상기 철근의 종류를 확인하고, 데이터베이스에 미리 분류되어 저장된 철근의 종류를 확인하고 이를, 상기 철근 AI 모델에 의해 출력된 철근의 종류를 비교하는 단계;
   (l) 상기 피드백 모듈(500)은 상기 (k)단계의 비교 결과 상기 철근 AI 모델에 의해 출력된 상기 철근의 종류와 상기 데이터베이스에서 확인된 철근의 종류가 차이가 있는 경우, 상기 기설정된 차이값을 변경하여, 상기 다수의 철근의 종류를 재분류한 추가 학습 데이터를 생성하는 단계; 및
   (m) 추가 학습 모듈(600)이 상기 추가 학습 데이터를 이용하여 상기 철근 AI 모델을 추가 학습시키는 단계;를 포함하는,
   방법.
   
8. 제4항에 있어서,
   상기 철근 AI 모델은 어플리케이션 스크린과 전자적으로 연결되어, 상기 철근 AI 모델에서 출력되는 다수의 철근의 종류가 상기 수집된 철근 이미지 상에 가시되고, 같은 종류로 분류된 철근은 동일한 색상으로 상기 어플리케이션 스크린 상에 표시되는,
   방법.
   
9. 제4항에 있어서,
   상기 철근 AI 모델에서 출력된 다수의 철근의 종류, 직경 및 각 종류별 철근 개수가 모니터링 시스템으로 실시간 전송되는,
   방법.
   
10. 제1항에 따른 철근 AI 모델을 이용하여 다수의 철근 공장의 철근의 사용량을판단하는 방법으로서,
    상기 철근 AI 모델은 다수의 철근 공장과 전자적으로 연결되고,
    상기 (f)단계 이후,
    (n) 상기 다수의 철근 공장마다 수집된 철근 이미지가 상기 철근 AI 모델로 전송되고, 상기 철근 AI 모델은 상기 다수의 철근 공장 각각의 다수의 철근의 종류, 직경 및 각 종류별 철근 개수를 출력하고, 상기 철근 AI 모델에서 상기 다수의 철근 공장마다 출력된 다수의 철근의 종류, 직경 및 각 종류별 철근 개수가 재고 관리 시스템으로 전송되는 단계; 및
    (o) 상기 (n)단계가 기설정된 시간 마다 반복 수행되고, 상기 재고 관리 시스템은 상기 기설정된 시간 마다 상기 다수의 철근 공장에 위치되는 다수의 철근의 종류, 직경 및 각 종류별 철근 개수를 확인하고, 상기 재고 관리 시스템은 이를 이용하여 다수의 철근 공장 각각의 철근의 사용량을 확인하는 단계;를 포함하는,
    방법.

Images