KR20230056807A - 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템 및 그 방법 - Google Patents
이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템 및 그 방법 Download PDFInfo
- Publication number
- KR20230056807A KR20230056807A KR1020210139448A KR20210139448A KR20230056807A KR 20230056807 A KR20230056807 A KR 20230056807A KR 1020210139448 A KR1020210139448 A KR 1020210139448A KR 20210139448 A KR20210139448 A KR 20210139448A KR 20230056807 A KR20230056807 A KR 20230056807A
- Authority
- KR
- South Korea
- Prior art keywords
- damage
- masonry
- image
- image data
- hybrid
- Prior art date
Links
- 230000006378 damage Effects 0.000 title claims abstract description 292
- 238000011156 evaluation Methods 0.000 title claims abstract description 187
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000010276 construction Methods 0.000 title description 4
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 230000002787 reinforcement Effects 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 238000005259 measurement Methods 0.000 claims abstract description 33
- 238000013135 deep learning Methods 0.000 claims abstract description 29
- 238000013480 data collection Methods 0.000 claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 239000011449 brick Substances 0.000 claims description 37
- 239000004570 mortar (masonry) Substances 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000010191 image analysis Methods 0.000 claims description 20
- 230000008439 repair process Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 10
- 238000003711 image thresholding Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 239000011229 interlayer Substances 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 2
- 230000007935 neutral effect Effects 0.000 claims description 2
- 230000006735 deficit Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 29
- 230000008569 process Effects 0.000 description 24
- 238000012544 monitoring process Methods 0.000 description 17
- 238000001228 spectrum Methods 0.000 description 10
- 239000010410 layer Substances 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000011837 external investigation Methods 0.000 description 1
- 238000007519 figuring Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Abstract
조적조 건축물의 균열 이미지 데이터를 기반으로 조적조 건축물의 균열 판단, 손상규모 및 보강안을 최종적으로 도출하는 통합 데이터엔진 시스템으로서, 별도의 컴퓨터 해석 없이 기계학습/딥러닝을 활용한 조적조 건축물에 대한 내진성능 평가를 수행할 수 있고, 또한, 이산요소해석을 바탕으로 조적조 건축물의 구조성능 데이터 및 이미지 데이터의 균열 판단 기법을 결합한 하이브리드 기술로서, 조적조의 균열 이미지만으로 조적조 건축물의 상태를 판정하고 보강안을 신속하고 정확하게 수립할 수 있는 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템 및 그 방법이 제공된다.
Description
본 발명은 조적조 건축물의 하이브리드 손상평가 시스템에 관한 것으로, 보다 구체적으로, 조적조 건축물에서 발생하는 균열(Crack)과 같은 손상을 인공지능(AI) 기반으로 이미지 데이터를 활용하여 조적조 건축물의 손상 여부, 손상규모 및 지진 안전성 평가결과를 결합하여 하이브리드 손상평가를 제공하는, 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템 및 그 방법에 관한 것이다.
일반적으로, 조적조 건축물은 조적 벽돌을 이용하여 벽체(조적 벽체)를 쌓아 올리고, 그 위에 인방보 또는 인방보 없이 상부에 콘크리트로 시공되는 슬래브를 설치한다. 따라서 조적조 건축물의 조적 벽체 파괴 시, 슬래브를 지지할 수 있는 구조체가 없어지므로 전체 건축물의 붕괴로 이어질 수 있다는 문제점이 있다.
도 1a는 일반적인 조적조 건축물인 조적 벽체를 나타내는 사시도이고, 도 1b는 조적조 건축물에서 치장벽돌의 탈락을 예시하는 사진이다.
도 1a에 도시된 바와 같이, 비보강 조적조 건축물은 조적 벽체를 구성하는 조적 벽돌을 교착제인 모르타르를 이용하여 한 장씩 접착시켜 쌓아올리는 공법을 사용하기 때문에 수평방향 구속력이 부족하고, 지진력과 같은 수평력에 대해서는 매우 취약한 구조인 것이 특징이다. 특히, 건축물의 외관을 좋게 하기 위하여 조적 벽체 바깥쪽에 단열재를 시공한 후, 외부마감재로서 치장재(또는 외장벽돌등)을 시공하고 있다.
이에 따라, 지진과 같은 수평력이 작용하면 조적 벽체의 조적 벽돌 개체간 연속성이 파괴되면서 상부슬래브 하중의 지지능력이 상실되고, 이로 인하여 벽체 및 슬래브 붕괴에 의해 인명피해가 발생할 수 있다.
이러한 지진발생시 인명피해의 대부분은 건축물의 붕괴에 따른 압사에 의해 발생되는데, 특히, 해외 지진피해사례에서 나타난 바와 같이, 비보강 조적조 건축물은 지진 발생시 붕괴된 가옥의 대부분을 차지하고 있으며, 피해 정도가 타 구조형식에 의한 건축물에 비하여 매우 심각하다.
한편, 건축물에 발생하는 손상을 판단하는 과정에서 필수적인 검사항목으로서 균열(Crack)을 판단해야 하며, 이때, 검사자가 현장에서 직접 균열을 관찰하여 수행하는 방식으로 이루어진다.
이러한 현장 균열 판단은 검사자의 역량 및 주변환경에 따라 매번 다른 결과를 도출하므로 객관적 지표로 타당하지 않으며, 많은 시간이 소요될 수 있다.
특히, 조적조가 다양한 건축구조물에 광범위하게 사용되는 현실을 고려하면, 재난 발생 전에 조적조 건축물의 균열을 판단하여 구조안전을 미리 확보하는 것은 용이하지 않기 때문에 비효율적이다.
또한, 종래의 기술에 따른 검사자에 의한 평가기법의 경우, 균열에 의한 구조 안전성의 판단 기준이 명확하지 않은 상태에서 검사자의 역량에 의존하고 있기 때문에 객관적인 데이터 기반의 비구조요소 안전진단은 불가능하다.
따라서 검사자에 의한 평가기법은 객관적 지표를 산출하는데 바람직 하지 않으며, 또한 정확한 보강방안 산출이 어렵다는 한계가 있다.
또한, 국내의 주거 건물의 많은 부분을 차지하는 기존의 조적조 건축물은 저층으로 명확한 내진설계 지침이 마련되기 전에 대부분 건립되었다.
이애 국내 조적조 건축물의 경우, 구조특성상 수평하중에 대한 저항능력이 매우 약하고, 재난관리 시설물 중에서도 지진에 대한 붕괴위험이 높을 것으로 예상된다, 또한, 국내의 경우에도 큰 지진의 발생 가능성이 높아짐에 따라 기존 조적조 건축물에 대한 내진성능의 파악 및 이에 대한 대책 마련이 절실히 필요하다.
한편, 도 2는 종래의 기술에 따른 건축물 내진성능 평가 방법의 동작흐름도이다.
종래의 기술에 따른 건축물 내진성능 평가는, 크게 현장조사, 예비평가, 1차 상세평가 및 2차 상세평가의 4단계에 걸쳐 개별 건축물의 내진성능을 평가하거나, 또는 구체적인 평가단계로서, 현장조사를 제외한 3단계에 걸쳐 개별 건축물의 내진성능을 평가할 수 있다.
도 2를 참조하면, 종래의 기술에 따른 건축물 내진성능 평가 방법은,
먼저, 건축물 현장 조사를 실시하고(S11),
이후, 정형 건축물인지 여부를 확인한다(S12).
다음으로, 정형 건축물인 경우, 정형 건축물에 대한 예비평가를 실시하며(S13),
이러한 예비평가 결과가 내진성능을 만족하는지 확인한다(S14).
이때, 예비평가 결과가 내진성능을 만족하는 경우 건축물 내진성능을 확정하지만, 예비평가 결과가 내진성능을 만족하지 않거나, 정형 건축물이 아닌 경우, 선형 해석을 통해 내진성능의 1차 상세평가를 실시한다(S15).
다음으로, 1차 상세평가 결과가 내진성능을 만족하는지 확인하고(S16),
1차 상세평가 결과가 내진성능을 만족하는 경우 건축물 내진성능을 확정하지만, 1차 상세평가 결과가 내진성능을 만족하지 않는 경우 비선형 해석을 통한 내진성능의 2차 상세평가를 실시한다(S17).
다음으로, 내진성능의 2차 상세평가를 실시한 후 건축물 내진성능을 확정하고(S18), 해당 건축물에 대한 내진보강이 필요한지 여부를 확인한다(S19).
다음으로, 해당 건축물에 대한 내진보강이 필요한 경우, 건축물 내진보강 계획을 수립하고(S20),
이후, 건축물 내진보강 시스템을 설계한다(S21).
전술한 현장조사, 예비평가, 1차 및 2차 상세평가를 통해서 하나의 건축물의 내진성능과 관련된 데이터가 생성된다.
하지만, 이러한 과정을 국내 약 700만동 건축물에 적용하여 데이터를 확보하고, 이를 바탕으로 재난 발생 전에 건축물의 구조안전을 확보하는 방법은 비현실적인 방법이라고 할 수 있다.
한편, 선행기술로서, 대한민국 등록특허번호 제10-2122893호에는 "UAV 탑재용 하이브리드 이미지 스캐닝에 기반한 자동화 구조물 균열 평가 시스템 및 그 방법"이라는 명칭의 발명이 개시되어 있는데, 도 3을 참조하여 설명한다.
도 3은 종래의 기술에 따른 하이브리드 이미지 스캐닝에 기반한 자동화 구조물 균열 평가 방법을 나타내는 동작흐름도이다.
도 3을 참조하면, 종래의 기술에 따른 하이브리드 이미지 스캐닝에 기반한 자동화 구조물 균열 평가 방법은, 먼저, 대상 구조물에 대한 하이브리드 이미지 스캐닝을 처리한다(S30).
구체적으로, 가진 장치를 통해 대상 구조물에 연속파 라인 레이저를 조사하되, 이와 병렬적으로 가진 장치와 동기화된 센싱 장치를 통해 대상 구조물로부터 방사된 열파를 계측하여 생성된 원시 열화상 데이터와 대상 구조물의 외관을 촬영한 원시 실화상 데이터를 획득한다. 이때, 원시 열화상 데이터 및 원시 실화상 데이터는 제어장치로 제공된다.
다음으로, 원시 열화상 이미지와 원시 실화상 이미지들을 각각 균열 검출에 적합하도록 재구성하는 데이터 프로세싱을 처리한다(S40).
구체적으로, 제어장치는 원시 열화상 이미지와 원시 실화상 이미지들 각각에 영상 왜곡 보정 처리를 수행하여, 왜곡 보정된 열화상 이미지 및 왜곡 보정된 실화상 이미지를 획득한다(S41).
이후, 제어장치는 왜곡 보정된 열화상 이미지 및 왜곡 보정된 실화상 이미지에 대해 시공간 통합좌표 변환을 수행하여, 각각 시공간 통합된 열화상 이미지와 시공간 통합된 실화상 이미지를 획득한다(S42).
이후, 제어장치는 시공간 통합된 열화상 이미지에 대해 균열 시각화를 위한 데이터 프로세싱을 수행하여 균열정보가 포함된 열화상 이미지를 획득한다(S43).
다음으로, 제어장치는 균열이 시각화된 이미지에 대한 균열 평가 자동화 처리를 수행한다(S50).
구체적으로, 제어장치는 사전에 균열 평가용 실화상 이미지가 학습된 인공신경망을 통해, 획득된 시공간 통합된 실화상 이미지에 대해 딥러닝 프로세스를 수행하고, 그 결과로서 균열정보가 포함된 실화상 이미지를 획득한다(S51).
이후, 제어장치는 균열정보가 포함된 실화상 이미지에 포함된 가짜 균열정보를 제거하기 위하여, 획득된 균열정보가 포함된 열화상 이미지와의 이미지 매칭을 통한 의사결정 처리를 수행한다(S52).
다음으로, 제어장치는 균열정보가 시각화된 최종 결과 이미지를 출력한다(S60).
이에 종래의 기술에 따른 하이브리드 이미지 스캐닝에 기반한 자동화 구조물 균열 평가 방법에 따르면, UAV(unmanned aerial vehicle)를 활용한 하이브리드 이미지 스캐닝을 처리함으로써, 인력의 접근 없이도 대형 구조물의 균열을 비파괴 및 비접촉식으로 검사할 수 있고, 또한, 하이브리드 이미지 스캐닝 결과에 대해 딥러닝 프로세스를 적용함으로써 인력의 주관 개입 없이 자동으로 정확한 균열 평가를 수행할 수 있음을 알 수 있다.
한편, 다른 선행기술로서, 대한민국 공개특허번호 제2021-54666호에는 "구조물 균열 검출 모니터링 시스템 및 방법"이라는 명칭의 발명이 개시되어 있는데, 도 4 및 도 5를 참조하여 설명한다.
도 4는 종래의 기술에 따른 구조물 균열 검출 모니터링 시스템의 구성도이다.
도 4를 참조하면, 종래의 기술에 따른 구조물 균열 검출 모니터링 시스템은 관측부(10), 균열검출부(20), 제어부(30) 및 모니터링부(40)를 포함하여 구성될 수 있다.
관측부(10)는 측정대상물로부터 떨어진 측정위치에서 상기 측정대상물을 촬영하고, 균열검출부(20)는 관측부(10)에서 촬영된 이미지를 바탕으로 균열을 검출하고, 균열이 표시된 새로운 이미지를 생성한다.
제어부(30)는 균열검출부(20)에서 생성된 이미지에 대해 균열의 위치 및 크기를 연산하고, 모니터링부(40)는 제어부(30)로부터 데이터를 전송받아 측정대상물의 균열을 모니터링하는 어플리케이션이 설치된다.
이때, 균열검출부(20)는 관측부(10)에서 촬영된 이미지에서 균열판단형상을 분리하고, 균열판단형상으로부터 특징을 추출하여, 추출된 특징을 입력데이터로 하는 다중 인공신경망에 의해 균열판단형상이 균열인지 여부를 판단한 후,
균열로 판단된 형상을 관측부(10)에서 촬영된 이미지에 병합하여 소정의 색상으로 표시한 별도의 이미지를 생성한다.
도 5는 종래의 기술에 따른 구조물 균열 검출 모니터링 방법을 나타내는 동작흐름도이다.
도 5를 참조하면, 종래의 기술에 따른 구조물 균열 검출 모니터링 방법은, 원거리에서 구조물을 촬영하는 단계(S71); 촬영된 데이터를 전처리하는 단계(S72); 전처리된 데이터에서 특징을 추출하는 단계(S73); 다중 인공신경망을 통해 추출된 특징으로부터 균열이 검출되는 단계(S74); 검출된 균열이 표시된 별도의 이미지 데이터를 생성하는 단계(S75); 생성된 이미지를 기초로 균열의 위치, 크기가 연산되는 단계(S76); 모니터링부로 데이터가 전송되는 단계(S77); 모니터링부에서 알람이 작동되는 단계(S78); 및 모니터링부를 통해 구조물 균열을 모니터링하는 단계(S79)를 포함하여 이루어진다.
종래의 기술에 따른 구조물 균열 검출 모니터링 시스템 및 방법에 따르면, 원거리에서 구조물을 촬영하여 균열을 감지할 수 있고, 촬영된 데이터를 바탕으로 균열의 위치 및 크기를 측정할 수 있다.
또한, 스마트 기기 등을 이용하여 원거리에서 측정대상물의 균열을 모니터링할 수 있고, 원거리에서 균열을 모니터링함에 따라 기존 현장조사에 따른 인력사용, 비용을 줄이고, 안전사고를 예방할 수 있으며, 또한, 구조물을 촬영하고, 이를 토대로 균열을 판단한 후, 균열이 검출되는 경우에는 알람이 작동되도록 구성되어 사용자의 업무 효율을 높일 수 있다.
전술한 바와 같이, 종래의 기술에 따른 조적조 건축물의 내진성능 안전평가는 막대한 비용 및 시간 소모가 불가피하다.
구체적으로, 지진은 단일 건축물에 손상을 입히는 재난이 아닌 광역/도시 단위로 손상을 입히기 때문에 조적조의 균열 양상을 조사하기 위해서는 개별 조적조 건축물에 대하여 인력 파견을 통하여 외부 조사가 필요하다.
하지만, 건축물의 외부 조사는 안전상의 위험이 뒤따르고 있고, 외부 조사를 위한 가시설 또는 장비를 동원해야 하므로 시간과 비용 소모가 뒤따른다.
즉, 기존 비구조벽에 대한 구조 안전성 평가 및 데이터가 부족한 상황에서 인력에 의한 조적조 건축물의 구조 안전성 평가는 시간과 비용의 소모 및 정확도 판단의 기준이 미흡한 상황이다.
이와 더불어 도시/지역 단위의 건축물의 손상 조사를 위하여 모든 건축물을 조사하는 것은 현재 대다수의 중소규모의 안전진단 업체는 이에 대한 인력이 부족한 실정이다.
또한, 노후 건축물의 보수보강 수요가 증가하고 있는 실정이지만, 이에 따른 안전진단 업무에 인력 수급에 어려움이 많은 실정이다.
전술한 문제점을 해결하기 위한 본 발명이 이루고자 하는 기술적 과제는, 조적조 건축물의 균열 이미지 데이터를 기반으로 조적조 건축물의 균열 판단, 손상규모 및 보강안을 최종적으로 도출하는 통합 데이터엔진 시스템으로서, 별도의 컴퓨터 해석 없이 기계학습/딥러닝을 활용한 조적조 건축물에 대한 내진성능 평가를 수행할 수 있는, 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템 및 그 방법을 제공하기 위한 것이다.
본 발명이 이루고자 하는 다른 기술적 과제는, 이산요소해석을 바탕으로 조적조 건축물의 구조성능 데이터 및 이미지 데이터의 균열 판단 기법을 결합한 하이브리드 기술로서, 조적조의 균열 이미지만으로 조적조 건축물의 상태를 판정하고 보강안을 신속하고 정확하게 수립할 수 있는, 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템 및 그 방법을 제공하기 위한 것이다.
본 발명이 이루고자 하는 또 다른 기술적 과제는, 균열이 발생한 조적조 건축물의 신속하고 정확한 균열 판단 및 그 규모를 파악하여 객관적이고 타당한 보수 방안을 도출하여 조적조 건축물의 안전진단 과정에 드는 시간과 비용을 최소화하며, 조적조 건축물의 치장벽돌 탈락에 의한 인명피해를 최소화할 수 있는, 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템 및 그 방법을 제공하기 위한 것이다.
전술한 기술적 과제를 달성하기 위한 수단으로서, 본 발명에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템은, 사용자가 모바일앱-기반 카메라를 사용하여 조적조 건축물을 촬영하여 획득한 이미지 데이터를 수집하는 이미지 데이터 수집부; 상기 이미지 데이터 수집부에서 수집한 이미지 데이터를 이미지-기반 손상 탐지 알고리즘에 따라 상기 조적조 건축물의 균열을 탐지하여 손상 유무 및 유형을 손성정보로 출력하는 손상 탐지모듈; 상기 이미지 데이터 수집부에서 수집한 이미지 데이터를 픽셀-기반 손상규모 측정 알고리즘에 따라 픽셀-기반의 손상규모를 측정하는 손상규모 측정모듈; 지진 안전성 평가를 위한 학습데이터 세트 생성을 위한 입력변수 및 출력변수를 설정하는 입출력 변수 설정부; 상기 입출력 변수에 따른 학습데이터 세트를 생성하고, 딥러닝-기반의 인공신경망 모델에 따라 상기 조적조 건축물의 지진 안전성을 평가하는 지진 안전성 평가모듈; 및 상기 손상 유무 및 유형, 상기 손상규모 및 상기 지진 안전성 평가결과를 결합한 하이브리드 손상수준 평가결과를 제공하는 하이브리드 손상수준 평가결과 제공부를 포함하되, 상기 하이브리드 손상수준 평가결과 제공부는 사용자가 상기 조적조 건축물에 대한 조적조 이미지를 입력하는 것에 대응하여 상기 조적조 건축물의 하이브리드 손상수준 평가결과를 출력하는 것을 특징으로 것을 특징으로 한다.
본 발명에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템은, 상기 하이브리드 손상수준 평가결과에 따라 보강안을 수립하고, 상기 보강안에 따른 수리비용을 산정하는 보강안 및 수리비용 산정부를 추가로 포함할 수 있다.
여기서, 상기 모바일앱-기반 카메라는 스마트폰에 내장되거나 또는 드론에 탑재되며, 상기 조적조 건축물에 대한 조적조 이미지를 획득하여 상기 이미지 데이터 수집부에게 무선으로 전송할 수 있다.
여기서, 상기 손상 탐지모듈은, 상기 조적조 이미지로부터 균열 이미지를 추출하여 입력데이터로 설정하는 입력데이터 설정부; 이미지-기반 손상 탐지 알고리즘에 따른 손상분류 학습모델을 구성하여 균열 발생 유무를 판단하고 균열 유형을 분류하는 손상 분류부; 및 상기 조적조 건축물에 대한 균열 이미지에 따른 균열 발생 유무 및 균열 유형을 손상정보로 출력하는 손상정보 출력부를 포함할 수 있다.
여기서, 상기 입력데이터 설정부는 상기 조적조 이미지의 균열 양상을 수직균열, 수평균열, 대각균열 또는 벽돌균열로 분류하여 상기 손상 분류부의 입력변수로 설정하고, 상기 손상분류 학습모델의 학습데이터를 구성할 수 있다.
여기서, 상기 손상분류 학습모델은 인간의 시각처리를 모방한 합성곱 신경망(CNN) 모델로서 ResNet(Residual Network) 알고리즘에 따라 구현되는 것을 특징으로 한다.
여기서, 상기 손상규모 측정모듈은, 상기 이미지 데이터 수집부에서 수집되는 조적조 이미지에 대해 치장벽돌과 모르타르의 경계를 분리하는 이진화를 위해서 이미지 임계처리를 수행하는 이미지 임계처리부; 픽셀 그룹을 활용하여 특정 크기 이상의 객체를 검출하도록 이미지 분석 기법에 따라 조적조 그리드를 생성하는 이미지 분석부; 상기 이미지 분석부에서 생성된 조적조 그리드와 탐지된 균열을 매핑시켜 균열 픽셀을 생성하는 균열 매핑부; 및 상기 균열 픽셀과 기설정된 픽셀 길이를 누산하여 픽셀-기반 손상규모를 측정하는 손상규모 측정부를 포함할 수 있다.
여기서, 상기 이미지 분석부는 이미지 분석 기법인 BLOB(Binary Large Object) 해석을 진행하여 치장벽돌 한 개씩 인식할 수 있다.
여기서, 상기 손상규모 측정부는 상기 조적조 건축물의 이미지만으로 실제 치장벽돌의 길이를 참조 객체로 하여 상기 조적조 건축물의 손상 길이를 정밀하게 누적 산정하는 것을 특징으로 한다.
여기서, 상기 지진 안전성 평가모듈은, 상기 입력변수들의 조합 설정하여 상기 조적조 이미지로부터 상기 조적조 건축물 모델을 형성하는 이산요소 해석부; 상기 입출력 변수에 따라 학습데이터 세트를 생성하는 학습데이터 세트 생성부; 및 상기 학습데이터 세트 생성부에서 생성된 학습데이터 세트를 딥러닝-기반의 인공신공망 모델에 적용하여 지진 안전성을 평가하는 지진 안전성 평가부를 포함할 수 있다.
여기서, 상기 이산요소 해석부는 상용 이산요소해석 프로그램인 3DEC을 이용하여 상기 조적조 건축물 모델을 형성하는 것을 특징으로 한다.
여기서, 상기 지진 안전성 평가부의 딥러닝-기반의 인공신경망 모델은, 학습데이터 세트에 따라 수평연결철물 간격, 수직연결철물 간격, 지진지역 수평지진하중, 모르타르 수직강성 및 모르타르 전단강성을 입력인자로 하고, 최대 변위, 허용 층간변형률 및 성능 수준을 출력인자로 하여 인공신경망 기법을 통해 학습한 후, 상기 입력인자에 대한 출력결과가 머신 러닝의 출력결과에 가장 유사한 값을 도출할 수 있다.
한편, 전술한 기술적 과제를 달성하기 위한 다른 수단으로서, 본 발명에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법은, a) 모바일앱-기반 카메라를 사용하여 조적조 건축물을 사진 촬영하는 단계; b) 이미지 데이터 수집부가 상기 조적조 건축물을 촬영한 이미지 데이터를 무선으로 수신하는 단계; c) 손상 탐지모듈이 이미지-기반 손상 탐지 알고리즘에 따라 균열을 탐지하여 손상 유무 및 유형을 탐지하는 단계; d) 손상규모 측정모듈이 조적조 이미지에 대해 픽셀-기반 손상규모 측정 알고리즘에 따라 손상규모를 측정하는 단계; e) 상기 조적조 건축물의 내진성능을 확인하도록 입출력 변수를 설정하는 단계; f) 상기 입출력 변수에 따라 학습데이터 세트를 생성하는 단계: g) 상기 학습데이터 세트가 적용되는 딥러닝-기반의 인공신경망 모델에 따라 상기 조적조 건축물의 지진 안전성을 평가하는 단계; 및 h) 상기 손상 유무 및 유형, 상기 손상규모 및 상기 지진 안전성에 따른 하이브리드 손상수준 평가결과를 제공하는 단계를 포함하되, 상기 h) 단계에서 사용자가 상기 조적조 건축물에 대한 조적조 이미지를 입력하는 것에 대응하여 상기 조적조 건축물의 하이브리드 손상수준 평가결과를 출력하는 것을 특징으로 한다.
본 발명에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법은, i) 상기 조적조 건축물의 하이브리드 손상수준 평가결과에 대응하는 보강안을 수립하여 상기 보강안에 따른 수리비용을 산정하는 단계를 추가로 포함할 수 있다.
여기서, 상기 c) 단계에서 상기 조적조 이미지로부터 균열 이미지를 추출하여 입력 데이터로 설정하고, 이미지-기반 손상 탐지 알고리즘에 따라 손상분류 학습모델을 형성하여 균열 발생 유무를 판단하고 균열 유형을 분류하며, 조적조의 균열 이미지에 따른 균열 발생 유무 및 균열 유형을 손상정보로 출력할 수 있다.
여기서, 상기 d) 단계에서 조적조 이미지에 대해 치장벽과 모르타르의 경계를 분리하는 이진화를 위해 이미지 임계처리를 수행하고, 픽셀 그룹을 활용하여 특정 크기 이상의 객체를 검출하도록 이미지 분석 기법에 따라 조적조 그리드를 생성하며, 상기 생성된 조적조 그리드와 탐지된 균열을 매핑시켜 균열 픽셀을 생성하고, 상기 균열 픽셀과 기설정된 픽셀 길이를 누산하여 픽셀-기반 손상규모를 측정할 수 있다.
여기서, 상기 f) 단계는, f-1) 상기 조적조 건축물의 손상평가 관련 문헌 조사 및 분석을 통한 입출력 변수를 설정하는 단계; f-2) 이산요소해석 프로그램을 이용하여 조적조 건축물 모델을 형성하는 단계; f-3) 지진하중, 모르타르의 강성값 및 연결철물 유무의 입력변수를 적용한 조적조 건축물 모델에 대한 응답을 생성하는 단계; 및 f-4) 상기 입출력 변수의 변화를 통해 출력값을 도출하는 단계; 및 f-5) 내진성능 프로필과 지진 시나리오가 고려된 입출력 학습데이터 세트를 생성하는 단계를 포함할 수 있다.
여기서, 상기 g) 단계의 딥러닝-기반의 인공신경망 모델은, 학습데이터 세트에 따라 수평연결철물 간격, 수직연결철물 간격, 지진지역 수평지진하중, 모르타르 수직강성 및 모르타르 전단강성을 입력인자로 하고, 최대 변위, 허용 층간변형률 및 성능 수준을 출력인자로 하여 인공신경망 기법을 통해 학습한 후, 상기 입력인자에 대한 출력결과가 머신 러닝의 출력결과에 가장 유사한 값을 도출하는 것을 특징으로 한다.
본 발명에 따르면, 조적조 건축물의 균열 이미지 데이터를 기반으로 조적조 건축물의 균열 판단, 손상규모 및 보강안을 최종적으로 도출하는 통합 데이터엔진 시스템으로서, 별도의 컴퓨터 해석 없이 기계학습/딥러닝을 활용한 조적조 건축물에 대한 내진성능 평가를 수행하며, 아직까지 내진성능 데이터가 부족한 조적조 건축물에 대해서 다양한 보강안을 제시할 수 있다.
본 발명에 따르면, 이산요소해석을 바탕으로 조적조 건축물의 구조성능 데이터 및 이미지 데이터의 균열 판단 기법을 결합한 하이브리드 기술로서, 조적조의 균열 이미지만으로 조적조 건축물의 상태를 판정하고 보강안을 신속하고 정확하게 수립할 수 있다. 이를 통해 현재 대다수 조적조 건축물의 내진성능 관련 데이터가 부족한 상황에서 내진성능 데이터를 구축할 수 있고 신속 정확하게 내진 보강안 및 수리비용을 산정할 수 있다.
본 발명에 따르면, 균열이 발생한 조적조 건축물의 신속하고 정확한 균열 판단 및 그 규모를 파악하여 객관적이고 타당한 보수 방안을 도출하여 조적조 건축물의 안전진단 과정에 드는 시간과 비용을 최소화하며, 조적조 건축물의 치장벽돌 탈락에 의한 인명피해를 최소화할 수 있다.
본 발명에 따르면, 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템으로서 소요시간, 비용 그리고 인력을 획기적으로 절약할 수 있으며, 조적조 건축물이 많이 적용된 학교시설 및 5층 이하 중저층 건물에서 활발하게 활용할 수 있다. 특히, 재난 발생 이전 피해규모 최소화를 위한 노후 건축물의 안전성 판단을 위한 지표로 활용할 수 있으며, 안전 여부를 신속하게 확인하고 보강의 우선순위를 결정할 수 있는 비구조재의 내진성능 평가 및 보강 관련 기능 의사결정 엔진으로도 활용할 수 있다.
도 1a는 일반적인 조적조 건축물인 조적 벽체를 나타내는 사시도이고, 도 1b는 조적조 건축물에서 치장벽돌의 탈락을 예시하는 사진이다.
도 2는 종래의 기술에 따른 건축물 내진성능 평가 방법의 동작흐름도이다
도 3은 종래의 기술에 따른 하이브리드 이미지 스캐닝에 기반한 자동화 구조물 균열 평가 방법을 나타내는 동작흐름도이다.
도 4는 종래의 기술에 따른 구조물 균열 검출 모니터링 시스템의 구성도이다.
도 5는 종래의 기술에 따른 구조물 균열 검출 모니터링 방법을 나타내는 동작흐름도이다.
도 6은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템의 구성도이다.
도 7은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템에서 모바일앱-기반 카메라가 탑재되는 스마트폰 및 드론을 예시하는 도면이다.
도 8은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템에서 조적조 건축물을 촬영한 조적조 이미지를 나타내는 사진이다.
도 9는 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템에서 손상 탐지모듈의 구체적인 구성도이다.
도 10은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템에서 손상규모 측정모듈의 구체적인 구성도이다.
도 11은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템에서 지진 안전성 평가모듈의 구체적인 구성도이다.
도 12는 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법을 나타내는 동작흐름도이다.
도 13은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 이미지-기반 조적조 손상 탐지 및 손상규모 측정 과정을 구체적으로 나태내는 동작흐름도이다.
도 14는 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 균열 유형을 예시하는 사진이다.
도 15는 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 손상정보로 출력되는 손상 유무를 설명하기 위한 도면이다.
도 16은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 조적조 이미지내 그리드 생성을 설명하기 위한 도면이다.
도 17은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 픽셀 단위의 손상규모 측정을 설명하기 위한 도면이다.
도 18a 내지 도 18c는 각각 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 지진 안전성 평가를 위한 입력변수의 모델링을 예시하는 도면이다.
도 19는 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 지진 안전성 평가를 위한 학습데이터 세트의 생성을 구체적으로 설명하기 위한 동작흐름도이다.
도 20은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 지진 안전성 평가를 위한 학습데이터 세트 생성 과정에서 입력변수를 조합 설정하는 것을 예시하는 도면이다.
도 21a 내지 도 21c는 각각 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 지진 안전성 평가를 위한 학습데이터 세트 생성 과정에서 단순화된 조적조 실험체로 변수입력 및 해석결과를 비교하는 것을 나타내는 도면이다.
도 22a 내지 도 22c는 각각 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 역량스펙트럼법(CSM)을 이용한 다양한 출력값을 도출하는 것을 예시하는 도면이다.
도 23은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 역량스펙트럼법(CSM)을 이용한 다양한 출력값에 따라 학습데이터 세트를 구축하는 것을 예시하는 도면이다.
도 24는 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 지진 안전성 평가를 위한 인공신경망 모델을 나타내는 도면이다.
도 2는 종래의 기술에 따른 건축물 내진성능 평가 방법의 동작흐름도이다
도 3은 종래의 기술에 따른 하이브리드 이미지 스캐닝에 기반한 자동화 구조물 균열 평가 방법을 나타내는 동작흐름도이다.
도 4는 종래의 기술에 따른 구조물 균열 검출 모니터링 시스템의 구성도이다.
도 5는 종래의 기술에 따른 구조물 균열 검출 모니터링 방법을 나타내는 동작흐름도이다.
도 6은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템의 구성도이다.
도 7은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템에서 모바일앱-기반 카메라가 탑재되는 스마트폰 및 드론을 예시하는 도면이다.
도 8은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템에서 조적조 건축물을 촬영한 조적조 이미지를 나타내는 사진이다.
도 9는 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템에서 손상 탐지모듈의 구체적인 구성도이다.
도 10은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템에서 손상규모 측정모듈의 구체적인 구성도이다.
도 11은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템에서 지진 안전성 평가모듈의 구체적인 구성도이다.
도 12는 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법을 나타내는 동작흐름도이다.
도 13은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 이미지-기반 조적조 손상 탐지 및 손상규모 측정 과정을 구체적으로 나태내는 동작흐름도이다.
도 14는 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 균열 유형을 예시하는 사진이다.
도 15는 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 손상정보로 출력되는 손상 유무를 설명하기 위한 도면이다.
도 16은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 조적조 이미지내 그리드 생성을 설명하기 위한 도면이다.
도 17은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 픽셀 단위의 손상규모 측정을 설명하기 위한 도면이다.
도 18a 내지 도 18c는 각각 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 지진 안전성 평가를 위한 입력변수의 모델링을 예시하는 도면이다.
도 19는 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 지진 안전성 평가를 위한 학습데이터 세트의 생성을 구체적으로 설명하기 위한 동작흐름도이다.
도 20은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 지진 안전성 평가를 위한 학습데이터 세트 생성 과정에서 입력변수를 조합 설정하는 것을 예시하는 도면이다.
도 21a 내지 도 21c는 각각 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 지진 안전성 평가를 위한 학습데이터 세트 생성 과정에서 단순화된 조적조 실험체로 변수입력 및 해석결과를 비교하는 것을 나타내는 도면이다.
도 22a 내지 도 22c는 각각 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 역량스펙트럼법(CSM)을 이용한 다양한 출력값을 도출하는 것을 예시하는 도면이다.
도 23은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 역량스펙트럼법(CSM)을 이용한 다양한 출력값에 따라 학습데이터 세트를 구축하는 것을 예시하는 도면이다.
도 24는 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 지진 안전성 평가를 위한 인공신경망 모델을 나타내는 도면이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 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.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
[이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템(100)]
도 6은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템의 구성도이다.
도 6을 참조하면, 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템(100)은, 이미지 데이터 수집부(110), 손상 탐지모듈(120), 손상규모 측정모듈(130), 지진 안전성 평가모듈(140), 입출력 변수 설정부(150), 하이브리드 손상수준 평가결과 제공부(160) 및 보강안 및 수리비용 산정부(170)를 포함한다.
이미지 데이터 수집부(110)는 사용자가 모바일앱-기반 카메라(200)를 사용하여 조적조 건축물(300)을 촬영하여 획득한 이미지 데이터를 수집한다.
이때, 상기 모바일앱-기반 카메라(200)는, 도 7에 도시된 바와 같이 스마트폰(200a)에 내장되거나 또는 드론(200b)에 탑재됨으로써 상기 조적조 건축물(300)에 대한 조적조 이미지를 획득하여 상기 이미지 데이터 수집부(110)에게 무선으로 전송한다.
또한, 상기 조적조 건축물(300)은 치장벽돌(310), 모르타르(320) 및 연결철물(330)로 이루어지며, 상기 이미지 데이터 수집부(110)는 상기 조적조 건축물(300)을 촬영한 조적조 이미지를 무선으로 수신한다.
손상 탐지모듈(120)은 상기 이미지 데이터 수집부(110)에서 수집한 이미지 데이터를 이미지-기반 손상 탐지 알고리즘에 따라 상기 조적조 건축물(300)의 균열(Crack)을 탐지하여 손상 유무 및 유형을 손성정보로 출력한다.
즉, 조적조 건축물(300)의 균열은 조적조에 대한 많은 정보를 담고 있으므로, 상기 조적조 건축물(300)의 균열 양상에 따라 조적조 건축물(300)의 내진성능 및 내구성 등의 정보를 확인할 수 있다.
따라서 균열 이미지를 입력 데이터로 설정하여 균열의 발생 여부 및 균열의 양상을 출력값으로 하는 손상 탐지모듈을 제공한다.
구체적으로, 조적조 이미지 내의 객체 검출(Object Detection)은 이미지의 픽셀을 숫자 데이터(Digit Data)로 전환한 후, 중요도 산출에 따른 딥러닝을 진행하여 조적조 이미지 내 지정된 객체를 탐지할 수 있다.
예를 들면, 조적조 이미지의 경우, 균열 부위가 치장벽돌(310)과 모르타르(320)로 이루어진 전경(Foreground)과 대조를 이루기 때문에 객체 검출을 이용한 균열 탐지에 적당한 이미지 데이터라고 할 수 있다.
이에 따라, 딥러닝 이전에 조적조 이미지 내에 표기해둔 균열에 해당하는 픽셀 부분을 라벨링함으로써 딥러닝 이후 균열로 용이하게 인지할 수 있다.
도 6을 다시 참조하면, 손상규모 측정모듈(130)은 상기 이미지 데이터 수집부(110)에서 수집한 이미지 데이터를 픽셀-기반 손상규모 측정 알고리즘에 따라 픽셀-기반의 손상규모를 측정한다.
지진 안전성 평가모듈(140)은 입출력 변수에 따른 학습데이터 세트를 생성하고, 딥러닝-기반의 인공신경망 모델에 따라 상기 조적조 건축물(300)의 지진 안전성을 평가한다.
입출력 변수 설정부(150)는 지진 안전성 평가를 위한 상기 학습데이터 세트 생성을 위한 입력변수 및 출력변수를 설정한다.
하이브리드 손상수준 평가결과 제공부(160)는 상기 손상 유무 및 유형, 상기 손상규모 및 상기 지진 안전성 평가결과를 결합한 하이브리드 손상수준 평가결과를 제공한다.
즉. 상기 하이브리드 손상수준 평가결과 제공부(160)는 사용자가 상기 조적조 건축물(300)에 대한 조적조 이미지를 입력하는 것에 대응하여 상기 조적조 건축물(300)의 하이브리드 손상수준 평가결과를 출력한다.
보강안 및 수리비용 산정부(170)는 상기 하이브리드 손상수준 평가결과에 따라 보강안을 수립하고, 상기 보강안에 따른 수리비용을 산정한다.
한편, 도 7은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템에서 모바일앱-기반 카메라가 탑재되는 스마트폰 및 드론을 예시하는 도면이다.
본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템에서 모바일앱-기반 카메라(200)는,
도 7의 a)에 도시된 스마트폰(200a)에 내장되거나 또는 도 7의 b)에 도시된 드론(200b)에 탑재됨으로써 상기 조적조 건축물(300)에 대한 조적조 이미지를 획득하여 상기 이미지 데이터 수집부(110)에게 무선으로 전송한다.
다시 말하면, 모바일앱-기반 카메라(200)를 도 7의 a)에 도시된 스마트폰(200a)에 내장하여 사용자가 간편하게 조적조 건축물(300)을 촬영하거나 또는 보다 정확한 조적조 건축물(300)을 촬영하기 위해서는 드론(200b)에 탑재하여 상기 조적조 건축물(300)을 근접 촬영할 수 있고,
상기 모바일앱-기반 카메라(200)는 모바일앱 또는 웹과 연동시켜 이미지 데이터를 수집할 수 있다면, 이에 국한되는 것은 아니며,
한편, 도 8은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템에서 조적조 건축물을 촬영한 조적조 이미지를 나타내는 사진이다.
본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템의 경우, 도 8에 도시된 바와 같이, 조적조 건축물(300)은, 도 6의 상단을 참조하면, 치장벽돌(310), 모르타르(320) 및 연결철물(330)로 이루어지며, 상기 이미지 데이터 수집부(110)는 상기 조적조 건축물(300)을 촬영한 조적조 이미지를 무선으로 수신한다.
한편, 도 9는 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템에서 손상 탐지모듈의 구체적인 구성도이다.
도 9를 참조하면, 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템의 손상 탐지모듈(120)은 입력 데이터 설정부(121), 손상 분류부(122) 및 손상정보 출력부(123)로 이루어진다.
입력데이터 설정부(121)는 상기 조적조 이미지로부터 균열 이미지를 추출하여 입력 데이터로 설정한다.
손상 분류부(122)는 이미지-기반 손상 탐지 알고리즘에 따라 손상분류 학습모델을 형성하여 균열 발생 유무를 판단하고 균열 유형을 분류한다.
여기서, 상기 손상분류 학습모델은 인간의 시각처리를 모방한 합성곱 신경망(Convolutional Neutral Network: CNN) 모델로서 ResNet(Residual Network) 알고리즘에 따라 구현될 수 있지만, 이에 국한되는 것은 아니다.
구체적으로, 조적조 건축물(300)의 균열은 구조적 결함, 설계적 결함 또는 시공적 결함의 이유로 발생하며, 각각의 결함은 외관상 균열로 이어진다.
따라서 조적조 이미지의 균열 양상을 수직균열, 수평균열, 대각균열 또는 벽돌균열로 분류함으로써 상기 손상 분류부(122)의 입력변수로 설정하여 학습데이터를 구성하게 된다.
손상정보 출력부(123)는 조적조의 균열 이미지-기반으로 균열 발생 유무 및 균열 유형을 손상정보로 출력한다.
한편, 통상적으로, 조적조 건축물(300)의 안전진단 과정 시, 균열의 정확한 양을 숫자(Digit)로 표기하는 일은 거의 불가능하다.
이러한 부정확한 안전진단을 보완하는 방안으로서, 조적조 이미지 내의 균열의 양을 합산하여 정확한 균열지표로 손상규모를 산출하며, 이러한 손상규모에 적합한 보강 방안 및 수리 비용을 산정할 수 있다.
또한, 국외 선행 연구에서 조적조 이미지 내 모르타르와 벽돌을 분리하여 검출하는 방법이 제시된 바 있다.
특히, 조적조 이미지는 이미지상 모르타르와 벽돌의 경계가 분명하여 이미지 처리의 기반이 되는 이미지 임계처리(Image Thresholding) 과정을 거친 후 이미지 분석을 하기에 유리한 측면이 크다.
그러나 실제 조적조 이미지를 분석할 때, 화질의 문제와 더불어 조적조의 노후화에 따른 모르타르와 벽돌의 불분명한 상태가 나타나는 경우가 발생하므로, 이를 고려하여 보다 정밀하게 모르타르와 벽돌의 경계를 분명하게 검출하기 위해서 딥러닝 학습을 수행한다.
도 10은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템에서 손상규모 측정모듈의 구체적인 구성도이다.
도 10을 참조하면, 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템의 손상규모 측정모듈(130)은 이미지 임계처리부(131), 이미지 분석부(132), 균열 매핑부(133) 및 손상규모 측정부(134)를 포함 할 수 있다.
이미지 임계처리부(131)는 상기 이미지 데이터 수집부(110)에서 수집되는 조적조 이미지에 대해 치장벽돌(310)과 모르타르(320)의 경계를 분리하는 이진화를 위해서 이미지 임계처리(Image Thresholding)를 수행한다.
이미지 분석부(132)는 픽셀 그룹을 활용하여 특정 크기 이상의 객체를 검출하도록 이미지 분석 기법에 따라 조적조 그리드를 생성한다. 여기서, 상기 이미지 분석부(132)는 이미지 분석 기법인 BLOB(Binary Large Object) 해석을 진행하여 치장벽돌 한 개씩 인식할 수 있다.
균열 매핑부(133)는 상기 이미지 분석부(132)에서 생성된 조적조 그리드와 탐지된 균열을 매핑(Mapping)시켜 균열 픽셀을 생성한다.
손상규모 측정부(134)는 상기 균열 픽셀과 기설정된 픽셀 길이를 누산하여 픽셀-기반 손상규모를 측정한다.
여기서, 상기 손상규모 측정부(134)는 상기 조적조 건축물(300)의 이미지만으로 실제 치장벽돌의 길이를 참조 객체로 하여 상기 조적조 건축물(300)의 손상 길이를 정밀하게 누적 산정할 수 있다.
구체적으로 본 발명의 실시예에 따른 딥러닝의 학습결과로 만들어진 학습모델은 조적조 이미지를 입력 데이터로 사용하여 치장벽돌과 모르타르를 분리한 이미지를 자동으로 출력한다.
이렇게 출력된 분리 이미지는 이진화가 진행된 이미지로서, 이후 이미지 분석 기법 중에서 BLOB(Binary Large Object) 해석을 진행함으로써 각각 치장벽돌 한 개씩 인식할 수 있다.
여기서, BLOB 해석은 이진 인자의 연결된 픽셀 그룹을 활용하여 특정 크기 이상의 객체를 검출하는 기법을 말하며,
구체적으로, 회색 화상을 임의의 한계값을 기준으로 0과 1로 변환하는 것을 2치화 처라고 하는데, 통상적으로 흑(0)과 백(1)으로 처리하며, 이것으로 대상물에만 주목하여 다양한 해석을 하는 것이 가능해지며,
이러한 2치화 처리를 끝낸 화상을 분석하는 방법을 BLOB 해석이라고 한다.
예를 들면, 조적조 이미지 내에 참조 물체가 존재한다면,
상기 참조 물체의 실제 크기를 입력한 후, 이를 픽셀의 수와 연관지어 '이미지내 픽셀수/실제 물체치수'라는 '픽셀 하나당 실제 치수' 함수를 생성할 수 있다.
이때, 이러한 '픽셀 하나당 실제 치수' 함수 활용에 있어서, 실제 물체치수 인자와 조적조 이미지내 픽셀수 인자를 따로 계산할 필요가 있다. 픽셀 하나당 실제 치수(
)는 다음의 수학식 1과 같이 주어진다.
[수학식 1]
여기서, 
는 실제 물체치수를 나타내고, 
는 이미지내 픽셀수를 나타낸다.
첫 번째로, '실제 물체치수'는 치장벽돌이 예컨대 190x90x57mm의 표준규격으로 제작된다는 점에서 추출된 치장벽돌의 높이값인 57㎜를 '실제 물체치수'의 고정값으로 활용할 수 있다.
두 번째로, '이미지내 픽셀수' 인자 값은 조적조 이미지에서 추출된 균열(Crack)의 골격화 과정(Skeletonizing)을 거쳐 픽셀수를 산출할 수 있다.
한편, 도 11은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템에서 지진 안전성 평가모듈의 구체적인 구성도이다.
도 11을 참조하면, 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템의 지진 안전성 평가모듈(140)은, 이산요소 해석부(141), 학습데이터 세트 생성부(142) 및 지진 안전성 평가부(143)를 포함한다.
구체적으로, 아직까지 조적조 건축물과 관련된 신속한 손상평가를 위해 정확한 기준이 마련되어 있지 않은 실정이므로, 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템(100)은,
조적조 건축물(300)의 손상평가와 관련하여 기준을 마련하고 정밀한 조적조 건축물(300)의 성능평가를 위한 이산요소해석 소프트웨어를 이용하여 학습데이터 세트를 설계 및 생성할 수 있다.
이러한 이산요소해석 모델링은 조적조 건축물(300)의 비선형 거동과 붕괴 메커니즘을 포착할 수 있는 능력을 갖고 있어 조적조 건축물(300)의 구조성능 데이터 생성을 위한 유효한 방법으로 사용될 수 있다.
본 발명의 실시예에서는 이산요소해석 상용 프로그램인 3DEC을 활용한다. 조적조 건축물의 파괴 유형에 영향을 줄 수 있는 핵심변수인 줄눈 배치, 모르타르 강도 및 형상비를 입력변수로 선정하고,
이에 따른 출력변수인 손상수준, 파괴유형별 강도·강성, 파괴유형별 연성도 저감 비율을 각각 산출하여 지진 안전성 평가를 위한 인공신경망 모델의 학습데이터 세트를 구성한다.
이산요소 해석부(141)는 상기 입력변수들의 조합 설정하여 상기 조적조 이미지로부터 상기 조적조 건축물 모델을 형성한다.
예를 들면, 상기 이산요소 해석부(141)는 상용 이산요소해석 프로그램인 3DEC을 이용하여 상기 조적조 건축물 모델을 형성할 수 있다.
학습데이터 세트 생성부(142)는 상기 입출력 변수에 따라 학습데이터 세트를 생성한다
지진 안전성 평가부(143)는 상기 학습데이터 세트 생성부(142)에서 생성된 학습데이터 세트를 딥러닝-기반의 인공신공망 모델에 적용하여 지진 안전성을 평가한다.
구체적으로, 상기 지진 안전성 평가부(143)의 딥러닝-기반의 인공신경망 모델은, 학습데이터 세트에 따라 수평연결철물 간격, 수직연결철물 간격, 지진지역 수평지진하중, 모르타르 수직강성 및 모르타르 전단강성을 입력인자로 하고, 최대 변위, 허용 층간변형률 및 성능 수준을 출력인자로 하여 인공신경망 기법을 통해 학습한 후, 상기 입력인자에 대한 출력결과가 머신 러닝의 출력결과에 가장 유사한 값을 도출할 수 있다.
이에 따라, 학습범위 내에서 사용자가 입력변수를 다양하게 입력하더라도, 신뢰도 높은 출력결과를 빠른 속도로 산출할 수 있다.
결국, 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템(100)에 따르면,
조적조 건축물의 균열 이미지 데이터를 기반으로 조적조 건축물의 균열 판단, 손상규모 및 보강안을 최종적으로 도출하는 통합 데이터엔진 시스템으로서, 별도의 컴퓨터 해석 없이 기계학습/딥러닝을 활용한 조적조 건축물에 대한 내진성능 평가를 수행하며, 아직까지 내진성능 데이터가 부족한 조적조 건축물에 대해서 다양한 보강안을 제시할 수 있다.
또한, 이산요소해석을 바탕으로 조적조 건축물의 구조성능 데이터 및 이미지 데이터의 균열 판단 기법을 결합한 하이브리드 기술로서, 조적조의 균열 이미지만으로 조적조 건축물의 상태를 판정하고 보강안을 신속하고 정확하게 수립할 수 있다.
이를 통해 현재 대다수 조적조 건축물의 내진성능 관련 데이터가 부족한 상황에서 내진성능 데이터를 구축할 수 있고 신속 정확하게 내진 보강안 및 수리비용을 산정할 수 있다.
또한, 균열이 발생한 조적조 건축물의 신속하고 정확한 균열 판단 및 그 규모를 파악하여 객관적이고 타당한 보수 방안을 도출하여 조적조 건축물의 안전진단 과정에 드는 시간과 비용을 최소화하며, 조적조 건축물의 치장벽돌 탈락에 의한 인명피해를 최소화할 수 있다.
또한, 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템으로서 소요시간, 비용 그리고 인력을 획기적으로 절약할 수 있으며, 조적조 건축물이 많이 적용된 학교시설 및 5층 이하 중저층 건물에서 활발하게 활용할 수 있다.
특히, 재난 발생 이전 피해규모 최소화를 위한 노후 건축물의 안전성 판단을 위한 지표로 활용할 수 있으며, 안전 여부를 신속하게 확인하고 보강의 우선순위를 결정할 수 있는 비구조재의 내진성능 평가 및 보강 관련 기능 의사결정 엔진으로도 활용할 수 있다.
[이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법]
도 12는 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법을 나타내는 동작흐름도이다.
도 12를 참조하면, 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법은, 먼저, 모바일앱-기반 카메라(200)를 사용하여 조적조 건축물(300)을 사진 촬영한다(S110).
다음으로, 이미지 데이터 수집부(110)가 상기 조적조 건축물(300)을 촬영한 이미지 데이터를 무선으로 수신한다(S120).
다음으로, 손상 탐지모듈(120)이 이미지-기반 손상 탐지 알고리즘에 따라 균열을 탐지하여 손상 유무 및 유형을 탐지한다(S130).
구체적으로, 상기 조적조 이미지로부터 균열 이미지를 추출하여 입력 데이터로 설정하고, 이미지-기반 손상 탐지 알고리즘에 따라 손상분류 학습모델을 형성하여 균열 발생 유무를 판단하고 균열 유형을 분류하며, 조적조의 균열 이미지에 따른 균열 발생 유무 및 균열 유형을 손상정보로 출력한다.
다음으로, 손상규모 측정모듈(130)이 조적조 이미지에 대해 픽셀-기반 손상규모 측정 알고리즘에 따라 손상규모를 측정한다(S140).
구체적으로, 상기 조적조 이미지에 대해 치장벽돌(310)과 모르타르(320)의 경계를 분리하는 이진화를 위해 이미지 임계처리를 수행하고, 픽셀 그룹을 활용하여 특정 크기 이상의 객체를 검출하도록 이미지 분석 기법에 따라 조적조 그리드를 생성하며, 상기 생성된 조적조 그리드와 탐지된 균열을 매핑시켜 균열 픽셀을 생성하고, 상기 균열 픽셀과 기설정된 픽셀 길이를 누산하여 픽셀-기반 손상규모를 측정한다.
다음으로, 상기 조적조 건축물(300)의 내진성능을 확인하도록 입출력 변수를 설정한다(S150).
다음으로, 상기 조적조 건축물(300)에 대한 손상 유무 및 유형, 손상규모, 입출력 변수에 따라 학습데이터 세트를 생성한다(S160).
다음으로, 상기 학습데이터 세트가 적용되는 딥러닝-기반의 인공신경망 모델에 따라 상기 조적조 건축물(300)의 지진 안전성을 평가한다(S170).
다음으로, 상기 손상 유무 및 유형, 상기 손상규모 및 상기 지진 안전성에 따른 하이브리드 손상수준 평가결과를 제공한다(S180).
이때, 사용자가 상기 조적조 건축물(300)에 대한 조적조 이미지를 입력하는 것에 대응하여 상기 조적조 건축물(300)의 하이브리드 손상수준 평가결과를 출력한다.
다음으로, 상기 조적조 건축물(300)의 하이브리드 손상수준 평가결과에 대응하는 보강안을 수립하여 상기 보강안에 따른 수리비용을 산정한다(S190).
한편, 도 13은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 이미지-기반 조적조 손상 탐지 및 손상규모 측정 과정을 구체적으로 나태내는 동작흐름도이다.
도 13을 참조하면, 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 이미지-기반 조적조 손상 탐지 및 손상규모 측정 과정은, 먼저, 손상 탐지를 위해 조적조 건축물을 촬영하여 조적조 이미지를 입력하고(S201), 이후, 상기 조적조 이미지 내 균열(Crack)을 검출하며(S202), 이후, 검출된 균열 이미지를 출력한다(S203).
다음으로, 손상규모 측정을 위해 상기 조적조 이미지의 균열부를 추출(Crop)하고(S204), 추출 이미지가 치장벽돌 내 위치하는지 확인한다(S205).
다음으로, 상기 추출 이미지가 치장벽돌 내 위치하지 않는 경우, 균열 세그먼테이션을 처리하고(S206), 이후, 균열 골격화(Skeletonizing)를 처리하며(S207), 이후, 균열 길이를 산정한다(S208).
다음으로, 상기 추출 이미지가 치장벽돌 내 위치하는 경우, 치장벽돌을 검출하고(S209), 이후, 검출된 치장벽돌의 균열 길이의 실제 치수를 산정한다(S210).
다음으로, 마지막으로 검출된 균열인지 확인하고(S211), 마지막으로 검출된 균열이 아닌 경우, 전술한 S205 단계 내지 S210 단계를 반복하여 수행한다.
다음으로, 마지막으로 검출된 균열인 경우, 균열 길이를 누산하고(S212), 전체 균열길이에 따른 손상규모를 출력한다(S213).
한편, 도 14는 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 균열 유형을 예시하는 사진이고, 도 15는 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 손상정보로 출력되는 손상 유무를 설명하기 위한 도면이다.
본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서,
손상 탐지를 위한 입력데이터 설정시, 상기 조적조 이미지의 균열 양상을 수직균열, 수평균열, 대각균열 또는 벽돌균열로 분류하여
상기 손상 분류부(122)의 입력변수로 설정하고, 상기 손상분류 학습모델의 학습데이터를 구성할 수 있다.
여기서, 도 14의 a)는 대각균열을 나타내며, 도 14의 b)는 수평균열을 나타내고, 도 14의 c)는 벽돌균열을 나타낸다.
또한, 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서, 손상 탐지에 따른 손상정보로서,
도 15에 도시된 바와 같이, 조적조 이미지 내에 균열이 포함된 손상정보를 출력할 수 있다.
즉, 도 15의 a)에 도시된 조적조 이미지 내의 균열에 따라 도 15의 b)에 도시된 바와 같이 균열이 포함된 손상정보를 출력할 수 있다.
한편, 도 16은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 조적조 이미지내 그리드 생성을 설명하기 위한 도면이다.
도 16의 a)는 원본 조적조 이미지를 나타내며,
도 16의 b)는 이미지 임계처리를 통해 이진화 처리한 이미지를 나타내며,
도 16의 c)는 이미지 분석 과정으로서, 이진화 처리된 조적조 이미지에 대해 케니(Canny) 엣지를 검출하는 것을 나타내며,
도 16의 d)는 이미지 분석 과정으로서, 케니 엣지 검출 이후 조적조 이미지에 대해 BLOB(Binary Large Object)를 검출하는 것을 나타낸다.
여기서, 케니(Canny)는 엣지(Edge)를 검출하는 함수 중 하나로서, 방향성을 기준으로 외곽선 정보를 찾아내는 것을 말한다.
한편, 도 17은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 픽셀 단위의 손상규모 측정을 설명하기 위한 도면이다.
본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서,
도 17의 a)는 손상규모 측정을 위해 탐지된 균열을 매핑시켜 조적조가 손상된 것을 확인하는 것을 구체적으로 나타내고,
도 17의 b)는 탐지 균열 매핑에 대응하여 균열 픽셀에 ㎜당 픽셀 길이를 곱함으로써 픽셀 단위의 손상규모를 측정할 수 있는 것을 나타낸다.
한편, 도 18a 내지 도 18c는 각각 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 지진 안전성 평가를 위한 입력변수의 모델링을 예시하는 도면이다.
본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서, 지진 안전성 평가를 위한 입력변수 모델링시, 조적조 형상비와 연결철물 위치를 입력변수로 하는 모델링을 수행한 것을 나타내며,
예를 들면, 도 18a는 조적조 형상비가 1.0(=2000/2000)인 경우를 나타내며, 도 18b는 조적조 형상비가 1.3(=2000/1500)인 경우를 나타내며, 도 18c는 조적조 형상비가 2.0(=2000/1000)인 경우를 각각 나타낸다.
한편, 도 19는 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 지진 안전성 평가를 위한 학습데이터 세트의 생성을 구체적으로 설명하기 위한 동작흐름도이다.
도 19를 참조하면, 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 지진 안전성 평가를 위한 학습데이터 세트의 생성 과정은, 먼저, 조적조 건축물(300)의 손상평가 관련 문헌 조사 및 분석을 통해 입력변수 및 출력변수를 설정한다(S161).
다음으로, 상기 입력변수들의 조합 설정을 위해 이산요소해석을 수행하여 조적조 건축물 모델을 형성한다(S162).
예를 들면, 상용 이산요소해석 프로그램인 3DEC을 이용하여 이산요소해석을 수행하여 조적조 건축물 모델을 형성할 수 있다.
다음으로, 단순화된 조적조 실험체로 변수를 입력하고 해석결과를 비교한다(S163).
이때, 다양한 지진하중과 모르타르의 강성값, 연결철물 유무 등의 입력파라미터를 적용한 조적조 건축물 모델에 대한 응답을 생성하게 된다.
다음으로, 입력변수 조합을 적용한 입력변수의 변화를 통해 출력값을 도출한다(S164).
다음으로, 내진성능 프로필과 다양한 지진 시나리오가 고려된 입출력 학습데이터 세트를 생성한다(S165).
예를 들면, 상기 학습데이터 세트는 역량스펙트럼법(Capacity Spectrum Method: CSM)을 이용하여 도출되는 출력값에 따라 구축될 수 있다.
여기서, 역량스펙트럼법(CSM)은 성능기반(Performance- based) 지진 분석 기술로서, 지진에 의해 요구되는 성능(Demand Spectrum)과 구조물의 성능(Capacity Spectrum)을 비교하여 성능점을 산정하고, 성능점에서의 구조물의 상태를 평가하는 방식이다.
한편, 도 20은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 지진 안전성 평가를 위한 학습데이터 세트 생성 과정에서 입력변수를 조합 설정하는 것을 예시하는 도면이다.
본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 지진 안전성 평가를 위한 학습데이터 세트 생성 과정에서, 도 20에 도시된 바와 같이, 입력변수 조합을 적용한 입력변수의 변화를 통해 출력값을 도출할 수 있다.
한편, 도 21a 내지 도 21c는 각각 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 지진 안전성 평가를 위한 학습데이터 세트 생성 과정에서 단순화된 조적조 실험체로 변수입력 및 해석결과를 비교하는 것을 나타내는 도면이다.
본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 지진 안전성 평가를 위한 학습데이터 세트 생성 과정에서,
도 21a는 단순화된 조적조 실험체를 나타내며,
도 21b는 상용 이산요소해석 프로그램인 3DEC을 통해 이산요소해석을 수행하는 것을 나타내며,
또한, 도 21c는 해석결과에 따라 형성되는 조적조 건축물 모델을 나타낸다.
한편, 도 22a 내지 도 22c는 각각 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 역량스펙트럼법(CSM)을 이용한 다양한 출력값을 도출하는 것을 예시하는 도면이고,
도 23은 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 역량스펙트럼법(CSM)을 이용한 다양한 출력값에 따라 학습데이터 세트를 구축하는 것을 예시하는 도면이다.
본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법의 경우,
도 22a 내지 도 22c에 도시된 바와 같이, 역량스펙트럼법(CSM)을 이용한 다양한 출력값을 도출할 수 있고,
또한, 도 23에 도시된 바와 같이, 역량스펙트럼법(CSM)을 이용한 다양한 출력값에 따라 학습데이터 세트를 구축할 수 있다.
한편, 기계학습(Machine Learning) 또는 딥러닝(Deep Learning)으로 대표되는 오늘날의 인공지능(Artificial Intelligence: AI) 기술은 그 개발자들까지도 온전히 이해하기 쉽지 않을 만큼 복잡하고 규모가 큰 모델을 생성하는 특징을 지닌다.
여기서, 딥러닝은 인공신경망(Artificial Neural Network: ANN)의 한 형태로서, 이러한 인공신경망은 마치 인간의 개별 뉴런과도 같은 퍼셉트론(Perceptron)을 컴퓨터상에서 논리적으로 구현하여, 그 복잡한 연결을 통해 인공지능을 구현하고자 하는 시도이다.
이러한 인공신경망은 일반적으로 입력층, 은닉층 및 출력층으로 이루어지며, 개별 층마다 퍼셉트론의 개수 및 그 연결 구조는 사용자가 구성할 수 있다.
이때, 은닉층의 개수 또한 사용자가 임의로 늘려나갈 수 있으며, 일반적으로 신경망의 층이 3층 이상이 될 때를 심층 신경망(Deep Neural Network: DNN)이라고 부른다. 다시 말하면, 딥러닝은 이러한 심층신경망에서 퍼셉트론 간의 연결강도로 주어지는 파라미터들을 데이터에 기반하여 학습시키는 과정이라고 할 수 있다.
도 24는 본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 지진 안전성 평가를 위한 인공신경망 모델을 나타내는 도면이다.
본 발명의 실시예에 따른 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법에서 지진 안전성 평가를 위한 딥러닝-기반의 인공신경망 모델은,
도 24에 도시된 바와 같이, 입력층, 은닉층 및 출력층을 포함하며, 예를 들면, 학습데이터 세트에 따라 수평연결철물 간격, 수직연결철물 간격, 지진지역 수평지진하중, 모르타르 수직강성 및 모르타르 전단강성을 입력인자로 하고,
최대 변위, 허용 층간변형률 및 성능 수준을 출력인자로 하여 인공신경망 기법을 통해 학습한 후, 상기 입력인자에 대한 출력결과가 머신 러닝의 출력결과에 가장 유사한 값을 도출하게 된다.
결국, 본 발명의 실시예에 따르면, 객관성이 부족했던 종래의 조적조 건축물의 구조 안전성 평가에 비래 획기적으로 시간 단축이 가능하고 객관적으로 접근할 수 있는 알고리즘으로 구성된다.
또한, 조적조 건축물의 구조적 성능 해석이 가능한 이산요소해석을 활용하여 정밀도와 신뢰도가 높은 지진 안전성 자동평가 모델을 구축함으로써, 신뢰성이 높은 데이터베이스를 구축하고, 웹 및 모바일앱과 용이하게 연동시킬 수 있다.
또한, 본 발명의 실시예에 따르면, 기존 조적조 건축물에 대한 손상수준 파악 및 보강안을 신속하게 파악할 수 있기 때문에 지진안전 건축물 사전대응 시스템으로 활용할 수 있으며, 이를 바탕으로 재난에 의한 인명 및 재산 피해를 최소화할 수 있다.
또한, 본 발명의 실시예에 따르면, 조적조 건축물의 이미지 데이터를 입력 데이터로 하기 때문에, 지진 안전성 평가에 있어서 누구나 이용하기 쉬우며, 시간 소요가 적다는 장점이 있으며, 또한, 장기적인 측면에서 재난대비 조적조 건축물의 유지관리 기술로 활용할 수 있으며, 재난 발생 직후에 즉시 대응 용도로 활용할 수 있다.
또한, 본 발명의 실시예에 따르면, 종래의 기술에 따른 복잡하고 시간이 많이 소요되는 조적조 건축물의 구조 안전성 평가 과정에 비해서 획기적으로 단순하고, 정밀도 또한 높은 하이브리드 기술로서,
기존 개발된 플랫폼 또는 개발중인 플랫폼에 탑재가 용이하므로, 광역단위의 내진성능을 평가하수 있거나, 또는, 보급형 기술로서 거주자가 간단한 정보 입력만으로 조적조 건축물의 내진성능을 파악하는데 활용할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 하이브리드 손상평가 시스템
110: 이미지 데이터 수집부
120: 손상 탐지모듈
121: 입력데이터 설정부 122: 손상 분류부
123: 손상정보 출력부
130: 손상규모 측정모듈
131: 이미지 임계처리부 132: 이미지 분석부
133: 균열 매핑부 134: 손상규모 측정부
140: 지진 안전성 평가모듈 141: 이산요소 해석부
142: 학습데이터 세트 생성부 143: 지진 안전성 평가부
150: 입출력 변수 설정부
160: 하이브리드 손상수준 평가결과 제공부
170: 보강안 및 수리비용 산정부
200: 모바일앱-기반 카메라
200a: 스마트폰 200b: 드론
300: 조적조 건축물
310: 치장벽돌 320: 모르타르
330: 연결철물
110: 이미지 데이터 수집부
120: 손상 탐지모듈
121: 입력데이터 설정부 122: 손상 분류부
123: 손상정보 출력부
130: 손상규모 측정모듈
131: 이미지 임계처리부 132: 이미지 분석부
133: 균열 매핑부 134: 손상규모 측정부
140: 지진 안전성 평가모듈 141: 이산요소 해석부
142: 학습데이터 세트 생성부 143: 지진 안전성 평가부
150: 입출력 변수 설정부
160: 하이브리드 손상수준 평가결과 제공부
170: 보강안 및 수리비용 산정부
200: 모바일앱-기반 카메라
200a: 스마트폰 200b: 드론
300: 조적조 건축물
310: 치장벽돌 320: 모르타르
330: 연결철물
Claims (18)
- 사용자가 모바일앱-기반 카메라(200)를 사용하여 조적조 건축물(300)을 촬영하여 획득한 이미지 데이터를 수집하는 이미지 데이터 수집부(110);
상기 이미지 데이터 수집부(110)에서 수집한 이미지 데이터를 이미지-기반 손상 탐지 알고리즘에 따라 상기 조적조 건축물(300)의 균열(Crack)을 탐지하여 손상 유무 및 유형을 손성정보로 출력하는 손상 탐지모듈(120);
상기 이미지 데이터 수집부(110)에서 수집한 이미지 데이터를 픽셀-기반 손상규모 측정 알고리즘에 따라 픽셀-기반의 손상규모를 측정하는 손상규모 측정모듈(130);
지진 안전성 평가를 위한 학습데이터 세트 생성을 위한 입력변수 및 출력변수를 설정하는 입출력 변수 설정부(150);
상기 입출력 변수에 따른 학습데이터 세트를 생성하고, 딥러닝-기반의 인공신경망 모델에 따라 상기 조적조 건축물(300)의 지진 안전성을 평가하는 지진 안전성 평가모듈(140); 및
상기 손상 유무 및 유형, 상기 손상규모 및 상기 지진 안전성 평가결과를 결합한 하이브리드 손상수준 평가결과를 제공하는 하이브리드 손상수준 평가결과 제공부(160)를 포함하되,
상기 하이브리드 손상수준 평가결과 제공부(160)는 사용자가 상기 조적조 건축물(300)에 대한 조적조 이미지를 입력하는 것에 대응하여 상기 조적조 건축물(300)의 하이브리드 손상수준 평가결과를 출력하는 것을 특징으로 하는 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템. - 제1항에 있어서,
상기 하이브리드 손상수준 평가결과에 따라 보강안을 수립하고, 상기 보강안에 따른 수리비용을 산정하는 보강안 및 수리비용 산정부(170)를 추가로 포함하는 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템. - 제1항에 있어서,
상기 모바일앱-기반 카메라(200)는 스마트폰(200a)에 내장되거나 또는 드론(200b)에 탑재되며, 상기 조적조 건축물(300)에 대한 조적조 이미지를 획득하여 상기 이미지 데이터 수집부(110)에게 무선으로 전송하는 것을 특징으로 하는 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템. - 제1항에 있어서, 상기 손상 탐지모듈(120)은,
상기 조적조 이미지로부터 균열 이미지를 추출하여 입력데이터로 설정하는 입력데이터 설정부(121);
이미지-기반 손상 탐지 알고리즘에 따른 손상분류 학습모델을 구성하여 균열 발생 유무를 판단하고 균열 유형을 분류하는 손상 분류부(122); 및
상기 조적조 건축물(300)에 대한 균열 이미지에 따른 균열 발생 유무 및 균열 유형을 손상정보로 출력하는 손상정보 출력부(123)를 포함하는 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템. - 제4항에 있어서,
상기 입력데이터 설정부(121)는 상기 조적조 이미지의 균열 양상을 수직균열, 수평균열, 대각균열 또는 벽돌균열로 분류하여 상기 손상 분류부(122)의 입력변수로 설정하고, 상기 손상분류 학습모델의 학습데이터를 구성하는 것을 특징으로 하는 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템. - 제5항에 있어서,
상기 손상분류 학습모델은 인간의 시각처리를 모방한 합성곱 신경망(Convolutional Neutral Network: CNN) 모델로서 ResNet(Residual Network) 알고리즘에 따라 구현되는 것을 특징으로 하는 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템. - 제1항에 있어서, 상기 손상규모 측정모듈(130)은,
상기 이미지 데이터 수집부(110)에서 수집되는 조적조 이미지에 대해 치장벽돌(310)과 모르타르(320)의 경계를 분리하는 이진화를 위해서 이미지 임계처리(Image Thresholding)를 수행하는 이미지 임계처리부(131);
픽셀 그룹을 활용하여 특정 크기 이상의 객체를 검출하도록 이미지 분석 기법에 따라 조적조 그리드를 생성하는 이미지 분석부(132);
상기 이미지 분석부(132)에서 생성된 조적조 그리드와 탐지된 균열을 매핑(Mapping)시켜 균열 픽셀을 생성하는 균열 매핑부(133); 및
상기 균열 픽셀과 기설정된 픽셀 길이를 누산하여 픽셀-기반 손상규모를 측정하는 손상규모 측정부(134)를 포함하는 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템. - 제7항에 있어서,
상기 이미지 분석부(132)는 이미지 분석 기법인 BLOB(Binary Large Object) 해석을 진행하여 치장벽돌 한 개씩 인식하는 것을 특징으로 하는 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템. - 제7항에 있어서,
상기 손상규모 측정부(134)는 상기 조적조 건축물(300)의 이미지만으로 실제 치장벽돌의 길이를 참조 객체로 하여 상기 조적조 건축물(300)의 손상 길이를 정밀하게 누적 산정하는 것을 특징으로 하는 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템. - 제1항에 있어서, 상기 지진 안전성 평가모듈(140)은,
상기 입력변수들의 조합 설정하여 상기 조적조 이미지로부터 상기 조적조 건축물 모델을 형성하는 이산요소 해석부(141);
상기 입출력 변수에 따라 학습데이터 세트를 생성하는 학습데이터 세트 생성부(142); 및
상기 학습데이터 세트 생성부(142)에서 생성된 학습데이터 세트를 딥러닝-기반의 인공신공망 모델에 적용하여 지진 안전성을 평가하는 지진 안전성 평가부(143)를 포함하는 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템. - 제10항에 있어서,
상기 이산요소 해석부(141)는 상용 이산요소해석 프로그램인 3DEC을 이용하여 상기 조적조 건축물 모델을 형성하는 것을 특징으로 하는 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템. - 제10항에 있어서,
상기 지진 안전성 평가부(143)의 딥러닝-기반의 인공신경망 모델은, 학습데이터 세트에 따라 수평연결철물 간격, 수직연결철물 간격, 지진지역 수평지진하중, 모르타르 수직강성 및 모르타르 전단강성을 입력인자로 하고, 최대 변위, 허용 층간변형률 및 성능 수준을 출력인자로 하여 인공신경망 기법을 통해 학습한 후, 상기 입력인자에 대한 출력결과가 머신 러닝의 출력결과에 가장 유사한 값을 도출하는 것을 특징으로 하는 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템. - a) 모바일앱-기반 카메라(200)를 사용하여 조적조 건축물(300)을 사진 촬영하는 단계;
b) 이미지 데이터 수집부(110)가 상기 조적조 건축물(300)을 촬영한 이미지 데이터를 무선으로 수신하는 단계;
c) 손상 탐지모듈(120)이 이미지-기반 손상 탐지 알고리즘에 따라 균열을 탐지하여 손상 유무 및 유형을 탐지하는 단계;
d) 손상규모 측정모듈(130)이 조적조 이미지에 대해 픽셀-기반 손상규모 측정 알고리즘에 따라 손상규모를 측정하는 단계;
e) 상기 조적조 건축물(300)의 내진성능을 확인하도록 입출력 변수를 설정하는 단계;
f) 상기 조적조 건축물(300)에 대한 손상 유무 및 유형, 손상규모, 입출력 변수에 따라 학습데이터 세트를 생성하는 단계:
g) 상기 학습데이터 세트가 적용되는 딥러닝-기반의 인공신경망 모델에 따라 상기 조적조 건축물(300)의 지진 안전성을 평가하는 단계; 및
h) 상기 손상 유무 및 유형, 상기 손상규모 및 상기 지진 안전성에 따른 하이브리드 손상수준 평가결과를 제공하는 단계를 포함하되,
상기 h) 단계에서 사용자가 상기 조적조 건축물(300)에 대한 조적조 이미지를 입력하는 것에 대응하여 상기 조적조 건축물(300)의 하이브리드 손상수준 평가결과를 출력하는 것을 특징으로 하는 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법. - 제13항에 있어서,
i) 상기 조적조 건축물(300)의 하이브리드 손상수준 평가결과에 대응하는 보강안을 수립하여 상기 보강안에 따른 수리비용을 산정하는 단계를 추가로 포함하는 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법. - 제13항에 있어서,
상기 c) 단계에서 상기 조적조 이미지로부터 균열 이미지를 추출하여 입력 데이터로 설정하고, 이미지-기반 손상 탐지 알고리즘에 따라 손상분류 학습모델을 형성하여 균열 발생 유무를 판단하고 균열 유형을 분류하며, 조적조의 균열 이미지에 따른 균열 발생 유무 및 균열 유형을 손상정보로 출력하는 것을 특징으로 하는 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법. - 제13항에 있어서,
상기 d) 단계에서 조적조 이미지에 대해 치장벽돌(310)과 모르타르(320)의 경계를 분리하는 이진화를 위해 이미지 임계처리를 수행하고, 픽셀 그룹을 활용하여 특정 크기 이상의 객체를 검출하도록 이미지 분석 기법에 따라 조적조 그리드를 생성하며, 상기 생성된 조적조 그리드와 탐지된 균열을 매핑시켜 균열 픽셀을 생성하고, 상기 균열 픽셀과 기설정된 픽셀 길이를 누산하여 픽셀-기반 손상규모를 측정하는 것을 특징으로 하는 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법. - 제13항에 있어서, 상기 f) 단계는,
f-1) 상기 조적조 건축물(300)의 손상평가 관련 문헌 조사 및 분석을 통한 입출력 변수를 설정하는 단계;
f-2) 이산요소해석 프로그램을 이용하여 조적조 건축물 모델을 형성하는 단계;
f-3) 지진하중, 모르타르의 강성값 및 연결철물 유무의 입력변수를 적용한 조적조 건축물 모델에 대한 응답을 생성하는 단계; 및
f-4) 상기 입출력 변수의 변화를 통해 출력값을 도출하는 단계; 및
f-5) 내진성능 프로필과 지진 시나리오가 고려된 입출력 학습데이터 세트를 생성하는 단계를 포함하는 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법. - 제13항에 있어서,
상기 g) 단계의 딥러닝-기반의 인공신경망 모델은, 학습데이터 세트에 따라 수평연결철물 간격, 수직연결철물 간격, 지진지역 수평지진하중, 모르타르 수직강성 및 모르타르 전단강성을 입력인자로 하고, 최대 변위, 허용 층간변형률 및 성능 수준을 출력인자로 하여 인공신경망 기법을 통해 학습한 후, 상기 입력인자에 대한 출력결과가 머신 러닝의 출력결과에 가장 유사한 값을 도출하는 것을 특징으로 하는 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210139448A KR20230056807A (ko) | 2021-10-19 | 2021-10-19 | 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템 및 그 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210139448A KR20230056807A (ko) | 2021-10-19 | 2021-10-19 | 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템 및 그 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230056807A true KR20230056807A (ko) | 2023-04-28 |
Family
ID=86143025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210139448A KR20230056807A (ko) | 2021-10-19 | 2021-10-19 | 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템 및 그 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230056807A (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101150237B1 (ko) | 2010-10-13 | 2012-06-12 | 한국건설기술연구원 | 조적조 건축물의 내진 보강장치 및 내진 보강방법 |
| KR20200013148A (ko) | 2018-07-18 | 2020-02-06 | 주식회사 케이엠티엘 | 콘크리트 구조물 결함 분석 서비스 제공 방법, 시스템 및 컴퓨터 프로그램 |
| KR102122893B1 (ko) | 2018-06-18 | 2020-06-15 | 주식회사 바탕색이엔지 | Uav 탑재용 하이브리드 이미지 스캐닝에 기반한 자동화 구조물 균열 평가 시스템 및 그 방법 |
| KR20210054666A (ko) | 2019-11-06 | 2021-05-14 | (주)대영구조기술단 | 구조물 균열 검출 모니터링 시스템 및 방법 |
-
2021
- 2021-10-19 KR KR1020210139448A patent/KR20230056807A/ko not_active Application Discontinuation
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101150237B1 (ko) | 2010-10-13 | 2012-06-12 | 한국건설기술연구원 | 조적조 건축물의 내진 보강장치 및 내진 보강방법 |
| KR102122893B1 (ko) | 2018-06-18 | 2020-06-15 | 주식회사 바탕색이엔지 | Uav 탑재용 하이브리드 이미지 스캐닝에 기반한 자동화 구조물 균열 평가 시스템 및 그 방법 |
| KR20200013148A (ko) | 2018-07-18 | 2020-02-06 | 주식회사 케이엠티엘 | 콘크리트 구조물 결함 분석 서비스 제공 방법, 시스템 및 컴퓨터 프로그램 |
| KR20210054666A (ko) | 2019-11-06 | 2021-05-14 | (주)대영구조기술단 | 구조물 균열 검출 모니터링 시스템 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dawood et al. | Machine vision-based model for spalling detection and quantification in subway networks | |
| Alipour et al. | Robust pixel-level crack detection using deep fully convolutional neural networks | |
| KR102254773B1 (ko) | 영상정보를 이용한 건물 부위별 하자의 자동 판정과 분류 시스템 및 그 방법 | |
| CN108027301B (zh) | 损伤信息提取装置、损伤信息提取方法及损伤信息提取程序 | |
| KR102112046B1 (ko) | 시설물 안전진단 및 유지관리 방법 | |
| German et al. | Rapid entropy-based detection and properties measurement of concrete spalling with machine vision for post-earthquake safety assessments | |
| CN113424206A (zh) | 针对结构的机器学习工具 | |
| Miao et al. | Cost-effective system for detection and quantification of concrete surface cracks by combination of convolutional neural network and image processing techniques | |
| Jeong et al. | Literature review and technical survey on bridge inspection using unmanned aerial vehicles | |
| KR101792435B1 (ko) | 화재 피해를 입은 구조물의 손상 정도를 평가하는 방법 | |
| KR102423579B1 (ko) | 3d 모델링 기반 댐 안전 관리를 위한 통합 유지보수 관제 방법 및 시스템 | |
| Pragalath et al. | Deterioration assessment of infrastructure using fuzzy logic and image processing algorithm | |
| CN116194759A (zh) | 用于具人工智能动力的检验及预测分析的系统及方法 | |
| KR101942182B1 (ko) | 화재 피해를 입은 구조물의 잔존 강도 평가 방법 | |
| CN117011295B (zh) | 基于深度可分离卷积神经网络的uhpc预制件质量检测方法 | |
| KR102479951B1 (ko) | IoT 기반 시설물 안전 관리 시스템, 서버 및 방법 | |
| Gul et al. | Image-based monitoring of open gears of movable bridges for condition assessment and maintenance decision making | |
| JPWO2020110717A1 (ja) | 構造物の損傷原因推定システム、損傷原因推定方法、及び損傷原因推定サーバ | |
| Belloni et al. | Tack project: Tunnel and bridge automatic crack monitoring using deep learning and photogrammetry | |
| JP2003035528A (ja) | ひび割れ画像計測による構造物の損傷度評価システム及び方法 | |
| CN114494845A (zh) | 一种用于施工项目现场人工智能隐患排查系统及其排查方法 | |
| Adhikari et al. | Automated prediction of condition state rating in bridge inspection | |
| KR20190130257A (ko) | 콘크리트 시설물의 표면 이미지 및 딥 컨볼루션 신경망 알고리즘을 이용한 콘크리트 압축강도 예측 방법 및 그 시스템 | |
| KR20230056807A (ko) | 이미지 데이터를 활용한 조적조 건축물의 하이브리드 손상평가 시스템 및 그 방법 | |
| KR20230056006A (ko) | 3차원 모델을 통한 인공지능 기반 안전진단 장치 및 그 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |