KR20230126832A - 터널 굴착면 3d 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템 및 방법 - Google Patents

터널 굴착면 3d 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템 및 방법 Download PDF

Info

Publication number
KR20230126832A
KR20230126832A KR1020220024109A KR20220024109A KR20230126832A KR 20230126832 A KR20230126832 A KR 20230126832A KR 1020220024109 A KR1020220024109 A KR 1020220024109A KR 20220024109 A KR20220024109 A KR 20220024109A KR 20230126832 A KR20230126832 A KR 20230126832A
Authority
KR
South Korea
Prior art keywords
point cloud
cloud data
tunnel excavation
excavation surface
deep learning
Prior art date
Application number
KR1020220024109A
Other languages
English (en)
Inventor
박정준
Original Assignee
한국철도기술연구원
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 한국철도기술연구원 filed Critical 한국철도기술연구원
Priority to KR1020220024109A priority Critical patent/KR20230126832A/ko
Publication of KR20230126832A publication Critical patent/KR20230126832A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V8/00—Prospecting or detecting by optical means
    • G01V8/10—Detecting, e.g. by using light barriers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C7/00—Tracing profiles
    • G01C7/06—Tracing profiles of cavities, e.g. tunnels
    • 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
    • G01S17/894—3D imaging with simultaneous measurement of time-of-flight at a 2D array of receiver pixels, e.g. time-of-flight cameras or flash lidar
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection

Landscapes

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

Abstract

본 발명은 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템 및 방법에 관한 것으로서, 본 발명의 일 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템은 터널 굴착면에 대한 라이다(Lidar) 계측을 수행하고, 상기 터널 굴착면의 3D 점군데이터(3D point cloud data)를 획득하는 터널 굴착면 라이다 계측부, 상기 터널 굴착면 라이다 계측부에서 획득된 상기 터널 굴착면의 3D 점군데이터를 설정크기의 격자 형태로 분할하는 3D 점군데이터 분할부, 및 상기 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 지반 판정의 단위로 하여 설정된 딥러닝 알고리즘을 통해 지반 판정 작업을 수행하고, 격자 단위로 지반의 위험상태를 판정하는 딥러닝 지반 상태 판정부를 포함한다.

Description

터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템 및 방법{Dangerous ground determination system and method using deep learning based on 3D point cloud data of tunnel excavation surface}
본 발명의 실시예들은 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템 및 방법에 관한 것으로서, 더욱 상세하게는 라이다(Lidar_ 계측을 통해 터널 굴착면의 지반 정보를 3D 점군데이터로 취득하고, 현재 지반의 상태를 딥러닝 기술을 활용하여 자동으로 판정할 수 있는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템 및 방법에 관한 것이다.
기존에는 터널 시공 중 굴착면의 위험도 평가는 인력에 의해서 수행되고 있다. 이 때문에, 관측자의 주관적인 의견이 반영될 수 있으며, 육안으로 관찰함에 따라서 정밀하고 객관적인 평가가 어려울 수 있다.
또한, 기존에는 굴착면의 판정 결과를 기록할 때, 지반의 상태에 대해 작업자가 수기로 기록하고 있다. 그리고 굴착면의 디지털 정보는 사진으로만 기록하게 되어 있다. 도 1은 기존의 굴착면 평가 기록에 관한 예시를 보여주는 도면이고, 도 2는 기존의 굴착면 평가를 위한 사진 기록의 예시를 보여주는 사진이다.
그런데 사진만으로는 굴착면의 지반 상태를 명확히 구분하기 어려우며 소수의 암판정 인원 외에는 결과의 판정에 대한 검토가 불가능하다.
또한, 유지보수 단계에서 터널의 균열 및 변형 등과 같은 사건이 발생했을 때 원인을 파악함에 있어 지반의 상태는 중요한 요소 중 하나이다. 하지만, 기존의 방식에 따르는 단순 수기 및 사진 기록만으로는 정확한 지반 상태를 파악하는데 한계가 있으며, 이에 대한 효율적인 대응에 한계가 있다.
최근에는 이러한 한계를 극복하고자 지속적으로 라이다(Lidar) 계측을 통한 굴착면의 암반 지반 판정에 대한 기술 개발이 이루어지고 있으며, 주로 암반의 절리면 특성을 파악하는 것을 주된 목적으로 하고 있다.
도 3은 대상 암반 지반을 보여주는 사진이며, 도 4는 삼각망 구성을 통해 패치(어두운 영역)을 추출한 자료이다.
예를 들어, 라이다(Lidar)로 계측한 3D 점군데이터만으로는 분석이 어렵기 때문에 별도의 과정을 거쳐 점들을 연결하여 삼각망 메쉬를 구성한다. 이어서, 각 삼각망 간의 연관성에 대한 파라미터(예: 각 삼각망 간의 인접각, 최소 구성 패치 개수 등)를 입력하여 유사한 면을 절리면으로 추출하는 방식이 이용되고 있다.
그런데 이 경우 입력하는 파라미터에 따라서 절리 추출 결과가 달라진다. 또한, 굴곡이 있는 절리의 경우 추출이 어렵고, 절리가 없는 영역에 대해서는 판단하기가 어렵다.
만일, 절리를 제대로 추출하지 못할 경우에는, 암반 지반에 대한 안정성에 대해서 과대평가가 이루어질 수 있는데, 터널 굴착 공사의 특성상 안정성에 대한 과대평가는 곧 사고로 이어질 수 있기 때문에 주의해야 한다.
본 발명과 관련된 선행문헌으로서 대한민국 공개특허공보 제10-2011-0127517호가 있으며, 대단면 기초 지질조사방법에 관한 내용이 개시되어 있다.
대한민국 공개특허공보 제10-2011-0127517호
본 발명의 목적은 라이다(Lidar) 계측을 통해 터널 굴착면의 지반 정보를 3D 점군데이터로 취득하고, 현재 지반의 상태를 딥러닝 기술을 활용하여 자동으로 판정할 수 있는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템 및 방법을 제공함에 있다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 발명의 일 측면에 따르면 라이다(Lidar) 계측을 통해 터널 굴착면의 지반 정보를 3D 점군데이터로 취득하고, 지반의 상태를 딥러닝 기술을 활용하여 자동으로 판정하는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템을 제공한다.
본 발명의 일 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템은, 터널 굴착면에 대한 라이다(Lidar) 계측을 수행하고, 상기 터널 굴착면의 3D 점군데이터(3D point cloud data)를 획득하는 터널 굴착면 라이다 계측부, 상기 터널 굴착면 라이다 계측부에서 획득된 상기 터널 굴착면의 3D 점군데이터를 설정크기의 격자 형태로 분할하는 3D 점군데이터 분할부, 및 상기 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 지반 판정의 단위로 하여 설정된 딥러닝 알고리즘을 통해 지반 판정 작업을 수행하고, 격자 단위로 지반의 위험상태를 판정하는 딥러닝 지반 상태 판정부를 포함한다.
상기 터널 굴착면 라이다 계측부는, 상기 터널 굴착면에서 설정 거리를 두고 배치되며, 상기 터널 굴착면의 3D 점군데이터를 획득하는 라이다(Lidar)부를 포함한다.
상기 터널 굴착면 라이다 계측부는, 상기 라이다부에서 상기 터널 굴착면의 3D 점군데이터를 획득시, RGB 값을 추가 획득하도록 설정 밝기의 조명을 제공하는 조명부, 및 상기 터널 굴착면의 계측용 사진을 촬영하는 카메라부를 더 포함한다.
상기 카메라부는 상기 라이다부에 부착될 수 있다. 이에 따라, 상기 터널 굴착면의 3D 점군데이터의 획득과 동시에 터널 굴착면의 계측용 사진을 획득할 수 있다.
또한, 상기 터널 굴착면 라이다 계측부에서 획득한 상기 터널 굴착면의 3D 점군데이터에 포함되는 각각의 점은, 위치좌표(x, y, z)와 RGB 값을 가지거나, 또는 위치좌표(x, y, z)만을 가질 수 있다.
상기 3D 점군데이터 분할부는, 상기 터널 굴착면 라이다 계측부에서 획득한 상기 터널 굴착면의 3D 점군데이터를 입력 받는 3D 점군데이터 입력부, 상기 입력 받은 터널 굴착면의 3D 점군데이터에 대해 지표면과 수직인 Z축을 축으로 하여 3D 회전변환(3D Transformation)을 실시하고, X-Z 평면에서 넓이가 최대가 될 때를 최적으로 하는 최적화 과정을 거쳐 최대단면을 찾은 후 X축을 축으로 하여 회전 후 회전변환을 완료하여 X-Y축을 단면으로 하는 3D 점군데이터를 획득하는 3D 회전변환부, 및 상기 3D 회전변환을 통해 사용자 설정값에 따라 분할하려는 격자의 폭과 높이를 입력 받고, 상기 입력된 격자의 폭과 높이를 기준으로 데이터 영역의 전체를 분할하며, 상기 분할된 모든 영역에서 3D 점군데이터가 존재하는 격자만 인덱싱 하는 격자 분할부를 포함한다.
상기 3D 회전변환부에서, X-Z 평면에서 넓이가 최대가 되는 최대단면을 찾는 상기 최적화 과정에는 넬더-미드 단체(Nelder-Mead simplex) 알고리즘이 이용될 수 있다.
상기 딥러닝 지반 상태 판정부에서, 상기 딥러닝 알고리즘은, PointNet, PointNet2, DGCNN 중 하나 이상의 알고리즘이 이용될 수 있다. 이외에도 다양한 딥러닝 알고리즘을 이용할 수 있다.
상기 딥러닝 지반 상태 판정부는, 상기 딥러닝 알고리즘의 적용 이전에, 상기 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 기반으로 학습 데이터를 구축할 수 있다.
상기 딥러닝 지반 상태 판정부는, 암반의 절리 및 표면 상태를 통한 구조적 상태 평가를 수행하는 지반 구조 상태 딥러닝부, 및 암반의 종류를 분류하는 암반 종류 분류 딥러닝부를 포함한다.
상기 딥러닝 지반 상태 판정부는, 상기 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 txt 형태의 개별 파일로 추출하고, 상기 추출된 개별 파일 각각의 3D 점군데이터의 절대적인 좌표값을 정규화하는 과정을 수행하여 격자의 절대적 위치에 따른 영향을 제거하며, 정규화된 데이터에서 일정한 개수의 점을 무작위로 추출하여 딥러닝 학습을 수행하여 터널 굴착면의 지반 판정을 위한 딥러닝 모델을 구축할 수 있다. 구체적인 예로서, 정규화된 데이터에서 1024개 또는 2048개의 점을 무작위로 추출할 수 있으나, 반드시 이에 한정되는 것은 아니다.
본 발명의 다른 측면에 따르면 라이다(Lidar) 계측을 통해 터널 굴착면의 지반 정보를 3D 점군데이터로 취득하고, 지반의 상태를 딥러닝 기술을 활용하여 자동으로 판정하는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법을 제공한다.
본 발명의 일 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법은, 상기 터널 굴착면 라이다 계측부에서, 터널 굴착면에 대한 라이다(Lidar) 계측을 수행하고, 상기 터널 굴착면의 3D 점군데이터(3D point cloud data)를 획득하는 터널 굴착면 라이다 계측 단계, 상기 3D 점군데이터 분할부에서, 상기 터널 굴착면 라이다 계측부에서 획득된 상기 터널 굴착면의 3D 점군데이터를 설정크기의 격자 형태로 분할하는 3D 점군데이터 분할 단계, 및 상기 딥러닝 지반 상태 판정부에서, 상기 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 지반 판정의 단위로 하여 설정된 딥러닝 알고리즘을 통해 지반 판정 작업을 수행하고, 격자 단위로 지반의 위험상태를 판정하는 딥러닝 지반 상태 판정 단계를 포함한다.
상기 터널 굴착면 라이다 계측 단계에서, 상기 터널 굴착면 라이다 계측부는 라이다부를 포함하고, 상기 라이다부는 상기 터널 굴착면에서 설정 거리를 두고 배치되며, 상기 터널 굴착면의 3D 점군데이터를 획득할 수 있다.
상기 터널 굴착면 라이다 계측 단계에서, 상기 터널 굴착면 라이다 계측부는 조명부와, 카메라부를 더 포함하고, 상기 조명부는 상기 라이다부에서 상기 터널 굴착면의 3D 점군데이터를 획득시, RGB 값을 추가 획득하도록 설정 밝기의 조명을 제공하며, 상기 카메라부는 상기 터널 굴착면의 계측용 사진을 촬영할 수 있다.
상기 터널 굴착면 라이다 계측 단계에서, 상기 터널 굴착면 라이다 계측부에서 획득한 상기 터널 굴착면의 3D 점군데이터에 포함되는 각각의 점은, 위치좌표(x, y, z)와 RGB 값을 가지거나, 또는 위치좌표(x, y, z)만을 가질 수 있다.
상기 3D 점군데이터 분할 단계에서, 상기 3D 점군데이터 분할부는, 3D 점군데이터 입력부, 3D 회전변환부, 및 격자 분할부를 포함하고, 상기 3D 점군데이터 분할 단계는, 상기 3D 점군데이터 입력부에서, 상기 터널 굴착면 라이다 계측부에서 획득한 상기 터널 굴착면의 3D 점군데이터를 입력 받는 3D 점군데이터 입력 단계, 상기 3D 회전변환부에서, 상기 입력 받은 터널 굴착면의 3D 점군데이터에 대해 지표면과 수직인 Z축을 축으로 하여 3D 회전변환(3D Transformation)을 실시하고, X-Z 평면에서 넓이가 최대가 될 때를 최적으로 하는 최적화 과정을 거쳐 최대단면을 찾은 후 X축을 축으로 하여 회전 후 회전변환을 완료하여 X-Y축을 단면으로 하는 3D 점군데이터를 획득하는 3D 회전변환 단계, 및 상기 격자 분할부에서, 상기 3D 회전변환을 통해 사용자 설정값에 따라 분할하려는 격자의 폭과 높이를 입력 받고, 상기 입력된 격자의 폭과 높이를 기준으로 데이터 영역의 전체를 분할하며, 상기 분할된 모든 영역에서 3D 점군데이터가 존재하는 격자만 인덱싱 하는 격자 분할 단계를 포함한다.
상기 3D 회전변환 단계에서, X-Z 평면에서 넓이가 최대가 되는 최대단면을 찾는 상기 최적화 과정에는 넬더-미드 단체(Nelder-Mead simplex) 알고리즘이 이용될 수 있다.
상기 딥러닝 지반 상태 판정 단계에서, 상기 딥러닝 알고리즘은, PointNet, PointNet2, DGCNN 중 하나 이상의 알고리즘이 이용될 수 있다.
상기 딥러닝 지반 상태 판정 단계는, 상기 딥러닝 알고리즘의 적용 이전에, 상기 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 기반으로 학습 데이터를 구축할 수 있다.
상기 딥러닝 지반 상태 판정 단계는, 암반의 절리 및 표면 상태를 통한 구조적 상태 평가를 수행하는 지반 구조 상태 딥러닝 단계와, 암반의 종류를 분류하는 암반 종류 분류 딥러닝 단계를 포함한다.
상기 딥러닝 지반 상태 판정 단계는, 상기 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 txt 형태의 개별 파일로 추출하고, 상기 추출된 개별 파일 각각의 3D 점군데이터의 절대적인 좌표값을 정규화하는 과정을 수행하여 격자의 절대적 위치에 따른 영향을 제거하며, 정규화된 데이터에서 일정한 개수의 점을 무작위로 추출하여 딥러닝 학습을 수행하여 터널 굴착면의 지반 판정을 위한 딥러닝 모델을 구축할 수 있다. 구체적인 예로서, 정규화된 데이터에서 1024개 또는 2048개의 점을 무작위로 추출할 수 있으나, 반드시 이에 한정되는 것은 아니다.
본 발명에 의하면 라이다(Lidar) 계측을 통해 터널 굴착면의 지반 정보를 3D 점군데이터로 취득하고, 현재 지반의 상태를 딥러닝 기술을 활용하여 자동으로 판정할 수 있는 장점이 있다.
또한, 본 발명에 의하면 라이다(Lidar)의 3D 점군데이터를 기반으로 지반의 판정이 이루어지기 때문에 그 데이터가 객관적인 장점이 있다.
또한, 본 발명에 의하면 지반 판정 결과는 RGB값을 포함하고 있는 3D 점군데이터를 기반으로 이루어지므로, 향후 터널의 유지보수 결정에 활용할 수 있는 장점이 있다. 특히, 기존의 3D 점군데이터 기반 암반 판정 알고리즘의 경우 3D 점군데이터를 삼각망 메쉬로 구성하고 이후 절리면을 추출하는 방법을 사용하는데, 이 경우 삼각망 메쉬를 구성하는 과정, 삼각망 메쉬 간의 관계에서 면을 추출하는 과정 등의 후처리 과정이 요구되었다. 그리고 이 경우 입력 파라미터에 따라서 절리면 추출 결과가 달라질 수 있는 문제점이 있었다. 만일, 절리면이 적게 추출되었을 때는 지반의 안정성이 과대평가 될 수 있으며, 이는 터널 공사 중 사고로 이어질 수 있다. 또한, 기존에는 절리면만을 분석하기 때문에 절리면이 추출되지 않은 영역에 대해서는 지반 판정을 하지 않게 되는 문제점이 있었다. 본 발명에 의하면 굴착면 전부를 대상으로 지반 판정이 이루어지기 때문에 지반 판정이 누락되는 영역이 없어 평가의 정확도가 향상될 수 있는 장점이 있다.
상술한 효과와 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.
도 1은 기존의 굴착면 평가 작업을 보여주는 예시도.
도 2는 기존의 굴착면 사진 기록을 보여주는 예시도.
도 3은 기존의 대상 암반 지반을 보여주는 예시도.
도 4는 기존의 삼각망 메쉬 구성을 통한 패치(어두운 영역) 추출을 보여주는 예시도.
도 5는 본 발명의 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템을 간략히 도시한 구성도이다.
도 6은 본 발명의 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법을 간략히 도시한 순서도이다.
도 7은 본 발명의 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법에서 굴착면 계측 과정(a)과 조명을 활용하여 굴착면의 밝기를 확보하는 과정(b)을 보여주는 사진들.
도 8은 본 발명의 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법 중에서 굴착면 3D 점군데이터를 획득한 사진.
도 9는 본 발명의 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법 중에서 터널 거칠기 측정 및 자동 분할 과정을 보여주는 개념도.
도 10은 본 발명의 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법에서 터널 굴착면의 원본 3D 점군데이터를 보여주는 예시도.
도 11은 본 발명의 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법에서 3D 회전변환을 적용한 터널 굴착면의 3D 점군데이터를 보여주는 예시도.
도 12는 본 발명의 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법에서 터널 굴착면의 3D 점군데이터의 격자 분할을 보여주는 예시도.
도 13은 본 발명의 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법에서 신선한 암반을 보여주는 예시도.
도 14는 본 발명의 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법에서 약간 절리가 발달한 암반을 보여주는 예시도.
도 15는 본 발명의 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법에서 절리가 발달한 암반을 보여주는 예시도.
도 16은 본 발명의 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법에서 토사지반을 보여주는 예시도.
이하, 도면을 참조하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다. 또한, 본 발명의 일부 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다.
본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질, 차례, 순서 또는 개수 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 다른 구성 요소가 "개재"되거나, 각 구성 요소가 다른 구성 요소를 통해 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
또한, 본 발명을 구현함에 있어서 설명의 편의를 위하여 구성요소를 세분화하여 설명할 수 있으나, 이들 구성요소가 하나의 장치 또는 모듈 내에 구현될 수도 있고, 혹은 하나의 구성요소가 다수의 장치 또는 모듈들에 나뉘어져서 구현될 수도 있다.
도면에서, 도 5는 본 발명의 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템을 간략히 도시한 구성도이고, 도 6은 본 발명의 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법을 간략히 도시한 순서도이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 따른 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템 및 방법에 관하여 상세히 설명하기로 한다.
[터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템]
본 발명의 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템은 라이다(Lidar) 계측을 통해 터널 굴착면의 지반 정보를 3D 점군데이터로 취득하고, 지반의 상태를 딥러닝 기술을 활용하여 자동으로 판정할 수 있다.
도 5를 참조하면, 본 발명의 일 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템(1000)은, 터널 굴착면 라이다 계측부(100), 3D 점군데이터 격자 분할부(200), 딥러닝 지반 상태 판정부(300)를 포함한다.
터널 굴착면 라이다 계측부(100)는 터널 굴착면에 대한 라이다(Lidar) 계측을 수행하고, 터널 굴착면의 3D 점군데이터(3D point cloud data)를 획득할 수 있다.
구체적인 예로서, 터널 굴착면 라이다 계측부(100)는 라이다(Lidar)부(110), 조명부(120), 및 카메라부(130)를 포함한다.
라이다(Lidar)부(110)는 터널 굴착면에서 설정 거리를 두고 배치되며, 터널 굴착면의 3D 점군데이터를 획득할 수 있다.
조명부(120)는 라이다부(110)에서 터널 굴착면의 3D 점군데이터를 획득할 때 RGB 값을 추가 획득하도록 설정 밝기의 조명을 제공할 수 있다.
카메라부(130)는 터널 굴착면의 계측용 사진을 촬영할 수 있다. 예를 들어, 카메라부(130)는 라이다부(110)에 부착될 수 있다. 이 경우 터널 굴착면의 3D 점군데이터의 획득과 동시에 터널 굴착면의 계측용 사진을 신속하고 정확하게 획득할 수 있다.
도 7을 참조하면, 굴착면 계측 과정(a)과 조명을 활용하여 굴착면의 밝기를 확보하는 과정(b)을 보여준다.
터널 굴착면 라이다 계측부(100)에서 획득한 터널 굴착면의 3D 점군데이터에 포함되는 각각의 점은, 위치좌표(x, y, z)와 RGB 값을 가지거나, 또는 위치좌표(x, y, z)만을 가질 수 있다.
그리고 도 8을 참조하면, 터널 굴착면 3D 점군데이터를 획득한 사진이다. 도시된 바와 같이, 터널 굴착면에 대한 3D 점군데이터의 위치정보(x, y, z)값과 RGB 데이터의 매핑을 통해 최종적인 터널 굴착면의 3D 점군데이터를 획득할 수 있다.
3D 점군데이터 격자 분할부(200)는 터널 굴착면 라이다 계측부(100)에서 획득된 터널 굴착면의 3D 점군데이터를 설정크기의 격자 형태로 분할할 수 있다.
터널 굴착면은 굴곡이 있는 면이기 때문에 정확히 평면의 형태가 아니다. 따라서, 격자 형태로 분할하기 위해서 굴착면의 면적이 최대가 될 수 있도록 축 변환을 수행해야 한다. 이후 사용자가 설정값을 입력하면 자동적으로 분할이 될 수 있다. 분할된 각각의 격자는 지반 판정의 단위가 되며, 이렇게 분류된 격자 형태를 개별 파일로 자동 추출할 수 있다. 이에 따라, 추출된 격자 형태의 3D 점군데이터는 사전 학습을 통해서 가중치가 결정된 딥러닝 모델을 통해 판정 과정을 거치게 되며 각 격자 단위로 지반의 상태가 판정될 수 있다.
구체적인 예로서, 3D 점군데이터 분할부(200)는, 3D 점군데이터 입력부(210), 3D 회전변환부(220), 및 격자 분할부(230)를 포함한다.
3D 점군데이터 입력부(210)는 터널 굴착면 라이다 계측부(100)에서 획득한 터널 굴착면의 3D 점군데이터를 입력 받을 수 있다.
3D 회전변환부(220)는 상기 입력 받은 터널 굴착면의 3D 점군데이터에 대해 지표면과 수직인 Z축을 축으로 하여 3D 회전변환(3D Transformation)을 실시할 수 있다.
또한, 3D 회전변환부(220)는 X-Z 평면에서 넓이가 최대가 될 때를 최적으로 하는 최적화 과정을 거쳐 최대단면을 찾은 후 X축을 축으로 하여 회전 후 회전변환을 완료하여 X-Y축을 단면으로 하는 3D 점군데이터를 획득할 수 있다.
도 9를 참조하면, 터널 거칠기 측정 및 자동 분할 과정을 보여준다. 그리고 도 10을 참조하면, 터널 굴착면의 원본 3D 점군데이터의 일 예를 보여준다.
본 발명의 실시예에 따르면 3D 회전변환부(200)에서, X-Z 평면에서 넓이가 최대가 되는 최대단면을 찾는 상기 최적화 과정에는 넬더-미드 단체(Nelder-Mead simplex) 알고리즘이 이용될 수 있다.
격자 분할부(230)는 3D 회전변환을 통해 사용자 설정값에 따라 분할하려는 격자의 폭과 높이를 입력 받고, 상기 입력된 격자의 폭과 높이를 기준으로 데이터 영역의 전체를 분할할 수 있다. 또한, 격자 분할부(230)는 상기 분할된 모든 영역에서 3D 점군데이터가 존재하는 격자만 인덱싱 할 수 있다.
도 11을 참조하면, 3D 회전변환을 적용한 터널 굴착면의 3D 점군데이터의 일 예를 보여준다. 그리고 도 12를 참조하면, 터널 굴착면의 3D 점군데이터의 격자 분할의 일 예를 보여준다.
딥러닝 지반 상태 판정부(300)는 상기 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 지반 판정의 단위로 하여 설정된 딥러닝 알고리즘을 통해 지반 판정 작업을 수행하고, 격자 단위로 지반의 위험상태를 판정할 수 있다.
구체적인 예로서, 딥러닝 지반 상태 판정부(300)에서 설정되는 딥러닝 알고리즘은 PointNet, PointNet2, DGCNN 중 하나 이상의 알고리즘이 이용될 수 있다. 다만, 이외에도 통상의 기술자에게 자명한 다양한 딥러닝 알고리즘 중 하나를 이용하여도 무방하다.
딥러닝 지반 상태 판정부(300)는 딥러닝 알고리즘의 적용 이전에 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 기반으로 학습 데이터를 구축할 수 있다.
이를 위해 딥러닝 지반 상태 판정부(300)는 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 기반으로 학습 데이터를 구축하는 학습 데이터 구축부(310)를 더 포함할 수 있다.
딥러닝 지판 판정부(300)에서, 딥러닝 적용을 위해서는 사전에 학습 데이터를 통한 훈련의 과정이 필요하다. 이를 위해서는 학습 데이터의 구축이 필요하다.
여기서, 학습 데이터는 암반 지반의 상태를 알고 있는 터널 굴착면의 3D 점군데이터를 기반으로 구축할 수 있다.
터널 굴착면의 상태는 크게 절리, 표면 풍화도, 표면의 거칠기, 암반 종류 등에 따라 다르며, 지반 상태를 알고 있는 3D 점군데이터의 라벨링 과정을 통해 학습 데이터를 구축할 수 있다.
도면에서, 도 13은 신선한 암반을 보여주는 예이며, 도 14는 약간 절리가 발달한 암반을 보여주는 예이며, 도 15는 절리가 발달한 암반을 보여주는 예이며, 도 16은 토사지반을 보여주는 예이다.
본 발명의 실시예에 따르면 딥러닝 지반 상태 판정부(300)는 암반의 절리 및 표면 상태를 통한 구조적 상태 평가를 수행하는 지반 구조 상태 딥러닝부(321), 및 암반의 종류를 분류하는 암반 종류 분류 딥러닝부(322)를 더 포함할 수 있다. 각 알고리즘의 학습을 위해서는 사전에 라벨링 된 데이터를 활용할 수 있다.
예를 들어, 딥러닝 지반 상태 판정부(300)는 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 txt 형태의 개별 파일로 추출할 수 있다. 이어서, 딥러닝 지반 상태 판정부(300)는 추출된 개별 파일 각각의 3D 점군데이터의 절대적인 좌표값을 정규화하는 과정을 수행하여 격자의 절대적 위치에 따른 영향을 제거할 수 있다. 이어서, 딥러닝 지반 상태 판정부(300)는 정규화된 데이터에서 일정한 개수의 점을 무작위로 추출하여 딥러닝 학습을 수행하여 터널 굴착면의 지반 판정을 위한 딥러닝 모델을 구축할 수 있다. 구체적인 예로서, 정규화된 데이터에서 1024개 또는 2048개의 점을 무작위로 추출할 수 있으나, 반드시 이에 한정되는 것은 아니다. 이렇게 구축된 모델을 활용하여, 새롭게 얻어진 터널 굴착면 데이터를 딥러닝 모델에 테스트하여 터널 굴착면의 구조적 상태 및 암반 종류에 대한 평가가 이루어질 수 있다.
[터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법]
본 발명의 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법은 라이다(Lidar) 계측을 통해 터널 굴착면의 지반 정보를 3D 점군데이터로 취득하고, 지반의 상태를 딥러닝 기술을 활용하여 자동으로 판정할 수 있다.
도 6을 참조하면, 본 발명의 일 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법은, 터널 굴착면 라이다 계측 단계(S100), 3D 점군데이터 격자 분할 단계(S200), 딥러닝 지반 상태 판정 단계(S300)를 포함한다.
본 발명의 일 실시예에 따르는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법은 전술한 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템을 이용한다. 따라서, 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템의 부호를 병기하여 설명하기로 한다.
터널 굴착면 라이다 계측 단계(S100)는 터널 굴착면 라이다 계측부(100)(도 5 참조)에서, 터널 굴착면에 대한 라이다(Lidar) 계측을 수행하고, 터널 굴착면의 3D 점군데이터(3D point cloud data)를 획득하는 단계이다.
예를 들어, 터널 굴착면 라이다 계측부(100)(도 5 참조)는 라이다(Lidar)부(110)(도 5 참조), 조명부(120)(도 5 참조), 및 카메라부(130)(도 5 참조)를 포함한다. 라이다(Lidar)부(110)(도 5 참조)는 터널 굴착면에서 설정 거리를 두고 배치되며, 터널 굴착면의 3D 점군데이터를 획득할 수 있다. 조명부(120)(도 5 참조)는 라이다부(110)(도 5 참조)에서 터널 굴착면의 3D 점군데이터를 획득할 때 RGB 값을 추가 획득하도록 설정 밝기의 조명을 제공할 수 있다. 카메라부(130)(도 5 참조)는 터널 굴착면의 계측용 사진을 촬영할 수 있다.
도 7을 참조하면, 본 단계에서 수행되는 굴착면 계측 과정(a)과 조명을 활용하여 굴착면의 밝기를 확보하는 과정(b)을 보여준다.
터널 굴착면 라이다 계측부(100)(도 5 참조)에서 획득한 터널 굴착면의 3D 점군데이터에 포함되는 각각의 점은, 위치좌표(x, y, z)와 RGB 값을 가지거나, 또는 위치좌표(x, y, z)만을 가질 수 있다.
그리고 도 8을 참조하면, 본 단계에서 획득한 터널 굴착면 3D 점군데이터를 예를 보여준다. 도시된 바와 같이, 터널 굴착면에 대한 3D 점군데이터의 위치정보(x, y, z)값과 RGB 데이터의 매핑을 통해 최종적인 터널 굴착면의 3D 점군데이터를 획득할 수 있다.
3D 점군데이터 격자 분할 단계(S200)는 3D 점군데이터 격자 분할부(200)에서, 이전 단계인 터널 굴착면 라이다 계측 단계(S100)에서 획득된 터널 굴착면의 3D 점군데이터를 설정크기의 격자 형태로 분할할 수 있다.
터널 굴착면은 굴곡이 있는 면이기 때문에 정확히 평면의 형태가 아니다. 따라서, 격자 형태로 분할하기 위해서 굴착면의 면적이 최대가 될 수 있도록 축 변환을 수행해야 한다. 이후 사용자가 설정값을 입력하면 자동적으로 분할이 될 수 있다. 분할된 각각의 격자는 지반 판정의 단위가 되며, 이렇게 분류된 격자 형태를 개별 파일로 자동 추출할 수 있다. 이에 따라, 추출된 격자 형태의 3D 점군데이터는 사전 학습을 통해서 가중치가 결정된 딥러닝 모델을 통해 판정 과정을 거치게 되며 각 격자 단위로 지반의 상태가 판정될 수 있다.
구체적인 예로서, 3D 점군데이터 분할 단계(S200)는 3D 점군데이터 입력 단계, 3D 회전변환 단계, 격자 분할 단계를 포함한다.
3D 점군데이터 입력 단계는 3D 점군데이터 입력부(210)(도 5 참조)에서, 이전 단계인 터널 굴착면 라이다 계측 단계(S100)에서 획득한 터널 굴착면의 3D 점군데이터를 입력 받는 단계이다.
3D 회전변환 단계는 3D 회전변환부(220)(도 5 참조)에서 상기 입력 받은 터널 굴착면의 3D 점군데이터에 대해 지표면과 수직인 Z축을 축으로 하여 3D 회전변환(3D Transformation)을 실시하는 단계이다.
또한, 3D 회전변환 단계에서는, 3D 회전변환부(220)(도 5 참조)에서 X-Z 평면에서 넓이가 최대가 될 때를 최적으로 하는 최적화 과정을 거쳐 최대단면을 찾은 후 X축을 축으로 하여 회전 후 회전변환을 완료하여 X-Y축을 단면으로 하는 3D 점군데이터를 획득할 수 있다.
도 9를 참조하면, 터널 거칠기 측정 및 자동 분할 과정을 보여주며, 도 10을 참조하면, 터널 굴착면의 원본 3D 점군데이터의 일 예를 보여준다.
한편, 본 발명의 실시예에 따르면 3D 회전변환부(200)에서, X-Z 평면에서 넓이가 최대가 되는 최대단면을 찾는 상기 최적화 과정에는 넬더-미드 단체(Nelder-Mead simplex) 알고리즘이 이용될 수 있다.
격자 분할 단계는 격자 분할부(230)(도 5 참조)에서 3D 회전변환을 통해 사용자 설정값에 따라 분할하려는 격자의 폭과 높이를 입력 받고, 상기 입력된 격자의 폭과 높이를 기준으로 데이터 영역의 전체를 분할하며, 상기 분할된 모든 영역에서 3D 점군데이터가 존재하는 격자만 인덱싱 하는 단계이다.
도 11을 참조하면, 3D 회전변환을 적용한 터널 굴착면의 3D 점군데이터의 일 예를 보여준다. 그리고 도 12를 참조하면, 터널 굴착면의 3D 점군데이터의 격자 분할의 일 예를 보여준다.
딥러닝 지반 상태 판정 단계(S300)는 딥러닝 지반 상태 판정부(300)(도 5 참조)에서 상기 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 지반 판정의 단위로 하여 설정된 딥러닝 알고리즘을 통해 지반 판정 작업을 수행하고, 격자 단위로 지반의 위험상태를 판정하는 단계이다.
본 단계에서 딥러닝 지반 상태 판정부(300)에서 설정되는 딥러닝 알고리즘은 PointNet, PointNet2, DGCNN 중 하나 이상의 알고리즘이 이용될 수 있다. 다만, 이외에도 통상의 기술자에게 자명한 다양한 딥러닝 알고리즘 중 하나를 이용하여도 무방하다.
또한, 딥러닝 지반 상태 판정 단계(S300)에서는, 딥러닝 지반 상태 판정부(300)(도 5 참조)에서 딥러닝 알고리즘의 적용 이전에 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 기반으로 하는 학습 데이터를 구축할 수 있다.
딥러닝 지판 판정부(300)(도 5 참조)에서 딥러닝 적용을 위해서는 사전에 학습 데이터를 통한 훈련의 과정이 필요하다. 이를 위해서는 학습 데이터의 구축이 필요하다.
여기서, 학습 데이터는 암반 지반의 상태를 알고 있는 터널 굴착면의 3D 점군데이터를 기반으로 구축할 수 있다.
터널 굴착면의 상태는 크게 절리, 표면 풍화도, 표면의 거칠기, 암반 종류 등에 따라 다르며, 지반 상태를 알고 있는 3D 점군데이터의 라벨링 과정을 통해 학습 데이터를 구축할 수 있다.
도면에서, 도 13은 신선한 암반을 보여주는 예이며, 도 14는 약간 절리가 발달한 암반을 보여주는 예이며, 도 15는 절리가 발달한 암반을 보여주는 예이며, 도 16은 토사지반을 보여주는 예이다.
본 발명의 실시예에 따르면 딥러닝 지반 상태 판정부(300)는 암반의 절리 및 표면 상태를 통한 구조적 상태 평가를 수행하는 지반 구조 상태 딥러닝과, 암반의 종류를 분류하는 암반 종류 분류 딥러닝을 포함하는 2가지를 대상으로 할 수 있다. 각 알고리즘의 학습을 위해서는 사전에 라벨링 된 데이터를 활용할 수 있다.
예를 들어, 딥러닝 지반 상태 판정 단계(S300)에서는, 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 txt 형태의 개별 파일로 추출할 수 있다. 이어서, 딥러닝 지반 상태 판정부(300)는 추출된 개별 파일 각각의 3D 점군데이터의 절대적인 좌표값을 정규화하는 과정을 수행하여 격자의 절대적 위치에 따른 영향을 제거할 수 있다. 이어서, 딥러닝 지반 상태 판정 단계(S300)에서는, 정규화된 데이터에서 일정한 개수의 점을 무작위로 추출하여 딥러닝 학습을 수행하여 터널 굴착면의 지반 판정을 위한 딥러닝 모델을 구축할 수 있다. 구체적인 예로서, 정규화된 데이터에서 1024개 또는 2048개의 점을 무작위로 추출할 수 있으나, 반드시 이에 한정되는 것은 아니다. 이렇게 구축된 모델을 활용하여, 새롭게 얻어진 터널 굴착면 데이터를 딥러닝 모델에 테스트하여 터널 굴착면의 구조적 상태 및 암반 종류에 대한 평가가 이루어질 수 있다.
상술한 바와 같이, 본 발명의 구성 및 작용에 따르면, 라이다(Lidar) 계측을 통해 터널 굴착면의 지반 정보를 3D 점군데이터로 취득하고, 현재 지반의 상태를 딥러닝 기술을 활용하여 자동으로 판정할 수 있다.
또한, 본 발명에 의하면 라이다(Lidar)의 3D 점군데이터를 기반으로 지반의 판정이 이루어지기 때문에 그 데이터가 객관적인 장점이 있다.
또한, 본 발명에 의하면 지반 판정 결과는 RGB값을 포함하고 있는 3D 점군데이터를 기반으로 이루어지므로, 향후 터널의 유지보수 결정에 활용할 수 있다.
기존의 3D 점군데이터 기반 암반 판정 알고리즘의 경우 3D 점군데이터를 삼각망 메쉬로 구성하고 이후 절리면을 추출하는 방법을 사용한다. 이 경우 삼각망 메쉬를 구성하는 과정, 삼각망 메쉬 간의 관계에서 면을 추출하는 과정 등의 후처리 과정이 요구되는 불편이 따랐다. 그리고 이 경우 입력 파라미터에 따라서 절리면 추출 결과가 달라질 수 있는 문제점이 있었다. 만일, 절리면이 적게 추출되었을 때는 지반의 안정성이 과대평가 될 수 있으며, 이는 터널 공사 중 사고로 이어질 수 있다. 또한, 기존에는 절리면만을 분석하기 때문에 절리면이 추출되지 않은 영역에 대해서는 지반 판정을 하지 않게 되는 문제점이 있었다.
본 발명에 의하면 굴착면 전부를 대상으로 지반 판정이 이루어지기 때문에 지반 판정이 누락되는 영역이 없어 평가의 정확도가 향상될 수 있다.
이상과 같이 본 발명에 대해서 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상의 범위 내에서 통상의 기술자에 의해 다양한 변형이 이루어질 수 있음은 자명하다. 아울러 앞서 본 발명의 실시예를 설명하면서 본 발명의 구성에 따른 작용 효과를 명시적으로 기재하여 설명하지 않았을지라도, 해당 구성에 의해 예측 가능한 효과 또한 인정되어야 함은 당연하다.
S100: 터널 굴착면 라이다 계측단계
S200: 3D 점군데이터 격자 분할단계
S300: 딥러닝 지반 상태 판정단계
100: 터널 굴착면 라이다 계측부
110: 라이다부
120: 조명부
130: 카메라부
200: 3D 점군데이터 격자 분할부
210: 3D 점군데이터 입력부
220: 3D 회전변환(3D Transformation)부
230: 격자 분할(Grid segmentation)부
300: 딥러닝 지반 상태 판정부
310: 학습데이터 구축부
321: 지반 구조 상태 딥러닝부
322: 암반 종류 분류 딥러닝부
1000: 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템

Claims (20)

  1. 터널 굴착면에 대한 라이다(Lidar) 계측을 수행하고, 상기 터널 굴착면의 3D 점군데이터(3D point cloud data)를 획득하는 터널 굴착면 라이다 계측부;
    상기 터널 굴착면 라이다 계측부에서 획득된 상기 터널 굴착면의 3D 점군데이터를 설정크기의 격자 형태로 분할하는 3D 점군데이터 분할부; 및
    상기 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 지반 판정의 단위로 하여 설정된 딥러닝 알고리즘을 통해 지반 판정 작업을 수행하고, 격자 단위로 지반의 위험상태를 판정하는 딥러닝 지반 상태 판정부;
    를 포함하는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템.
  2. 제1항에 있어서,
    상기 터널 굴착면 라이다 계측부는,
    상기 터널 굴착면에서 설정 거리를 두고 배치되며, 상기 터널 굴착면의 3D 점군데이터를 획득하는 라이다(Lidar)부;
    를 포함하는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템.
  3. 제2항에 있어서,
    상기 터널 굴착면 라이다 계측부는,
    상기 라이다부에서 상기 터널 굴착면의 3D 점군데이터를 획득시, RGB 값을 추가 획득하도록 설정 밝기의 조명을 제공하는 조명부; 및
    상기 터널 굴착면의 계측용 사진을 촬영하는 카메라부;
    를 더 포함하는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템.
  4. 제1항에 있어서,
    상기 터널 굴착면 라이다 계측부에서 획득한 상기 터널 굴착면의 3D 점군데이터에 포함되는 각각의 점은, 위치좌표(x, y, z)와 RGB 값을 가지거나, 또는 위치좌표(x, y, z)만을 가지는 것을 특징으로 하는
    터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템.
  5. 제1항에 있어서,
    상기 3D 점군데이터 분할부는,
    상기 터널 굴착면 라이다 계측부에서 획득한 상기 터널 굴착면의 3D 점군데이터를 입력 받는 3D 점군데이터 입력부;
    상기 입력 받은 터널 굴착면의 3D 점군데이터에 대해 지표면과 수직인 Z축을 축으로 하여 3D 회전변환(3D Transformation)을 실시하고, X-Z 평면에서 넓이가 최대가 될 때를 최적으로 하는 최적화 과정을 거쳐 최대단면을 찾은 후 X축을 축으로 하여 회전 후 회전변환을 완료하여 X-Y축을 단면으로 하는 3D 점군데이터를 획득하는 3D 회전변환부; 및
    상기 3D 회전변환을 통해 사용자 설정값에 따라 분할하려는 격자의 폭과 높이를 입력 받고, 상기 입력된 격자의 폭과 높이를 기준으로 데이터 영역의 전체를 분할하며, 상기 분할된 모든 영역에서 3D 점군데이터가 존재하는 격자만 인덱싱 하는 격자 분할부;
    를 포함하는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템.
  6. 제5항에 있어서,
    상기 3D 회전변환부에서,
    X-Z 평면에서 넓이가 최대가 되는 최대단면을 찾는 상기 최적화 과정에는 넬더-미드 단체(Nelder-Mead simplex) 알고리즘이 이용되는 것을 특징으로 하는
    터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템.
  7. 제1항에 있어서,
    상기 딥러닝 지반 상태 판정부에서,
    상기 딥러닝 알고리즘은, PointNet, PointNet2, DGCNN 중 하나 이상의 알고리즘이 이용되는 것을 특징으로 하는
    터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템.
  8. 제1항에 있어서,
    상기 딥러닝 지반 상태 판정부는,
    상기 딥러닝 알고리즘의 적용 이전에, 상기 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 기반으로 학습 데이터를 구축하는 것을 특징으로 하는
    터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템.
  9. 제8항에 있어서,
    상기 딥러닝 지반 상태 판정부는,
    암반의 절리 및 표면 상태를 통한 구조적 상태 평가를 수행하는 지반 구조 상태 딥러닝부; 및
    암반의 종류를 분류하는 암반 종류 분류 딥러닝부;
    를 포함하는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템.
  10. 제9항에 있어서,
    상기 딥러닝 지반 상태 판정부는,
    상기 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 txt 형태의 개별 파일로 추출하고, 상기 추출된 개별 파일 각각의 3D 점군데이터의 절대적인 좌표값을 정규화하는 과정을 수행하여 격자의 절대적 위치에 따른 영향을 제거하며, 정규화된 데이터에서 일정한 개수의 점을 무작위로 추출하여 딥러닝 학습을 수행하여 터널 굴착면의 지반 판정을 위한 딥러닝 모델을 구축하는 것을 특징으로 하는
    터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템.
  11. 제1항의 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템을 이용한 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법으로서,
    상기 터널 굴착면 라이다 계측부에서, 터널 굴착면에 대한 라이다(Lidar) 계측을 수행하고, 상기 터널 굴착면의 3D 점군데이터(3D point cloud data)를 획득하는 터널 굴착면 라이다 계측 단계;
    상기 3D 점군데이터 분할부에서, 상기 터널 굴착면 라이다 계측부에서 획득된 상기 터널 굴착면의 3D 점군데이터를 설정크기의 격자 형태로 분할하는 3D 점군데이터 분할 단계; 및
    상기 딥러닝 지반 상태 판정부에서, 상기 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 지반 판정의 단위로 하여 설정된 딥러닝 알고리즘을 통해 지반 판정 작업을 수행하고, 격자 단위로 지반의 위험상태를 판정하는 딥러닝 지반 상태 판정 단계;
    를 포함하는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법.
  12. 제11항에 있어서,
    상기 터널 굴착면 라이다 계측 단계에서,
    상기 터널 굴착면 라이다 계측부는 라이다부를 포함하고,
    상기 라이다부는 상기 터널 굴착면에서 설정 거리를 두고 배치되며, 상기 터널 굴착면의 3D 점군데이터를 획득하는 것을 특징으로 하는
    굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법.
  13. 제12항에 있어서,
    상기 터널 굴착면 라이다 계측 단계에서,
    상기 터널 굴착면 라이다 계측부는 조명부와, 카메라부를 더 포함하고,
    상기 조명부는 상기 라이다부에서 상기 터널 굴착면의 3D 점군데이터를 획득시, RGB 값을 추가 획득하도록 설정 밝기의 조명을 제공하며,
    상기 카메라부는 상기 터널 굴착면의 계측용 사진을 촬영하는 것을 특징으로 하는
    터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법.
  14. 제11항에 있어서,
    상기 터널 굴착면 라이다 계측 단계에서,
    상기 터널 굴착면 라이다 계측부에서 획득한 상기 터널 굴착면의 3D 점군데이터에 포함되는 각각의 점은, 위치좌표(x, y, z)와 RGB 값을 가지거나, 또는 위치좌표(x, y, z)만을 가지는 것을 특징으로 하는
    터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법.
  15. 제11항에 있어서,
    상기 3D 점군데이터 분할 단계에서,
    상기 3D 점군데이터 분할부는, 3D 점군데이터 입력부, 3D 회전변환부, 및 격자 분할부를 포함하고,
    상기 3D 점군데이터 분할 단계는,
    상기 3D 점군데이터 입력부에서, 상기 터널 굴착면 라이다 계측부에서 획득한 상기 터널 굴착면의 3D 점군데이터를 입력 받는 3D 점군데이터 입력 단계;
    상기 3D 회전변환부에서, 상기 입력 받은 터널 굴착면의 3D 점군데이터에 대해 지표면과 수직인 Z축을 축으로 하여 3D 회전변환(3D Transformation)을 실시하고, X-Z 평면에서 넓이가 최대가 될 때를 최적으로 하는 최적화 과정을 거쳐 최대단면을 찾은 후 X축을 축으로 하여 회전 후 회전변환을 완료하여 X-Y축을 단면으로 하는 3D 점군데이터를 획득하는 3D 회전변환 단계; 및
    상기 격자 분할부에서, 상기 3D 회전변환을 통해 사용자 설정값에 따라 분할하려는 격자의 폭과 높이를 입력 받고, 상기 입력된 격자의 폭과 높이를 기준으로 데이터 영역의 전체를 분할하며, 상기 분할된 모든 영역에서 3D 점군데이터가 존재하는 격자만 인덱싱 하는 격자 분할 단계;
    를 포함하는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법.
  16. 제15항에 있어서,
    상기 3D 회전변환 단계에서,
    X-Z 평면에서 넓이가 최대가 되는 최대단면을 찾는 상기 최적화 과정에는 넬더-미드 단체(Nelder-Mead simplex) 알고리즘이 이용되는 것을 특징으로 하는
    터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법.
  17. 제11항에 있어서,
    상기 딥러닝 지반 상태 판정 단계에서,
    상기 딥러닝 알고리즘은, PointNet, PointNet2, DGCNN 중 하나 이상의 알고리즘이 이용되는 것을 특징으로 하는
    터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법.
  18. 제11항에 있어서,
    상기 딥러닝 지반 상태 판정 단계는,
    상기 딥러닝 알고리즘의 적용 이전에, 상기 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 기반으로 학습 데이터를 구축하는 것을 특징으로 하는
    터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법.
  19. 제18항에 있어서,
    상기 딥러닝 지반 상태 판정 단계는,
    암반의 절리 및 표면 상태를 통한 구조적 상태 평가를 수행하는 지반 구조 상태 딥러닝 단계와,
    암반의 종류를 분류하는 암반 종류 분류 딥러닝 단계를 포함하는
    터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법.
  20. 제19항에 있어서,
    상기 딥러닝 지반 상태 판정 단계는,
    상기 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 txt 형태의 개별 파일로 추출하고, 상기 추출된 개별 파일 각각의 3D 점군데이터의 절대적인 좌표값을 정규화하는 과정을 수행하여 격자의 절대적 위치에 따른 영향을 제거하며, 정규화된 데이터에서 일정한 개수의 점을 무작위로 추출하여 딥러닝 학습을 수행하여 터널 굴착면의 지반 판정을 위한 딥러닝 모델을 구축하는 것을 특징으로 하는
    터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법.
KR1020220024109A 2022-02-24 2022-02-24 터널 굴착면 3d 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템 및 방법 KR20230126832A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220024109A KR20230126832A (ko) 2022-02-24 2022-02-24 터널 굴착면 3d 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220024109A KR20230126832A (ko) 2022-02-24 2022-02-24 터널 굴착면 3d 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20230126832A true KR20230126832A (ko) 2023-08-31

Family

ID=87847670

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220024109A KR20230126832A (ko) 2022-02-24 2022-02-24 터널 굴착면 3d 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20230126832A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117168419A (zh) * 2023-11-02 2023-12-05 中国电建集团西北勘测设计研究院有限公司 一种基于机器视觉系统的岩体结构与质量自动化识别方法
CN117780346A (zh) * 2024-02-23 2024-03-29 太原矿机物联科技有限公司 基于3d可视化模型的远程煤机控制方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110127517A (ko) 2010-05-19 2011-11-25 (주)넥스지오 대단면 기초 지질조사방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110127517A (ko) 2010-05-19 2011-11-25 (주)넥스지오 대단면 기초 지질조사방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117168419A (zh) * 2023-11-02 2023-12-05 中国电建集团西北勘测设计研究院有限公司 一种基于机器视觉系统的岩体结构与质量自动化识别方法
CN117168419B (zh) * 2023-11-02 2024-02-02 中国电建集团西北勘测设计研究院有限公司 一种基于机器视觉系统的岩体结构与质量自动化识别方法
CN117780346A (zh) * 2024-02-23 2024-03-29 太原矿机物联科技有限公司 基于3d可视化模型的远程煤机控制方法
CN117780346B (zh) * 2024-02-23 2024-05-24 太原矿机物联科技有限公司 基于3d可视化模型的远程煤机控制方法

Similar Documents

Publication Publication Date Title
Ukhwah et al. Asphalt pavement pothole detection using deep learning method based on YOLO neural network
Kong et al. Automatic identification and characterization of discontinuities in rock masses from 3D point clouds
KR20230126832A (ko) 터널 굴착면 3d 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템 및 방법
WO2018207173A1 (en) System and method for construction 3d modeling and analysis
CN109961510B (zh) 一种基于三维点云重构技术的高切坡地质快速编录方法
Matikainen et al. Multispectral airborne laser scanning for automated map updating
Calantropio et al. Deep learning for automatic building damage assessment: application in post-disaster scenarios using UAV data
Uzar Automatic building extraction with multi-sensor data using rule-based classification
CN115690081A (zh) 一种树木计数方法、系统、存储介质、计算机设备及终端
Clode et al. Classification of trees and powerlines from medium resolution airborne laserscanner data in urban environments
Yastikli et al. Classification of raw LiDAR point cloud using point-based methods with spatial features for 3D building reconstruction
Kloc et al. Comparison of free and commercial software in the processing of data obtained from non-metric cameras
Ashraf et al. Machine learning-based pavement crack detection, classification, and characterization: a review
JP2021183774A (ja) 切羽評価システム、切羽評価学習システム、切羽評価方法、切羽評価学習方法、コンピュータプログラム
CN117368118A (zh) 一种基于多光谱和点云数据处理的矿区生物量监测方法
Yusoff et al. Discontinuity pattern detection and orientation measurement for tunnel faces by using structure from motion photogrammetry
Koc-San et al. A model-based approach for automatic building database updating from high-resolution space imagery
CN107657262A (zh) 一种计算机自动分类精度评价方法
Holland et al. Detecting changes to topographic features using high resolution imagery
Galarreta Urban Structural Damage Assessment Using Object-Oriented Analysis and Semantic Reasoning
Maiti et al. A k-means clustering–based approach for 3D mapping and characterization of rock faces using digital images
Ferrer-Espinoza et al. Evaluation of the use of Cascade Detection algorithms based on Machine Learning for Crack Detection in asphalt Pavements
Bilgilioglu et al. Object based classification of unmanned aerial vehicle (UAV) imagery for forest fires monitoring
Kuçak et al. Comparison of CSF Ground Filtering Method by Using Airborne LiDAR Data
Hodgson et al. A parameterization model for transportation feature extraction

Legal Events

Date Code Title Description
E902 Notification of reason for refusal