KR102241879B1

KR102241879B1 - Duct Void Detection System and Learning Apparatus of Duct Void Detection Model Using Artificial Intelligence Learning Model

Info

Publication number: KR102241879B1
Application number: KR1020190159387A
Authority: KR
Inventors: 진원종; 김영진; 조창백; 조창빈; 박광연; 최형; 이윤복; 김유섭
Original assignee: 한국건설기술연구원; 주식회사 에이아이브릿지
Priority date: 2019-12-03
Filing date: 2019-12-03
Publication date: 2021-04-20

Abstract

A duct void detection system using an artificial intelligence learning model is provided. The duct void detection system includes a duct void detection model training device and a void occurrence determining device. The void detection model training device learns a void occurrence determining model comprising: a first learning model for performing learning by using standardized detection data and structure information as an input; a second learning model for performing learning by using a frequency signal as an input; and a third learning model for learning a result value of the first learning model and a result value of the second learning model and providing the result values to an output layer. The void occurrence determining device determines whether or not a void occurs with respect to a structure based on the detection data and the structure information for the structure including a duct using the void occurrence determining model. With only the detection data and the structure information, an on-site practitioner can quickly and accurately determine whether the void occurs in the structure, thereby reducing the time and costs required for internal exploration.

Description

인공지능 학습 모델을 이용한 덕트 공동 탐지 모델 학습 장치 및 덕트 공동 탐지 시스템{Duct Void Detection System and Learning Apparatus of Duct Void Detection Model Using Artificial Intelligence Learning Model}Duct Void Detection System and Learning Apparatus of Duct Void Detection Model Using Artificial Intelligence Learning Model}

본 발명은 덕트(duct)의 공동(空洞)을 탐지하는 기술에 관한 것으로서, 구체적으로는 프리스트레스트 콘크리트 구조물의 긴장(prestress)을 위하여 긴장재를 배치한 덕트(duct) 내에 존재하는 빈 공간 즉, 덕트의 공동을 탐지함에 있어서, 공시계열 데이터(time-series data)와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하기 위한 딥 러닝 모델, 구체적으로 LSTM(Long Short-Term Memory)을 도입하여, 원시 IE 신호와 주파수의 자질을 활용하여 내부 탐사에 소요되는 시간과 비용을 줄이고 현장의 실무자가 빠르고 정확하게 내부 덕트의 공동 유무를 판별할 수 있는 "인공지능 학습 모델을 이용한 덕트 공동 탐지 학습 장치, 이를 이용한 덕트의 공동 발생 결정 장치, 및 덕트의 공동 탐지 시스템"에 관한 것이다.The present invention relates to a technology for detecting a cavity in a duct, and specifically, an empty space existing in a duct in which a tension member is disposed for prestress of a prestressed concrete structure, that is, a duct. In detecting the cavities of, a deep learning model for learning data that changes over time, such as time-series data, specifically LSTM (Long Short-Term Memory) was introduced, and the original IE Duct joint detection learning device using artificial intelligence learning model, which reduces the time and cost required for internal exploration by utilizing the quality of signals and frequencies, and enables field workers to quickly and accurately determine the presence or absence of internal ducts, and ducts using the same It relates to a device for determining the occurrence of a cavity, and a system for detecting a cavity in a duct.

PSC 박스 거더 교량은 일반적인 콘크리트 교량에 비해 응력에 강하고, 상대적으로 낮은 비용과 유지 보수의 용이성으로 인해 고속도로 및 철도 교량에서 널리 사용되고 있다. 그러나 PSC 박스 거더 고량은 장기간 유지 시에 균열 등의 결함이 나타났으며, 이는 교량의 구조적인 붕괴를 유발할 수 있다. 특히, PSC 박스 거더 교량의 내부 구조물 중 핵심 요소인 강선(긴장재)에 부식과 같은 결함이 발생하면 급격하게 붕괴될 수 있다. 따라서 강선이 공기에 노출되어 부식이 발생되는 것을 방지하기 위해 강선을 덕트에 삽입한 후 덕트 내에 콘크리트를 충진하는 방식이 이용된다. 이와 같이 덕트 내에 긴장재로서 강선을 배치하고 덕트 내에 콘크리트를 충진하는 구성은 PSC 박스 거더 교량 이외에 다양한 형태의 프리스트레스트(prestressed) 콘크리트 구조물에 보편적으로 이용되고 있다. 그런데 덕트의 내부 직경은 매우 작기 때문에 콘크리트의 완벽한 충진이 어려우며, 작은 실수로도 공동이 발생할 수 있으며, 공동에 의해 외부 공기와 강선의 접촉이 발생되어 부식이 진행될 수 있다. PSC box girder bridges are more resistant to stress than general concrete bridges, and are widely used in highway and railway bridges due to their relatively low cost and ease of maintenance. However, the high mass of PSC box girders showed defects such as cracks during long-term maintenance, which may cause structural collapse of the bridge. In particular, if a defect such as corrosion occurs in the steel wire (tension material), which is a key element of the internal structure of the PSC box girder bridge, it may collapse rapidly. Therefore, in order to prevent corrosion due to exposure of the steel wire to the air, a method of filling concrete in the duct after inserting the steel wire into the duct is used. In this way, the configuration of arranging steel wire as a tension member in the duct and filling concrete in the duct is commonly used in various types of prestressed concrete structures other than PSC box girder bridges. However, since the inner diameter of the duct is very small, it is difficult to completely fill the concrete, and a cavity may occur even with a small mistake, and corrosion may proceed due to contact between the external air and the steel wire by the cavity.

따라서 PSC 박스 거더 교량 등과 같은 프리스트레스트 콘크리트 구조물의 안정성을 확인하기 위해 내부를 탐사하는 작업은 매우 중요하고, 높은 정확성이 요구된다. 일반적으로 콘크리트 구조물의 내부를 탐사하기 위해 비파괴 검사를 활용한다. 비파괴 검사는 초음파, 방사선, 자기장, 그리고 Impact-Echo(IE/충격반향) 등이 있으며, 프리스트레스트 콘크리트 구조물에서는 IE를 많이 사용한다. 하지만 IE와 같은 비파괴 검사의 신호는 전문가의 복잡하고 학문적인 해석이 필요하며, 정확하게 판단하는 것이 어려운 상황이다. 즉, 현장의 실무자가 빠르고 정확하게 내부 덕트의 공동 유무를 판별하기 어려우며, 내부 탐사에 소요되는 시간과 비용이 발생하게 되는 단점이 있는 것이다.Therefore, in order to check the stability of prestressed concrete structures such as PSC box girder bridges, it is very important to explore the interior and high accuracy is required. In general, non-destructive testing is used to explore the interior of concrete structures. Non-destructive testing includes ultrasound, radiation, magnetic field, and Impact-Echo (IE/Impact Echo), and IE is often used in prestressed concrete structures. However, signals of non-destructive testing such as IE require complex and academic interpretation by experts, and it is difficult to accurately judge them. In other words, it is difficult for on-site practitioners to quickly and accurately determine the presence or absence of a cavity in the internal duct, and there is a disadvantage in that the time and cost required for internal exploration are generated.

대한민국 등록특허공보 제10-1936849호(2019. 01. 11. 공고).Republic of Korea Patent Publication No. 10-1936849 (announced on January 11, 2019).

본 발명은 위와 같은 종래 기술의 한계를 극복하기 위하여 개발된 것으로서, 구체적으로는 프리스트레스트 콘크리트 구조물의 긴장을 위하여 긴장재를 배치하고 콘크리트를 충진한 덕트에 대해 공동의 존재 여부를 탐지함에 있어서, 표준화된 탐지 데이터, 추출된 주파수 신호 및 구조물 정보 입력에 기초하여 공동 발생 결정 모델을 구축하고, 구축된 모델에 기초하여 공동 발생 여부를 판단할 수 있는 덕트 공동 탐지 시스템을 제공하는 것을 목적으로 한다.The present invention was developed to overcome the limitations of the prior art as described above, and specifically, in detecting the presence or absence of a cavity in a duct filled with concrete and placing a tension member for the tension of the prestressed concrete structure, standardized An object of the present invention is to provide a duct cavity detection system capable of constructing a cavity occurrence determination model based on detection data, an extracted frequency signal, and input of structure information, and determining whether or not a cavity occurs based on the constructed model.

위와 같은 과제를 달성하기 위하여 본 발명에서는, 인공지능 학습 모델을 이용한 덕트 공동 탐지 시스템이 제공된다. 일 실시예에 따른 덕트 공동 탐지 시스템은 덕트를 포함하는 구조물을 탐지한 탐지 데이터 및 상기 구조물의 정보를 수신하는 신호 수신부; 상기 탐지 데이터를 표준화(Standardization)하는 신호 표준화 유닛 및 상기 탐지 데이터에서 주파수 성분을 추출하여 주파수 신호를 생성하는 주파수 추출 유닛을 포함하는 신호 처리부; 및 상기 표준화된 탐지 데이터, 상기 주파수 신호 및 상기 구조물 정보에 기초하여 상기 덕트의 공동 발생 여부를 결정하는 공동 발생 결정 모델을 구축하는 덕트 공동 탐지 모델 학습부를 포함하되, 상기 공동 발생 결정 모델은, 상기 표준화된 탐지 데이터 및 상기 구조물 정보를 입력으로 학습을 수행하는 제1 학습 모델; 상기 주파수 신호를 입력으로 학습을 수행하는 제2 학습 모델; 및 상기 제1 학습 모델의 결과 값과 상기 제2 학습 모델의 결과 값을 학습하여 출력층으로 제공하는 제3 학습 모델을 포함하는 덕트 공동 탐지 모델 학습 장치; 및 상기 덕트 공동 탐지 모델 학습 장치에서 생성된 덕트 발생 결정 모델을 포함하는 공통 탐지 모델을 포함하는 공동 발생 여부 결정부; 구조물에 배치된 덕트의 공동 발생 여부를 판별하기 위한 탐지 데이터 및 구조물의 정보가 입력되는 신호 수신부; 및 상기 공동 발생 여부를 판별하기 위한 탐지 데이터에 대한 표준화 및 주파수 성분 추출을 각각 수행하는 신호 처리부를 포함하되, 상기 공동 발생 여부 결정부는 상기 표준화된 탐지 데이터, 상기 주파수 신호 및 상기 구조물 정보를 상기 덕트 발생 결정 모델에 입력하여 상기 덕트의 공동 발생 여부를 결정하는 공동 발생 결정 장치를 포함한다. In order to achieve the above problems, the present invention provides a duct cavity detection system using an artificial intelligence learning model. A system for detecting a duct cavity according to an embodiment includes: a signal receiver configured to receive detection data for detecting a structure including a duct and information on the structure; A signal processing unit including a signal standardization unit for standardizing the detection data and a frequency extraction unit for generating a frequency signal by extracting a frequency component from the detection data; And a duct cavity detection model learning unit for constructing a cavity generation determination model that determines whether the duct cavity occurs based on the standardized detection data, the frequency signal, and the structure information, wherein the cavity generation determination model comprises: A first learning model that performs learning by inputting standardized detection data and the structure information; A second learning model that performs learning based on the frequency signal; And a third learning model that learns a result value of the first learning model and a result value of the second learning model to provide an output layer. And a cavity generation determining unit including a common detection model including a duct generation determination model generated by the duct cavity detection model learning apparatus. A signal receiving unit for inputting detection data and structure information for determining whether a duct disposed in the structure is co-occurring; And a signal processing unit for standardizing detection data and extracting frequency components for determining whether the cavity occurs, wherein the cavity generation determining unit converts the standardized detection data, the frequency signal, and the structure information into the duct. And a cavity generation determination device that inputs the generation determination model to determine whether or not the duct cavity occurs.

다른 실시예에 따른 덕트 공동 탐지 모델 학습 장치는 덕트를 포함하는 구조물을 탐지한 탐지 데이터 및 상기 구조물의 정보를 수신하는 신호 수신부; 상기 탐지 데이터를 표준화(Standardization)하는 신호 표준화 유닛 및 상기 탐지 데이터에서 주파수 성분을 추출하여 주파수 신호를 생성하는 주파수 추출 유닛을 포함하는 신호 처리부; 및 상기 표준화된 탐지 데이터, 상기 주파수 신호 및 상기 구조물 정보에 기초하여 상기 덕트의 공동 발생 여부를 결정하는 공동 발생 결정 모델을 구축하는 덕트 공동 탐지 모델 학습부를 포함하되, 상기 공동 발생 결정 모델은, 상기 표준화된 탐지 데이터 및 상기 구조물 정보를 입력으로 학습을 수행하는 제1 학습 모델; 상기 주파수 신호를 입력으로 학습을 수행하는 제2 학습 모델; 및 상기 제1 학습 모델의 결과 값과 상기 제2 학습 모델의 결과 값을 학습하여 출력층으로 제공하는 제3 학습 모델을 포함한다.According to another embodiment, an apparatus for learning a duct cavity detection model includes: a signal receiver configured to receive detection data for detecting a structure including a duct and information on the structure; A signal processing unit including a signal standardization unit for standardizing the detection data and a frequency extraction unit for generating a frequency signal by extracting a frequency component from the detection data; And a duct cavity detection model learning unit for constructing a cavity generation determination model that determines whether the duct cavity occurs based on the standardized detection data, the frequency signal, and the structure information, wherein the cavity generation determination model comprises: A first learning model that performs learning by inputting standardized detection data and the structure information; A second learning model that performs learning based on the frequency signal; And a third learning model for learning a result value of the first learning model and a result value of the second learning model to provide an output layer.

본 발명의 또 다른 실시예에 따른 공동 발생 결정 장치는 상기 덕트 공동 탐지 모델 학습 장치에서 생성된 덕트 발생 결정 모델을 포함하는 공통 탐지 모델을 포함하는 공동 발생 여부 결정부; 덕트를 포함하는 구조물의 공동 발생 여부를 판별하기 위한 탐지 데이터 및 구조물의 정보가 입력되는 신호 수신부; 및 상기 공동 발생 여부를 판별하기 위한 탐지 데이터에 대한 표준화 및 주파수 성분 추출을 각각 수행하는 신호 처리부를 포함하되, 상기 공동 발생 여부 결정부는 상기 표준화된 탐지 데이터, 상기 주파수 신호 및 상기 구조물 정보를 상기 덕트 발생 결정 모델에 입력하여 상기 구조물에 배치된 덕트의 공동 발생 여부를 결정한다.According to another embodiment of the present invention, an apparatus for determining a cavity occurrence may include: a cavity generation determining unit including a common detection model including a duct generation determination model generated by the duct cavity detection model learning apparatus; A signal receiving unit for inputting detection data and structure information for determining whether a structure including a duct is co-occurring; And a signal processing unit for standardizing detection data and extracting frequency components for determining whether the cavity occurs, wherein the cavity generation determining unit converts the standardized detection data, the frequency signal, and the structure information into the duct. It is input to the generation determination model to determine whether or not the ducts arranged in the structure are cavities.

본 발명의 일 실시예에 따른 덕트 공동 탐지 시스템은 덕트 공동 탐지 모델 학습 장치 및 공동 발생 결정 장치를 포함하도록 구성되어, 표준화된 탐지 데이터, 추출된 주파수 신호 및 구조물 정보 입력에 기초하여 공동 발생 결정 모델을 구축하고, 구축된 모델에 기초하여 공동 발생 여부를 판단할 수 있다.The duct cavity detection system according to an embodiment of the present invention is configured to include a duct cavity detection model learning device and a cavity generation determination device, and a cavity generation determination model based on standardized detection data, extracted frequency signals, and structure information input. And, based on the built model, it is possible to determine whether or not co-occurrence occurs.

즉, 현장의 실무자가 빠르고 정확하게 내부 덕트의 공동 유무를 판별할 수 있으며, 내부 탐사에 소요되는 시간과 비용이 절감될 수 있다.That is, a practitioner in the field can quickly and accurately determine the presence or absence of a cavity in the internal duct, and time and cost required for internal exploration can be reduced.

도 1은 본 발명의 일 실시예에 따른 인공지능 학습 모델을 이용한 덕트 공동 탐지 시스템의 블록도이다.
도 2는 본 발명의 일 실시예에 따른 덕트 공동 탐지 모델 학습 장치의 구성을 도시한 블록도이다.
도 3은 LSTM의 기본 구조를 개략적으로 도시한 블록도이다.
도 4는 본 발명의 일 실시예에 따른 공동 발생 결정 모델의 네트워크 구조를 도시한 블록도이다.
도 5는 본 발명의 일 실시예에 따른 공동 발생 결정 장치의 구성을 도시한 블록도이다.
도 6은 탐지 센서에서 생성되는 예시적인 탐지 데이터(원시 IE 신호)를 도시한 것이다.1 is a block diagram of a duct cavity detection system using an artificial intelligence learning model according to an embodiment of the present invention.
2 is a block diagram showing the configuration of an apparatus for learning a duct cavity detection model according to an embodiment of the present invention.
3 is a block diagram schematically showing the basic structure of an LSTM.
4 is a block diagram showing a network structure of a co-occurrence decision model according to an embodiment of the present invention.
5 is a block diagram showing the configuration of a cavity generation determining apparatus according to an embodiment of the present invention.
6 shows exemplary detection data (raw IE signal) generated by a detection sensor.

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. 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. 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 분석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 분석되지 않는다. Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those of ordinary skill in the art can easily implement the present invention. However, the present invention may be implemented in various different forms and is not limited to the embodiments described herein. Throughout the specification, when a part "includes" a certain component, it means that other components may be further included rather than excluding other components unless specifically stated to the contrary. Unless otherwise defined, all terms used herein including technical or scientific terms have the same meaning as commonly understood by one of ordinary skill in the art to which the present invention belongs. Terms as defined in a commonly used dictionary should be analyzed as having a meaning consistent with the meaning in the context of the related technology, and should not be analyzed as an ideal or excessively formal meaning unless explicitly defined in the present application. Does not.

이하에서, 도면을 참조하여 본 발명의 실시예들에 대하여 상세히 살펴본다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the drawings.

도 1은 본 발명의 일 실시예에 따른 인공지능 학습 모델을 이용한 덕트 공동 탐지 시스템의 블록도이다. 도 1에 예시된 바와 같이 본 발명의 덕트 공동 탐지 시스템(10)은, 덕트 공동 탐지 모델 학습 장치(100), 공동 발생 결정 장치(110) 및 탐지 센서(120)를 포함한다. 본 발명을 설명함에 있어서, "덕트"는 프리스트레스트 콘크리트 구조물에서 긴장(prestress)을 위하여 강선(긴장재/텐던)을 배치하기 위하여 콘크리트 내에 매립된 파이프 형태의 부재를 의미하는 것이며, "덕트의 공동(空洞)" 또는 "덕트 공동"은 덕트 내에 강선을 배치하고 콘크리트 등의 충진재를 덕트 내부에 충진하였을 때, 덕트 내에 존재하는 소정 크기로의 빈 공간, 균열 또는 틈새를 의미한다. 1 is a block diagram of a duct cavity detection system using an artificial intelligence learning model according to an embodiment of the present invention. As illustrated in FIG. 1, the duct cavity detection system 10 of the present invention includes a duct cavity detection model learning apparatus 100, a cavity generation determination apparatus 110, and a detection sensor 120. In describing the present invention, "duct" means a member in the form of a pipe embedded in concrete in order to arrange a steel wire (tension material/tendon) for prestress in a prestressed concrete structure, and "the cavity of the duct (空洞)" or "duct cavity" means an empty space, crack, or gap of a predetermined size existing in the duct when a steel wire is disposed in the duct and a filler material such as concrete is filled inside the duct.

본 발명의 실시예들에 따른 덕트 공동 탐지 시스템은, 전적으로 하드웨어이거나, 또는 부분적으로 하드웨어이고 부분적으로 소프트웨어인 측면을 가질 수 있다. 예컨대, 본 명세서의 덕트 공동 탐지 시스템 및 이에 포함된 각 부(unit)는, 특정 형식 및 내용의 데이터를 전자통신 방식으로 주고받기 위한 장치 및 이에 관련된 소프트웨어를 통칭할 수 있다. 본 명세서에서 "부", "모듈(module)", "서버(server)", "시스템", "장치" 또는 "단말" 등의 용어는 하드웨어 및 해당 하드웨어에 의해 구동되는 소프트웨어의 조합을 지칭하는 것으로 의도된다. 예를 들어, 여기서 하드웨어는 CPU 또는 다른 프로세서(processor)를 포함하는 데이터 처리 기기일 수 있다. 또한, 하드웨어에 의해 구동되는 소프트웨어는 실행중인 프로세스, 객체(object), 실행파일(executable), 실행 스레드(thread of execution), 프로그램(program) 등을 지칭할 수 있다.The duct cavity detection system according to the embodiments of the present invention may have an aspect that is entirely hardware, or partially hardware and partially software. For example, the duct cavity detection system of the present specification and each unit included therein may collectively refer to a device for transmitting and receiving data of a specific format and content through an electronic communication method, and software related thereto. In this specification, terms such as "unit", "module", "server", "system", "device" or "terminal" refer to a combination of hardware and software driven by the hardware. Is intended to be. For example, the hardware here may be a data processing device including a CPU or other processor. In addition, software driven by hardware may refer to an executing process, an object, an executable file, a thread of execution, a program, and the like.

또한, 덕트 공동 탐지 시스템(10)을 구성하는 각각의 부는 반드시 물리적으로 구분되는 별개의 구성요소를 지칭하는 것으로 의도되지 않는다. 도 1에서 덕트 공동 탐지 모델 학습 장치(100), 공동 발생 결정 장치(110) 및 탐지 센서(120)는 서로 구분되는 별개의 블록으로 도시되었으나, 이는 덕트 공동 탐지 시스템(10)을 구성하는 장치들을 해당 장치에 의해 실행되는 동작에 의해 단지 기능적으로 구분한 것이다. 따라서 실시예에 따라서는 덕트 공동 탐지 모델 학습 장치(100), 공동 발생 결정 장치(110) 및 탐지 센서(120)의 일부 또는 전부가 동일한 하나의 장치 내에 집적화될 수 있고, 하나 이상이 다른 부와 물리적으로 구분되는 별개의 장치로 구현될 수도 있으며, 분산 컴퓨팅 환경 하에서 서로 통신 가능하게 연결된 컴포넌트들일 수도 있다.In addition, each unit constituting the duct cavity detection system 10 is not necessarily intended to refer to a separate component that is physically distinct. In FIG. 1, the duct cavity detection model learning apparatus 100, the cavity generation determination apparatus 110, and the detection sensor 120 are shown as separate blocks, but these are devices constituting the duct cavity detection system 10. It is only functionally categorized by the actions performed by the device. Therefore, depending on the embodiment, some or all of the duct cavity detection model learning apparatus 100, the cavity generation determination apparatus 110, and the detection sensor 120 may be integrated in the same single apparatus, and at least one It may be implemented as separate devices that are physically separated, or may be components that are communicatively connected to each other in a distributed computing environment.

덕트 공동 탐지 모델 학습 장치(100)는, 덕트를 포함하는 구조물을 탐지한 탐지 데이터 및 구조물의 정보를 기초로 덕트의 공동 발생 여부를 탐지할 수 있는 덕트 공동 탐지 모델을 생성할 수 있다. 공동 발생 결정 장치(110)는 덕트 공동 탐지 모델 학습 장치(100)에서 구축된 덕트 공동 탐지 모델을 이용하여 덕트의 공동 발생 여부를 결정할 수 있다. The duct cavity detection model learning apparatus 100 may generate a duct cavity detection model capable of detecting whether or not a duct cavity has occurred based on detection data for detecting a structure including a duct and information on the structure. The cavity generation determination device 110 may determine whether or not a cavity occurs in the duct by using the duct cavity detection model constructed by the duct cavity detection model learning apparatus 100.

도 2는 본 발명의 일 실시예에 따른 덕트 공동 탐지 모델 학습 장치의 구성을 도시한 블록도이다. 도 2를 참조하면, 덕트 공동 탐지 모델 학습 장치(100)는 신호 수신부(101), 신호 처리부(102) 및 덕트 공동 탐지 모델 학습부(103)를 포함한다. 2 is a block diagram showing the configuration of an apparatus for learning a duct cavity detection model according to an embodiment of the present invention. Referring to FIG. 2, the apparatus 100 for learning a duct cavity detection model includes a signal receiving unit 101, a signal processing unit 102, and a duct cavity detection model learning unit 103.

신호 수신부(101)에는 학습 모델 구축을 위한 기초 데이터가 입력된다. 신호 수신부(101)는 덕트를 포함하는 구조물을 탐지한 탐지 데이터 및 구조물의 정보를 수신할 수 있다. 여기서, 구조물은 PSC 박스 거더 교량 등의 프리스트레스트 콘크리트 구조물일 수 있으며, 구조물의 탐지는 덕트의 공동 발생 여부를 탐지하기 위해 비파괴 검사로 진행된다. 여기서, 덕트의 공동은, 앞서 언급한 것처럼 강선이 내부에 배치되고 콘크리트 등의 채움재가 충진된 덕트 내에 존재하는 소정 크기로의 빈 공간, 균열 또는 틈새를 의미한다. 탐지 센서(120)는 초음파, 방사선, 자기장 또는 Impact-Echo(IE) 등을 구조물의 외부에서 내부로 방사할 수 있다. 매질이 없는 공동의 경우에 상기 신호를 통과하지 못하고 다시 반사시키는 성질을 가지고 있다. 따라서 탐지 센서(120)는 공동에 의해 반사되어 되돌아오는 신호를 검출하여 탐지 데이터를 생성할 수 있다.Basic data for building a learning model are input to the signal receiving unit 101. The signal receiver 101 may receive detection data for detecting structures including ducts and information on structures. Here, the structure may be a prestressed concrete structure such as a PSC box girder bridge, and the detection of the structure is performed by non-destructive inspection to detect whether or not a cavity in the duct occurs. Here, the duct cavity means an empty space, crack, or gap of a predetermined size existing in a duct in which a steel wire is disposed inside and filled with a filling material such as concrete, as mentioned above. The detection sensor 120 may radiate ultrasound, radiation, magnetic field, or Impact-Echo (IE) from the outside of the structure to the inside. In the case of a cavity without a medium, it does not pass through the signal and reflects it again. Accordingly, the detection sensor 120 may generate detection data by detecting a signal reflected and returned by the cavity.

생성된 탐지 데이터가 신호 수신부(101)에 입력될 수 있다. 신호 수신부(101)는 구조물의 정보를 수신 받을 수 있다. 여기서, 구조물의 정보는 각 구조물의 특징을 고려하기 위한 입력 정보일 수 있다. 즉, 실제 현장에서 덕트 내부 공동 탐사를 진행할 경우, 동일한 부분에서만 검사를 진행하는 것이 아니라 다양한 위치에서 검사가 수행되는 점을 고려하여 구조물의 특징 또한 학습의 기초 데이터로 사용한다. 예시적으로, 구조물의 정보는 덕트의 콘크리트 피복 두께, 덕트의 깊이 및 덕트와 타격점과의 수평 거리 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 덕트 공동 탐지 시스템(10)은 구조물의 특징을 사용자가 입력할 수 있는 입력 수단(미도시)을 더 포함할 수 있으며, 이러한 구조물의 특징은 입력 수단을 통해 신호 수신부(101)로 제공될 수 있다. 신호 수신부(101)에서 수신된 신호는 신호 처리를 위해 신호 처리부(102)로 제공된다.The generated detection data may be input to the signal receiving unit 101. The signal receiver 101 may receive structure information. Here, the information on the structure may be input information for considering the characteristics of each structure. In other words, when performing joint exploration inside the duct at the actual site, the characteristics of the structure are also used as basic data for learning, taking into account that the inspection is performed at various locations rather than only at the same part. For example, the structure information may include at least one of a concrete covering thickness of the duct, a depth of the duct, and a horizontal distance between the duct and the hitting point, but is not limited thereto. The duct cavity detection system 10 may further include an input means (not shown) through which a user can input a characteristic of a structure, and the characteristic of such a structure can be provided to the signal receiving unit 101 through an input means. . The signal received by the signal receiving unit 101 is provided to the signal processing unit 102 for signal processing.

신호 처리부(102)는 탐지 데이터에 대한 신호 처리를 수행하여 학습에 적합한 데이터로 변형할 수 있다. 신호 처리부(102)는 탐지 데이터를 표준화(Standardization)하는 신호 표준화 유닛(102A) 및 탐지 데이터에서 주파수 성분을 추출하여 주파수 신호를 생성하는 주파수 추출 유닛(102B)을 포함한다.The signal processing unit 102 may perform signal processing on the detection data and transform it into data suitable for learning. The signal processing unit 102 includes a signal standardization unit 102A for standardizing detection data and a frequency extraction unit 102B for generating a frequency signal by extracting a frequency component from the detection data.

신호 표준화 유닛(102A)은 신호의 크기가 작은 탐지 데이터를 표준화(Standardization)하여 학습에 적합한 데이터로 처리할 수 있다. 신호 표준화 유닛(102A)에서, 표준화 프로세스는 데이터 세트의 평균이 그 세트의 각 값으로부터 감해져서 그 데이터를 중심으로 모으고, 차이는 상기 데이터의 표준 편차로 나누어져서 그 데이터를 다시 크기 조절(rescale)하게 하는, 하기 수학식 1을 이용한 수학적인 연산 프로세스로 수행된다.The signal standardization unit 102A may standardize detection data having a small signal size and process it into data suitable for learning. In the signal normalization unit 102A, the standardization process is that the average of the data set is subtracted from each value of the set and collected around the data, the difference is divided by the standard deviation of the data to rescale the data. It is performed by a mathematical operation process using Equation 1 below.

[수학식 1][Equation 1]

위의 수학식 1에서 x는 탐지 데이터를 의미하고, x_mean은 평균값을 의미하며, x_std는 표준 편차를 의미한다. In Equation 1 above, x denotes detection data, x_mean denotes an average value, and x_std denotes a standard deviation.

주파수 추출 유닛(102B)은 탐지 데이터로부터 주파수 성분을 추출할 수 있다. 즉, 구조물의 두께가 얇은 경우 시간 영역 신호에 해당하는 탐지 데이터는 도달 주기가 짧아져서 분석이 어려울 수 있다. 따라서 주파수 추출 유닛(102B)은 고속 푸리에 변환(FFT)을 통해 획득한 시간 영역 신호를 주파수 영역 신호로 변환하고, 최대 진폭에 해당하는 공진 주파수와 같은 주파수 성분을 추출할 수 있다.The frequency extraction unit 102B may extract a frequency component from the detection data. That is, when the thickness of the structure is thin, the detection data corresponding to the time domain signal may be difficult to analyze due to a short arrival period. Accordingly, the frequency extraction unit 102B may convert a time domain signal obtained through a fast Fourier transform (FFT) into a frequency domain signal, and extract a frequency component such as a resonance frequency corresponding to the maximum amplitude.

신호 표준화 유닛(102A)에서 생성된 표준화된 탐지 데이터와 주파수 추출 유닛(102B)에서 추출된 주파수 신호는 학습을 위해 덕트 공동 탐지 모델 학습부(103)로 제공된다. 구조물 정보 또한 학습을 위해 덕트 공동 탐지 모델 학습부(103)로 제공된다.The standardized detection data generated by the signal normalization unit 102A and the frequency signal extracted by the frequency extraction unit 102B are provided to the duct cavity detection model learning unit 103 for learning. Structure information is also provided to the duct cavity detection model learning unit 103 for learning.

덕트 공동 탐지 모델 학습부(103)는 상기 표준화된 탐지 데이터, 상기 주파수 신호 및 상기 구조물 정보에 기초하여 상기 덕트의 공동 발생 여부를 결정하는 공동 발생 결정 모델을 구축할 수 있다. 즉, 덕트 공동 탐지 모델 학습부(103)는 입력된 학습 데이터에 기계학습 알고리즘을 적용하여 함수를 추론하고, 그 추론된 함수를 통해 답을 찾는 지도 학습을 수행할 수 있다. 따라서 지도 학습은 명확한 입력과 출력이 존재하며, 이러한 지도학습을 통해서 학습데이터를 대표하는 선형모델을 만들고 그 모델을 통해 미래의 사건을 예측할 수 있도록 하며, 이전까지 학습된 데이터를 근거로 새로운 데이터가 기존에 학습된 데이터에 어떻게 분류가 되는지를 판단할 수 있다. 덕트 공통 탐지 모델 학습부(103)는 기 표준화된 탐지 데이터, 상기 주파수 신호 및 상기 구조물 정보를 입력 값으로 사용하고, 공동 발생 여부를 출력 값으로 사용하여 기계 학습을 수행할 수 있다.The duct cavity detection model learning unit 103 may build a cavity generation determination model that determines whether the duct cavity occurs based on the standardized detection data, the frequency signal, and the structure information. That is, the duct cavity detection model learning unit 103 may infer a function by applying a machine learning algorithm to inputted training data, and perform supervised learning to find an answer through the inferred function. Therefore, supervised learning has clear inputs and outputs, and through such supervised learning, a linear model representing the learning data is created and future events can be predicted through the model. It is possible to determine how the data is classified in the previously learned data. The duct common detection model learning unit 103 may perform machine learning by using pre-standardized detection data, the frequency signal, and the structure information as input values, and using whether or not a cavity occurs as an output value.

또한, 덕트 공동 탐지 모델 학습부(103)는 인간의 두뇌가 수많은 데이터 속에서 패턴을 발견한 뒤 사물을 구분하는 정보처리 방식을 모방해 컴퓨터가 사물을 분별하도록 기계 학습을 수행시키는, 인공 신경망(ANN, Artificial Neural Network)에 기반한 기계 학습 방법(딥 러닝, deep learning)을 통해서 공동 발생 결정 모델을 생성할 수 있다.In addition, the duct cavity detection model learning unit 103 is an artificial neural network that performs machine learning so that the computer can identify the objects by imitating the information processing method for classifying objects after the human brain discovers patterns in a number of data. A co-occurrence decision model can be created through a machine learning method (deep learning, deep learning) based on ANN, Artificial Neural Network).

여기서, 본 실시예에 따른 덕트 공동 탐지 모델 학습부(103)는 Long Short-Term Memory(LSTM) 기반으로 공동 발생 결정 모델을 구축할 수 있다. LSTM은 은닉 노드가 방향을 가진 엣지로 연결되어 순환 구조를 이루는 순환 신경망(Recurrent Neural Networks, RNN)의 하나로서, 텍스트, 신호 등의 순차적인 데이터 처리에 적합한 모델로 알려져 있다. 도 3은 LSTM의 기본 구조를 개략적으로 도시한 블록도이며, 도 4는 본 실시예에 따른 공동 발생 결정 모델의 네트워크 구조를 도시한 블록도이다. Here, the duct cavity detection model learning unit 103 according to the present embodiment may construct a cavity generation determination model based on Long Short-Term Memory (LSTM). LSTM is one of Recurrent Neural Networks (RNN) in which hidden nodes are connected by directional edges to form a cyclic structure, and is known as a model suitable for sequential data processing such as text and signals. 3 is a block diagram schematically showing a basic structure of an LSTM, and FIG. 4 is a block diagram showing a network structure of a joint generation decision model according to the present embodiment.

도 3에 도시된 바와 같이, LSTM은 순환 신경망의 구조에 입력 게이트와 잊힘 게이트를 추가하여 활용된다. 즉, LSTM 블록들은 기존의 은닉 유닛(Hidden Unit)들과 마찬가지로 재귀적 구조를 띄며, 각각의 LSTM 블록 내부는 재귀적 구조를 가진 기억소자(Memory Cell)와, 입력 게이트(Input Gate), 잊힘 게이트(Forget Gate) 및 출력게이트(Output Gate)의 3종류 게이트 유닛들로 구성된다. LSTM은 전통적인 RNN과 마찬가지로 은닉변수를 거쳐 최종 출력 값을 계산하지만, 은닉변수의 계산 과정에서 앞에 거론된 게이트 유닛들을 적절하게 이용해서 정보의 흐름을 조절한다. 즉, 이전의 정보를 학습한 하나의 자질에 대한 결과들을 새로운 자질로 학습하는 데 활용될 수 있어서, 입력된 자질 사이의 거리가 멀리 있더라도 이전의 정보를 잃지 않게 되어 더욱 효율적인 학습이 수행될 수 있다.As shown in Fig. 3, the LSTM is utilized by adding an input gate and a forgetting gate to the structure of a recurrent neural network. In other words, LSTM blocks have a recursive structure like existing hidden units, and each LSTM block has a memory cell, an input gate, and a forgotten gate with a recursive structure. It is composed of 3 types of gate units: (Forget Gate) and Output Gate. Like the traditional RNN, LSTM calculates the final output value through the hidden variable, but in the process of calculating the hidden variable, it controls the flow of information by appropriately using the gate units mentioned earlier. That is, it can be used to learn the results of one feature that has learned the previous information as a new feature, so that even if the distance between the input features is far, the previous information is not lost, so that more efficient learning can be performed. .

또한, 도 4에 도시된 바와 같이, 본 실시예에 따른 공동 발생 결정 모델은, 상기 표준화된 탐지 데이터 및 상기 구조물 정보를 입력으로 학습을 수행하는 제1 학습 모델(L1); 상기 주파수 신호를 입력으로 학습을 수행하는 제2 학습 모델(L2); 및 상기 제1 학습 모델의 결과 값과 상기 제2 학습 모델의 결과 값을 학습하여 출력층(전연결층)으로 제공하는 제3 학습 모델(L3)을 포함할 수 있다.In addition, as shown in FIG. 4, the co-occurrence determination model according to the present embodiment includes: a first learning model L1 for performing learning by inputting the standardized detection data and the structure information; A second learning model (L2) for performing learning based on the frequency signal as an input; And a third learning model L3 that learns a result value of the first learning model and a result value of the second learning model and provides it to an output layer (full connection layer).

제1 학습 모델(L1)은 LSTM 기반으로 구축될 수 있으며, 표준화된 탐지 데이터(S₁,…,S_n) 및 구조물 정보(f₁,…,f₃)를 기초로 학습이 수행될 수 있다. 제2 학습 모델(L2) 또한 LSTM 기반으로 구축될 수 있으며, 주파수 신호(f₁,…,f_n)를 기초로 학습이 더 수행될 수 있다. 여기서, 제1 학습 모델(L1)과 제2 학습 모델(L2)은 독립적인 결과를 도출할 수 있다. 즉, 제1 학습 모델(L1)의 복수의 LSTM 블록은 제1 학습 모델(L1) 내에서 사슬 형태의 반복되는 신경망 모듈을 구성하며, 제2 학습 모델(L2)의 복수의 LSTM 블록은 제2 학습 모델(L2) 내에서 사슬 형태의 반복되는 신경망 모듈을 구성할 수 있다. 제1, 제2 학습 모델이 병합된 상태가 아니며, 각각의 결과를 독립적으로 생성하므로 특정 입력에 결과 값이 편중되지 않는 상호 보완적인 학습이 진행될 수 있다.The first learning model L1 may be constructed based on LSTM, and learning may be performed based on standardized detection data (S ₁ ,…,S _n ) and structure information (f ₁ ,…,f ₃ ). . The second learning model L2 may also be constructed based on LSTM, and further learning may be performed based on the _{frequency signals f 1} , ..., f _n. Here, the first learning model L1 and the second learning model L2 may derive independent results. That is, the plurality of LSTM blocks of the first learning model L1 constitute a chain-shaped repetitive neural network module in the first learning model L1, and the plurality of LSTM blocks of the second learning model L2 are second In the learning model (L2), a repetitive neural network module in the form of a chain can be configured. Since the first and second learning models are not in a merged state, and each result is independently generated, complementary learning in which a result value is not biased to a specific input can be performed.

제1 학습 모델(L1)의 결과 값 및 제2 학습 모델(L2)의 결과 값은 제3 학습 모델(L3)로 제공된다. 제3 학습 모델(L3)은 Rectified Linear Unit(ReLU)라는 2개의 활성화 함수로 구성되며, 2개의 활성화 함수는 각각 제1 학습 모델(L1)의 결과와 제2 학습 모델(L2)의 결과를 입력받는다. 즉, 본 실시예에 따른 학습 모델은 제1 학습 모델(L1) 및 제2 학습 모델(L2)의 결과 값을 곧바로 출력층(전연결층)으로 제공하지 않고, 제3 학습 모델(L3)에서 ReLU 활성화 함수를 통해 한번 더 학습을 수행하게 한다. ReLU를 통해 학습 속도가 높아지고, 연산 비용이 낮아지는 효과가 제공되며, 낮은 층으로 갈수록 전파되는 에러의 양이 적어짐으로 인해 그레이디언트 변화가 거의 없어져 학습이 일어나지 않는 그레이디언트 베니싱(gradient vanishing) 문제가 해결될 수 있다. 제3 학습 모델(L3)은 제1 학습 모델(L1)의 결과 및 제2 학습 모델(L2)의 결과를 학습하여 출력층(전연결층)으로 제공할 수 있다.A result value of the first learning model L1 and a result value of the second learning model L2 are provided as a third learning model L3. The third learning model (L3) consists of two activation functions called Rectified Linear Unit (ReLU), and each of the two activation functions inputs the result of the first learning model (L1) and the result of the second learning model (L2). Receive. That is, the learning model according to the present embodiment does not directly provide the result values of the first learning model L1 and the second learning model L2 to the output layer (full connection layer), but the third learning model L3 The learning is performed once more through the activation function. ReLU provides the effect of increasing the learning speed and lowering the computational cost, and as the amount of error propagated to a lower layer decreases, the gradient change is almost eliminated and thus no learning occurs, gradient vanishing. ) The problem can be solved. The third learning model L3 may learn the results of the first learning model L1 and the results of the second learning model L2 and provide them as an output layer (full connection layer).

출력층은 제3 학습 모델(L3)의 ReLU 활성화 함수 각각에서 제공되는 결과를 기초로 공동 발생여부를 결정할 수 있다. 출력층은 Softmax function과 같은 활성화 함수로 구성될 수 있다. Softmax function은 최종적으로 분류하고자 하는 범주(Class)를 위하여 정규화하는 함수로, 각 범주에 대한 확률을 수치화할 수 있다. 예를 들어, 수치의 합은 1.0이며, 정상 및 공동에 대해 각각의 확률을 나타낸다. 정상(0.7), 공동(0.3)과 같이 확률이 계산되며, 최종적으로 큰 수치로 상태가 결정될 수 있다. 출력층에서 결정된 값과 실제 결과와의 비교가 수행될 수 있으며, 비교 결과가 반영되어 다시 학습이 수행될 수 있다. 상술한 과정을 반복 수행하여, 덕트 공동 탐지 모델 학습부(103)는 상기 표준화된 탐지 데이터, 상기 주파수 신호 및 상기 구조물 정보에 기초하여 상기 덕트의 공동 발생 여부를 결정하는 공동 발생 결정 모델을 구축할 수 있다.The output layer may determine whether or not co-occurrence is based on results provided from each of the ReLU activation functions of the third learning model L3. The output layer may be composed of an activation function such as a Softmax function. The Softmax function is a function that normalizes for the category to be finally classified, and can quantify the probability for each category. For example, the sum of the numbers is 1.0, representing the respective probabilities for normal and cavity. Probabilities are calculated as normal (0.7) and cavity (0.3), and finally the state can be determined with a large number. A comparison between a value determined in the output layer and an actual result may be performed, and the comparison result may be reflected and learning may be performed again. By repeatedly performing the above-described process, the duct cavity detection model learning unit 103 constructs a cavity generation determination model that determines whether or not the duct cavity occurs based on the standardized detection data, the frequency signal, and the structure information. I can.

상술한 바와 같이, 덕트 공동 탐지 모델 학습 장치(100)에서 구축된 공동 발생 결정 모델은 공동 발생 결정 장치(110)에 제공될 수 있다. 즉, 공동 발생 결정 장치(110)는 덕트 공동 탐지 모델 학습 장치(100)에서 구축된 공동 발생 결정 모델을 포함할 수 있다.As described above, the cavity generation determination model built in the duct cavity detection model learning apparatus 100 may be provided to the cavity generation determination apparatus 110. That is, the cavity generation determination device 110 may include a cavity generation determination model built in the duct cavity detection model learning apparatus 100.

도 5를 참조하면, 공동 발생 결정 장치(110)는 신호 수신부(111), 신호 처리부(112) 및 공동 발생 여부 결정부(113)를 포함할 수 있다. 여기서, 신호 수신부(111)와 신호 처리부(112)는 덕트 공동 탐지 모델 학습 장치(100)의 신호 수신부(101)와 신호 처리부(102)와 실질적으로 동일한 기능을 제공한다. 즉, 신호 수신부(111)는 공동 발생 여부를 판별하기 위한 탐지 데이터 및 구조물의 정보가 입력될 수 있다. 신호 처리부(112)는 탐지 데이터에 대한 신호 처리를 수행하여 동공 발생 여부를 판별하기에 더욱 적합한 데이터로 변형할 수 있다. 신호 처리부(112)는 탐지 데이터에 대한 표준화 및 주파수 성분 추출을 각각 수행할 수 있다. 신호 처리부(112)에서 처리된 표준화된 탐지 데이터 및 추출된 주파수 신호는 판별을 위해 공동 발생 여부 결정부(113)로 제공된다. 또한, 구조물 정보 또한 판별을 위해 공동 발생 여부 결정부(113)로 제공된다.Referring to FIG. 5, the apparatus for determining whether to generate a joint 110 may include a signal receiving unit 111, a signal processing unit 112, and a determining unit 113 for determining whether or not to generate a joint. Here, the signal receiving unit 111 and the signal processing unit 112 provide substantially the same functions as the signal receiving unit 101 and the signal processing unit 102 of the duct cavity detection model learning apparatus 100. That is, the signal receiving unit 111 may input detection data and structure information for determining whether or not a joint occurs. The signal processing unit 112 may perform signal processing on the detection data and transform it into data more suitable for determining whether or not pupils are generated. The signal processing unit 112 may standardize detection data and extract frequency components, respectively. The standardized detection data and the extracted frequency signal processed by the signal processing unit 112 are provided to the joint generation determining unit 113 for identification. In addition, structure information is also provided to the co-occurrence determination unit 113 for identification.

공동 발생 여부 결정부(113)은 공동 발생 결정 모델을 이용하여, 표준화된 탐지 데이터, 추출된 주파수 신호 및 구조물 정보 입력에 대한 공동 발생 여부를 결정할 수 있다.The co-occurrence determination unit 113 may determine whether or not co-occurrence of the standardized detection data, the extracted frequency signal, and structure information input using the co-occurrence determination model.

본 발명의 일 실시예에 따른 덕트 공동 탐지 시스템(10)은 덕트 공동 탐지 모델 학습 장치(100) 및 공동 발생 결정 장치(110)를 포함하도록 구성되어, 표준화된 탐지 데이터, 추출된 주파수 신호 및 구조물 정보 입력에 기초하여 공동 발생 결정 모델을 구축하고, 구축된 모델에 기초하여 공동 발생 여부를 판단할 수 있다. 이하, 본 발명의 실험예를 통해 본 발명의 기술적 특징에 대해 상세히 설명하도록 한다. The duct cavity detection system 10 according to an embodiment of the present invention is configured to include a duct cavity detection model learning device 100 and a cavity generation determination device 110, and is configured to include standardized detection data, extracted frequency signals, and structures. A co-occurrence determination model may be constructed based on the input of information, and whether or not co-occurrence may be determined based on the established model. Hereinafter, the technical features of the present invention will be described in detail through experimental examples of the present invention.

도 6은 탐지 센서에서 생성되는 예시적인 탐지 데이터(원시 IE 신호)를 도시한 것이다. 도 6은 IE 장비로 구성된 탐지 센서(120)를 이용하여 원시 IE 신호를 생성한 것으로, 전체 신호 중 유의미한 강도를 나타내는 0μs~5000μs의 시간대의 신호가 탐지 데이터로 사용된다. 즉, 5000μs 이후의 신호는 강도가 미미하여 신호의 특성을 분석하기 위한 데이터로 의미가 없을 수 있다.6 shows exemplary detection data (raw IE signal) generated by a detection sensor. 6 shows a raw IE signal generated by using the detection sensor 120 configured as an IE device, and a signal in a time range of 0 μs to 5000 μs representing a significant intensity among all signals is used as detection data. That is, since the signal after 5000 μs has insignificant intensity, it may be meaningless as data for analyzing the characteristics of the signal.

본 실시예에서, 사용한 입력 데이터는 원시 IE 신호(229개), 구조물의 특징(3개), 그리고 주파수 신호(229개)이다. 표 1은 입력 데이터의 종류 및 개수를 나타낸다. In this embodiment, the input data used are raw IE signals (229), features of the structure (3), and frequency signals (229). Table 1 shows the type and number of input data.

[표 1][Table 1]

수집된 데이터의 개수는 3,031개이며, 훈련 및 시험 데이터는 무작위로 나누어 각각 8 : 2의 비율로 사용하였다. 실험을 진행하면서, 다양한 초-매개변수를 비교하여 원시 IE 신호와 구조물의 특징, 그리고 주파수에 대한 최적의 초-매개변수의 최적 값을 도출하였다. 초-매개변수의 최적 값 및 범주는 하기의 표 2와 같다. The number of collected data was 3,031, and training and test data were randomly divided and used at a ratio of 8:2, respectively. During the experiment, various hyper-parameters were compared to derive the optimal values of the raw IE signal, the characteristics of the structure, and the optimal hyper-parameters for the frequency. The optimal values and categories of the super-parameter are shown in Table 2 below.

[표 2][Table 2]

표 2의 최적 값으로 본 발명의 실시예에 따른 덕트 공동 탐지 모델(실시예)이 구축될 수 있다. 또한, 본 발명의 실시예에 따른 덕트 공통 탐지 모델(실시예)의 성능 비교를 위해 원시 IE 신호와 구조물의 특징만으로 학습을 수행하여 구축한 덕트 공동 탐지 모델(비교예)을 구축하였다. 실시예와 비교예의 성능을 비교하면, 하기의 표 3과 같이 정리된다. With the optimum values in Table 2, a duct cavity detection model (example) according to an embodiment of the present invention may be constructed. In addition, in order to compare the performance of the duct common detection model (Example) according to the embodiment of the present invention, a duct cavity detection model (comparative example) constructed by learning only the original IE signal and the features of the structure was constructed. Comparing the performance of Examples and Comparative Examples, they are summarized in Table 3 below.

[표 3] [Table 3]

여기서, Precision(정밀도)란 모델이 True라고 분류한 것 중 실제 True인 것의 비율이며, Recall(재현율)은 실제 True인 것 중에서 모델이 True라고 예측한 것의 비율이다. F1-score는 Precision(정밀도)과 Recall(재현율)의 조화 평균으로, 데이터 레이블이 불균형 구조일 때, 모델의 성능을 정확하게 평가할 수 있는 지표이며, 성능을 하나의 숫자로 표현할 수 있다. 성능이 좋으면 F1-score는 1에 가깝게 표현되고, 성능이 좋지 않으면 0에 가깝게 표현된다. 표 3에서 정상 Precision은 모델이 정상이라고 한 것 중에서 실제 정상인 것의 비율, 정상 Recall은 실제 정상인 것 중에서 모델이 정상이라고 한 것의 비율이다. 공동 Precision은 모델이 공동이라고 한 것 중에서 실제 공동인 것의 비율, 공동 Recall은 실제 공동인 것 중에서 모델이 공동이라고 한 것의 비율이다. Here, the precision is the ratio of what is classified as true by the model that is actually true, and the recall (recall rate) is the ratio of what is predicted that the model is true among those that are actually true. F1-score is a harmonic average of Precision and Recall, and is an index that can accurately evaluate the model's performance when the data label is unbalanced, and the performance can be expressed as a single number. If the performance is good, the F1-score is expressed close to 1, and if the performance is poor, the F1-score is expressed close to 0. In Table 3, the normal precision is the ratio of the actual normal model among those that the model is normal, and the normal recall is the ratio of the normal normal model among the actual normal ones. Joint Precision is the ratio of what the model is said to be a real cavity among the things that the model is said to be common, and joint Recall is the ratio of what the model is said to be a common one among the real ones.

비교예와 실시예를 비교하면, 비교예 대비 실시예가 더욱 개선된 정확성을 제공하는 것을 알 수 있다. 즉, 실시예는 실험 결과 88.56%의 정확도를 나타내어 매우 높은 정확도로 덕트의 공동 발생 여부를 결정하는 것을 알 수 있으나, 비교예는 82.58%의 정확도를 나타내어 실시예보다 낮은 정확성을 제공하는 것을 알 수 있다. 실시예는 비교예 대비 주파수 신호를 기초로 학습이 더 수행될 수 있으며, 추가적으로 수행되는 제2 학습 모델은 표준화된 탐지 데이터 및 구조물 정보를 기초로 학습되는 제1 학습 모델과 병합되지 않은 독립적인 형태의 LSTM을 구성하며, 독립적인 결과를 도출하도록 구성된다. 즉, 제1 학습 모델의 입력에 결과값이 편중되지 않은 상호 보완적인 기능이 수행되어 더욱 정확한 결과를 도출하는 평가 모델이 구현되는 것을 알 수 있다.When comparing the comparative examples and the examples, it can be seen that the examples compared to the comparative examples provide more improved accuracy. That is, it can be seen that the Example shows an accuracy of 88.56% as a result of the experiment and determines whether or not the duct cavity occurs with very high accuracy, but the Comparative Example shows an accuracy of 82.58%, which provides lower accuracy than the Example. have. In the embodiment, learning may be further performed based on the frequency signal compared to the comparative example, and the additionally performed second learning model is an independent form that is not merged with the first learning model that is learned based on standardized detection data and structure information. It constitutes the LSTM of and is structured to derive independent results. That is, it can be seen that a complementary function in which the result value is not biased is performed on the input of the first learning model, and an evaluation model that derives more accurate results is implemented.

이상에서는 실시예들을 참조하여 설명하였지만 본 발명은 이러한 실시예들 또는 도면에 의해 한정되는 것으로 해석되어서는 안 되며, 해당 기술분야의 숙련된 당업자는 하기의 특허 청구 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although the above has been described with reference to examples, the present invention should not be construed as being limited by these examples or drawings, and those skilled in the art will have the spirit and scope of the present invention described in the following claims. It will be appreciated that various modifications and changes can be made to the present invention without departing from.

10: 덕트 공동 탐지 시스템
100: 덕트 공동 탐지 모델 학습 장치
110: 공동 발생 결정 장치
120: 탐지 센서
101, 111: 신호 수신부
102, 112: 신호 처리부
103: 덕트 공동 탐지 모델 학습부
113: 공동 발생 여부 결정부10: duct cavity detection system
100: duct cavity detection model learning device
110: co-occurrence determination device
120: detection sensor
101, 111: signal receiver
102, 112: signal processing unit
103: duct cavity detection model learning unit
113: co-occurrence decision unit

Claims

덕트를 포함하는 구조물을 탐지한 탐지 데이터 및 상기 구조물의 정보를 수신하는 신호 수신부;
상기 탐지 데이터를 표준화하는 신호 표준화 유닛, 및 상기 탐지 데이터에서 주파수 성분을 추출하여 주파수 신호를 생성하는 주파수 추출 유닛을 포함하는 신호 처리부; 및
상기 표준화된 탐지 데이터, 상기 주파수 신호 및 상기 구조물 정보에 기초하여 상기 덕트의 공동 발생 여부를 결정하는 공동 발생 결정 모델을 구축하는 덕트 공동 탐지 모델 학습부를 포함하며;
상기 공동 발생 결정 모델은, 상기 표준화된 탐지 데이터 및 상기 구조물 정보를 입력으로 학습을 수행하는 제1 학습 모델; 상기 주파수 신호를 입력으로 학습을 수행하는 제2 학습 모델; 및 상기 제1 학습 모델의 결과 값과 상기 제2 학습 모델의 결과 값을 학습하여 출력층으로 제공하는 제3 학습 모델을 포함하고;
상기 제1 학습 모델 및 제2 학습 모델은 롱숏-텀 메모리(Long Short-Term Memory)(LSTM) 기반의 학습 모델로서, 제1 학습 모델은 사슬 형태의 반복되는 신경망 모듈을 구성하는 복수의 LSTM 블록을 포함하며, 제2 학습 모델은 제1 학습 모델과 병합되지 않은 채 사슬 형태의 반복되는 신경망 모듈을 구성하는 복수의 LSTM 블록을 포함하도록 구성되어, 제1 학습 모델과 제2 학습 모델은 각각의 결과를 독립적으로 생성하며;
상기 제3 학습 모델은, 상기 제1 학습 모델 및 상기 제2 학습 모델의 결과 값을 각각 입력 받는 2개의 활성 함수를 포함하는데, 상기 2개의 활성 함수는 렉티파이드 리니어 유닛(Rectified Linear Unit)으로 이루어지며;
출력층은, 상기 제3 학습 모델의 렉티파이드 리니어 유닛(Rectified Linear Unit)으로 이루어진 활성화 함수 각각에서 제공되는 결과를 기초로 공동 발생여부를 결정하는데, 상기 출력층은 소프트맥스 펑션(Softmax function) 활성 함수를 포함하고;
상기 신호 표준화 유닛은 수학식 1을 이용하여 상기 탐지 데이터를 표준화하며;
상기 탐지 데이터는 임팩트 에코(Impact-Echo) 신호로서 0~5000μs의 시간대의 신호이며;
상기 구조물 정보는, 상기 구조물에서 덕트의 콘크리트 피복 두께, 덕트의 깊이 및 덕트와 타격점과의 수평 거리 중에서 선택되는 하나 이상의 것을 포함하는 것을 특징으로 하는 덕트 공동 탐지 모델 학습 장치.
(수학식 1)

(수학식 1에서 x는 탐지 데이터를 의미하며, x_mean은 평균값을 의미하고, x_std는 표준 편차를 의미한다.)
A signal receiver configured to receive detection data for detecting a structure including a duct and information on the structure;
A signal processing unit including a signal standardization unit for standardizing the detection data, and a frequency extraction unit for generating a frequency signal by extracting a frequency component from the detection data; And
A duct cavity detection model learning unit for constructing a cavity generation determination model that determines whether the duct cavity occurs based on the standardized detection data, the frequency signal, and the structure information;
The co-occurrence determination model may include: a first learning model that performs learning by inputting the standardized detection data and the structure information; A second learning model that performs learning based on the frequency signal; And a third learning model for learning a result value of the first learning model and a result value of the second learning model to provide an output layer.
The first learning model and the second learning model are Long Short-Term Memory (LSTM)-based learning models, and the first learning model is a plurality of LSTM blocks constituting a repetitive neural network module in the form of a chain. Including, the second learning model is configured to include a plurality of LSTM blocks constituting a chain-shaped repetitive neural network module without being merged with the first learning model, the first learning model and the second learning model are each Produce results independently;
The third learning model includes two active functions receiving each of the result values of the first learning model and the second learning model, and the two active functions are composed of a rectified linear unit. Lose;
The output layer determines whether or not to generate a cavity based on a result provided from each of the activation functions consisting of a rectified linear unit of the third learning model, and the output layer uses a Softmax function activation function. Including;
The signal normalization unit normalizes the detection data using Equation 1;
The detection data is an impact-echo signal, which is a signal in a time range of 0 to 5000 μs;
The structure information includes at least one selected from a concrete cover thickness of a duct, a depth of the duct, and a horizontal distance between the duct and the hitting point in the structure.
(Equation 1)

(In Equation 1, x means detection data, x_mean means average value, and x_std means standard deviation.)

삭제delete

제1항에 있어서,
상기 주파수 추출 유닛은 고속 푸리에 변환(FFT)을 통해 상기 탐지 데이터의 주파수 성분을 추출하여 상기 주파수 신호를 생성하는 것을 특징으로 하는 덕트 공동 탐지 모델 학습 장치.
The method of claim 1,
The frequency extraction unit extracts a frequency component of the detection data through a fast Fourier transform (FFT) to generate the frequency signal.

삭제delete

덕트를 포함하는 구조물을 탐지한 탐지 데이터 및 상기 구조물의 정보를 수신하는 신호 수신부; 상기 탐지 데이터를 표준화하는 신호 표준화 유닛 및 상기 탐지 데이터에서 주파수 성분을 추출하여 주파수 신호를 생성하는 주파수 추출 유닛을 포함하는 신호 처리부; 및 상기 표준화된 탐지 데이터, 상기 주파수 신호 및 상기 구조물 정보에 기초하여 상기 덕트의 공동 발생 여부를 결정하는 공동 발생 결정 모델을 구축하는 덕트 공동 탐지 모델 학습부를 포함하되, 상기 공동 발생 결정 모델은, 상기 표준화된 탐지 데이터 및 상기 구조물 정보를 입력으로 학습을 수행하는 제1 학습 모델; 상기 주파수 신호를 입력으로 학습을 수행하는 제2 학습 모델; 및 상기 제1 학습 모델의 결과 값과 상기 제2 학습 모델의 결과 값을 학습하여 출력층으로 제공하는 제3 학습 모델을 포함하는 덕트 공동 탐지 모델 학습 장치; 및
상기 덕트 공동 탐지 모델 학습 장치에서 생성된 덕트 발생 결정 모델을 포함하는 공통 탐지 모델을 포함하는 공동 발생 여부 결정부; 구조물에 설치된 덕트의 공동 발생 여부를 판별하기 위한 탐지 데이터 및 구조물의 정보가 입력되는 신호 수신부; 및 상기 공동 발생 여부를 판별하기 위한 탐지 데이터에 대한 표준화 및 주파수 성분 추출을 각각 수행하는 신호 처리부를 포함하되, 상기 공동 발생 여부 결정부는 상기 표준화된 탐지 데이터, 상기 주파수 신호 및 상기 구조물 정보를 상기 덕트 발생 결정 모델에 입력하여 상기 덕트의 공동 발생 여부를 결정하는 공동 발생 결정 장치를 포함하며;
덕트 공동 탐지 모델 학습 장치에 포함된 상기 제1 학습 모델 및 제2 학습 모델은 롱숏-텀 메모리(Long Short-Term Memory)(LSTM) 기반의 학습 모델로서, 제1 학습 모델은 사슬 형태의 반복되는 신경망 모듈을 구성하는 복수의 LSTM 블록을 포함하며, 제2 학습 모델은 제1 학습 모델과 병합되지 않은 채 사슬 형태의 반복되는 신경망 모듈을 구성하는 복수의 LSTM 블록을 포함하도록 구성되어, 제1 학습 모델과 제2 학습 모델은 각각의 결과를 독립적으로 생성하며;
상기 제3 학습 모델은, 상기 제1 학습 모델 및 상기 제2 학습 모델의 결과 값을 각각 입력 받는 2개의 활성 함수를 포함하는데, 상기 2개의 활성 함수는 렉티파이드 리니어 유닛(Rectified Linear Unit)으로 이루어지며;
출력층은, 상기 제3 학습 모델의 렉티파이드 리니어 유닛(Rectified Linear Unit)으로 이루어진 활성화 함수 각각에서 제공되는 결과를 기초로 공동 발생여부를 결정하는데, 상기 출력층은 Softmax function 활성 함수를 포함하고;
상기 신호 표준화 유닛은 수학식 1을 이용하여 상기 탐지 데이터를 표준화하며;
상기 탐지 데이터는 임팩트 에코(Impact-Echo) 신호로서 0~5000μs의 시간대의 신호이며;
상기 구조물 정보는, 상기 구조물에서 덕트의 콘크리트 피복 두께, 덕트의 깊이 및 덕트와 타격점과의 수평 거리 중에서 선택되는 하나 이상의 것을 포함하는 것을 특징으로 하는 인공지능 학습 모델을 이용한 덕트 공동 탐지 시스템.
(수학식 1)

(수학식 1에서 x는 탐지 데이터를 의미하며, x_mean은 평균값을 의미하고, x_std는 표준 편차를 의미한다.)A signal receiver configured to receive detection data for detecting a structure including a duct and information on the structure; A signal processing unit including a signal standardization unit for standardizing the detection data and a frequency extraction unit for generating a frequency signal by extracting a frequency component from the detection data; And a duct cavity detection model learning unit for constructing a cavity generation determination model that determines whether the duct cavity occurs based on the standardized detection data, the frequency signal, and the structure information, wherein the cavity generation determination model comprises: A first learning model that performs learning by inputting standardized detection data and the structure information; A second learning model that performs learning based on the frequency signal; And a third learning model that learns a result value of the first learning model and a result value of the second learning model to provide an output layer. And
A cavity generation determining unit including a common detection model including a duct generation determination model generated by the duct cavity detection model learning apparatus; A signal receiving unit for inputting detection data and structure information for determining whether a duct installed in the structure is co-occurring; And a signal processing unit for standardizing detection data and extracting frequency components for determining whether the cavity occurs, wherein the cavity generation determining unit converts the standardized detection data, the frequency signal, and the structure information into the duct. And a cavity generation determination device inputting into the generation determination model to determine whether or not the duct cavity occurs;
The first learning model and the second learning model included in the duct cavity detection model learning apparatus are Long Short-Term Memory (LSTM)-based learning models, and the first learning model is repeated in a chain form. It includes a plurality of LSTM blocks constituting a neural network module, and the second learning model is configured to include a plurality of LSTM blocks constituting a chain-shaped repetitive neural network module without being merged with the first learning model. The model and the second learning model independently generate each result;
The third learning model includes two active functions receiving each of the result values of the first learning model and the second learning model, and the two active functions are composed of a rectified linear unit. Lose;
The output layer determines whether or not a cavity is generated based on a result provided from each of the activation functions composed of a rectified linear unit of the third learning model, the output layer including a Softmax function activation function;
The signal normalization unit normalizes the detection data using Equation 1;
The detection data is an impact-echo signal, which is a signal in a time range of 0 to 5000 μs;
The structure information includes at least one selected from a concrete cover thickness of a duct, a depth of the duct, and a horizontal distance between the duct and the hitting point in the structure.
(Equation 1)