KR102241879B1 - 인공지능 학습 모델을 이용한 덕트 공동 탐지 모델 학습 장치 및 덕트 공동 탐지 시스템 - Google Patents

인공지능 학습 모델을 이용한 덕트 공동 탐지 모델 학습 장치 및 덕트 공동 탐지 시스템 Download PDF

Info

Publication number
KR102241879B1
KR102241879B1 KR1020190159387A KR20190159387A KR102241879B1 KR 102241879 B1 KR102241879 B1 KR 102241879B1 KR 1020190159387 A KR1020190159387 A KR 1020190159387A KR 20190159387 A KR20190159387 A KR 20190159387A KR 102241879 B1 KR102241879 B1 KR 102241879B1
Authority
KR
South Korea
Prior art keywords
learning
model
duct
learning model
detection data
Prior art date
Application number
KR1020190159387A
Other languages
English (en)
Inventor
진원종
김영진
조창백
조창빈
박광연
최형
이윤복
김유섭
Original Assignee
한국건설기술연구원
주식회사 에이아이브릿지
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 한국건설기술연구원, 주식회사 에이아이브릿지 filed Critical 한국건설기술연구원
Priority to KR1020190159387A priority Critical patent/KR102241879B1/ko
Application granted granted Critical
Publication of KR102241879B1 publication Critical patent/KR102241879B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/045—Analysing solids by imparting shocks to the workpiece and detecting the vibrations or the acoustic waves caused by the shocks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/38—Concrete; Lime; Mortar; Gypsum; Bricks; Ceramics; Glass
    • G01N33/383—Concrete or cement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Medicinal Chemistry (AREA)
  • Acoustics & Sound (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Food Science & Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Ceramic Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

인공지능 학습 모델을 이용한 덕트 공동 탐지 시스템이 제공된다. 덕트 공동 탐지 시스템은 덕트 공동 탐지 모델 학습 장치 및 공동 발생 결정 장치를 포함한다. 공동 탐지 모델 학습 장치는 표준화된 탐지 데이터 및 구조물 정보를 입력으로 학습을 수행하는 제1 학습 모델; 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 공동 발생 결정 모델을 학습하고, 공동 발생 결정 장치는 상기 공동 발생 결정 모델을 이용하여 덕트를 포함하는 구조물에 대한 탐지 데이터 및 구조물 정보를 기초로 구조물에 대한 공동 발생 여부를 결정한다. 탐지 데이터 및 구조물 정보만으로 구조물의 공동 발생 여부를 현장의 실무자가 빠르고 정확하게 판별할 수 있어 내부 탐사에 소요되는 시간과 비용의 절감할 수 있다.

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}
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.
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.
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.
대한민국 등록특허공보 제10-1936849호(2019. 01. 11. 공고).
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.
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.
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.
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.
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.
즉, 현장의 실무자가 빠르고 정확하게 내부 덕트의 공동 유무를 판별할 수 있으며, 내부 탐사에 소요되는 시간과 비용이 절감될 수 있다.
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.
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.
이하에서, 도면을 참조하여 본 발명의 실시예들에 대하여 상세히 살펴본다.
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.
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.
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.
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.
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.
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.
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.
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.
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.
[수학식 1]
Figure 112019125068589-pat00001
위의 수학식 1에서 x는 탐지 데이터를 의미하고, x_mean은 평균값을 의미하며, x_std는 표준 편차를 의미한다.
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.
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.
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.
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.
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.
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.
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.
제1 학습 모델(L1)은 LSTM 기반으로 구축될 수 있으며, 표준화된 탐지 데이터(S1,…,Sn) 및 구조물 정보(f1,…,f3)를 기초로 학습이 수행될 수 있다. 제2 학습 모델(L2) 또한 LSTM 기반으로 구축될 수 있으며, 주파수 신호(f1,…,fn)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.
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.
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.
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.
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.
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.
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.
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.
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.
[표 1]
Figure 112019125068589-pat00002
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.
[표 2]
Figure 112019125068589-pat00003
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.
[표 3]
Figure 112019125068589-pat00004
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.
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.
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.
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 결정부

Claims (10)

  1. 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)
    Figure 112021027470782-pat00012

    (수학식 1에서 x는 탐지 데이터를 의미하며, x_mean은 평균값을 의미하고, x_std는 표준 편차를 의미한다.)
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 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.
  7. 삭제
  8. 삭제
  9. 삭제
  10. 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)
    Figure 112021027470782-pat00013

    (수학식 1에서 x는 탐지 데이터를 의미하며, x_mean은 평균값을 의미하고, x_std는 표준 편차를 의미한다.)
KR1020190159387A 2019-12-03 2019-12-03 인공지능 학습 모델을 이용한 덕트 공동 탐지 모델 학습 장치 및 덕트 공동 탐지 시스템 KR102241879B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190159387A KR102241879B1 (ko) 2019-12-03 2019-12-03 인공지능 학습 모델을 이용한 덕트 공동 탐지 모델 학습 장치 및 덕트 공동 탐지 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190159387A KR102241879B1 (ko) 2019-12-03 2019-12-03 인공지능 학습 모델을 이용한 덕트 공동 탐지 모델 학습 장치 및 덕트 공동 탐지 시스템

Publications (1)

Publication Number Publication Date
KR102241879B1 true KR102241879B1 (ko) 2021-04-20

Family

ID=75742978

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190159387A KR102241879B1 (ko) 2019-12-03 2019-12-03 인공지능 학습 모델을 이용한 덕트 공동 탐지 모델 학습 장치 및 덕트 공동 탐지 시스템

Country Status (1)

Country Link
KR (1) KR102241879B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102501918B1 (ko) 2022-12-07 2023-02-21 한국건설기술연구원 텐던진단장치를 이용한 텐던 손상진단을 위한 인공지능 학습방법과 인공지능 학습시스템, 그리고 이를 이용하는 텐던 손상진단 방법과 텐던 손상진단 시스템
KR102517365B1 (ko) 2022-12-05 2023-04-04 한국건설기술연구원 추진비행 모듈에 의한 자력 이동이 가능한 유도자기장 형성-유도전압 측정식 스마트 텐던진단장치, 및 이를 이용한 텐던진단방법
CN115980189A (zh) * 2023-03-06 2023-04-18 中铁西南科学研究院有限公司 一种基于冲击回波信号的隧道衬砌脱空检测方法及***
KR102602850B1 (ko) 2022-12-19 2023-11-17 한국건설기술연구원 집게 모듈을 이용한 설치구조를 가지는 유도자기장 형성-유도전압 측정식 스마트 텐던진단장치, 및 이를 이용한 텐던진단방법
KR102631756B1 (ko) 2023-08-22 2024-02-01 한국건설기술연구원 레디얼 서치 코일을 구비한 유도전압 측정 기반 텐던 진단장치, 이를 이용한 교량 케이블의 진단방법 및 진단시스템
KR102663746B1 (ko) 2023-11-06 2024-05-08 한국건설기술연구원 텐던 손상진단을 위한 인공지능 진단모델의 학습방법과 학습시스템, 그리고 이를 위한 추가 학습데이터의 형성시스템 및 형성방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101150923B1 (ko) * 2005-07-07 2012-05-29 가부시끼가이샤 도시바 표면 검사 방법 및 표면 검사 디바이스
KR101476749B1 (ko) * 2007-12-21 2014-12-26 발루렉 튜브즈 프랑스 비파괴 검사, 특히 제조 중이거나 완성 상태에 있는 파이프들에 대한 비파괴 검사
KR20170095582A (ko) * 2016-02-15 2017-08-23 한국전자통신연구원 뉴럴 네트워크를 이용한 오디오 인식 장치 및 방법
KR101936849B1 (ko) 2018-02-28 2019-01-11 주식회사 지에스지 비접촉식 공동 탐지 시스템 및 방법
KR101994787B1 (ko) * 2018-11-02 2019-09-24 주식회사 에이아이브릿지 Psc 교량의 덕트 내부 공동 탐사시스템 및 탐사방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101150923B1 (ko) * 2005-07-07 2012-05-29 가부시끼가이샤 도시바 표면 검사 방법 및 표면 검사 디바이스
KR101476749B1 (ko) * 2007-12-21 2014-12-26 발루렉 튜브즈 프랑스 비파괴 검사, 특히 제조 중이거나 완성 상태에 있는 파이프들에 대한 비파괴 검사
KR20170095582A (ko) * 2016-02-15 2017-08-23 한국전자통신연구원 뉴럴 네트워크를 이용한 오디오 인식 장치 및 방법
KR101936849B1 (ko) 2018-02-28 2019-01-11 주식회사 지에스지 비접촉식 공동 탐지 시스템 및 방법
KR101994787B1 (ko) * 2018-11-02 2019-09-24 주식회사 에이아이브릿지 Psc 교량의 덕트 내부 공동 탐사시스템 및 탐사방법

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102517365B1 (ko) 2022-12-05 2023-04-04 한국건설기술연구원 추진비행 모듈에 의한 자력 이동이 가능한 유도자기장 형성-유도전압 측정식 스마트 텐던진단장치, 및 이를 이용한 텐던진단방법
KR20240083787A (ko) 2022-12-05 2024-06-12 한국건설기술연구원 방향 변환형 추진비행 모듈에 의한 자력 이동이 가능한 유도자기장 형성-유도전압 측정식 스마트 텐던진단장치, 및 이를 이용한 텐던진단방법
KR102501918B1 (ko) 2022-12-07 2023-02-21 한국건설기술연구원 텐던진단장치를 이용한 텐던 손상진단을 위한 인공지능 학습방법과 인공지능 학습시스템, 그리고 이를 이용하는 텐던 손상진단 방법과 텐던 손상진단 시스템
KR102602850B1 (ko) 2022-12-19 2023-11-17 한국건설기술연구원 집게 모듈을 이용한 설치구조를 가지는 유도자기장 형성-유도전압 측정식 스마트 텐던진단장치, 및 이를 이용한 텐던진단방법
CN115980189A (zh) * 2023-03-06 2023-04-18 中铁西南科学研究院有限公司 一种基于冲击回波信号的隧道衬砌脱空检测方法及***
KR102631756B1 (ko) 2023-08-22 2024-02-01 한국건설기술연구원 레디얼 서치 코일을 구비한 유도전압 측정 기반 텐던 진단장치, 이를 이용한 교량 케이블의 진단방법 및 진단시스템
KR102663746B1 (ko) 2023-11-06 2024-05-08 한국건설기술연구원 텐던 손상진단을 위한 인공지능 진단모델의 학습방법과 학습시스템, 그리고 이를 위한 추가 학습데이터의 형성시스템 및 형성방법

Similar Documents

Publication Publication Date Title
KR102241879B1 (ko) 인공지능 학습 모델을 이용한 덕트 공동 탐지 모델 학습 장치 및 덕트 공동 탐지 시스템
Pan et al. A novel method of vibration modes selection for improving accuracy of frequency-based damage detection
Avci et al. Self-organizing maps for structural damage detection: a novel unsupervised vibration-based algorithm
Sony et al. Multiclass damage identification in a full-scale bridge using optimally tuned one-dimensional convolutional neural network
CN108491931B (zh) 一种基于机器学习提高无损检测精度的方法
Soleimani‐Babakamali et al. Toward a general unsupervised novelty detection framework in structural health monitoring
CN114357594B (zh) 一种基于sca-gru的桥梁异常监测方法、***、设备及存储介质
CN111881495A (zh) 基于数字孪生的预应力钢结构安全评估方法
CN111625988A (zh) 基于深度学习的桥梁健康管理分析与预测***及方法
CN109886433A (zh) 智能识别城市燃气管道缺陷的方法
Mojtahedi et al. Establishment of a hybrid Fuzzy–Krill Herd approach for novelty detection applied to damage classification of offshore jacket-type structures
Ye et al. A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring
Jiao et al. Damage identification of bridge based on Chebyshev polynomial fitting and fuzzy logic without considering baseline model parameters
Jahan et al. A fuzzy krill herd approach for structural health monitoring of bridges using operational modal analysis
Barbosh et al. Acoustic emission-based damage localization using wavelet-assisted deep learning
Raut et al. Methods of damage detection on composites under low velocity impact
Hu et al. Ultrasonic based concrete defects identification via wavelet packet transform and GA-BP neural network
CN117824756B (zh) 一种建筑结构监测方法、设备及存储介质
Cremona Dynamic monitoring applied to the detection of structural modifications: a high‐speed railway bridge study
CN114978968A (zh) 微服务的异常检测方法、装置、计算机设备和存储介质
Soleimani-Babakamali et al. Zero-shot transfer learning for structural health monitoring using generative adversarial networks and spectral mapping
Li et al. Structural health monitoring data anomaly detection by transformer enhanced densely connected neural networks
Singh et al. Damage identification using vibration monitoring techniques
Hamdan et al. A knowledge-based Approach for the Assessment of Damages to Constructions
CN113312696B (zh) 基于arima算法的桥梁健康状况动态预测告警方法

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant