KR102210137B1 - 인공지능을 이용한 고온부품 열화등급 판단 장치 및 그 방법 - Google Patents

Abstract

본 발명은 인공지능을 이용한 고온부품 열화등급 판단 장치 및 그 방법에 관한 것으로, 본 발명의 실시예에 따른 인공지능을 이용한 고온부품 열화등급 판단 장치는, 대상부품의 미세조직 이미지를 취득하기 위한 이미지 취득부; 상기 취득된 미세조직 이미지에 대한 이미지 처리를 통해 프로그래밍 언어 파일로 변환하기 위한 이미지 처리부; 상기 프로그래밍 언어 파일을 이용하여 인공지능 기반의 딥러닝 기법에서 사전 학습에 필요한 학습데이터를 생성하기 위한 학습데이터 생성부; 상기 딥러닝 기법의 학습 모델을 구성하기 위한 모델 구성부; 및 상기 생성된 학습데이터를 이용하여 상기 구성된 학습 모델에 대한 사전 학습을 수행하기 위한 모델 학습부;를 포함한다.

Description

인공지능을 이용한 고온부품 열화등급 판단 장치 및 그 방법{APPARATUS AND METHOD FOR DISCRIMIATING HIGH TEMPERATURE EQUIPMENT DEGRADATION LEVEL USING ARTIFICIAL INTELLIGENCE}

본 발명은 인공지능을 이용한 고온부품 열화등급 판단 장치 및 그 방법에 관한 것으로서, 보다 상세하게는 대상부품(즉, 발전설비의 고온부품)의 열화등급 판단 결과에 대해 인공지능 기반의 딥러닝 기법에 따라 학습 모델을 마련한 다음, 해당 학습 모델을 이용하여 휴대용 현미경 또는 스마트폰 카메라를 통해 취득된 대상부품의 미세조직 이미지만으로 열화등급을 판단함으로써, 현장에서 이미지 취득 및 분석을 신속하게 진행하기 위한, 인공지능을 이용한 고온부품 열화등급 판단 장치 및 그 방법에 관한 것이다.

일반적으로, 발전 설비는 높은 온도의 운전조건에서 운전된다. 이러한 이유로, 발전 설비에서 고온 환경에 장시간 노출되는 고온부품은 열화등급을 정확하게 평가하고 관리함으로써 발전 설비를 안정적으로 운영하는 것이 필요하다.

예를 들어, 보일러 튜브와 배관은 발생된 증기를 이송하는 목적의 고온부품이기 때문에, 장시간 고온 환경에 노출될 경우에 지속적인 재료의 손상, 특히 크리프 손상(creep damage)에 의해 열화된다. 여기서, 크리프 손상이라 함은 시간에 따른 고온에서의 영구적인 변형을 의미한다. 고온부품은 고온 환경에서 장시간 높은 응력이 발생하게 되면 강도가 저하되어 크리프 손상이 발생하게 된다. 이로써, 크리프 손상은 해당 고온부품의 수명을 단축시키는 요인이 된다. 즉, 보일러 튜브와 배관은 크리프 손상이 발생하면 미세조직에서 기공이 성장하여 균열을 만들고, 탄화물의 크기가 증가하여 탄화물 사이의 간격이 벌어져 결국 경도가 감소하게 된다.

기존에는 고온부품의 열화등급을 평가하기 위해 발전 설비에서 재질의 손상부위에 대해 육안으로 평가하는 방식이 주로 활용한다. 즉, 관리자는 고온부품의 손상부위를 필름으로 표면복제한 후, 실험실에서 현미경을 이용하여 관찰하여 평가한다.

이러한 방식은 개인의 주관적인 판단과 경험에 의해 고온부품 열화등급이 결정되고, 현장에서 측정한 다음 실험실에서 분석 및 판단까지의 시간이 소요되는 한계가 있다. 특히, 이러한 방식은 평가기준에 활용되는 열화등급간 명확한 구별이 쉽지 않다.

따라서, 고온부품의 열화등급을 판단하는 방식은 상대적으로 짧은 시간으로 보다 정량적이며 체계적이고 객관적인 평가 방식이 제안될 필요가 있다.

대한민국 등록특허공보 제10-1808461호 (2017.12.06 등록)

본 발명의 목적은 대상부품(즉, 발전설비의 고온부품)의 열화등급 판단 결과에 대해 인공지능 기반의 딥러닝 기법에 따라 학습 모델을 마련한 다음, 해당 학습 모델을 이용하여 휴대용 현미경 또는 스마트폰 카메라를 통해 취득된 대상부품의 미세조직 이미지만으로 열화등급을 판단함으로써, 현장에서 이미지 취득 및 분석을 신속하게 진행하기 위한, 인공지능을 이용한 고온부품 열화등급 판단 장치 및 그 방법을 제공하는데 있다.

본 발명의 실시예에 따른 인공지능을 이용한 고온부품 열화등급 판단 장치는, 대상부품의 미세조직 이미지를 취득하기 위한 이미지 취득부; 상기 취득된 미세조직 이미지에 대한 이미지 처리를 통해 프로그래밍 언어 파일로 변환하기 위한 이미지 처리부; 상기 프로그래밍 언어 파일을 이용하여 인공지능 기반의 딥러닝 기법에서 사전 학습에 필요한 학습데이터를 생성하기 위한 학습데이터 생성부; 상기 딥러닝 기법의 학습 모델을 구성하기 위한 모델 구성부; 및 상기 생성된 학습데이터를 이용하여 상기 구성된 학습 모델에 대한 사전 학습을 수행하기 위한 모델 학습부;를 포함하고, 상기 학습데이터 생성부는 상기 프로그래밍 언어 파일을 임의의 크기로 커팅하여 커트 이미지를 생성하고, 상기 생성된 커트 이미지에 대한 상하좌우 방향으로 반전시키는 플립 동작 또는 90°씩 회전시키는 회전 동작을 수행하여 상기 생성된 학습데이터를 생성하는 것일 수 있다.

실시예에 따르면, 상기 이미지 취득부에 의해 취득된 미세조직 이미지에 대해 임의의 크기로 커트 이미지로 각각 구분하여 상기 사전 학습이 수행된 학습 모델을 적용함으로써 열화등급을 예측 및 판단하기 위한 열화등급 예측 및 판단부;를 더 포함할 수 있다.

상기 열화등급 예측 및 판단부는, 상기 커트 이미지 각각의 열화등급별 확률분포에서 최빈값으로 열화등급이 결정되는 것일 수 있다.

상기 열화등급 예측 및 판단부는, 상기 커트 이미지 각각에 대한 열화등급 예측 및 판단을 통해, 사전에 정의된 열화등급별 컬러가 표시되어 열화등급이 예측 및 판단된 이후의 열화등급 표시 이미지를 나타내는 것일 수 있다.

상기 이미지 취득부는, 휴대용 현미경이 탑재된 스마트폰으로 구현되는 것일 수 있다.

상기 이미지 처리부는, 상기 취득된 미세조직 이미지에 대해 히스토그램 평활화 알고리즘을 통해 변환한 그레이 이미지(gray image)를 상기 프로그래밍 언어 파일로 변환하는 것일 수 있다.

상기 프로그래밍 언어 파일은, 파이썬(python) 기반의 피클링 파일(pickling file)일 수 있다.

삭제

상기 학습 모델은, 텐서플로우(tensor flow)를 이용한 CNN(Convolutional Neural Network) 모델일 수 있다.

실시예에 따르면, 상기 사전 학습이 수행된 학습 모델에 대해 모델 업데이트를 수행하기 위한 모델 업데이트부;를 더 포함할 수 있다.

또한, 본 발명의 실시예에 따른 인공지능을 이용한 고온부품 열화등급 판단 방법은, 대상부품의 미세조직 이미지를 취득하는 단계; 상기 취득된 미세조직 이미지에 대한 이미지 처리를 통해 프로그래밍 언어 파일로 변환하는 단계; 상기 프로그래밍 언어 파일을 이용하여 인공지능 기반의 딥러닝 기법에서 사전 학습에 필요한 학습데이터를 생성하는 단계; 상기 딥러닝 기법의 학습 모델을 구성하는 단계; 및 상기 생성된 학습데이터를 이용하여 상기 구성된 학습 모델에 대한 사전 학습을 수행하는 단계;를 포함하고, 상기 학습데이터 생성 단계는 상기 프로그래밍 언어 파일을 임의의 크기로 커팅하여 커트 이미지를 생성하는 단계; 및 상기 생성된 커트 이미지에 대한 상하좌우 방향으로 반전시키는 플립 동작 또는 90°씩 회전시키는 회전 동작을 수행하여 상기 생성된 학습데이터를 생성하는 단계;를 포함할 수 있다.

실시예에 따르면, 상기 수행 단계 이후에, 상기 취득된 미세조직 이미지에 대해 임의의 크기로 커트 이미지로 각각 구분하여 상기 사전 학습이 수행된 학습 모델을 적용함으로써 열화등급을 예측 및 판단하는 단계;를 더 포함할 수 있다.

상기 열화등급 예측 및 판단 단계는, 상기 커트 이미지 각각의 열화등급별 확률분포에서 최빈값으로 열화등급이 결정되는 것일 수 있다.

상기 열화등급 예측 및 판단 단계는, 상기 커트 이미지 각각에 대한 열화등급 예측 및 판단을 통해, 사전에 정의된 열화등급별 컬러가 표시되어 열화등급이 예측 및 판단된 이후의 열화등급 표시 이미지를 나타내는 것일 수 있다.

상기 변환 단계는, 상기 취득된 미세조직 이미지에 대해 히스토그램 평활화 알고리즘을 통해 변환한 그레이 이미지를 상기 프로그래밍 언어 파일로 변환하는 단계;를 포함할 수 있다.

삭제

본 발명은 대상부품(즉, 발전설비의 고온부품)의 열화등급 판단 결과에 대해 인공지능 기반의 딥러닝 기법에 따라 학습 모델을 마련한 다음, 해당 학습 모델을 이용하여 휴대용 현미경 또는 스마트폰 카메라를 통해 취득된 대상부품의 미세조직 이미지만으로 열화등급을 판단함으로써, 현장에서 이미지 취득 및 분석을 신속하게 진행할 수 있다.

또한, 본 발명은 현장에서 이미지 취득 및 분석을 통해 자동으로 열화 등급을 평가할 수 있기 때문에 짧은 시간에 열화도를 평가할 수 있다.

또한, 본 발명은 정기적으로 수행되는 금속조직평가법 등으로 인해 소요되는 설비 진단 비용을 줄일 수 있다.

또한, 본 발명은 육안으로 판별기준과 상호 비교를 통해 전문가가 주관적으로 평가하는 기존 방법과 상관없이 정확한 열화 등급을 평가할 수 있다.

또한, 본 발명은 신규 소재에 대한 이미지 데이터 학습을 통해 발전소 보일러 튜브 뿐만 아니라 고온에서 장시간 운전되는 전력설비 등에 확대 적용할 수 있다.

도 1은 본 발명의 실시예에 따른 인공지능을 이용한 고온부품 열화등급 판단 장치를 나타낸 도면,
도 2는 휴대용 현미경이 탑재된 스마트폰을 나타낸 도면,
도 3은 학습데이터 생성부에서 학습데이터를 생성 과정을 설명하는 도면,
도 4는 CNN 모델 구성을 설명하는 도면,
도 5는 CNN 모델의 학습 손실 변화를 나타낸 그래프,
도 6은 커트된 이미지의 열화등급별 예측 확률을 나타낸 그래프,
도 7은 원본 이미지의 열화등급 예측 및 판단 결과를 나타낸 도면,
도 8은 평가 결과 중첩에 따른 확률 분포를 나타낸 그래프,
도 9는 본 발명의 실시예에 따른 인공지능을 이용한 고온부품 열화등급 판단 방법을 나타낸 도면이다.

이하 본 발명의 바람직한 실시 예를 첨부한 도면을 참조하여 상세히 설명한다. 다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지 기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.

이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위한 용어로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.

따라서 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시 예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.

첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다. 본 발명은 첨부한 도면에 그려진 상대적인 크기나 간격에 의해 제한되어지지 않는다.

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 있음을 의미한다. 또한, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

또한, 명세서에서 사용되는 "부"라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부"는 어떤 역할들을 수행한다. 그렇지만 "부"는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부"는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부"는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부"들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부"들로 결합되거나 추가적인 구성요소들과 "부"들로 더 분리될 수 있다.

아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 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.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 설명한다.

도 1은 본 발명의 실시예에 따른 인공지능을 이용한 고온부품 열화등급 판단 장치를 나타낸 도면이다.

도 1에 도시된 바와 같이, 본 발명의 실시예에 따른 인공지능을 이용한 고온부품 열화등급 판단 장치(이하 '열화등급 판단 장치'라 함, 100)는, 대상부품(즉, 발전설비의 고온부품)의 열화등급 판단 결과에 대해 인공지능 기반의 딥러닝 기법에 따라 학습 모델을 마련한 다음, 해당 학습 모델을 이용하여 휴대용 현미경 또는 스마트폰 카메라를 통해 취득된 대상부품의 미세조직 이미지만으로 열화등급 판단을 자동으로 가능하게 한다.

이러한 열화등급 판단 장치(100)는 이미지 취득부(10), 이미지 처리부(20), 학습데이터 생성부(30), 모델 구성부(40), 모델 학습부(50), 모델 업데이트부(60), 열화등급 예측 및 판단부(70)를 포함한다.

먼저, 이미지 취득부(10)는 대상부품의 미세조직 이미지를 취득한다.

이때, 이미지 취득부(10)는 200배 배율을 지원하는 휴대용 현미경으로 대상부품의 미세조직을 촬영하여 대상부품의 미세조직 이미지를 취득하거나, 휴대용 현미경이 탑재된 스마트폰(도 2 참조)을 이용하여 대상부품의 미세조직 이미지를 취득할 수 있다. 도 2는 휴대용 현미경이 탑재된 스마트폰을 나타낸 도면이다.

그런데, 이미지 취득부(10)는 기존과 같이 표면 연마 후 대상부품의 미세조직이 레프리카 필름에 복제된 다음, 200배 배율의 현미경으로 재가공되는 대상부품의 미세조직 이미지를 취득할 수도 있다.

다음으로, 이미지 처리부(20)는 이미지 취득부(10)를 통해 취득된 대상부품의 미세조직 이미지에 대해 열화등급 판단에 적합한 수준에 도달할 수 있도록 이미지 처리를 수행한다.

여기서, 이미지 취득부(10)를 통해 취득된 대상부품의 미세조직 이미지는 조명의 불균일한 반사, 표면의 불균일성, 명확하지 않은 패턴들로 인해 열화등급을 판단하는데 부적합한 상태를 나타낸다.

구체적으로, 이미지 처리부(20)는 본래 대상부품의 미세조직 이미지에 대해 히스토그램 평활화 알고리즘(Histogram Equalization algorithm)을 적용하여 부분적으로 구간을 잘라 대비를 선명하게 하는 작업을 수행한다.

그리고, 이미지 처리부(20)는 컬러 이미지(color image)를 그레이 이미지(gray image)로 변환하여 조명, 반사 및 패턴에 대해 강건하게 만드는 작업을 수행한다. 즉, 이미지 처리부(20)는 프로그래밍 언어(예, 파이썬[python]) 환경에서 작업을 수행하기 위해, 그레이 이미지를 피클링 파일(pickling file)로 변환한다.

이와 같이, 이미지 처리부(20)는 대상부품의 미세조직 이미지를 파이썬 기반의 피클링 파일로 변환한다.

다음으로, 학습데이터 생성부(30)는 이미지 처리부(20)에 의해 처리된 피클링 파일을 이용하여 인공지능 기반의 딥러닝 기법에서 사전 학습에 필요한 학습데이터를 생성한다. 여기서, 딥러닝 기법은 이미지 인식에 주로 사용되는 컨볼루션 뉴럴 네트워크(Convolutional Neural Network, 이하 'CNN'이라 함)가 사용된다.

CNN은 사전 학습에 많은 데이터가 필요하다. 그런데, 실제 현장에서 얻을 수 있는 금속조직 열화이미지의 개수는 CNN에서 높은 분류 성능을 나타내기 위해 충분한 학습데이터를 충족시킬 수 없다. 이와 같은 이유로, 학습데이터 생성부(30)는 CNN에서 사전 학습에 필요한 학습데이터를 생성하여 제공할 수 있다.

도 3을 참조하면, 학습데이터 생성부(30)는 이미지 처리부(20)에 처리된 피클링 파일(31)을 임의의 크기로 커팅하여 커트 이미지를 생성한 다음, 커트 이미지에 대해 상하좌우 방향으로 반전시키는 플립(flip) 동작 또는 90°씩 회전시키는 회전(rotate) 동작을 수행하여 인위적으로 학습데이터의 양을 늘린다. 도 3은 학습데이터 생성부에서 학습데이터를 생성 과정을 설명하는 도면이다.

도 3을 참조하면, 1개의 커트 이미지(32)는 플립 동작과 회전 동작을 통해 7개의 커트 이미지(33)가 추가로 늘어난다. 이와 같이, 학습데이터 생성부(30)는 최소한의 커트 이미지를 최대한 효율적으로 활용 가능할 수 있게 학습데이터량을 늘려줄 수 있다.

한편, 모델 구성부(40)는 라이브러리 형태로 사용 가능한 프레임워크 중 오픈소스 라이브러리 텐서플로우(tensor flow)를 이용하여 CNN 모델을 구성한다.

여기서, CNN 모델은 도 4를 참조하면, 2개의 컨볼루션층(convolution layer)[즉, Convolution layer1_1, Convolution layer1_2]과 1개의 맥스풀링층(maxpooling layer_1)[즉, Maxpooling layer_1], 다시 반복되는 2개의 컨볼루션층[즉, Convolution layer2_1, Convolution layer2_2]과 1개의 맥스풀링층(maxpooling layer_2)[즉, Maxpooling layer_2], 그리고 완전 연결층(fully connected layer)로 구성된다. 도 4는 CNN 모델 구성을 설명하는 도면이다. 이에 대한 자세한 설명은 통상의 기술자라면 쉽게 이해할 수 있으므로, 생략하기로 한다.

그리고, 컨볼루션층의 필터(filter) 크기는 3×3로 이루어지며, 맥스풀링 주목 영역의 크기는 2×2로 이루어진다. 또한, 완전 연결층은 렐루(ReLU) 활성화 함수를 사용한다.

다음으로, 모델 학습부(50)는 학습데이터 생성부(30)에 의해 생성된 학습데이터를 이용하여 모델 구성부(40)에 의해 구성된 CNN 모델에 대한 사전 학습을 수행한다.

이때, 모델 학습부(50)는 CNN 모델에 대한 손실(loss)를 줄이기 위해, 소프트맥스(softmax) 함수에 크로스 엔트로피(cross entropy)를 적용한다. 즉, 모델 학습부(50)는 소프트맥스 함수에 크로스 엔트로피를 적용하여 CNN 모델에 대한 손실이 낮은 파라미터를 저장하게 된다.

이는 아래 수학식 1과 같이 나타낼 수 있다.

여기서, y는 실제 데이터에서 주어진 정답이고,

은 모델의 예측값이다.

CNN 모델에 대한 학습에 따른 손실 변화는 도 5와 같이 나타낼 수 있다. 도 5는 CNN 모델의 학습 손실 변화를 나타낸 그래프이다.

다음으로, 모델 업데이트부(60)는 모델 학습부(50)에 의해 사전 학습된 CNN 모델에 대한 CNN 모델 업데이트를 수행한다.

즉, 모델 업데이트부(60)는 CNN 모델 업데이트를 진행할 때 CNN 모델에 대한 학습을 통해 저장된 파라미터를 불러오는 작업을 수행하고, 학습된 CNN 모델의 파라미터를 필요할 때 다시 가져와서 사용할 수 있도록 저장한다.

다음으로, 열화등급 예측 및 판단부(70)는 학습데이터 생성부(30)에 의해 생성된 커트 이미지를 이용하여 열화등급 판단 정확도를 예측할 수 있다. 예측 결과는 텐서플로우의 'argmax' 함수를 이용하여 사전에 정의된 열화등급에 대한 확률값으로 나타낼 수 있다.

도 6을 참조하면, 열화등급 예측 및 판단부(70)는 사전에 정의된 열화등급 A, B, C, D, E 각각의 확률값을 나타낼 수 있다. 여기서는 A 등급의 경우 10%, B 등급의 경우 20%, C 등급의 경우 50%, D 등급의 경우 10%, E 등급의 경우 10%이다. 도 6은 커트 이미지의 열화등급별 예측 확률을 나타낸 그래프이다.

이를 토대로, 열화등급 예측 및 판단부(70)는 CNN 모델이 사전 학습된 이후에, 이미지 취득부(10)에 의해 취득된 미세조직 이미지(즉, 열화등급이 예측 및 판단되기 이전의 '원본 이미지')를 임의의 크기로 커트 이미지로 각각 구분하여 열화등급을 예측 및 판단한다.

구체적으로, 열화등급 예측 및 판단부(70)는 원본 이미지에 대해 열화등급을 예측 및 판단하면, 임의의 크기로 커트 이미지를 부분적으로 열화등급을 예측 및 평가한 다음, 열화등급별 확률분포에서 최빈값(mode)을 열화등급으로 결정한다.

여기서, 임의의 크기로 커트 이미지 각각은 이미지 처리부(20)에 의해 이미지 처리가 진행되고, 학습데이터 생성부(30)에 늘어난 이미지들에 대한 열화등급을 예측 및 판단할 수 있다. 그리고, 1개의 커트 이미지는 학습데이터 생성부(30)에 의해 추가로 7개의 커트 이미지로 확장 가능하므로, 각각의 커트 이미지는 열화등급 예측 및 판단 결과를 통해 최빈값이 확인될 수 있다.

도 7을 참조하면, 열화등급 예측 및 판단부(70)는 원본 이미지(71)를 임의의 크기로 커트 이미지(즉, 15개)로 나누어, 각각의 커트 이미지에 대한 열화등급 예측 및 판단을 통해 사전에 정의된 열화등급별 컬러가 표시되어 열화등급이 예측 및 판단된 이후의 풀사이즈 이미지 즉, 열화등급 표시 이미지(72)로 나타낼 수 있다. 도 7은 원본 이미지의 열화등급 예측 및 판단 결과를 나타낸 도면이다.

여기서, 원본 이미지(71)는 T91 소재를 사용하는 화력발전소 보일러 튜브의 미세조직 이미지이다.

특정 컬러(예, 적색)로 표시된 커트 이미지(72a, 72b, 72c)는 관리자의 주의를 요하는 열화등급인 경우에 다른 주변 커트 이미지와 달리 용이하게 식별 가능하다.

한편, 열화등급 예측 및 판단부(70)는 도 8을 참조하면, 동일 환경에서 운영된 원본이미지의 커트 이미지를 학습데이터 생성부(30)에 의해 확장시킨 후 연속적으로 분석할 경우, 각각의 커트 이미지에 대한 확률분포를 중첩시켜 CNN 모델에 대한 업데이트를 수행하지 않고도 평가결과의 신뢰성을 향상시킬 수 있다. 도 8은 평가 결과 중첩에 따른 확률 분포를 나타낸 그래프이다.

또한, 열화등급 예측 및 판단부(70)는 소재와 상관없이 운전시간과 관련된 이력 정보와 해당 시점에서의 조직사진이 있을 경우에, 확률 분포를 나타나는 결과들을 종합하여 크리프 및 열화에 따른 수명 소비율을 추정할 수 있다.

도 9는 본 발명의 실시예에 따른 인공지능을 이용한 고온부품 열화등급 판단 방법을 나타낸 도면이다.

도 9에 도시된 바와 같이, 열화등급 판단 장치(100)는 대상부품의 미세조직 이미지를 취득한다(S101).

그리고, 열화등급 판단 장치(100)는 취득된 미세조직 이미지에 대한 이미지 처리를 통해 피클링 파일로 변환한다(S102). 이때, 열화등급 판단 장치(100)는 취득된 미세조직 이미지에 대해 히스토그램 평활화 알고리즘을 통해 변환한 그레이 이미지를 피클링 파일로 변환한다.

이후, 열화등급 판단 장치(100)는 피클링 파일을 이용하여 인공지능 기반의 딥러닝 기법에서 사전 학습에 필요한 학습데이터를 생성한다(S103). 이때, 열화등급 판단 장치(100)는 피클링 파일을 임의의 크기로 커팅하여 커트 이미지를 생성한 후, 생성된 커트 이미지에 대한 상하좌우 방향으로 반전시키는 플립 동작 또는 90°씩 회전시키는 회전 동작을 수행하여 학습데이터를 생성한다.

그리고, 열화등급 판단 장치(100)는 딥러닝 기법의 CNN 모델을 구성한다(S104). 이때, 열화등급 판단 장치(100)는 생성된 학습데이터를 이용하여 CNN 모델에 대한 사전 학습을 수행한다(S105).

그런 다음, 열화등급 판단 장치(100)는 취득된 미세조직 이미지에 대해 임의의 크기로 커트 이미지로 각각 구분하여 사전 학습이 수행된 CNN 모델을 적용함으로써 열화등급을 예측 및 판단한다(S106).

이때, 열화등급 판단 장치(100)는 커트 이미지 각각의 열화등급별 확률분포에서 최빈값으로 열화등급이 결정된다.

그리고, 열화등급 판단 장치(100)는 커트 이미지 각각에 대한 열화등급 예측 및 판단을 통해, 사전에 정의된 열화등급별 컬러가 표시되어 열화등급이 예측 및 판단된 이후의 열화등급 표시 이미지를 나타낸다.

일부 실시 예에 의한 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CDROM, DVD와 같은 광기록 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 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.

비록 상기 설명이 다양한 실시예들에 적용되는 본 발명의 신규한 특징들에 초점을 맞추어 설명되었지만, 본 기술 분야에 숙달된 기술을 가진 사람은 본 발명의 범위를 벗어나지 않으면서도 상기 설명된 장치 및 방법의 형태 및 세부 사항에서 다양한 삭제, 대체, 및 변경이 가능함을 이해할 것이다. 따라서, 본 발명의 범위는 상기 설명에서보다는 첨부된 특허청구범위에 의해 정의된다. 특허청구범위의 균등 범위 안의 모든 변형은 본 발명의 범위에 포섭된다.

10 : 이미지 취득부 20 : 이미지 처리부
30 : 학습데이터 생성부 40 : 모델 구성부
50 : 모델 학습부 60 : 모델 업데이트부
70 : 열화등급 예측 및 판단부

Claims (16)

1. 대상부품의 미세조직 이미지를 취득하기 위한 이미지 취득부;
   상기 취득된 미세조직 이미지에 대한 이미지 처리를 통해 프로그래밍 언어 파일로 변환하기 위한 이미지 처리부;
   상기 프로그래밍 언어 파일을 이용하여 인공지능 기반의 딥러닝 기법에서 사전 학습에 필요한 학습데이터를 생성하기 위한 학습데이터 생성부;
   상기 딥러닝 기법의 학습 모델을 구성하기 위한 모델 구성부;
   상기 생성된 학습데이터를 이용하여 상기 구성된 학습 모델에 대한 사전 학습을 수행하기 위한 모델 학습부; 및
   상기 이미지 취득부에 의해 취득된 미세조직 이미지에 대해 임의의 크기로 커트 이미지로 각각 구분하여 상기 사전 학습이 수행된 학습 모델을 적용함으로써 열화등급을 예측 및 판단하기 위한 열화등급 예측 및 판단부;를 포함하고,
   상기 학습데이터 생성부는 상기 프로그래밍 언어 파일을 임의의 크기로 커팅하
   여 커트 이미지를 생성하고, 상기 생성된 커트 이미지에 대한 상하좌우 방향으로 반전시키는 플립 동작 또는 90°씩 회전시키는 회전 동작을 수행하여 상기 생성된 학습데이터를 생성하며,
   상기 열화등급 예측 및 판단부는, 상기 커트 이미지 각각의 열화등급별 확률분포에서 최빈값으로 열화등급이 결정되는 것인 인공지능을 이용한 고온부품 열화등급 판단 장치.
   
2. 삭제
3. 삭제
4. 제 1 항에 있어서,
   상기 열화등급 예측 및 판단부는,
   상기 커트 이미지 각각에 대한 열화등급 예측 및 판단을 통해, 사전에 정의된 열화등급별 컬러가 표시되어 열화등급이 예측 및 판단된 이후의 열화등급 표시 이미지를 나타내는 것인 인공지능을 이용한 고온부품 열화등급 판단 장치.
   
5. 제 1 항에 있어서,
   상기 이미지 취득부는,
   휴대용 현미경이 탑재된 스마트폰으로 구현되는 것인 인공지능을 이용한 고온부품 열화등급 판단 장치.
   
6. 제 1 항에 있어서,
   상기 이미지 처리부는,
   상기 취득된 미세조직 이미지에 대해 히스토그램 평활화 알고리즘을 통해 변환한 그레이 이미지(gray image)를 상기 프로그래밍 언어 파일로 변환하는 것인 인공지능을 이용한 고온부품 열화등급 판단 장치.
   
7. 제 6 항에 있어서,
   상기 프로그래밍 언어 파일은,
   파이썬(python) 기반의 피클링 파일(pickling file)인 인공지능을 이용한 고온부품 열화등급 판단 장치.
   
8. 삭제
9. 제 1 항에 있어서,
   상기 학습 모델은,
   텐서플로우(tensor flow)를 이용한 CNN(Convolutional Neural Network) 모델인 인공지능을 이용한 고온부품 열화등급 판단 장치.
   
10. 제 1 항에 있어서,
    상기 사전 학습이 수행된 학습 모델에 대해 모델 업데이트를 수행하기 위한 모델 업데이트부;
    를 더 포함하는 인공지능을 이용한 고온부품 열화등급 판단 장치.
    
11. 대상부품의 미세조직 이미지를 취득하는 단계;
    상기 취득된 미세조직 이미지에 대한 이미지 처리를 통해 프로그래밍 언어 파일로 변환하는 단계;
    상기 프로그래밍 언어 파일을 이용하여 인공지능 기반의 딥러닝 기법에서 사전 학습에 필요한 학습데이터를 생성하는 단계;
    상기 딥러닝 기법의 학습 모델을 구성하는 단계;
    상기 생성된 학습데이터를 이용하여 상기 구성된 학습 모델에 대한 사전 학습을 수행하는 단계; 및
    상기 수행 단계 이후에, 상기 취득된 미세조직 이미지에 대해 임의의 크기로 커트 이미지로 각각 구분하여 상기 사전 학습이 수행된 학습 모델을 적용함으로써 열화등급을 예측 및 판단하는 단계;를 포함하고,
    상기 학습데이터 생성 단계는 상기 프로그래밍 언어 파일을 임의의 크기로 커팅하여 커트 이미지를 생성하는 단계; 및 상기 생성된 커트 이미지에 대한 상하좌우 방향으로 반전시키는 플립 동작 또는 90°씩 회전시키는 회전 동작을 수행하여 상기 생성된 학습데이터를 생성하는 단계;를 포함하고,
    상기 열화등급 예측 및 판단 단계는, 상기 커트 이미지 각각의 열화등급별 확률분포에서 최빈값으로 열화등급이 결정되는 것인 인공지능을 이용한 고온부품 열화등급 판단 방법.
    
    
12. 삭제
13. 삭제
14. 제 11 항에 있어서,
    상기 열화등급 예측 및 판단 단계는,
    상기 커트 이미지 각각에 대한 열화등급 예측 및 판단을 통해, 사전에 정의된 열화등급별 컬러가 표시되어 열화등급이 예측 및 판단된 이후의 열화등급 표시 이미지를 나타내는 것인 인공지능을 이용한 고온부품 열화등급 판단 방법.
    
15. 제 11 항에 있어서,
    상기 변환 단계는,
    상기 취득된 미세조직 이미지에 대해 히스토그램 평활화 알고리즘을 통해 변환한 그레이 이미지를 상기 프로그래밍 언어 파일로 변환하는 단계;
    를 포함하는 인공지능을 이용한 고온부품 열화등급 판단 방법.
    
16. 삭제

Images