KR20230063556A - 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템 및 모델링 형성 방법 - Google Patents

이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템 및 모델링 형성 방법 Download PDF

Info

Publication number
KR20230063556A
KR20230063556A KR1020210148737A KR20210148737A KR20230063556A KR 20230063556 A KR20230063556 A KR 20230063556A KR 1020210148737 A KR1020210148737 A KR 1020210148737A KR 20210148737 A KR20210148737 A KR 20210148737A KR 20230063556 A KR20230063556 A KR 20230063556A
Authority
KR
South Korea
Prior art keywords
point cloud
cloud data
learning
model
unit
Prior art date
Application number
KR1020210148737A
Other languages
English (en)
Other versions
KR102654087B1 (ko
Inventor
김형관
김주현
정두호
Original Assignee
연세대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020210148737A priority Critical patent/KR102654087B1/ko
Publication of KR20230063556A publication Critical patent/KR20230063556A/ko
Application granted granted Critical
Publication of KR102654087B1 publication Critical patent/KR102654087B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Graphics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 연산기능을 가진 제어서버(10) 및 점군 데이터 정보가 저장된 데이터베이스(20)가 네트워크로 연결되고, 전이학습을 이용하여 3차원 모델링을 형성하는 시스템으로서, 제어서버(10)는 이동체(110)에 장착된 점군 데이터 취득수단(120)을 통해 시설물에 대한 점군 데이터를 수집하는 데이터 취득부(100); 상기 취득된 점군 데이터를 정합하는 데이터 정합부(200); 및 상기 정합된 데이터로 3차원 의미적 분할 모델을 선정하는 모델 선정부(310) 및 전이학습을 수행하는 전이학습 수행부(320)를 갖는 모델 학습부(300)를 포함하는 것을 특징으로 하는 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템이다.

Description

이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템 및 모델링 형성 방법{3D Modeling Generation System and Method Based on Deep Learning and Point Cloud Data Acquisition Using Mobile object}
본 발명은 딥러닝 기반 3차원 모델링 형성 시스템 및 모델링 형성 방법에 관한 것이다. 구체적으로는 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템 및 모델링 형성 방법에 관한 것이다.
현재 건설 산업에서는 사회기반시설물의 지속적인 관리를 하기 위해 점군 데이터를 취득하고 그것으로부터 모델링(BIM: Building Information Modeling)을 형성하고 있다. 시공 이전의 모델링을 As-planned BIM이라고 하고, 시공 이후에 새로 업데이트된 모델링을 As-built BIM 이라고 한다.
하지만, 현재 대부분의 모델링 형성 방법은, 사람이 직접 장시간 데이터를 취득하러 다녀야하기 때문에 비효율적이며, 취득된 점군 데이터도 마찬가지로 사람이 소프트웨어를 통해 수작업으로 분할을 해야 하는 불편함이 있다.
이러한 문제를 해결하기 위해 취득된 점군 데이터를 자동으로 분할하는 연구, 그리고 자동 분할된 점군 데이터로부터 모델링을 형성하는 연구가 진행되고 있다.
하지만, 선행 연구에도 여전히 다음과 같은 문제점이 있다. 첫째, 점군 데이터를 취득하는 데에는 굉장히 긴 시간이 소요되는데도, 여전히 이 과정이 자동화되어 있지 않은 문제점이 있다. 둘째, 데이터 부족 문제로 인해 end-to-end 딥러닝 기반의 해석은 많이 진행되지 않은 문제점이 있다. 셋째, 선행 연구에서 사용한 데이터는 대부분 고정식 LiDAR로 취득된 것인데, 고정식 LiDAR을 사용할 경우 스캔 대상의 폐색 부위를 줄이기 위해 다수의 스캔 포인트를 지정해야 하며, 이로 인해 데이터 취득 시간이 기하급수적으로 증가하는 문제점이 있다.
(문헌 1) 한국등록특허공보 제10-2135560호 (2020.07.14)
본 발명에 따른 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템 및 모델링 형성 방법은 다음과 같은 해결과제를 가진다.
첫째, 이동체를 이용하여 점군 데이터를 취득하고자 한다.
둘째, 이동식 LiDAR을 사용하고 이를 정합하여 실시간으로 점군 데이터를 취득하고자 한다.
셋째, 딥러닝 학습 시 데이터 부족 문제를 해결하기 위해 전이학습을 사용하고자 한다.
본 발명의 해결과제는 이상에서 언급한 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명은 연산기능을 가진 제어서버 및 점군 데이터 정보가 저장된 데이터베이스가 네트워크로 연결되고, 전이학습을 이용하여 3차원 모델링을 형성하는 시스템으로서, 제어서버는 이동체에 장착된 점군 데이터 취득수단을 통해 시설물에 대한 점군 데이터를 수집하는 데이터 취득부; 상기 취득된 점군 데이터를 정합하는 데이터 정합부; 및 상기 정합된 데이터로 3차원 의미적 분할 모델을 선정하는 모델 선정부 및 전이학습을 수행하는 전이학습 수행부를 갖는 모델 학습부를 포함한다.
본 발명에 있어서, 상기 데이터 취득부의 이동체는 작업자, 보행로봇 또는 항공이동체 중 적어도 어느 하나인 것이 가능하다.
본 발명에 있어서, 상기 보행로봇은 4족 보행로봇으로서, 보행로봇의 조인트(joint)의 롤(roll), 피치(pitch) 및 요(yaw)의 각도를 기 설정된 각도로 조절가능하다.
본 발명에 있어서, 상기 점군 데이터 취득수단은 라이다를 포함할 수 있다.
본 발명에 있어서, 상기 데이터 정합부는 LIO-SAM 알고리즘으로 데이터를 정합할 수 있다.
본 발명에 있어서, 상기 모델 학습부의 모델 선정부는 3차원 의미적 분할 모델로 RandLA-Net 모델을 사용할 수 있다.
본 발명에 있어서, 상기 RandLA-Net 모델은 검증 데이터의 성능을 기준으로 조기 종료를 실시하여 과적합을 방지할 수 있다.
본 발명에 있어서, 상기 RandLA-Net 모델의 에폭은 100으로 기본 설정하고, 과적합이 되기 전에 에폭 100 이전에 학습이 종료되며, 학습시에 배치사이즈는 4를 사용할 수 있다.
본 발명에 있어서, 상기 RandLA-Net 모델은 학습시 배치사이즈는 4인 것이 가능하다.
본 발명에 있어서, 상기 모델 학습부의 전이학습 수행부는 사전 학습모델로 사용되는 3차원 점군 데이터셋으로서, Semantic3D, SemanticKITTI 또는 S3DIS 중 어느 하나가 사용될 수 있다.
본 발명에 있어서, 상기 모델 학습부의 전이학습 수행부는 파인튜닝 단계를 가지며, 상기 파인튜닝 단계는 상기 모델 선정부에서 복수개의 인코더, 디코더) 및 완전연결레이어를 포함하는 RandLA-Net 모델에서 학습시 동결할 레이어와 재학습할 레이어를 결정할 수 있다.
본 발명에 있어서, 상기 파인튜닝 단계는 상기 RandLA-Net 모델의 3번, 4번 및 5번 인코더와 1번, 2번 및 3번 디코더를 재학습하고, 나머지 레이어들의 파라미터들은 학습시 동결하고, 기 학습된 모델에서 가져올 수 있다.
본 발명에 있어서, 상기 모델 학습부를 통해 모든 점군 데이터에서 구조물이 의미적 분할이 되면, 구조물에 예측된 데이터만을 전송받아, 수직 부재, 수평부재 및 경사부재를 검출하여, 3차원 모델링을 수행하는 3차원 모델링 형성부가 더 구비될 수 있다.
본 발명에 있어서, 상기 수직 부재의 검출은 DBSCAN 알고리즘으로 수행되며, 점군 데이터는 x-y 평면을 기준으로 투영이 되어, 3D 히스토그램을 형성한 후에 가장 점이 많은 그리드의 70% 이상의 점을 가지는 그리드를 비계 기둥 위치의 후보군으로 선정할 수 있다.
청본 발명에 있어서, 점 전체를 회전하고, x축에 대한 점들의 분포에 따라 피크점(peak point)를 찾아 수직 부재의 위치를 찾을 수 있다.
본 발명에 있어서, 상기 수평 부재의 검출은 DBSCAN 알고리즘으로 수행되며, 점군 데이터는 x-z축을 기준으로 투영이 되어, 이후 점들의 분포에 따라 피크점을 찾아 수평 부재의 위치를 찾을 수 있다.
본 발명에 있어서, 상기 경사 부재의 검출은 RANSAC 알고리즘을 사용하여 선 적합을 수행할 수 있다.
본 발명에 따른 하이퍼 파라미터에 있어서, 인라이어의 수는 전체의 10% 이상으로 설정되고, 인라이어를 정하기 위한 거리의 임계값은 0.07로 설정되고, 최적 선을 찾기 위한 반복 수는 50번으로 설정될 수 있다.
본 발명은 연산기능을 가진 제어서버 및 점군 데이터 정보가 저장된 데이터베이스가 네트워크로 연결되고, 전이학습을 이용하여 3차원 모델링을 형성하는 방법으로서, 제어서버에서, 데이터 취득부가 이동체에 장착된 점군 데이터 취득수단을 통해 시설물에 대한 점군 데이터를 수집하는 S100 단계; 데이터 정합부가 상기 취득된 점군 데이터를 정합하는 S200 단계; 모델 학습부에서, 모델 선정부가 상기 정합된 데이터로 3차원 의미적 분할 모델을 선정하는 S310 단계 및 전이학습 수행부가 전이학습을 수행하는 S320 단계가 수행되는 S300 단계; 및 3차원 모델링 형성부가, 상기 모델 학습부를 통해 모든 점군 데이터에서 구조물이 의미적 분할이 되면, 구조물에 예측된 데이터만을 전송받아, 수직 부재, 수평부재 및 경사부재를 검출하여, 3차원 모델링을 수행하는 S400 단계를 포함하여 수행될 수 있다.
본 발명은 하드웨어와 결합되어, 본 발명에 따른 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 방법을 컴퓨터에 의해 실행시키기 위하여 컴퓨터가 판독 가능한 기록매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다.
본 발명에 따른 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템 및 모델링 형성 방법은 다음과 같은 효과를 가진다.
첫째, 작업자, 보행로봇 및 항공이동체 등의 다양한 이동체를 이용하여, 복잡한 건설환경 환경에서 유연하게 점군 데이터를 취득하는 효과가 있다.
둘째, 이동식 LiDAR을 사용하고 이를 정합하여 실시간으로 점군 데이터를 취득하는 효과가 있다.
셋째, 전이학습을 사용하여, 점군 데이터로부터 사회기반시설물의 유지 관리가 가능한 3D 모델을 딥러닝 기반으로 자동 생성하여 제공하는 효과가 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명에 따른 3차원 모델링 형성 시스템의 개요도이다.
도 2는 본 발명에 따른 3차원 모델링 형성 시스템의 모델 학습부의 세부 구성을 나타낸다.
도 3은 본 발명에 따른 3차원 모델링 형성 방법의 순서도이다.
도 4는 4족 보행로봇의 동작이 제어되는 일 실시예를 나타낸다.
도 5a는 이동체에 의해 데이터가 취득된 현장 사진이며, 도 5b는 SLAM으로 점군 데이터를 정합하는 모습을 나타내며, 도 5c는 정합된 점군 데이터의 모습을 나타낸다.
도 6은 작업 현장의 Mock-up 구조물의 일 실시예를 나타낸다.
도 7은 전이학습을 통해 학습된 모델로 도 6의 Mock-up 구조물의 점군 데이터를 의미적 분할을 통해 분류하는 것을 나타낸다.
도 8은 전이학습 전후의 데이터셋을 비교한 자료이다.
도 9는 본 발명에 따른 수직 부재의 검출방법을 나타낸다.
도 10은 본 발명에 따른 수평 부재의 검출방법을 나타낸다.
도 11은 본 발명에 따른 경사 부재의 검출방법을 나타낸다.
도 12는 train 데이터와 test& validation 데이터를 비교한 자료이다.
도 13은 도 3의 전 과정을 시각화한 것이다.
도 14는 본 발명에 있어서, 조기 종료의 개요를 나타낸다.
이하, 첨부한 도면을 참조하여, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 설명한다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 이해할 수 있는 바와 같이, 후술하는 실시예는 본 발명의 개념과 범위를 벗어나지 않는 한도 내에서 다양한 형태로 변형될 수 있다. 가능한 한 동일하거나 유사한 부분은 도면에서 동일한 도면부호를 사용하여 나타낸다.
본 명세서에서 사용되는 전문용어는 단지 특정 실시예를 언급하기 위한 것이며, 본 발명을 한정하는 것을 의도하지는 않는다. 여기서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다.
본 명세서에서 사용되는 "포함하는"의 의미는 특정 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분을 구체화하며, 다른 특정 특성, 영역, 정수, 단계, 동작, 요소, 성분 및/또는 군의 존재나 부가를 제외시키는 것은 아니다.
본 명세서에서 사용되는 기술용어 및 과학용어를 포함하는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미와 동일한 의미를 가진다. 사전에 정의된 용어들은 관련기술문헌과 현재 개시된 내용에 부합하는 의미를 가지는 것으로 추가 해석되고, 정의되지 않는 한 이상적이거나 매우 공식적인 의미로 해석되지 않는다.
본 명세서에서 사용되는 방향에 관한 표현, 예를 들어 전/후/좌/우의 표현, 상/하의 표현, 종방향/횡방향의 표현은 도면에 개시된 방향을 참고하여 해석될 수 있다.
본 발명은 머신러닝과 딥러닝 이론에 관한 인공지능 모델과, ROS(로봇 운영 체제)를 활용한 발명이다. 또한, 건설 안전, 사회기반시설물 모니터링에 관한 건설환경공학, 컴퓨터공학 및 로보틱스 지식이 융합된 기술이다.
3차원 모델링은 건설 분야에서 사회기반시설물의 효과적인 관리를 위해 형성하는 모델을 의미한다.
점군 데이터(Point Cloud Data)는 3차원의 기하학적(geometric) 특성을 알 수 있는 데이터이며, (x,y,z) 좌표로 구성된다.
본 발명에 있어서, 다양한 SLAM(Simultaneous Localization and Mapping) 알고리즘 중에서 라이다(LiDAR)로 취득된 데이터를 정합하는 Laser SLAM을 중심으로 설명한다. 이는 라이다(LiDAR)로 취득된 점군 데이터를 합치는 과정을 의미한다.
본 발명은 점군 데이터 의미적 분할(Semantic segmentation of 3d point cloud data)을 활용하는데, '의미적 분할'은 점군 데이터의 점들을 각각 학습할 때 정한 클래스(class)로 분류하는 것을 의미한다.
이하에서는 도면을 참고하여 본 발명을 설명하고자 한다. 참고로, 도면은 본 발명의 특징을 설명하기 위하여, 일부 과장되게 표현될 수도 있다. 이 경우, 본 명세서의 전 취지에 비추어 해석되는 것이 바람직하다.
도 1은 본 발명에 따른 3차원 모델링 형성 시스템의 개요도이다. 도 2는 본 발명에 따른 3차원 모델링 형성 시스템의 모델 학습부의 세부 구성을 나타낸다.
도 1 및 도 2에 도시된 바와 같이, 본 발명은 연산기능을 가진 제어서버(10) 및 점군 데이터 정보가 저장된 데이터베이스(20)가 네트워크로 연결되고, 전이학습을 이용하여 3차원 모델링을 형성하는 시스템에 관한 것이다.
본 발명에 있어서, 제어서버(10)는 이동체(110)에 장착된 점군 데이터 취득수단(120)을 통해 시설물에 대한 점군 데이터를 수집하는 데이터 취득부(100); 상기 취득된 점군 데이터를 정합하는 데이터 정합부(200); 및 상기 정합된 데이터로 3차원 의미적 분할 모델을 선정하는 모델 선정부(310) 및 전이학습을 수행하는 전이학습 수행부(320)를 갖는 모델 학습부(300)를 포함한다.
먼저, 본 발명에 따른 데이터 취득부(100)를 설명하고자 한다.
본 발명에 따른 데이터 취득부(100)는 이동체(110)에 장착된 점군 데이터 취득수단(120)을 통해 시설물에 대한 점군 데이터를 수집할 수 있다.
본 발명에 따른 데이터 취득부(100)의 이동체(110)는 작업자, 보행로봇 및 항공이동체를 포함한다. 본 발명에 따른 점군 데이터 취득수단(120)은 라이다(LiDAR), 사진측량장치, 심도카메라(Depth-camera) 등 다양한 취득수단을 포함한다.
예를 들어, 이동체인 작업자가 손 또는 신체의 일측에 라이다를 장착하거나, 이동체인 보행로봇의 일 측에 라이다를 장착하여 데이터를 취득할 수 있을 것이다. 또한, 드론(dron) 등의 항공 이동체의 일측에 라이다를 장착하여 데이터를 취득할 수도 있을 것이다.
본 명세서에서는 설명을 용이하게 하기 위하여, 라이다(LiDAR)를 중심으로 본 발명의 특징을 설명하고자 한다.
일 실시예로서 보행로봇이 4족 보행로봇인 경우를 설명하고자 한다.
점군데이터 취득을 위한 4족 보행 로봇의 하드웨어는 Mobile LiDAR, 고성능 IMU, NVIDIA JETSON TX2 임베디드 보드로 구성될 수 있다.
데이터는 ssh 통신을 통해 송수신될 수 있다. 여기서 'ssh'는 secure shell protocol, 즉 네트워크 프로토콜 중 하나로 컴퓨터와 컴퓨터가 public network를 통해 통신을 하는 방식을 의미한다.
로봇의 자체적인 무선통신(wifi등)을 접근점(access point)으로 하여 로봇 내에 있는 임베디드 보드에서 취득한 데이터를 메인 컴퓨터로 실시간으로 전송할 수 있다. 전송된 데이터는 SLAM (Simultaneous Localization and Mapping) 알고리즘으로 실시간 정합이 될 수 있다.
이러한 방법을 통해 로봇의 임베디드 보드에 접속하여 움직임을 컨트롤 할 수 있게 되어, 조이스틱 없이 미세한 동작 조절이 가능해 질 수 있다.
보행로봇의 경우, 로봇 시야(field of view)의 한계로 인해 데이터 취득 시 최대한 움직임을 효율적으로 제어하는 것이 중요하다.
이에, 본 발명은 로봇 시야의 한계를 극복하기 위해 조인트(joint)의 롤(roll), 피치(pitch) 및 요(yaw) 각도를 조합하여 주사점(scanning point)마다 적합한 동작을 실행하여 데이터를 취득하였다.
즉, 본 발명에 따른 보행로봇의 조인트(joint)의 롤(roll), 피치(pitch) 및 요(yaw)의 각도를 기 설정된 각도로 조절가능할 것이다.
예를 들어, 아래 표 1에 서술된 동작들을 조합해서, 구조물의 위치에 따라 다른 동작을 취할 수 있다(도 4 참조).
Figure pat00001
다음으로, 본 발명에 따른 데이터 정합부(200)를 설명하고자 한다.
데이터 정합부(200)는 상기 취득된 점군 데이터를 정합할 수 있다.
취득된 점군 데이터는 이동식 라이다(LiDAR)의 데이터이며, 이는 여러 채널(channel)로 구성된 이산 데이터(discrete data)이다. 따라서 이를 open source SLAM 알고리즘을 이용하여 정합할 수 있다.
SLAM 알고리즘은 보통 자율 주행 자동차를 개발하는 로보틱스 분야에서 많이 사용되지만, 본 발명은 이를 사회기반시설물의 정합된 3차원 데이터를 얻기 위해 사용한다.
본 발명에 따른 데이터 정합부(200)는 LIO-SAM 알고리즘으로 데이터를 정합할 수 있다.
LIO-SAM 알고리즘은 고성능 IMU의 데이터로부터 모션을 추적하고 점군 데이터의 왜곡을 제거하며 LiDAR 주행 거리 측정의 최적화를 할 수 있는 알고리즘이다.
아래 표 2 및 표 3의 데이터는 이동체를 통해 취득된 데이터의 일 예시들이다. 이하에서는 표 2의 데이터를 활용하여 설명하고자 한다.
Figure pat00002
Figure pat00003
도 5a는 이동체에 의해 데이터가 취득된 현장 사진이며, 도 5b는 SLAM으로 점군 데이터를 정합하는 모습을 나타내며, 도 5c는 정합된 점군 데이터의 모습을 나타낸다.
다음으로, 본 발명에 따른 모델 학습부(300)를 설명하고자 한다.
모델 학습부(300)는 상기 정합된 데이터로 3차원 의미적 분할 모델을 선정하는 모델 선정부(310) 및 전이학습을 수행하는 전이학습 수행부(320)를 가질 수 있다.
본 발명에 있어서, 모델 학습부(300)의 모델 선정부(310)는 3차원 의미적 분할 모델로 RandLA-Net 모델을 사용할 수 있다.
학습 조건은 다음과 같이 할 수 있다.
GeForce RTX 2080Ti, python version : 3.5.6, Ubuntu 16.04.6 LTS, tensorflow== 1.11.0
RandLA-Net 모델은 검증 데이터(validation data)의 성능을 기준으로 조기 종료(early stopping)를 실시하여 과적합(overfitting)을 방지할 수 있다.
RandLA-Net 모델의 에폭(epoch)은 100으로 기본 설정하고, 과적합이 되기 전에 에폭 100 이전에 학습이 종료될 수 있다.
학습 성능이 수렴할 수 있는 충분한 epoch을 실험에 의해 100으로 결정했다. 이때, 학습 데이터에 과적합되어 학습 데이터에 대해서는 성능이 좋지만, 실험 데이터에 대해서는 성능이 좋지 않은 과적합 문제가 발생할 수 있다. 따라서 검증 데이터를 이용하여 검증 데이터의 성능이 증가하다가 감소하는 지점, 즉 과적합이 발생하는 지점의 이전에 학습을 종료하는 방법을 이용하여 과적합을 방지하였다(도 14 참조).
다만, epoch을 100으로 설정하였으나, 학습은 일반적으로 epoch이 50 정도 되었을 때 완료가 될 수 있다.
RandLA-Net 모델은 학습시 배치사이즈(batch size)는 4를 사용할 수 있다.
본 발명에 있어서, 모델 학습부(300)의 전이학습 수행부(320)는 사전 학습모델(pre-trained model)로 사용되는 3차원 점군 데이터셋으로서, Semantic3D, SemanticKITTI 및 S3DIS 중 어느 하나가 사용될 수 있다.
본 발명은 3차원 의미적 분할 모델을 학습하기 위해 전이학습을 수행한다. 전이학습(transfer learning)은 한 가지 문제에 대해 신경망을 학습하고, 이것을 다른 문제에 대한 신경망에 학습할 수 있도록 이용하는 것이다.
전이학습을 시도하는 이유는 첫째로 기존에 학습된 모델을 사용함으로써 학습 속도를 높이기 위함이고, 둘째로 풍부한 데이터를 바탕으로 한 좋은 성능의 모델을 활용함으로써 새로운 문제에 대한 학습 성능을 높이기 위함이며, 셋째로 새로운 문제를 학습하기 위한 데이터 수 부족의 문제를 극복하기 위함니다.
본 발명은 경기도 안성시 한국비계기술원에서 반복적으로 취득된 데이터(도 5 참조)를 학습(training) 데이터로 사용하고, 서울 서대문구 신촌동 연세대학교의 Mock-up 구조물의 일 실시예(도 6 참조)로부터 취득한 데이터를 검증(validation) 및 시험(testing) 데이터로 사용하였다.
또한, 건설 현장에서 취득할 수 있는 학습 데이터 수가 부족하여, 이를 극복하기 위해 전이학습을 수행하였다.
전이학습을 시도하기 전에 모델 전체를 학습한다면, 도 8a와 같이 같이 데이터 수가 부족하기 때문에 점군 데이터에서 배경과 비계를 전혀 분류할 수 없고, 학습속도도 장시간이 소요되는 문제점이 있다.
이에, 본 발명은 전이학습을 수행하며, 전이 학습을 위한 사전에 학습된 모델(pre-trained model)을 확보하기 위해 대용량 학습 데이터를 사용한다.
대용량 3차원 점군 데이터셋은 Semantic3D, SemanticKITTI, S3DIS 등을 포함하여, 다양하게 구비될 수 있다. 이러한 데이터셋들은 의미적 분할 모델들이 서로 성능을 비교할 때 사용될 수 있다.
3차원 의미적 분할에 사용되는 데이터셋들의 일 예시는 아래 표 4와 같다.
Figure pat00004
본 발명에서는 표 4의 데이터셋들 중 Semantic3D를 선택하는 실시예를 제시한다.
Semantic3D 데이터셋을 선택한 이유는 다음과 같다. 첫째, 야외에서 취득된 데이터셋이기 때문이다. 둘째, SemanticKITTI 데이터셋같은 경우는 모바일 LiDAR로 취득한 Raw data이며 정합이 되기 전이기 때문에 정합이 된 TLS로 취득된 데이터셋을 선택하였다. 셋째, 데이터셋의 공간 크기(spatial size)가 유사했기 때문이다.
본 발명에 따른 작업(task)을 전이학습하기 위해서는, 전술한 바와 같이 사전에 대용량 데이터로 학습한 모델이 필요하다. 이에, 본 발명은 대용량 데이터인 Semantic3D 데이터셋으로 RandLA-Net 모델을 학습하였다. 도 8b 및 도 8c와 같이, 모델 전체를 Semantic3D 데이터셋으로 학습하였다.
전이학습을 효과적으로 하기 위해서는 파인튜닝(fine-tuning) 단계가 필요하다. 파인튜닝(fine-tuning)은 학습된 모델 (pre-trained model)에서 어떤 부분을 가져와 본 발명의 작업(task)에 활용할 때 가장 성능이 좋아질지를 결정하는 단계이다.
본 발명에 있어서, 모델 학습부(300)의 전이학습 수행부(320)는 파인튜닝 단계를 가지며, 상기 파인튜닝 단계는 상기 모델 선정부(310)에서 복수개의 인코더(encorder), 디코더(decorder) 및 완전연결레이어(fully-connected Layer)를 포함하는 RandLA-Net 모델에서 학습시 동결할 레이어와 재학습할 레이어를 결정할 수 있다.
아래 표 5는 사전에 학습된 모델에서 어떤 부분만을 재학습해야 성능이 가장 좋을지를 분석하는 단계를 나타낸다.
Figure pat00005
RandLA-Net의 구조는 여러개의 인코더(encoder), 디코더(decoder) 및 완전연결레이어(fully-connected Layer)들로 구성되어 있는데, 최적의 모델을 찾기 위해 학습 시에 동결할 레이어들을 변경해가며 실험을 진행하였다.
표 5에 도시된 바와 같이, 모델의 중간 레이어 6개를 재학습하고 나머지 레이어들의 파라미터들을 학습된 모델에서 가져올 때 가장 성능이 좋은 것을 알 수 있다.
즉, 본 발명에 따른 파인튜닝 단계는 RandLA-Net 모델의 3번, 4번 및 5번 인코더와 1번, 2번 및 3번 디코더를 재학습하고, 나머지 레이어들의 파라미터들은 학습시 동결하고, 기 학습된 모델에서 가져오는 것이 바람직하다.
모델을 최종적으로 평가하는 시험(testing) 데이터와 본 단계에서 최적의 모델을 찾기 위한 검증(validation) 데이터는 구분되었다.
검정 데이터는 도 6d의 구조물, 시험 데이터는 도 6a 내지 도 6c의 각 구조물로부터 취득된 데이터이다.
도 8b의 'X' 부분의 레이어들의 지식(knowledge)을 전이하고, 'Y' 부분의 레이어들은 재학습을 하였다.
해당 모델을 시험 데이터로 적용했을 때, 비계의 인식 성능(IoU: Intersection over Union)은 0.948을 달성하였다.
전이학습을 통해 학습된 모델(IoU 0.948)로 도 6의 Mock-up 구조물의 점군 데이터를 의미적 분할을 통해 분류하였다(도 7 참조).
다음으로, 본 발명에 따른 3차원 모델링 형성부(400)를 설명하고자 한다.
본 발명에 있어서, 상기 모델 학습부(300)를 통해 모든 점군 데이터에서 구조물이 의미적 분할이 되면, 구조물에 예측된 데이터만을 전송받아, 수직 부재, 수평부재 및 경사부재를 검출하여, 3차원 모델링을 수행하는 3차원 모델링 형성부(400)가 더 구비될 수 있다.
모델 학습부(300)를 통해 모든 점군 데이터에서 구조물만 분할(segmentation)이 되면, 구조물로 예측된 데이터만을 로딩하여 모델링을 생성할 수 있다.
본 발명은 건설 현장에서의 임시구조물을 대상으로 했기 때문에, 임시구조물 부재의 기하학적 특성에 맞게 규칙 기반(rule based)으로 모델링 형성 코드를 작성하였다.
먼저, 3차원 모델링 형성부(400)에서의 수직부재의 검출을 설명하고자 한다. 도 9는 본 발명에 따른 수직 부재의 검출방법을 나타낸다.
수직 부재의 검출은 DBSCAN(Density-Based Spatial Clustering of Applications with Noise) 알고리즘으로 수행되며, 점군 데이터는 x-y 평면을 기준으로 투영(projection)이 되어, 3D 히스토그램을 형성한 후에 가장 점(point)이 많은 그리드(grid)의 70% 이상의 점(point)을 가지는 그리드(grid)를 비계 기둥 위치의 후보군으로 선정할 수 있다.
보다 구체적으로 설명하면, DBSCAN 알고리즘을 사용하여 구조물을 나누며, 이때 하이퍼 파라미터는 실험적으로 결정되었으며, epsilon은 0.5, minimum points 수는 10개로 결정하였다. 점군 데이터는 x-y 평면을 기준으로 투영(projection)이 되어, 3d 히스토그램(histogram)을 형성한 후에 가장 점(point)이 많은 그리드(grid)의 70% 이상의 점(point)을 가지는 그리드(grid)를 비계 기둥 위치의 후보군으로 선정한다. 그 이후 점(point) 전체를 회전하고 x축에 대한 점(point)의 분포를 보아 피크점을 찍어 비계 기둥의 위치를 찾을 수 있다.
다음으로, 3차원 모델링 형성부(400)에서의 수평부재의 검출을 설명하고자 한다. 도 10은 본 발명에 따른 수평 부재의 검출방법을 나타낸다.
수평 부재의 검출 방법은 수직 부재(기둥)의 검출 방법과 유사하게 진행할 수 있다.
수평 부재의 검출은 DBSCAN(Density-Based Spatial Clustering of Applications with Noise) 알고리즘으로 수행되며, 점군 데이터는 x-z축을 기준으로 투영(projection)이 되어, 이후 점(point)들의 분포(distribution)에 따라 피크점(peak point)을 찾아 수평 부재의 위치를 찾을 수 있다.
다음으로, 3차원 모델링 형성부(400)에서의 경사부재의 검출을 설명하고자 한다. 도 11은 본 발명에 따른 경사 부재의 검출방법을 나타낸다.
수직, 수평 부재의 경우 점(point)들의 분포(distribution)으로 추출이 용이하게 가능할 수 있지만, 기울여진 경사 부재의 경우 그러한 방식으로는 추출이 용이하지 않다.
이에, 본 발명은 RANSAC(RANdom SAmple Consensus) 알고리즘을 사용하여 선 적합(line fitting)을 수행하는 것을 특징으로 한다.
RANSAC에서 쓰인 하이퍼 파라미터는 인라이어(inlier)의 수는 전체의 10% 이상으로 설정되고, 인라이어(inlier)를 정하기 위한 거리의 임계값(threshold)은 0.07로 설정되고, 최적 선(line)을 찾기 위한 반복(iteration) 수는 50번으로 설정되는 것이 바람직하다.
모델에 대한 모든 하이퍼 파라미터들은 훈련 데이터(train data)를 기준으로 결정되었고, 이를 검증 데이터(validation data)와 시험 데이터(test data)에 대해 동일하게 적용하였다.
그 결과 도 12와 같이 훈련, 검증 및 시험 데이터에 대해 모델이 형성되었다.
한편, 본 발명은 3차원 모델링 형성 방법으로 구현될 수도 있다. 이는 전술한 3차원 모델링 형성 시스템과 실질적으로 동일한 발명으로서 발명의 카테고리가 상이하다. 따라서, 공통되는 구성은 설명을 생략하고, 요지 위주로 설명하고자 한다.
도 3은 본 발명에 따른 3차원 모델링 형성 방법의 순서도이다.
본 발명은 연산기능을 가진 제어서버(10) 및 점군 데이터 정보가 저장된 데이터베이스(20)가 네트워크로 연결되고, 전이학습을 이용하여 3차원 모델링을 형성하는 방법에 관한 것이다.
본 발명에 따른 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 방법은 제어서버(10)에서, 데이터 취득부(100)가 이동체(110)에 장착된 점군 데이터 취득수단(120)을 통해 시설물에 대한 점군 데이터를 수집하는 S100 단계; 데이터 정합부(200)가 상기 취득된 점군 데이터를 정합하는 S200 단계; 모델 학습부(300)에서, 모델 선정부(310)가 상기 정합된 데이터로 3차원 의미적 분할 모델을 선정하는 S310 단계 및 전이학습 수행부(320)가 전이학습을 수행하는 S320 단계가 수행되는 S300 단계; 및 3차원 모델링 형성부(400)가, 상기 모델 학습부(300)를 통해 모든 점군 데이터에서 구조물이 의미적 분할이 되면, 구조물에 예측된 데이터만을 전송받아, 수직 부재, 수평부재 및 경사부재를 검출하여, 3차원 모델링을 수행하는 S400 단계를 포함하여 수행될 수 있다.
또한, 본 발명은 컴퓨터프로그램으로 구현될 수도 있다. 구체적으로 본 발명은 하드웨어와 결합되어, 본 발명에 따른 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 방법을 컴퓨터에 의해 실행시키기 위하여 컴퓨터가 판독 가능한 기록매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다.
본 발명의 실시예에 따른 방법들은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CDROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
본 명세서에서 설명되는 실시예와 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 예시적으로 설명하는 것에 불과하다. 따라서, 본 명세서에 개시된 실시예들은 본 발명의 기술적 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이므로, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아님은 자명하다. 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시 예는 모두 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
10 : 제어서버 20 : 데이터베이스
100 : 데이터 취득부 200 : 데이터 정합부
300 : 모델 학습부 310 : 모델 선정부
320 : 학습 수행부 400 : 3차원 모델링 형성부

Claims (20)

  1. 연산기능을 가진 제어서버 및 점군 데이터 정보가 저장된 데이터베이스가 네트워크로 연결되고, 전이학습을 이용하여 3차원 모델링을 형성하는 시스템으로서,
    제어서버는
    이동체에 장착된 점군 데이터 취득수단을 통해 시설물에 대한 점군 데이터를 수집하는 데이터 취득부;
    상기 취득된 점군 데이터를 정합하는 데이터 정합부; 및
    상기 정합된 데이터로 3차원 의미적 분할 모델을 선정하는 모델 선정부 및 전이학습을 수행하는 전이학습 수행부를 갖는 모델 학습부를 포함하는 것을 특징으로 하는 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템.
  2. 청구항 1에 있어서,
    상기 데이터 취득부의 이동체는 작업자, 보행로봇 또는 항공이동체 중 적어도 어느 하나인 것을 특징으로 하는 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템.
  3. 청구항 1에 있어서,
    상기 보행로봇은 4족 보행로봇으로서, 보행로봇의 조인트(joint)의 롤(roll), 피치(pitch) 및 요(yaw)의 각도를 기 설정된 각도로 조절가능한 것을 특징으로 하는 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템.
  4. 청구항 1에 있어서,
    상기 점군 데이터 취득수단은 라이다를 포함하는 것을 특징으로 하는 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템.
  5. 청구항 1에 있어서,
    상기 데이터 정합부는 LIO-SAM 알고리즘으로 데이터를 정합하는 것을 특징으로 하는 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템.
  6. 청구항 1에 있어서,
    상기 모델 학습부의 모델 선정부는 3차원 의미적 분할 모델로 RandLA-Net 모델을 사용하는 것을 특징으로 하는 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템.
  7. 청구항 6에 있어서,
    상기 RandLA-Net 모델은 검증 데이터의 성능을 기준으로 조기 종료를 실시하여 과적합을 방지하는 것을 특징으로 하는 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템.
  8. 청구항 7에 있어서,
    상기 RandLA-Net 모델의 에폭은 100으로 기본 설정하고, 과적합이 되기 전에 에폭 100 이전에 학습이 종료되며, 학습시에 배치사이즈는 4를 사용하는 것을 특징으로 하는 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템.
  9. 청구항 6에 있어서,
    상기 RandLA-Net 모델은 학습시 배치사이즈는 4인 것을 특징으로 하는 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템.
  10. 청구항 1에 있어서,
    상기 모델 학습부의 전이학습 수행부는
    사전 학습모델로 사용되는 3차원 점군 데이터셋으로서, Semantic3D, SemanticKITTI 또는 S3DIS 중 어느 하나가 사용되는 것을 특징으로 하는 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템.
  11. 청구항 6에 있어서,
    상기 모델 학습부의 전이학습 수행부는 파인튜닝 단계를 가지며,
    상기 파인튜닝 단계는
    상기 모델 선정부에서 복수개의 인코더, 디코더) 및 완전연결레이어를 포함하는 RandLA-Net 모델에서 학습시 동결할 레이어와 재학습할 레이어를 결정하는 것을 특징으로 하는 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템.
  12. 청구항 11에 있어서,
    상기 파인튜닝 단계는
    상기 RandLA-Net 모델의 3번, 4번 및 5번 인코더와 1번, 2번 및 3번 디코더를 재학습하고,
    나머지 레이어들의 파라미터들은 학습시 동결하고, 기 학습된 모델에서 가져오는 것을 특징으로 하는 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템.
  13. 청구항 1에 있어서,
    상기 모델 학습부를 통해 모든 점군 데이터에서 구조물이 의미적 분할이 되면,
    구조물에 예측된 데이터만을 전송받아, 수직 부재, 수평부재 및 경사부재를 검출하여, 3차원 모델링을 수행하는 3차원 모델링 형성부가 더 구비되는 것은 특징으로 하는 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템.
  14. 청구항 13에 있어서,
    상기 수직 부재의 검출은 DBSCAN 알고리즘으로 수행되며,
    점군 데이터는 x-y 평면을 기준으로 투영이 되어, 3D 히스토그램을 형성한 후에 가장 점이 많은 그리드의 70% 이상의 점을 가지는 그리드를 비계 기둥 위치의 후보군으로 선정하는 것을 특징으로 하는 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템.
  15. 청구항 14에 있어서,
    점 전체를 회전하고, x축에 대한 점들의 분포에 따라 피크점(peak point)를 찾아 수직 부재의 위치를 찾는 것을 특징으로 하는 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템.
  16. 청구항 13에 있어서,
    상기 수평 부재의 검출은 DBSCAN 알고리즘으로 수행되며,
    점군 데이터는 x-z축을 기준으로 투영이 되어,
    이후 점들의 분포에 따라 피크점을 찾아 수평 부재의 위치를 찾는 것을 특징으로 하는 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템.
  17. 청구항 13에 있어서,
    상기 경사 부재의 검출은 RANSAC 알고리즘을 사용하여 선 적합을 수행하는 것을 특징으로 하는 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템.
  18. 청구항 17에 있어서,
    하이퍼 파라미터에 있어서, 인라이어의 수는 전체의 10% 이상으로 설정되고, 인라이어를 정하기 위한 거리의 임계값은 0.07로 설정되고, 최적 선을 찾기 위한 반복 수는 50번으로 설정되는 것을 특징으로 하는 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템.
  19. 연산기능을 가진 제어서버 및 점군 데이터 정보가 저장된 데이터베이스가 네트워크로 연결되고, 전이학습을 이용하여 3차원 모델링을 형성하는 방법으로서, 제어서버에서,
    데이터 취득부가 이동체에 장착된 점군 데이터 취득수단을 통해 시설물에 대한 점군 데이터를 수집하는 S100 단계;
    데이터 정합부가 상기 취득된 점군 데이터를 정합하는 S200 단계;
    모델 학습부에서, 모델 선정부가 상기 정합된 데이터로 3차원 의미적 분할 모델을 선정하는 S310 단계 및 전이학습 수행부가 전이학습을 수행하는 S320 단계가 수행되는 S300 단계; 및
    3차원 모델링 형성부가, 상기 모델 학습부를 통해 모든 점군 데이터에서 구조물이 의미적 분할이 되면, 구조물에 예측된 데이터만을 전송받아, 수직 부재, 수평부재 및 경사부재를 검출하여, 3차원 모델링을 수행하는 S400 단계를 포함하여 수행되는 것을 특징으로 하는 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 방법.
  20. 하드웨어와 결합되어, 청구항 19에 따른 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 방법을 컴퓨터에 의해 실행시키기 위하여 컴퓨터가 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.

KR1020210148737A 2021-11-02 2021-11-02 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템 및 모델링 형성 방법 KR102654087B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210148737A KR102654087B1 (ko) 2021-11-02 2021-11-02 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템 및 모델링 형성 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210148737A KR102654087B1 (ko) 2021-11-02 2021-11-02 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템 및 모델링 형성 방법

Publications (2)

Publication Number Publication Date
KR20230063556A true KR20230063556A (ko) 2023-05-09
KR102654087B1 KR102654087B1 (ko) 2024-04-02

Family

ID=86408289

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210148737A KR102654087B1 (ko) 2021-11-02 2021-11-02 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템 및 모델링 형성 방법

Country Status (1)

Country Link
KR (1) KR102654087B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019065546A1 (ja) * 2017-09-29 2019-04-04 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 三次元データ作成方法、クライアント装置及びサーバ
KR102135560B1 (ko) 2018-05-16 2020-07-20 주식회사 유진로봇 카메라와 라이다를 이용한 융합 센서 및 이동체
CN112818999A (zh) * 2021-02-10 2021-05-18 桂林电子科技大学 一种基于卷积神经网络的复杂场景3d点云语义分割方法
KR20210090384A (ko) * 2020-01-10 2021-07-20 현대모비스 주식회사 카메라 및 라이다 센서를 이용한 3d 객체 검출방법 및 장치
KR20210111052A (ko) * 2020-03-02 2021-09-10 건국대학교 산학협력단 의미론적 영상을 활용한 포인트 클라우드 분류 장치 및 방법
JP2021149654A (ja) * 2020-03-19 2021-09-27 Ｔｏｔａｌｍａｓｔｅｒｓ株式会社 建設現場管理装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019065546A1 (ja) * 2017-09-29 2019-04-04 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 三次元データ作成方法、クライアント装置及びサーバ
KR102135560B1 (ko) 2018-05-16 2020-07-20 주식회사 유진로봇 카메라와 라이다를 이용한 융합 센서 및 이동체
KR20210090384A (ko) * 2020-01-10 2021-07-20 현대모비스 주식회사 카메라 및 라이다 센서를 이용한 3d 객체 검출방법 및 장치
KR20210111052A (ko) * 2020-03-02 2021-09-10 건국대학교 산학협력단 의미론적 영상을 활용한 포인트 클라우드 분류 장치 및 방법
JP2021149654A (ja) * 2020-03-19 2021-09-27 Ｔｏｔａｌｍａｓｔｅｒｓ株式会社 建設現場管理装置
CN112818999A (zh) * 2021-02-10 2021-05-18 桂林电子科技大学 一种基于卷积神经网络的复杂场景3d点云语义分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Qian Wang, Automatic checks from 3D point cloud data for safety regulation compliance for scaffold work platforms, Automation in Construction 104, 2019* *
Qingyong, et al., Randla-net: Efficient semantic segmentation of large-scale point clouds, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020* *
Tixiao, et al., LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping, IEEE/RSJ International Conference on Intelligent Robots and Systems, 2020* *

Also Published As

Publication number Publication date
KR102654087B1 (ko) 2024-04-02

Similar Documents

Publication Publication Date Title
Lajoie et al. DOOR-SLAM: Distributed, online, and outlier resilient SLAM for robotic teams
Zhu et al. Starnet: Pedestrian trajectory prediction using deep neural network in star topology
CN113537208B (zh) 一种基于语义orb-slam技术的视觉定位方法及系统
CN106125925B (zh) 基于手势和语音控制的智能抓捕方法
US20180161986A1 (en) System and method for semantic simultaneous localization and mapping of static and dynamic objects
US11899748B2 (en) System, method, and apparatus for a neural network model for a vehicle
CN105427293A (zh) 室内场景扫描重建的方法及装置
WO2017079918A1 (zh) 室内场景扫描重建的方法及装置
Zhao et al. OFM‐SLAM: A Visual Semantic SLAM for Dynamic Indoor Environments
Peddireddy et al. Identifying manufacturability and machining processes using deep 3D convolutional networks
Yin et al. Fusionvlad: A multi-view deep fusion networks for viewpoint-free 3d place recognition
Yin et al. Pse-match: A viewpoint-free place recognition method with parallel semantic embedding
Malviya et al. Trajectory prediction and tracking using a multi-behaviour social particle filter
Brightman et al. Point cloud registration: A mini-review of current state, challenging issues and future directions
Rahul et al. Integrating virtual twin and deep neural networks for efficient and energy-aware robotic deburring in industry 4.0
KR102654087B1 (ko) 이동체를 이용한 점군 데이터 수집 및 딥러닝 기반 3차원 모델링 형성 시스템 및 모델링 형성 방법
CN115309164B (zh) 基于生成对抗网络的人机共融移动机器人路径规划方法
Petrović et al. Efficient machine learning of mobile robotic systems based on convolutional neural networks
CN116523952A (zh) 利用2d和3d逐点特征估计6d目标姿态
Tas et al. High-definition map update framework for intelligent autonomous transfer vehicles
Kakaletsis et al. Using synthesized facial views for active face recognition
Cai et al. DeepPCD: Enabling AutoCompletion of Indoor Point Clouds with Deep Learning
Hong et al. Design and Implementation of Path Planning for Wheel‐Track Hybrid Mobile Robot
Chen et al. Towards bio-inspired place recognition over multiple spatial scales
Schlenz et al. Representing engineering design changes in finite element models using directed point cloud autoencoders

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant